AI新手入门指南：从零开始学AI工具

输入一段文字，几秒钟就诞生一段带声音的视频——这在不久前还是科幻情节，到了 2026 年却变成现实，而局势正以惊人速度变化。曾主导话题的 OpenAI 的 Sora 已于 2026 年 4 月关停 App 与网页版（API 也已于 2026 年 9 月 24 日关停），取而代之的是 Google Veo、Kling 与 Runway 占据领先。这份截至当前（2026 年 6 月）、与具体工具无关的指南，涵盖什么是 AI 视频生成（从文字或图片生成动态影像，音频同步、1080p–4K 与图生视频已成标准）、2026 年的格局（Sora 关停——据报道背景为算力与成本压力及用户减少——以及当前领先者 Google Veo 3.1、Kling 3.0、Runway Gen-4.5，按秒计费为常态）、原理（扩散模型扩展到时间维度；文生视频与图生视频）、通用的 5 步流程（选工具、提示词/图片、设置时长/画幅/音频、生成并挑选、在剪辑中拼接）、核心的视频提示词技巧（主体 + 运动 + 运镜 + 风格 + 时长 + 音频，动词与运镜是关键，一镜一动、善用图生视频、多生成再挑选）、现在能做什么与还做不到什么（一次性做长片与完全一致性仍困难，按秒成本会累积），以及权利、水印与伦理要点（SynthID 等标示 AI 生成的数字水印成为标准、多数套餐无法移除，来源标准 C2PA 也在普及，纯 AI 输出受保护弱且各国有差异，商用取决于条款，真实人物的深度伪造是禁区）。不要追求一次性做出长片，而要做镜头再在剪辑中拼接。由于该领域变化迅速，请始终通过官方渠道确认最新信息。

“我不会画画，所以这跟我没关系”——这种对 AI 图像生成的成见恰恰说反了。只要用语言下达指令，几秒钟后你就能得到专业级的视觉作品。本篇跨工具指南讲解：什么是 AI 图像生成（用语言从零做出图像——考验的是表达沟通而非绘画的本领，可谓图像版的提示词工程）；它的原理（扩散模型以你的提示词为线索，从随机噪点中雕刻出一幅画，每次都从零绘制，所以结果会抖动）；在任何工具中都通用的 4 步工作流（选择工具、写提示词、生成并挑选、修整并完成——迭代是前提）；核心的 6 部分图像提示词结构（主体、场景/背景、风格、光线/色彩、构图/视角、技术参数）外加负面提示词与画面比例——不过排除、宽高比和图中文字的写法因工具而异（据各公司官方文档，Midjourney 用 --no，Google 要求用肯定句描述，Stability AI 的 API 有 negative_prompt）；7 个精通技巧（多跑几次、一点一点加、参考图、局部重绘、固定种子、放大、保存好用的提示词）；AI 不擅长什么（手、文字、一致性、精细准确度）及其应对；以及工作中必备的版权、商用和伦理要点（依据美国版权局的见解和 Thaler 案（2026 年联邦最高法院不予受理后确定），纯 AI 产出的保护很弱，且各国有别；商用取决于各工具的条款；深度伪造和未经许可模仿画风是禁区；来源标注正在普及，OpenAI 会给其图像同时加上 C2PA 元数据和 SynthID 水印）。该选哪个工具以及各工具的具体操作，链接到对比、Midjourney 和 Stable Diffusion 等文章。了解结构、多跑几次、把词语一点一点加上去——任何人都能逼近自己想要的那张图。

2025 年 6 月，OpenAI 的 Sam Altman 在博客上写道：“我们已越过事件视界，起飞已经开始”（《温和的奇点》）。然而另一些研究者却干脆把这一想法斥为永远不会到来的东西。这篇初学者指南讲清：奇点（技术奇点）是“AI 超越人类智能并开始自我改进，从而使进步快得爆炸、再也无法被预测或控制的临界点”（截至 2026 年仍是假设，尚未实现）。文章涵盖其核心——智能爆炸 = 递归式自我改进，聪明的 AI 打造出更聪明的 AI，改进者从人类变成 AI；它与 AGI 和 ASI 有何不同（AGI/ASI 是智能的“状态”，奇点是变得不可预测的“事件”；AGI → 自我改进 → 骤然跃升至 ASI = 奇点）；这个词的历史（I. J. Good 1965 年的“智能爆炸”→ Vinge 1993 年让它流行 → Kurzweil 以“2045”使其主流化）；预测的巨大分散（Kurzweil 说 2045、Altman 说“已经开始”、Vinge，以及 Gary Marcus 和已故 Paul Allen 的“复杂性刹车”等怀疑者）；突然的硬起飞 vs 渐进的软起飞；希望（疾病与科学上的突破）与风险（失控、对齐问题）；深刻的怀疑（复杂性刹车、物理极限、完全是另一回事）；以及“机器人统治”“AGI 一到来就立刻发生”“已确定在 2045 年”等常见误解。既不过度恐惧，也不过度幻想——充分用好今天的 AI，同时冷静地观望接下来可能到来的东西。

