AI新手入门指南：从零开始学AI工具

"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。

明天一早就要汇报，幻灯片却还空着——可只要输入一行主题，几分钟后 20 页草稿幻灯片就排在眼前。这就是 2026 年的 AI 幻灯片。本指南把做幻灯片拆成三个阶段（结构、讲稿、设计），并梳理两种思路：一站式生成（丢个主题，全都生成）vs. 分工协作（先在 ChatGPT/Claude/Gemini 里敲定结构和讲稿，再让专用工具做设计）。文中对比了主流工具（生成快的 Gamma、原生 .pptx 不错乱的 PowerPoint 内置 Copilot、协作强的 Google Slides 用 Gemini、最好看的 Beautiful.ai、模板丰富的 Canva，以及 2026 年 5 月上线的 ChatGPT PowerPoint 插件——没有绝对冠军，按出口来选），给出最可复用的 5 步流程（结构 → 讲稿 → 倒进设计工具 → 核实数字和出处 → 导出 .pptx/Slides）、三段可直接复制的提示词（大纲、充实一页含备注、改写成适配设计工具的格式）、让幻灯片打动人的六个要点（一页一条信息、把文字砍掉一半等），以及陷阱——.pptx 版式错乱、初稿臃肿、看似可信的数据捏造、机密外发，还有工具关停（以 Tome 于 2025 年 4 月结束幻灯片功能为教训）。AI 是瞬间产出草稿的伙伴；删减和核实是人的工作。

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。

你已经懂了"什么是 RAG"，可一旦动手搭建，答案却偏了——因为它依然是 naive RAG：随意切碎再做普通向量检索。作为第 030 篇文章的实现篇续篇，本文逐阶段讲解 2026 年的实用 RAG 流水线（聪明的 chunking、embedding、向量 DB、混合检索、reranking）：chunking 策略（recursive 512 默认，semantic/structural/parent-child，Contextual Retrieval 据报告把检索失败最多减少 67%）、选择 embedding 模型（text-embedding-3-large 等）、六款向量 DB 对比（原型用 Chroma、有 Postgres 用 pgvector、低延迟的 Qdrant、全托管的 Pinecone、混合冠军 Weaviate、超大规模的 Milvus）、用 RRF 融合 BM25 + 稠密向量的混合检索、先 bi-encoder 后 cross-encoder 的 retrieve-then-rerank（Cohere/Voyage/BGE/Jina）、LlamaIndex（检索）vs LangChain/LangGraph（控制）的分工、为何 1M-token 窗口不会取代 RAG（lost in the middle、干扰），以及先建立 eval 集等生产化注意事项。

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 $10-$50/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。

Claude Code 突然报错停下——"重新登录""速率限制""prompt 太长""MCP 连不上"，每个都去搜实在麻烦。本文把你常遇到的错误连同原因和"该敲的命令"一起整理成实用参考手册。先从最先敲的三个诊断命令开始（claude doctor 全面诊断、/status 看当前认证、/context 看上下文明细），再聚焦四大常见类别（用量/速率限制、上下文溢出、认证过期、MCP 连接失败），以症状→原因→对策命令的表格覆盖认证与登录、用量/速率限制（Claude Code 消耗的 token 是聊天的 10-100 倍）、上下文与 token（prompt 太长、压缩反复）、服务器与模型（500/529/超时/找不到模型）、安装/PATH/更新、网络与代理（ECONNREFUSED、TLS）、MCP、权限（deny 胜过 bypass）以及其他（thinking blocks 400、图片/PDF、IDE）。最后附上错误→对策速查表和 FAQ。基于 Claude Code 官方文档（截至 2026 年）：卡住时先敲三个诊断命令，若没修好就跑 claude update。