本文来自微信公众号： 叶小钗 ，作者：叶小钗
最近我被下面一个同学搞麻了......
原因是大概一周前给他布置了个工作，临了的时候看到他给了我一个万字长文，似乎很认真啊！
但不要高兴得太早，因为读起来的质量是又高又低：经常出现金句，但整体逻辑性太低，而且车轱辘话很多，拿去AI查重，果然啊：
好家伙，该不会是我给了他一周的时间，他一小时就用AI干出来想来交差了吧？
于是，我拿着文章中的内容请教他，结果是各种磕磕巴巴，完全不成体系啊，看来这个星期确实真的是浪费了...
现在AI滥用是很正常的现象，但我却有所触动，于是非常好奇的问了小伙伴一个问题：
你在使用AI工具的时候，感觉它是在帮你，还是在替你呢？
为什么会有这个问题，因为他背后是AI时代，我们所具备最核心的能力：评价判断的能力。
AI是陪练还是代练？
对于有一定阅历的人来说：AI是一个好帮手，因为他们是真的需要去与人对话。
因为真实情况下，除非付费，否则是：
不会有那么多厉害的人；
有那么多闲工夫；
还有兴趣讨论你的事情；
于是乎，对于高手来说，AI成了最好的陪练工具。
但要注意，他们事实上也不需要AI给正确答案，因为这批人自负且固执，他们只是需要AI给出反馈，他们会从这些反馈中找到一些可以激发自身灵感的点。
其次，在搜集资料方面，AI会节省他们大量查阅或者验证的时间，如果没有AI，验证资料质量的时间会吃掉他们创作时间的2/3！
所以这里结论是：AI并不能提升高手们的上限，但确实能提升他们的效率。
那么对于一般人员，比如我下面这个同学来说呢？情况就变了：
外挂+兴奋剂
对于一般玩家来说，AI是个取巧的工具：
AI能轻易产出自己能力值上限的作品；
偶尔调教得宜，AI能产出突破上限的作品，甚至达到高手领域；
对他们来说，AI表面上是工具，实际却可能成为一场能力透支的陷阱。
这种轻易得到的提升，往往代价高昂，而且这种代价不易察觉，最终可能导致他们在竞争中逐渐被淘汰，除非他们刻意的提升自我。
AI让效率成为标配，却让能力成为稀缺，这东西又不是谁家的老婆，谁用都是用，其结果是：所有中级玩家都背上了外挂。
如文案、数据分析、简单问题解答，原本依靠这些技能区分彼此的玩家，如今可能站在同一起跑线了。
但最终的赢家，将是那些真正练过、被坑过的人，而不是看似效率更高的人。因为轻易得到的，不属于自己，而AI会让这种现象更加普遍。
AI可以瞬间解决很多中级选手的难题，但这种解决并未内化为他们的知识体系：
一旦脱离AI，他们会发现，自己面对复杂问题时仍然力不从心；
就算是依赖AI，他们也未必能真的具备应变能力，因为很多事情差之毫厘谬以千里；
AI让中级选手觉得自己变强了，但这是包装的结果，并且大家都可以包装：
包装的后果是忽视锤炼与内省，缺乏稳健的个人知识体系，这只会让他们与高手的差距进一步加大。
并且，在AI时代，成为高手的标准会被大幅提升：不再是高效率的执行，而是体系化思维下的洞察力与创造力。
也就是说：如果大家不主动放下AI外挂，去被坑几次、去好好打磨自己的基本功，是很难跨域门槛的，所以：
厚积薄发的时代没有结束，相反他的标准更严苛了。那些能够抵住诱惑，持续深耕的人，才能成为未来的赢家
稀缺的评价判断力
对个人来说，AI会加速人群的分类，形成更强的马太效应：
稀少的一代宗师；
少量的高手；
众多的中级玩家；
庞大的不明群众；
AI首先加速了分类，其次他加大了进阶的难度，因为AI在提升效率的同时，也为一般玩家装上了外挂。
而外挂在提供神力的同时，他也提供了限制，你在完全依赖他的时候，很难锤炼出自己系统性的思考能力。
那么，如何知道当前的能力是自身的还是AI所带来的呢？答案是：
脱离AI，你能做到什么程度
如果脱离AI，10次有2、3次依旧能达到借助AI的最高水准，那么不用担心，他仅仅只是你的工具而已，这里最好的Case就是AI编程：
进一步，各位要思考：AI+高手与AI+一般玩家的根本差异在哪里。
这里我可以告诉大家，根本差距在于：最基本的评价、判断能力，也就是我们常说的评价体系。
什么是评价体系？
评价体系就是你对一个项目、一篇文章、一段代码好坏的理解，和可以提出的意见
而高手的评价体系是宏观而微观的、是触类旁通、是一以贯之的，是旁征博引的。举个例子：
高手会知道《瞬变》的知识框架与OKR是一致的；
高手会知道OKR的根本是评价体系的建立以及信息通道的打通；
高手会知道复盘难以推动的关键与《经济学十大原理》有千丝万缕的联系；
高手会知道传销体系的成功在于上升通道、信息通道与企业文化的联合结果；
...
