內容來源：量子教育，企業人才培養優質內容及創新解決方案服務商。 分享嘉賓：凌禎，AI智慧辦公培訓專家，《AI智慧辦公：從訓練ChatGPT開始》作者。
高階筆記達人 | 李雲責編 | 柒 排版 | 拾零第 8838篇深度好文：7662字 | 20 分鐘閱讀
宏觀趨勢
筆記君說：
AI工具，從一開始的迭代發展非常快速。
一部分人，因為掌握了AI工具的使用，工作變得更為高效；另一部分人，因為擔心被AI替代而整體憂心忡忡。
有這麼一句話：未來淘汰你的不是AI，而是使用AI工具的人。所以如何有節奏、有方法地學習AI、使用AI變得極為重要。
AI作為工具使用，再進階到智慧體，經過了三個階段：
第一個階段，AI+智慧辦公。
這個階段主要依賴基礎大模型，基於提示詞的最佳化得到AI最原始的內容產出，如讓AI幫你做文案寫作，方案彙報（PPT），寫資料程式碼，做海報圖片等內容輔助工作。
第二個階段，AI+場景落地。
提示詞雖然能幫助做一些輔助工作，但產出的內容並不能完全適應操作者的崗位和企業，操作者必須要花很長時間去審視AI所產出的內容是否滿足需求。
因此，AI要進入到知識庫階段，它需要掌握行業know-how，進行垂直領域的大模型建設，打造行業的專屬應用。
相較於提示詞，這一階段要升級應用及服務，比如有資料分析知識的智慧AI員工、有商業知識的智慧銷售和智慧客服，還可以識別不同文稿的內容，將其變成結構化的知識庫。
第三個階段，AI+Agent智慧體。
在行業大模型基礎上進行微調，滿足企業的個性化使用，私有化部署。實際上，是把第二階段解決單點業務的一個個點，變成一個串聯起來的流程，形成體系化的應用。
有很多企業已透過AI Agent智慧體實現了AI智慧精細化運營、智慧獲客、智慧決策及全場景多模態的應用。
目前來說，AI智慧辦公需求佔比到80%~90%。因為大模型是2023年才開始出現，爾後行業大模型也才逐漸產生，直到2024年7、8月時，智慧體的產品平臺才逐漸完善，才有諸多的免費應用出現於市場之中。
因此，在2024年上半年，甚至2024年全年之中，AI智慧辦公培訓逐步產生了六大模組：
第一模組，AI智慧對話，主要掌握對話的方法；
第二模組，文章撰寫，掌握用AI寫Word長文件的技巧，比如寫一個年度培訓規劃；
第三模組，資料分析，掌握用AI處理excel、WPS表格的方法，甚至用Python來做資料分析；
第四模組，演示彙報，AI輔助生成PPT；
第五模組，進行創意設計，實現用AI產出文生圖和文生影片，2024年包括央視在內的各大平臺和企業都大量使用了AI文案、文生影片，甚至用數字人做品宣、資訊播報；
第六模組，AI Agent智慧體機器人的學習。
任何技能的嫻熟掌握，絕非一蹴而就，而是“學”與“練”迴圈往復、層層堆疊的成果。培訓學習之後，更需要與實際的工作場景相結合，內化為自身的崗位本領。
在第二、三階段的學習中，更要用第一階段的AI智慧辦公來多做練習。比如，人資崗位可以用AI來寫培訓規劃；市場崗位用AI做市場的調研分析；產品崗位用AI來撰寫競品分析報告。
這是一個公司職員在學習AI智慧辦公之後，在第二階段用AI做的“AIGC智慧驅動抗菌縫合線營銷全鏈路革新方案”。
首先，她用AI結合產品生成了產品海報；其次，她用AI生成了數字人的宣傳影片；然後，用AI寫出了專業的產品宣講PPT；最後，建立企業自己的知識庫，據此生成了售後的AI智慧體，可以為客戶介紹產品，甚至可以轉接銷售。
在第三階段，要把業務流程做成一個閉環。另一個人力資源的學員就從招聘環節做AI智慧體的應用：
首先，生成招聘海報；然後，根據崗位要求主動搜尋簡歷；再後，邀約面試並用AI進行智慧面試，智慧得出面試評價、產生面試結果。如此，就形成招聘業務流程的一體化解決方案。
Agent(代理)這一概念起源於哲學，描述了一種擁有慾望、信念、意圖以及採取行動能力的實體。在人工智慧領域，這一術語被賦予了一層新的含義：具有自主性、反應性、互動性等特徵的智慧“代理”。
大型語言模型(LLMs)的出現為智慧代理的進一步發展帶來了希望。在AI agent的具體使用中，最底層都是LLMs(Large Language Models，大型語言模型),不論是ChatGPT、Kimi，或者訊飛星火，還是通義千問，大語言模型都是其基礎。
1.智慧體是發揮大模型功能的槓桿
