从会提问到让 Agent 替你干活：普通人的 6 层 AI 能力，你卡在哪一层？

最近我被问得最多的一个问题，不是哪个模型更强，而是，我也天天在用 AI，可为什么感觉它对我工作的改变，一直很有限。

我观察了一圈身边的朋友和同事，答案挺一致的。

大多数人把 AI 用成了一个更聪明的搜索引擎，问一句，答一句，聊完就关。而另一小撮人，已经在让 AI 替自己跑完一整个工作流，人只负责最后看一眼。

差距不在模型，在人。

普通人学 AI 的路径从「会提问」一路走到「多人协作 Agent」，一共有六层。我把这六层逐层拆开。每一层到底在解决什么问题，背后是什么技术在支撑，以及，怎么判断自己该不该往上走。

01

L1 清晰交代任务｜提示词不是咒语，是需求文档

先说一个很多人没意识到的事实，大模型本质上是一台条件生成机器。你给的上下文，决定了它输出的上限。垃圾进，垃圾出，这句话在 AI 时代依然是铁律。

所以 L1 这一层练的不是什么神秘咒语，而是把脑子里那团模糊的需求，翻译成文字的能力。

具体来说就五件事，背景、目标、资料、要求、验收标准。前四个好理解，最后一个是大多数人漏掉的。你不说验收标准，AI 就只能猜什么叫「好」。

再进一步，给它一两个示例。在工程上这叫 few-shot，你给模型看一个样板，它对齐你口味的速度，比你说一百句形容词都快。

还有一个压箱底的技巧，交代完任务后补一句，先别急着做，把你的理解复述一遍，有歧义的地方向我提问。这一步能把返工率砍掉一大半。

L1 的本质，是把「我以为你知道」变成「我说清楚了」。

02

L2 工具与外部能力调用｜给 AI 装上双手

只会对话的模型有一个硬伤，它没有双手。

它不会查实时数据，打不开你的文件，更没法把一份做好的 PPT 直接放进你的文件夹。它所有的本事，就是预测下一个词。

L2 解决的就是这件事。背后的关键技术叫 Function Calling，模型不再只是输出文字，而是输出一段结构化的调用请求，我要查这个网页，我要读这份表格。真正的执行由外部系统完成，结果再回灌给模型。

而这两年真正让工具调用普及开的，是 MCP 协议。它干的事有点像当年的 USB-C，把五花八门的工具接口统一成一个标准，文档、表格、网页、PPT、图片，AI 即插即用。

L1 到 L2，是「聊天」到「办公」的分水岭。跨过这一层，AI 才开始真正碰你的活，而不是陪你聊你的活。

03

L3 个人工作知识库｜让 AI 理解你的语境

工具会用了，新的问题马上出现，AI 不懂你。

它不知道你们项目的来龙去脉，不知道老板说的「那个口径」是哪个口径，不知道你上次类似的方案是怎么写的。每次都要从头解释，很累。

有人会说，现在模型上下文窗口都上百万 token 了，直接塞进去不就行了。理论上可以，但你的整个职业生涯装不进去，而且塞得越多，关键信息越容易被淹没。

工程上的解法叫 RAG，检索增强生成。把你的资料切成小段，用 Embedding 模型转成向量存起来，每次提问时先按语义检索出最相关的几段，再注入上下文。模型看到的永远只是「此刻最相关」的那部分你。

这也是为什么行业里的热词，已经从 prompt engineering 悄悄换成了 context engineering。提示词是一句话的事，语境是一个系统的事。