在这个基础上，AI给了你一个结果，他也说得头头是道啊，而是否具备对AI输出的好坏判断，以及修改建议，是区别高手与一般玩家的关键：
举个例子：高手不会认为内容越多越好，他们会遵循第一性原理，而如何从AI的回答中，剔除那些正确但好像有用，其实无用的部分，将是大家急需修炼的内功......
综上，回归最初的问题：你在使用AI工具的时候，感觉它是在帮你，还是在替你，大家可能就会明白我真是的意图和响应表达的内容了：
AI应该是陪练，不是代练
人才结构迁移
前面洋洋洒洒说了一大段，不是在表达对用AI忽悠我员工的不满，更不是想要去唱衰用AI这个事，而是我在对接下来很多同学就业问题的担忧。
2026届全国普通高校毕业生预计1270万人、当前又传出了很多裁员信息，其中不只是小公司也包括很多大厂，可以预见一定会发生的情况是：就业竞争将更为激烈...
所以，我们真正在谈的，已经不是该不该用AI，而是当就业市场在变难、机会又向AI相关能力迁移时，你靠什么证明自己不是被工具抬起来的那一个？
关于时代红利正在往AI转移基本都是行业共识了，比如：
据《2025年人工智能产业人才发展报告》显示，2025年三季度人工智能行业招聘职位数同比增长11%，前三季度招聘职位数同比增长3%，求职人数同比增长39%；AI产品经理需求增长178%。
又比如：Google近几年多次对非核心团队、硬件、广告、云、管理层等岗位做组织调整和裁员，整体背景是把公司资源进一步集中到AI和Gemini相关战略上。
综上，这两年整个行业人才结构正在发生结构性转移，企业逐渐在避免为旧岗位、旧流程、低效率付钱；愿意为AI提效、AI产品、AI应用、AI工作流付钱。
那么现在的情况就很清晰了：整个行业的人才结构正在发生变化，而AI红利就在这了，将军岂无意乎？
如果依旧没兴趣的话可以看看下面这张表：
但如果有兴趣，那么新的问题就来了：
AI是当前必须掌握的能力，必须学、必须用；
但如如前所述，一味依赖AI、滥用AI，又会陷入“虚假繁荣”的困扰，这里的度在哪里；
另外，AI听起来那么高级的东西，一般人能有机会吗？
接下来，我们先来聊聊普通人有没有机会，再来聊聊到底该怎么学、底层逻辑是什么：
这里先说结论：有机会，但要努力，这里可以从两个视角同时做展开：
首先，是企业方（用人单位）视角，因为企业要求决定员工能力，而当前从企业方对人才能力的判断标准是：
竞争力=专业能力×AI工具×项目作品×知识表达
KnowHow+AI工具
这里的专业能力就是行业KnowHow，这个跟技术无关，跟你所处行业有关，举个例子：
医疗行业的医生问诊流程；
法律行业的律师断案流程；
HR行业的整体招聘流程；
...
其次就是AI工具了，大家最常用到、又有点门槛的无非是：
AI Coding相关，如CodeX、Claude Code、Trae；
低代码平台相关，如Coze、Dify、AI表格/多维表格；
AIGC类工具，如AI漫剧、AI PPT；
要特别说明的是：在AI工具这个领域，程序员是具有天然的优势的，因为程序员行业的能力直接部分覆盖了AI工具的范围，举个例子：
会古法编程的程序员，在AI Coding这里学习成本会很低，但不要高兴的太早，AI Coding同样将编程的门槛杀到了白菜价！换句话说：
程序员在AI工具一块降维学习、适应所带来的优势，远不及AI Coding带来的劣势多！所以：
如果认为AI的机会是老一代的程序员的，这个想法就错了，事实上他们只是比你更好学一点罢了...