“AGI”在不同公司意思不同。OpenAI 章程说的是“在大多数具有经济价值的工作上超越人类的高度自主系统”，Google DeepMind 的研究人员用与熟练者相比的等级来衡量（“Levels of AGI”），Anthropic 首席执行官达里奥·阿莫代伊则认为这个词不精确而避开它，改称“powerful AI”。本文面向初学者，从 AGI 的含义出发——像人一样在任何领域自主学习、解决问题的全能型 AI（截至 2026 年，尚无被广泛公认已达到的系统）——讲解它与如今窄域 AI 的区别、各公司定义的原文、DeepMind 为何把 ChatGPT 算作第一阶段“Emerging AGI”、窄域 AI、AGI 与 ASI 的关系，并附日期和出处列出关于时间的发言（阿莫代伊“最早 2026 年”、哈萨比斯“未来五到十年”、研究人员调查 50% 在 2047 年、怀疑派加里·马库斯的赌约），说明预测之间的差距很大程度上是定义的差距。最后整理期待、风险与常见误解。

你已经知道“什么是 AI 智能体”——那么如何自己构建一个？在 2026 年，无代码工具靠拖拽就能在一个下午做出可运行的智能体，现代 SDK 也能用不到 100 行搭出实用的东西。作为“什么是 AI 智能体”的实践篇，本文涵盖内部构成（大脑 LLM + 指令 + 工具 + 记忆 + 自主循环）、两条路径（无代码 vs 代码）、通用的 5 步构建框架（界定问题、选择基座、编写指令、连接工具、小范围测试）、无代码工具对比（Dify 为完整平台、n8n 用于业务集成、Flowise 用于原型，以及最简单的 Custom GPT/Gemini Gems/Claude Projects）、代码框架对比（稳妥的 Claude Agent SDK/OpenAI Agents SDK、复杂控制的 LangGraph、角色协同的 CrewAI）、一个具体的实战示例（总结客服邮件再通知 Slack）、成本（平台约 $20-$60/月外加模型使用费）与周期参考，以及陷阱（不要把范围铺得太大、权限与失控控制、警惕只停留在 PoC）。对大多数人来说，先用无代码做一个才是正确之举。

“ChatGPT、Claude 还是 Gemini——我该订阅哪个？”在 2026 年，三者都在每月 $20 左右、都是一流水准，所以没有“就是它最强”的单一答案。正确的问题是“对你的用途来说哪个最合适”。基于跨来源的共识，本文涵盖基础信息（提供方、主力模型系列、免费/标准/高级价格）、性格差异（Claude=写作/分析/代码的匠人，ChatGPT=带生态与图像/语音的全能选手，Gemini=多模态、长上下文、Google 整合）、按用途的详细表格（写作、代码、通用、图像生成、语音、图像/PDF/视频理解、超长文本、Google 整合、调研、中文），如何按使用量挑选套餐，以及选不出一个时聪明的两工具组合（一个主轴+一个补短板）。领先者每隔几个月就轮换，所以与其追逐固定的“最强”，不如各用所长，并用免费档在自己的任务上实测。

AEO（答案引擎优化）是在精选摘要、AI Overviews、ChatGPT 搜索、Perplexity 等直接返回答案的搜索中，被选为答案出处的优化。Google 在 2026 年的指南中写道“AEO、GEO 也是 SEO”，并说明 FAQ 结构化数据已终止、文章切块和 llms.txt 并不需要。本文整理五个答案位置的规则、常见做法的判定表，以及能从官方拿到的衡量方法。