大模型的使用，實際就是用提示詞與其對話，並在對話過程中產生深度對話思維鏈：
第一步，給大模型一個內容框架；第二步，讓大模型針對某個內容方向展開表述；第三步，根據產出的內容進行最佳化某些細節。
把這三個過程結合起來，變成一個完整的工作步驟，這就變成單個AI智慧體。而多智慧體，是把多個單智慧體結合在一起完成更系統性的任務。
例如，我們平常開發軟體或者系統，需要有人做任務拆分，有人寫程式碼，有人做測試，用多智慧體來完成這項工作，就有做任務拆分的智慧體，有專門寫程式碼的智慧體，有做測試的智慧體，多個智慧體組合起來共同完成這件事。
假設領導發給我一篇10w+的文章，認為非常適合於公司的宣傳，希望我參照這篇文章出一個爆款。那我們該如何用AI智慧體來高效完成這項任務呢？
操作易學，精髓難覓，所以我們不僅要會操作，更要懂得操作背後的底層邏輯和變化規律。從智慧體的定義中我們知道，智慧體是在大模型基礎上做規劃、記憶、工具和行動的一種載體。
因此，我們先要把整個過程規劃清楚，AI才能自動按規劃去做動作。我們大概可以分為七個步驟：
① 輸入：選擇對標文案，向Al輸入文案的連結。例如，某篇公眾號的連結；
② 關鍵詞：根據對標文章自動提取3~5個關鍵詞；
③ 二次檢索：AI根據關鍵詞，去全網檢索同類型的文章，額外找到10~20個匹配的文章專案；
④ 組合學習：AI根據投餵的源資料文章+二次檢索獲取的10~20篇文章的內容，進行學習，總結寫作方法；
⑤ 撰寫文案：AI根據學習的內容，創作新的文案，使用者可以微調引數，每次調整以後，自動更新新的文章結果，即時重新整理；
⑥ 匹配插圖：AI根據創作的文案內容，結合公眾號寫作方法，智慧生成配圖，並實現高效圖文排版，例如，參考135編輯器等；
⑦ 輸出：AI根據登陸者賬號，智慧釋出在：公眾號、頭條等圖文/影片的新媒體平臺等。
透過上面的七步，我們把文案仿寫這件事就規劃清楚了。實際上，是我們自己先思考清楚了，再把思考清楚的內容給到AI，AI瞭解了整個過程之後，再去規劃每個步驟該怎麼做。
其次，智慧體要有記憶功能。它需要把10多篇文章全部記憶下來，在使用傳統大模型中我們就會遇到token的限制，那麼智慧體至少要記住30篇甚至更多的文章內容。
然後，智慧體要有呼叫工具的能力。要能在網上搜索內容，要調取文生圖的功能，還要調取相關外掛的功能。
最後，智慧體要有行動能力。給智慧體一個軟體連結，爆款文章連結，後面都可以全部自動化來完成。
透過上面的梳理，我們已經非常清楚AI智慧體是在底層大模型的工具之上，發揮規劃、記憶、工具、行動等功能的槓桿能力,即可得出智慧體的公式：
AI agent=LLMs*（規劃+記憶+工具+行動）
2.智慧體具有長期記憶能力
多角色智慧體，是在單智慧體基礎之上做協同。因為單點智慧體不用考慮上下游的關係，但如果要做多節點之間的相互互動，你可能要考慮智慧體的開發和元件之間的匹配，和平臺的關係等。
我們在使用傳統大模型的時候經常會出現這種情況：在不斷與AI對話的過程中，它會忘記前面給它說的話，比如忘記上午與它互動的內容，或者在多輪對話之後忘記最前面的對話。
在這種情況下，我們要解決的是AI具有思考的記憶能力。我們用人類記憶來與AI記憶進行對映對比，以此更方便理解。
第一階段，感覺記憶，這是人類最原始、最基礎的記憶功能，也就是過眼即忘。對於AI的使用來說，相當於把AI當作一個高階搜尋工具，這個時候人占主導地位，來指示AI的行動。
第二階段，短期記憶，AI可以透過上下文的學習展開多輪對話，但是會受限於上下文token的限制，有時候會忘記相關內容。這個時候，人和AI的工作量相當，人來指揮AI,這就是我們常說的“提示詞工程師”。
第三階段，長期記憶，有人說，世界是懶人創造的。有了提示詞，人類還不滿足，我們還希望AI具備記憶的功能，就像我們學騎腳踏車，一旦掌握了這項技能，就具備了長期、持久的記憶能力。
這個時候，AI會記住投餵給它的相關知識，具備了長久的學習能力。這時的AI可以完成絕大部分工作，人類負責設定目標、提供資源和監督結果，AI完成任務拆分，工具選擇，進度控制，實現目標後自主結束工作。
具備長期記憶能力的智慧體就是一名合格的員工了，它可以提煉銷售話術，要銷售員的訓練併為其評分，也能指出需要繼續迭代的地方，會自主性地輔導員工的培養提升，這就是智慧體的長期記憶能力，也是訓練智慧體的意義所在。
1.成為個人的超級助理