项目作品
然后就是项目作品了，这个就更不用担心了，由于现在很多项目的实际壁垒在大模型侧，所以多数公司是分不清生产级AI项目和Demo的区别的！所以：
现阶段在AI项目作品这里是极其容易鱼目混珠的
这里举个真实的案例：
之前一家公司是长期为药企提供市场报告的，他们手里有大量私有数据，很自然的老板想要找人做一个AI知识库，只不过收到的报价就很夸张：
便宜的10万不到，贵的300万都打不住！
这突然就给他们老板整不会了，于是试探性的选了个大几十万的团队做实践，一个月就看见demo了，还感觉挺不错，至少有70分的水准；
但三个月后依旧不能超过第一个月的效果，还是70分，并且技术团队表示无论怎么努力都无法再进一步，最后结果只能推倒重来。
后面这个老板辗转找到我，原来他们找的技术团队没有大型AI项目的经验，之前是用AI Coding很快的做了个知识库......
这个老板会选择他们，好像是因为包装宣传做得好，之前给他展示了一些Demo，比如：
一键生成1000份文章；
10分钟做完一个网站；
......
这些案例看上去都很爆炸，给该老板震撼到了，至于具体内容，他没细看，但这种团队能做得好就奇了...
我相信这个Case已经可以足够展示当前AI项目与AI Demo之间的差异性以及迷惑性了。
这里其实是不能怪这个老板、也不能去更多的苛求用人单位的：因为AI技术这个东西确实挺令人迷惑的，AI项目就是写个提示词，这不有手就行？毕竟：
AI技术非常简单，简单到就是模型API的调用，几乎是个互联网人就行
但AI项目又极其复杂，他要求关键人具有复合型能力，包括业务KnowHow、模型能力边界认知、强大的工程能力
而就是因为AI技术好像很简单，一个人一个月就能出demo，会让人觉得AI项目成本很低；但当他们实际遇到模型幻觉、对话生硬、答非所问等问题时，又总是束手无策。
这里就形成了很诡异的AI领域非对称性：
花一个月的时间，就能习得LLM 60%的使用技巧；
花一年的时间，只能习得LLM 70%的使用技巧；
所以，AI是一个学习曲线异常诡异的“学科”，多数人折腾一个月和折腾一年是类似的，并且我这里还有更夸张的数据：
花10万可以学到60%的知识，但花100万只能学到70%的知识，90万的区别就是这10%......
而就是因为这里的非对称性，所以各个企业对于AI人才的判断就只能回归于最原始的知识表达了，也就是说：
看谁胆子大，看谁会吹...
知识表达
如上所述，因为AI项目的非对称性，所以多数人之间关于AI的差距并不大。
所以如果你只是想进入行业吃点红利，只要你有一套自己相对成体系的AI知识框架、学习努力一点、表达好一点，是不会有太多的阻碍的，毕竟AI大佬是很少的：
当前行业里AI人才可以分为几批人：
第一，对AI项目几无认知的落后玩家。
他们虽然在从事互联网相关工作，但对AI是比较后知后觉的，而这部分人数量巨大，远超60%！
PS：不瞒各位，去年年底我去给杭州一家非常不错的企业做AI咨询，他们技术负责人居然是不写提示词的
并且貌似他还十分执著要自己写代码，这给我惊呆了......
第二，AI水平达到及格线的人。
当前这个品类的人数众多，他们付出的代价其实很小，却已经拿到了不错的成绩。
就我认识一个哥们，代码都不怎么会写就拿着Coze各种搭建工作流，结果月收入20万以上，只不过你让他去做什么AI项目，是不可能的；
现在阶段Coze不吃香了，他们就马上转战AI Coding和OpenClaw（小龙虾）继续搭建之前的工作流，依旧活得十分滋润！！！
第三，及格线以上的人。
他们多半在AI项目上做过很多实践，使用预算在1000万以上，这批人对AI认知较深，会深刻知道模型能力边界在哪，他们离大高手只差一个成功案例。
第四，大高手。
与第三类人才差不多，唯一区别就是产品已经做出来了，并且拿到了不错的结果，就他们讲出来的Harness知识以及知识工程案例，大家能直接感受到其工程厚重感。
第五，宗师级别选手。不参与讨论...
