AI新手入门指南：从零开始学AI工具

“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 GPT Image 和 Imagen 偏好平实的句子，而 Stable Diffusion 系列则吃词语罗列和负面提示词；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（依据美国版权局和 2025 年 Thaler 判例，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；像 DALL-E 的 C2PA 来源元数据这样的标注正在普及）。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。

同样的 AI、同样的问题，有人说它没用，另一个人却惊叹它能干得几乎过头——造成这种差距的真正原因，往往不是 AI 的能力，而是提示词是怎么写的。本文把这项技能，即提示词工程，整理成一份实用大全，让初学者也能立刻上手。内容涵盖：什么是提示词工程（设计并改进你对 AI 的指令的技能，不是代码而是如何把话说好的功夫）、改变结果的三大原则（要具体、给出背景、指定输出，外加“要做 X”胜过“不要做 Y”）、核心的好提示词 6 个要素（角色、背景、指令、示例、格式、约束——COSTAR、RCOF 等主流框架共同列出的要素，并非每次都要全部用上）、7 个实用技巧（赋予角色、展示范例/few-shot、逐步推理、固定输出格式、用分隔符理清结构、别一次问太多、迭代——其中最强的是迭代）、一个 Before/After 示例、进阶技巧（思维链、自洽性、提示词链、ReAct——不过 o 系列和 Claude 扩展思考这类推理模型会在内部执行 CoT，因此说清目标更管用）、7 个常见误区，以及各模型小窍门与输入安全。文内附有指向应用开发提示词技巧和输入注意事项的内部链接。把含糊变具体，把一股脑变对话——任何人今天就能开始进步。

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。

2023年，一位律师因一份由ChatGPT撰写的书状引用的判例全是AI捏造而受到制裁——这起事件在全球散播了对法律与AI的警惕。然而短短几年内采用率便迅猛增长，据称超过90%的律师在日常工作中使用某种AI。作为继 #068（贸易公司）、#094（市场营销）、#097（咨询业）之后“按行业看AI影响”系列的最新一篇，本文概览专业领域：用数字看清现状（62%的律师称每周节省6–20%的时间；Harvey与Thomson Reuters的CoCounsel在2026年第一季度处理了超过1000万份法律文件；税务/会计/审计事务所的生成式AI使用从2024年的8%升至2025年的21%；一项Stanford研究显示会计等领域初级职位较2022年下降13%，会计师+5%、记账员-5%）、AI按职业改变的工作（律师=判例检索、合同审查、义务提取；会计师=记账、凭证核对、抽样、风险识别；税务顾问=数据录入、起草报税表、法规检索——AI做基础工作，人类做最终决定）、幻觉这一最大陷阱（编造不存在的判例/法规——导致制裁和信任丧失；Harvey宣称引用核实准确率99.7%并标记其余，CoCounsel以判例数据库为依据故只引用真实判例）、不变的本质价值（最终判断、职业怀疑精神、伦理、灰色税务判断，以及决定性的、无法交给AI的签字与法律责任）、新人危机（学徒式日常工作的自动化）与新角色（AI合规官、税务提示工程师），以及面向执业者、立志者和客户的按立场建议（对照一手资料核实引用和数字；确认机密信息的处理）。监管与责任因国家而异；在日本，会计软件中的AI功能也已普及。AI抛出的问题：你出售的是工作，还是判断与责任？

“构建完成了就告诉我。”“CI 变红了就修好它。”“每 5 分钟盯一下部署。”把这些需要一直盯着的杂活整个交给 AI，正是 2026 年加入 Claude Code 的 /loop 命令所实现的。本初学者指南先讲清 /loop 是一个作用于会话范围的调度器，按你设定的（或 AI 设定的）间隔反复运行一段提示词或斜杠命令，然后讲解四种用法（① /loop 5m X = 固定 cron 间隔 ② /loop X = 由 AI 判断间隔的自适应节奏 ③ /loop 15m = 内置维护提示词 ④ /loop = 自动维护）、如何书写间隔（数字 + 单位 s/m/h/d、最小 1 分钟、像 “every 2 hours” 这样的自然语言，还可以循环斜杠命令：/loop 20m /review-pr 1234）、自适应节奏的厉害之处（活跃时等得短、安静时等得长、介于 1 分钟到 1 小时之间，而且——与单纯 cron 不同——判断任务完成后会自动结束循环）、实用配方（监视 CI/部署、照看 PR、检查耗时构建、提醒、分支自动维护）、如何停止以及注意事项（用 Esc 停止、作用于会话范围所以新对话会清除、关闭终端会停止、固定间隔最长 7 天、每个会话最多 50 个任务、在回合之间带抖动触发、本地时区）、三种调度功能如何取舍（/loop 用于会话内监视、Desktop scheduled tasks 用于常驻的本地工作、Routines 用于无人值守的云端运维），以及 loop.md 自定义和通过 CLAUDE_CODE_DISABLE_CRON=1 禁用——全部基于官方文档（截至 2026 年）。/loop 改变的，是你能交给 AI 的工作的时间轴。