2026 年 7 月 24 日，Midjourney 把默认模型换成了 V8.2。此前的 V8.1 已让标准生成提速约 4–5 倍，并可用 --hd 直接输出 2K；8 月又推出取代 Omni Reference 的 Edit Model（最多 4 张参考图）。网页（midjourney.com）和 Discord 都能使用。本文涵盖套餐选择（Basic 10 美元 / Standard 30 美元 / Pro 60 美元 / Mega 120 美元，新手推荐 Standard）、Fast 与 Relax 模式、五层提示词结构（主体→环境→风格→光线→技术）、七大必备参数（--ar/--stylize/--chaos/--hd/--raw/--seed/--no）、四项参考功能（--sref 氛围 / Edit Model 角色 / Moodboards / Personalization），以及三大陷阱（文字渲染、默认公开与年营收 100 万美元规则、无 API）。对于“漂亮的图、步骤最少”这套需求，2026 年的答案仍是 MJ。

2022 年 8 月 22 日，Stability AI 发布了一款图像生成模型的权重文件，图像 AI 从此不再是“云端背后的某种东西”，而成了“在自己 PC 上运行的软件”。本文覆盖 Stable Diffusion 的工作原理（扩散模型）、版本谱系（SD1.5/SDXL/SD3.5 与 FLUX）、按 VRAM 档位看本地运行的真实情况、从 SD3 反弹到现行 Community License 100 万美元上限的授权演变，以及 Civitai/LoRA/ComfyUI/A1111/ControlNet 生态，再加上 Midjourney 与 SD 之间该如何取舍。最后给出三大陷阱：版权、NSFW，以及代际之间的兼容性割裂。读完你就能判断自己是“Midjourney 就够了”的人，还是“真的需要 SD”的人。

向 AI 提问，就能获得基于 Google 搜索最新信息的回答——并与 Gmail、Docs、YouTube 无缝衔接。这就是 Google Gemini 的世界。Gemini 是 Google 打造的对话式 AI（以及背后的模型家族），广泛嵌入到移动应用、Web、Google Workspace 和 Android 中，并在文本、图像、音频与视频之间实现多模态。模型分为“快又便宜的 Flash 系列”和“聪明的 Pro 系列”——具体版本随每一代更替。价格为 Free / Plus 4.99 美元 / Pro 19.99 美元 / Ultra 99.99～199.99 美元（2026 年 9 月的美国价格；Ultra 过去为 249.99 美元），2026 年转向基于算力的用量限制。本文以 2026 年 9 月的信息梳理模型阵容、核心功能（Deep Research、Gems、Canvas、Live、Deep Think）、三大强项（Google 整合、长上下文、多模态）、价格，以及与 ChatGPT、Claude 的差异。

把 CSV 拖进聊天框，输入“分析销售趋势并画成图表”，几十秒后 AI 已在后台编写并运行 Python，返回图表外加分析评论——这就是 2026 年数据分析所处的位置。AI 数据分析是只需用自然语言下达指令，AI 就替你完成汇总、可视化、统计和根因分析的方法。入门有三种：(1) 把文件丢进聊天（ChatGPT、Claude）、(2) Excel/Sheets 集成（Copilot、Claude for Excel）、(3) 专用工具（Julius）。本文涵盖这三种方式、工具对比、目标 → 描述数据 → 小步提问 → 验证 → 解读的 5 步工作流，以及最重要的陷阱（编造数字、悄悄填补缺口、混淆相关与因果、泄露机密数据、覆盖原始数据），还有哪些分析适合、哪些不适合。AI 推倒了“工具墙”，却把“解读墙”留给了人——只有把便利与验证配对使用的人才真正掌握它。

GitHub Copilot 于 2021 年作为智能代码补全问世；到 2026 年它已是另一种东西。交给它一个 GitHub Issue 然后离开，AI 就会写代码、让测试通过、提交拉取请求再交还给你——这就是 Copilot cloud agent（原名 Copilot coding agent）。GitHub Copilot 是由 GitHub（隶属 Microsoft）提供的 AI 编码辅助服务，有三种使用方式：补全、聊天和智能体。它的标志性特点是以扩展形式安装到 VS Code、JetBrains 等现有编辑器中——无需更换惯用编辑器即可加入 AI。本文讲解 Copilot 能做什么、作为 2026 年主角的 Agent Mode 与 cloud agent、Free/Pro $10/Pro+ $39/Max $100 价格及 2026 年 6 月起转向按用量计费（AI credits）、它与 Cursor 和 Claude Code 的区别、适合谁，以及如何上手——全部结合最新信息。