好了，这里大家可以看上述机构层级，不夸张的说：及格线以上的人，不占行业的10%，人数是很少的，所以大家的知识表达只要成体系一点，就很容易在90%的人里面脱颖而出。
毕竟想要项目案例还不容易，一个月就可以搞一个Demo......
员工视角：机会在哪？
通过前面企业视角的讨论，我们知道了当前人才的竞争力模型是：专业能力×AI工具×项目作品×知识表达，但是由于信息差，当前的可操作空间是很大的。
这个时候，我们就很值得进入员工视角做讨论了，这里需要关注两个问题：
真的有机会吗？
哪些岗位机会，AI发展这么快，会不会学一个马上要淘汰的知识？
真的有机会吗？
真的有机会！就钱两个月帮某公司做招聘，我觉得有两个数据可以分享给大家：
第一，从招聘网站上筛了1000份简历，再去除最基本的元素（一般是学历、工作经历）后筛选出来的10个候选人；
这些同学都不说AI Coding了，连Coze、Dify、多维表格都没玩明白，这种怎么可能找到AI相关工作呢？
第二，及格线与及格线以上的人差距不是非常明显，稍微包装一下就能欺骗不太懂的公司，之前药企知识库的情况不是个例。
而现阶段很多企业吃过亏后，已经在有意识的自己做培养了，这里释放的信号是：
有经验的老人有机会；
没有经验而聪明的小年轻同样有机会；
所以，你说有没有机会，那是真的有机会！
有哪些机会？
这里就要涉及到岗位信息了，当前确实很多岗位正在规模变小，比如：客服、文档整理员、翻译官、基础内容生产者（包含简单品牌、初级设计）...
但也有一些岗位需求正在增加，并且薪酬非常可观：
这里我们是很有必要将这几个岗位打开看看的，因为这些岗位的出现、火热一定是具有他的底层逻辑的，他们至少显示了两个重要趋势：
企业需要复合型人才，或者说是全栈/全能的人才；
行业对人才的要求逐渐从会使用工具转向到能创造价值/结果了，意思是正在追求任务闭环，OPC类运转单元可能会受欢迎；
AI应用开发工程师
这里可以叫AI应用工程师，也可以叫AI全栈工程师，他出现的重要涵义是：以后大概是不再区分前端、后端、架构师等岗位；也不区分Java、PHP、JS等语言了。
企业以后关注的是工程师AI Coding的能力，这里最基础的要求是：既懂开发，又懂Prompt、RAG、Agent和业务集成。
总而言之，开发岗位会留下，但一定会合并。
AI解决方案架构师/FDE
当前还有个岗位是很火：FDE，AI解决方案架构师。
首先，这个岗位重要度很高，因为他需要去到企业现场，跟目标客户一起跑出业务结果；
其次，这个岗位垂直技术难度未必有AI全栈工程师高，但他复杂度却不低。他需要很强的沟通能力、也需要很全面的知识，因为他最重要的工作是把客户混乱的业务、数据、流程组织成可执行方案。
现阶段这个岗位多半由之前的售前、交付经理、项目经理、能力差的产品经理等偏沟通能力较强的角色转型过去，但这批同学的专业能力、学习意愿大家懂的都懂，肯定是不行的，所以当前这个岗位的需求是很大的，也是各位不错的机会点。
AI产品经理/AI项目经理
这个自不必多说，产品经理角色无论何时都是需要的，之前他们的核心工作是顶层设计（消化老板战略信息）+向上管理（隐藏下面进度困难），而随着AI的发展，如果仅仅是完成这些工作，显然是不行了啊！
因为现在研发的工作量发生了很大的转移，之前的主要工作是写代码，现在的主要工作是写提示词、做Skills。
所以，整个AI产品经理有两个发展趋势：
把程序员的活一起干了；
发挥自己信息量大的优点，把整体的项目管理工作抓起来；
总而言之，工作内容肯定是越来越多了......
行业专家/AI工作流工程师
然后具体到每个行业，一定需要业务专家，对业务专家的要求也很简单：将自己的工作流梳理清楚、将自己的独有数据结构化出来。
这批人是行业数据工程的主要战斗力，主要工作会围绕知识库建设、可观测数据集等场景展开......
