从打开对话框到深度使用——我的 AI 使用报告

2025 年 1 月，DeepSeek-R1 的发布引爆了全球的 DeepSeek 时刻。紧随其后的 2 月，Kimi 发布了移动端 App。还能回忆起那时身边所有人都在聊 AI——小红书、公众号、朋友圈，所有人都在兴奋地讨论。我翻了下我和 DeepSeek 的第一次对话，是让它帮我做一个春节的旅游规划。那会对于 AI 的使用就是简单的一两句问题描述，对他回答的期待也没有太高，觉得是个高级的搜索工具。

一年半过去了，现在我的使用状态：NotebookLM 啃书啃论文，Claude Code 作为主 Agent，搭配 DeepSeek 做推理，ChatGPT 做图，Cursor 复盘项目 coding。过去一年多听了上百期关于 AI 前沿、大模型进展、投资、认知科学的播客对谈。很多听了一遍不过瘾，转成逐字稿反复看——看别人怎么用 AI，踩过什么坑，悟出过什么。

自己用，和看别人怎么用，两件事一直在同步进行。

下面写的不是教程。是我从”不知道让它干什么”到”它成了日常工具”，这一路的心得。

一、我也行，这事不复杂

一切都是从好奇开始的。好奇推理的时候一个个字是如何冒出来的，还如此之快，快到超出了我的阅读速度。所以在 B 站找大模型基本原理的讲解，看李飞飞的书，后面看各种 up 主如何使用各种工具。边看边学，把日常微小的不懂和困惑都跟它交流，靠说人话让 AI 搭网站、做内容、提高工作效率。

这一路获得的东西叫确认感。“我也行，这事不复杂。”

确认感这东西，网上的教程从来不提。教程都在解决”怎么用”，但很多人卡住的根本不是”怎么用”，是”我能用吗”。不是技术门槛，是心理门槛。你不知道打开那个空白对话框该说什么。别犹豫，用起来，从最简单的问题和实际的困惑开始。

二、输入：拿什么喂自己

跨过确认感之后，我开始大量用 AI。

我给 AI 一个比较浅的问题，它给你一个听起来很全面、但其实很肤浅的答案。我给它一个明确的框架，它能在那个框架里帮我挖到自己达不到的深度。

一开始我以为区别在于 prompt 技巧。所以沉迷搜集各种 prompt，但用久了发现，这些 prompt 写得很华丽，但自己输入后，输出也达不到预期。

其实人和 AI 面对同一个约束：信息无限，处理能力有限。人的解法是进化出注意力，AI 的解法是 attention 机制。怎么用好 AI，跟怎么用好自己的大脑，底层逻辑是一样的——把有限的处理能力用在真正重要的东西上。

那什么东西算”重要”？取决于我们脑子里已经装了什么。

读过康波周期，就会有长周期的视角去分析当前的 AI 资本开支。读过《反脆弱》，脑子里就有”反脆弱”这个概念去判断哪种公司在萧条期更可能活下来。如果都没读过——AI 也能给你答案，但那个答案跟搜索引擎结果没有本质区别。

AI 不能扩展我的认知边界。它只能放大我已有的认知倾向。

所以整件事的起点不是”怎么用 AI”，是”拿什么喂自己”。信息源决定了脑子里能装什么框架，框架决定了 AI 能帮我走多远。

我的做法很简单。从日常喂给自己优质内容开始。书、优质的播客、论文都是很好的信息源。Z-Lib 和 Anna’s Archive 上能找到大部分想读的书；关注我的朋友也会发现我是小宇宙、YouTube 长视频的深度用户。我关注的播客不超过十个，订阅更新，感兴趣的方向、优质的内容深度听，听完转逐字稿，再仔细学习，标注关键判断和逻辑链。