注意，知识库不是文件堆。它需要你持续整理业务资料、项目背景和常用表达。你喂给 AI 的语境质量，就是它的理解力上限。

04

L4 个人 AI Skill｜把经验写成文件

到这一层，一个隐蔽的浪费开始浮出水面，重复描述。

每周写周报，你重新讲一遍格式。每次做分析，你重新讲一遍流程。更麻烦的是，讲得不一样，产出就不一样，质量忽高忽低。

L4 的做法是，把你的经验、流程和质量标准，一次性沉淀成一个 Skill 文件，AI 每次按需加载。同一个任务，同一套方法，同一条质量线。

这在工程上解决的是一个很经典的问题，方差。模型的输出天然有随机性，而固化的流程把随机性压到了最低。

从这一层开始，你训练的不再是模型，而是你自己的工作方法。你攒下的每一个 Skill，都是一份不会贬值的资产。

05

L5 个人 Agent｜从「对话」到「委托」

前四层有一个共同点，每一步都是你发起的。你不说话，AI 就躺在那儿。

Agent 改变了这个关系。它的技术内核是一个循环，观察现状，规划下一步，调用工具执行，看结果，再规划。工程上叫 Agent Loop，配合记忆机制，它能在你画好的规则和边界里，持续推进一件高频的事。

举个例子。不是「帮我盯一下竞品动态」，而是，一个 Agent 每天早上自动扫一遍竞品官网和行业资讯，按你的 Skill 里定义的模板生成简报，存进你的知识库，异常波动单独标红提醒你。

整个过程你没有说一句话。

L5 的本质是委托。你从操作者退到了验收者的位置，而这正是「管理一个数字员工」和管理一个真人团队相通的地方，定目标，划边界，看结果。

06

L6 协作 Agent｜能力的单位，从个人变成组织

个人 Agent 再强，也是私有财产。你离职那天，它跟着你的账号一起走。

L6 做的事情，是把已经被验证的成熟方法，做成整个岗位、整个团队可以共同使用的 Agent。新人来了不用从头摸索，老员工的经验不再躺在聊天记录里，组织的方法论第一次有了可执行的载体。

技术上这一层要解决的问题也变了。多人共用，就要有权限、版本和审计，谁改了方法，谁动了数据，出了错算谁的。而多人协作场景里，一个什么都要管的大 Agent，往往不如几个各司其职的专职 Agent 配合，一个查资料，一个写初稿，一个做校对，像一条流水线。

到这一层，AI 不再是某个人的效率工具，而是组织的公共产能。

07

六层速查，你此刻站在哪一层

把六层压缩成一张表，建议收藏，时不时拿出来对一下。

层级

你在做什么

关键技术

AI 的角色

L1 交代任务

把需求写明白

结构化 Prompt、Few-shot

问答顾问

L2 工具调用

给 AI 装上双手

Function Calling、MCP

办公助手

L3 知识库

喂给 AI 你的语境

RAG、Embedding

懂你的老同事

L4 Skill

把方法沉淀成资产

Skill 文件、流程固化

稳定交付的专才

L5 Agent

定规则，让它自己跑

Agent Loop、记忆

数字员工

L6 协作

方法变成团队基础设施

多 Agent 分工、权限审计

组织公共产能

08

不是越高越好，升级的开关在哪

那张金字塔图的底部有一行小字，我特别认同，不是层级越高越好。

一个一年只做一次的任务，做到 L2 就够了，为它搭个 Agent 是过度工程。升级与否，看三个问题。

这件事会重复出现吗。

它有相对稳定的方法吗。

它需要多人遵守同一套标准吗。

一个「是」，往知识库和 Skill 走。两个「是」，认真考虑 Agent。三个全中，它就是团队基础设施的候选。复杂度应该跟着工作价值走，而不是跟着焦虑走。

09

软件工程里有个说法，程序员的进阶，是从写代码到设计系统。

用 AI 其实一样。前四层，你是使用者，琢磨怎么把一件事交代好。后两层，你是设计者，琢磨怎么让一套系统在没人盯着的时候也能跑对。

这大概也是为什么，提示词技巧的课越来越卖不动了。因为大家慢慢发现，会说话只是起点，会建系统才是终点。

AI 不会取代你，但一个把 AI 用成系统的人，会赢过一百个只会问答的人。

如果这篇对你有启发，不用急着一步到位。今晚就挑一件你本周重复了三次以上的事，把它从现在的层级，往上抬一层。

就够了。

长沙市智能存算产业促进会会长 李颖悟

联系邮箱：liyingwu@cszncs.com