如何学习
到这里，又再次回到了亘古不变的话题了：能力-工具-项目-表达，这个模型我已经了解了，我也同时从企业视角和员工视角看到了机会所在，甚至对于后面具体到哪个岗位，那个岗位实际在做什么，我都很清楚了。
但问题也就来了：怎么学呢？
这里有两个建议，第一是建立框架，然后顺着框架做学习，比如我们这里根据应用层AI三要素KnowHow、数据、工程建立的AI应用分层模型：
AI应用分层模型
一旦我们建立了这套分层模型，那么每个品类的AI项目如何做、技术路径是什么、难点卡点是什么，我们就应该心里有数了。
举个例子，通过分层我们会知道AI工作流的核心是梳理好SOP/Workflow、知识库的难点是数据处理、Agent的难点是建立稳定可观测的执行环境......
一旦分层建立，我们就可以有意识的去整理、沉淀行业认知→AI工具→项目产品→知识表达相关信息，而我我们的要求并不高，可能：只需要了解最简单的工作流AI与简单知识库，就超过90%的人了...
全景图打开
其次就是第二种策略，因为上述的AI应用分层模型是具有逐次递进、降维打击的特性的，也就是说：只要把最难的AI应用搞清楚了，那么其他的就都不在话下了！
所以这里所谓第二策略，就是去找个最优代表性的项目，去做全景图打开。
事实上，很多想转型AI的人，其实最缺的就是看到生产级AI项目全貌的机会
因为真实公司里的AI项目，并不是你网上刷几个demo、看几个教程就能看明白的。
一个稍微大一点的AI项目，里面至少会同时涉及这些AI知识：
模型能力边界；
Prompt/Context/Workflow/Agent设计；
数据清洗、标注、评测；
系统接入与工程实现；
可观测性与效果验证；
成本控制、安全合规；
跟现有组织和流程怎么协同；
......
但很多转型者在公司里，最开始能接触到的往往只是边角料，比如：
协助整理数据；
做点竞品调研；
跑一些模型评测；
配一点提示词；
维护一点知识库；
做一点实施或支持；
至于更核心的：
项目为什么这么设计；
架构为什么长这样；
为什么这里用Workflow、那里用Agent；
为什么某些模块必须做数据闭环；
历史上踩过什么坑、最后为什么形成这个方案；
这些东西，往往没人会完整告诉你。所以很多人就会陷入一种非常尴尬的状态：
学了一堆工具，但看不见项目全貌
进了AI团队，但摸不到真正有价值的部分
这里回归一下，如果你想系统性的学习AI，有两个不错的做法：
第一是尝试去建立框架，这里的核心是遵循MECE原则；
第二是找一个全面的生产级AI项目去仔细研读；
结语
篇幅已经很长了，我们做下收束，我们其实今天讨论的不是：AI到底是在帮你，还是在替你？而是在讨论：如何学习系统性的学习AI，又如何吃到这一轮的AI红利？
在此，我们是非常强调AI时代专业的判断力以及全局的知识结构的，因为：
你只有真实的看过、做过，才能做评价/判断，否则你连问题都问不出来...
这里最后举个例子，以下几点心得是做过复杂AI项目一定会深有感触的：
第一，知识库设计尤为关键，其中最难的是缺点边界与结构，所谓边界是你的AI系统到底要完成什么任务，必须穷举定死；所谓结构，就是知识要能匹配这套系统；
第二，知识梳理的时候要考虑逻辑关系链、要设计实体结构，要找到切入知识库的核心，比如用一个不重样的关键词将知识实体搜索出来，再根据实体结构的逻辑链找到各种关系，只要逻辑链清晰，提示词就好设计，AI就会聪明很多；
第三，在做知识库实体结构时，类型不要太多，如果产生层级，层级也不能太多，因为关系越多工程实现越复杂、层级越多知识库处理越复杂。做AI应用要平衡真实世界的模拟与数据工程实现的ROI，也就是如果工程实现复杂度过高，就要在数据复杂度层面做取舍；
第四，在前三点的基础下需要考虑的是架构实现问题，这里必须由一号位自己写文档做产品甚至是架构设计，不用你写代码，但你文档写完需要相当于伪代码写完了，不然下面产品和技术没那个能力做出来的。这里的架构设计核心是你的知识，如何让AI每次都能拿到、拿对、拿全、不拿多；
第五，在知识齐全的情况下，如何让AI聊得像个人是个封闭性问题，他的前提是知识是对的，如何像人一样表达这段知识，需要考虑什么，需要建模，或者说需要设计策略；
但因为你没有做过生产级AI项目，也没有看见过生产级AI的全貌，你是不能知道上述五个心得背后真正的涵义的，毕竟，如果我想展开，上面五点，我可以写五篇万字长文...