给一小时的视频手动配字幕，过去要耗掉整整一天——听、暂停、敲字、对齐时间码。到了 2026 年，这种地狱只需“把视频丢进去，等几分钟”就完成了。本文聚焦于为视频和音频内容配字幕/转写（会议纪要见 #086，图片 OCR 见 #091），逐一讲解：AI 自动化的四个阶段（提取音频 → 含说话人分离的转写 → 加时间码生成 SRT/VTT → 翻译与排版）；字幕（SRT/VTT）与转写稿的区别及各自的用途；工具对比（免费又保密的 Whisper、整体编辑的 Descript、高准确率多语言的 Sonix 与 Happy Scribe、对个人友好的 Notta、移动端 CapCut、最省事的 YouTube 自动字幕——许多底层都用 Whisper 系识别）；最可复用的 4 步流程（准备 → 转写 → 校对 → 导出/挂载 SRT/VTT）；按场景推荐（YouTube、播客、讲座、采访、机密、多语言）；以音质占八成的六个准确率技巧（音质、语言设置、专有名词清单、查找替换、说话人分离、行长）；多语言康庄大道（打磨原语言 → AI 翻译 → 母语者审校）；以及易踩的坑——过度信任准确率、对噪声与术语吃力、版权、机密上传、时间码漂移。干净音频上准确率为 90～96%（已公布、视条件而定），人力下降 80～90%。工作交给 AI；收尾——核对专有名词、从头看一遍——交给你。

咨询新人的成长仪式——通宵赶制 PPT、靠人工做没完没了的调研——正在崩裂。麦肯锡的“Lilli”能在几秒内扫描 10 万份以上文档并起草幻灯片；BCG 的“Deckster”一瞬间完成幻灯片美化；据一项分析，初级分析师约 80% 的调研与制作幻灯片工作都可能在几秒内被替代。作为继 #068（贸易公司）与 #094（营销）之后“分行业看 AI 影响”系列的下一篇，本文审视咨询业：用数字看现状（四大与战略咨询所自 2023 年以来向 AI 投入超 100 亿美元，PwC 三年投 10 亿美元，BCG 2025 年 144 亿美元营收约 25% = 约 36 亿美元来自 AI，HBS 一项针对 758 名 BCG 顾问的研究显示使用 AI 的人任务多 12.2%、快 25.1%、质量高 40% 以上）、AI 改变的五大领域（调研、PPT、分析、纪要，以及全新的 AI 战略服务——目前在大型公司是净就业创造者）、金字塔模型的崩塌（初级常规工作据某种说法约 80% 在几秒内被自动化；走向精干的“少数几人 + AI”团队，伴随人才管道的隐忧）、计费的剧变（生产率悖论——完成更快意味着在按小时计费下收费更少——以及 73% 客户更倾向按成果计费，推动转向按成果计费与固定价）、不变的本质性价值（界定问题、解读、判断、信任、执行——驾驭系统的顾问比系统本身更重要）、巨头如油轮 vs 精品所如快艇的两极分化（据估计小公司增长率最高可达 50%），以及面向有志者、从业者与客户企业的分角色建议。AI 抛出的问题是：你的价值是作业，还是判断？

2026 年 1 月的达沃斯论坛上，这一领域最顶尖的头脑围绕“AGI 近在眼前”与“其本质仍然遥远”激烈交锋——导火索正是 AGI（通用人工智能）。本文面向初学者，先从 AGI 是什么讲起——“一种像人类那样、能在任何领域自主学习并解决全新事物的万能型 AI”（不过截至 2026 年它仍是一个尚未实现的目标）——再梳理它与如今 ChatGPT 那类窄域 AI 的决定性区别（能否把知识“迁移”到不同领域；泛化与自主习得技能）、窄域 AI → AGI → ASI（超级智能）的三阶段拆解、专家时间线预测的巨大离散（Anthropic 的 Amodei 乐观地认为在几年内/2027 年前后，DeepMind 的 Hassabis 谨慎地认为到 2030 年约 50%，研究者调查中位数为 2047 年，Marcus 等怀疑派则认为遥远或不会到来——这种离散源于定义不同）、如今的 AI 还有多远（在 ARC-AGI 上低于人类基线，但凭借多模态与智能体正向门口逼近）、所期待的益处（加速疾病研究与科学）与风险（就业、滥用、对齐问题——被 Anthropic 与 UK AISI 定位为关键的决策节点），以及“ChatGPT 已经是 AGI 了”“AGI = 具有意识”等常见误解。既不过度恐惧，也不过度幻想，在冷静观望接下来会发生什么的同时，先把手中的窄域 AI 用透。