泛听十期不如深啃一期。信息源不是越多越好，是越精越好。

AI 能帮我们的程度，取决于我们积累了多少这样的信息源。

三、输出：怎么让 AI 产出好东西

我听过一个 AI 开发者的分享，把”怎么拿到好的 AI 输出”拆成了五步。

第一步，想清楚你要干什么。为什么做这件事，你想创造什么。这一步 AI 帮不了你，只能从你自己的需求和判断里来。

第二步，把上下文整理干净。AI 不会从你零碎的话里自己拼出脉络。给的信息分好层级、写清楚关系，输出质量就高。随便扔几句，输出就糊。

第三步，告诉它你的工作方式。这件事在你这是怎么干的，之前踩过什么坑，最优做法是什么。你想解决的问题，大概率已经有人解决过了。不要自己从头来，找成熟方案拿过来改。

第四步，让它了解你。你是谁，你看重什么，你读过什么、写过什么、在意什么。你给 AI 的自我描述越详细，它越能匹配你的判断偏好。

第五步，给质量标准。什么算好，什么必须打回去重做。不给标准，AI 就给你一个平庸的平均输出。

这五步，说到底就是把我们的判断、偏好和工作方式翻译成 AI 能理解的格式。

上面的方法在实践中还遇到一个限制：模型的上下文。

上下文窗口越大，AI 对我们的理解就越深。同一个问题，用盘了一个月的 AI 来回答，跟第一天问，答案质量完全不同。上下文长度，就是理解深度。

这部分取决于模型厂商的迭代速度和算力的成本。好消息是，窗口一直在变大，成本一直在降。

所以有两件事值得做。第一，搭一套文件系统，把重要的判断、框架、背景存下来，随用随取，不占对话窗口。第二，别把对话历史当消耗品。那里面存着 AI 对你的理解。

但文件系统和对话历史只解决了”存”的问题。在单次对话上下文有限的情况下，还有一个更难的事：怎么处理一个对话窗口装不下的复杂任务。

比如让 AI 帮你重构一个项目的代码结构，或者梳理过去半年所有播客笔记里的共性主题。这不是一次对话能搞定的。

这就需要用好 memory 机制。现在的主流 Agent——Claude Code、Cursor、Copilot 这些——已经不是”每次开对话从零开始”了。拿 Claude Code 来说，它的记忆大概有四层。最上面一层是当前对话的上下文窗口——眼前这个 session 的聊天记录，容量有限，超了就截断，关了就没。第二层是项目里的 CLAUDE.md，每次新 session 自动加载，可以把写作风格、工作偏好、项目约定放在这层。第三层是 memory 目录，按主题拆成独立文件，Agent 启动时根据当前任务自动召回相关的，注入上下文，不用手动翻。最底下那层是文件系统——你的代码、文档、笔记、逐字稿，Agent 能直接读写，容量不受窗口限制。

四层的关系是：越往上越即时、越灵活、也越容易被截断；越往下越持久、容量越大、但需要自己维护。

这个机制让任务拆解可以更灵活。不用手动把上一段的输出复制给下一段——Agent 自己会把关键结论写进 memory，下一段对话自动加载。也不用每次重新介绍自己——如果之前让 Agent 记住过”我是谁、我在做什么项目、我的偏好是什么”，它跨 session 也能回想起来。

四、不是所有问题都值得用最贵的模型

还有一个很实际的体会：不同任务用不同工具，能省下不少钱。

我现在的用法大概是这样：

免费层。 Workbuddy 每天有免费积分，豆包、DeepSeek 网页版完全免费。改写一段话、查个资料、翻译几句话——这类三五分钟能搞定的事，开一个免费对话窗口就够了。不需要上下文积累，聊完就关。

主力工具。 Claude Code 是我日常深度使用的核心。长上下文、复杂推理、多步 Agent 任务——这些只能交给最趁手的工具。可以搭配其他推理模型，使用起来更经济。

图片和创意。 豆包做中文海报和封面图，Nano Banana 出图快，GPT Image2 画细节更准。各有各的长处，看具体需求选。

深度阅读和研究。 NotebookLM 是另一个维度的工具。它跟通用对话 AI 最大的区别是——你上传什么，它就基于什么回答。不会跑到你的资料外面去编。每一条回答都带来源链接，点一下就能回到原文那一段。我主要用它啃播客逐字稿和 PDF 长文。一小时的对谈转成文字，扔进去，几分钟后就能跟它聊这期内容——“嘉宾在这期里对芯片短缺的判断是什么？“它会在原文里找到那段，标出来。不用自己翻几十页逐字稿。

OpenRouter 这类模型路由工具也是这个逻辑——自动判断任务复杂度，简单任务走便宜模型，复杂任务才上贵的。省钱的不是少用 AI，是用对模型。

几个自己总结的原则：

• 短任务、不需要上下文积累 → 免费网页对话，用完即走
• 长上下文、复杂推理、Agent 任务 → 一个最趁手的主力工具，深度绑定
• 图片生成 → 单独的工具链，不跟文本模型混在一起
• 大任务先拆成小块，逐块处理比一次扔给旗舰模型便宜很多
• 新任务开新会话，别把无关的上下文带进去。信息越精准，输出越好，还省 token
• Skill 是个好东西，但别贪多。把投资大师的思维框架做成 skill、把重复性的工作流程固化下来——这些确实能提升输出质量。但 skill 本身也占用上下文窗口，装太多反而挤压真正用于任务的 token。挑几个最常用的留着，其余随用随装

回首这一年半。我不 FOMO，也不 FOBO。AI 确实厉害，但不需要用取代的视角看待它。它就是一个越来越聪明的助手，实现我的 intention，帮我节省更多的时间。让 AI 干活吧，咱们 enjoy the world。