你会站在被 AI 抢走工作的一边，还是驾驭 AI、一个人干十个人活的一边？在 2026 年，这就是工程师面前的岔路口。本文把成为“AI 原生开发者”（用 LLM、智能体、RAG 构建应用——与研究模型本身是两回事）当作一套可叠加、靠技能而非博士学位的体系，分三层讲解：① 不会变的地基（Python 作为 AI 开发主力语言、Git、命令行、HTTP/REST/JSON——在 AI 写代码的时代你仍然需要基础）；② AI 原生的 5 项核心技能（提示词/上下文设计、作为企业级智能体中坚的 RAG、构建智能体、作为工具连接事实标准的 MCP，以及评估设计——再加上成本优化、护栏、可观测性）；③ 大多数人会漏掉的拉开差距的一手——评估设计与上下文工程（会写评估是“真正用 LLM 动手做过”的最强信号，一份 AGENTS.md/CLAUDE.md 加一个小型评估集，就是从“辅助”跃迁到“原生”的关键）。文中还给出一份 8〜12 个月的路线图（地基 → LLM API/提示词 → 不靠框架亲手做 RAG → 智能体 + MCP → 评估 + 部署 + 发布）、一套部署作品胜过文凭的作品集策略、若干陷阱（教程沼泽、囤工具、忽视基础），以及市场/需求的数字（以美国为基准，地区差异很大）。分界线，在于你是否把 AI 当成一个系统来用。

2024 年底，Coca-Cola 用生成式 AI 制作的圣诞广告被批“没有灵魂”，这象征了 AI 给营销带来的拉锯战：“效率与效果”对“信任与情感”。本文先用数字看清现状（约 87% 的营销人使用生成式 AI，相比 2024 年的 51% 跃升；超过 71% 的广告支出由算法驱动；仅 2025 年第四季度 Google 就用 Gemini 制作了约 7000 万个创意素材；营销 AI 工具支出在 18 个月内约翻三倍）。文章涵盖 AI 改变的五大领域（① 内容创作 ② 广告创意 ③ 定向与投放/程序化 ④ 个性化/DCO ⑤ 分析与衡量）与报告中的效果（DCO 带来约 32% 更高 CTR、约 56% 更低 CPC，AI 文案 3.2 倍 ROI，第一方/情境定向高达 2 倍 ROAS——全部为公开发布值、依条件而定）；不会改变的核心（战略、品牌、信任、突破性创意留在人类手中——AI 是放大器，底数为零答案也为零）；SEO/AEO/LLMO 的地壳变动（附内部链接）；风险（AI 广告上 82% 高管对 45% 消费者的认知落差、看似可信的捏造、品牌安全、权利/监管、无人看管的失控运行）；营销人的工作如何转变（任务被拿走，判断变得更重；从生产者到总编辑兼战略家）；以及从今天起的五步实践计划。AI 最大的影响是把人类的时间从做事中解放出来，用于决策。

用 AI 做幻灯片，先根据演示场所和最终交付格式选择工具。本文把结构、讲稿、设计作为三个阶段，介绍 Gamma、PowerPoint 内置 Copilot、Google Slides 用 Gemini、Beautiful.ai、Canva、ChatGPT 插件和 Claude Slides 的适用方式。说明如何把 Claude 对话变成演示，以及它与面向文档的 Claude Docs 有何区别。涵盖从搭建结构到核实数字和出处、检查导出效果的五步流程，提供三组实用提示词和精简信息的技巧。无论在一个应用里完成，还是使用多个工具，都应分别检查内容和外观。

一张手写便条、一张纸质收据、截图里的英文、照片中的招牌——那些你一直靠手敲的重新录入工作，到了 2026 年，借助 AI 几乎已全无必要。本指南从 AI OCR 与传统 OCR 的区别（逐字识别 vs. 按含义理解整页）讲起，再按场景梳理三种选择（通用聊天 AI/Google Lens 等专用工具/Mistral OCR、PaddleOCR-VL 等 API 与开源）。文章对比 ChatGPT（GPT-5.5）、Gemini 3.1 Pro 和 Claude（Opus 4.8）的强项（手写 → GPT 系列、表格结构化 → Claude 系列、多页 → Gemini 长上下文、纯 OCR → 专用模型；没有绝对冠军），给出三条可直接套用的提示词（无损转写、表格转 Markdown、收据转 JSON，均带“不得捏造”规则）、各场景的最佳选择（手写、收据、PDF、复杂表格、竖排/古字、公式和代码）、六个准确率技巧（图像质量占八成），以及 AI OCR 唯一最大的弱点——看似合理地捏造读不出的内容（金额、日期、姓名务必与原件核对）——还有关于机密外发、版权和训练使用的隐私注意事项。你可以交给 AI 的，只有“读”；确认这件事，留给亲眼看过原件的人。