一個人不可能盡善盡美，每個人的專長也會有所差異，一個員工不可能既會資料分析，又會寫程式設計，又會去做文生圖，又會AI文件寫作，做不到。但一群AI就會成為你的超級助理。
因此，在智慧體應用的2.0階段，需要更加專業的人員，更加專業的學習，更加專業的老師。
AI發展非常迅速，從縱向看，每個月AI工具都會發生質的變化；從橫向看，AI發展到一定階段後，就會做產品的區分，需要做專案的定製或者湧現出新的工具。
而且在AI發展的過程中，並不是一個人在訓練，也不是開發的工程師在訓練，而是全球使用者共同去完成的。
每個AI工具的使用，相當於孫悟空身上的一根毫毛，它可以變成孫悟空的一個分身，具備孫悟空的所有能力。隨著主體功能的加強，分身的功能也加強了，一個原因是學習內在的驅動，另一個原因是產品和技術在不斷發展。
在2023年ChatGPT剛出來的時候，幾乎每個小時都會出現新東西，有人感到無比焦慮，因為很可能會被取代；而有人抓住了一波機遇，一夜暴富；也有人透過ChatGPT的學習和使用，高效地完成了以前需要很多工作量的工作，比如寫程式碼、出書稿等。
這兩年不斷湧現出專業的大模型，相同的提示詞，不同的AI得到的結果是不同的。
Excel表格的函式實際是搜尋的邏輯，而AI並不是搜尋邏輯，而是預測生成式的邏輯，你給它的每個字都是它預測檢索生成的指引，因此AI又叫“提示詞工程”。
如果我們用AI來創作一首詩歌，它不會直接在《唐詩三百首》中去搜索答案，而是先學會詩歌的韻律規則之後進行的二次創作。
在AI產出的時候，即使相同的提示詞也不會產生相同的內容，更何況選擇大模型不同，提示詞不同，訓練的語料庫也不同。
因此，未來的核心，你不是操作工，你要一個人活成一支隊伍，要把自己從單一工作任務的操作者轉變成AI工作成果的監督檢查者。
在企業實際的培訓中，我發現真正用好AI的其實不是實習生，雖然他們對工具很瞭解。真正能發揮AI智慧體效能的人，是企業的經理級的管理者。
提示詞更專業，AI回答的質量也越高，因為他們具備管理的技能和能力，當他成為AI成果監督檢查者的時候，天然就具備了高質量產出的能力。
2.AI，已成為企業的超級員工
說到不如做到，我們可以看看一些大型企業或集團公司如何將AI進行實踐性的應用。
① 銀行業，智慧客服提高金融服務效率
在AI大模型的使用中，銀行業最敏銳，也是最早部署行業的行業。2023年底，四大行之一的工商銀行已經在內部OA系統中鑲嵌了智慧對話平臺，員工可以讓其幫忙寫報告了。
智慧客服是銀行中使用較為廣泛的智慧體服務。當客戶介入的時候，資訊系統會先把客戶往期的情況調取出來，它知道你有多少存款，還知道你是保險型客戶還是投資型客戶，它會根據客戶型別採用不同的推薦話術，最後有工單填寫，智慧做績效評分以及薪酬考核。
智慧客服實現了知識隨行，實現了客戶關係事前、事中、事後的綜合化管理。
在事前智慧客服知識運營階段，利用大模型自動完成資料標註與知識維護工作，替代人工拆解知識的工作；
事中又分為三個階段，通話前、通話中和通話後。
通話前，要先做背景瞭解，對大模型來說即為“前情摘要”，在坐席與客戶通話前，基於客戶與智慧客服溝通的情況形成前情摘要，幫助坐席提前瞭解客戶訴求。
然後，要交流諮詢目的，大模型則體現為轉接電話提醒，在坐席與客戶通話前，基於客戶與前一位坐席溝通情況形成轉接電話提醒。
通話中，大模型做到了知識隨行：在坐席與客戶通話過程中，預測客戶意圖，自動進行資料搜尋，並歸納總結形成推薦的答覆話術。
通話後，產出工單預警：坐席與客戶通話結束後，對於坐席暫時無法解決的問題，根據客戶意圖預填工單內容。
事後，產生質量評價：在事後質檢環節，生成傳統質檢AI模型學習樣本，模擬答疑及客戶問答對，提升質檢模型準確率。
如果對話中的內容沒能包含在知識庫中，可以讓人工檢索到的新內容加入其中，不斷最佳化知識庫。AI透過螺旋迭代的過程，越迭代越聰明，越用越好用。
② 通訊行業，智慧助手提高售後營銷轉化率
中國移動九天平臺結合移動的實體業務做了一個售後轉營銷助手：通訊運營商都有網路拓寬工程師，他們一方面做寬頻網路的安裝維護，另一方面做寬頻網路的頻寬升級。
這個角色不僅要懂產品的維修知識，還要具備現場營銷推廣的能力，如果以前培養或照片這麼一個角色，需要花較高的成本，培養週期比較長，流失率也比較高。
在AI賦能下，工程師在手機登入平臺，根據客戶的問題就能直接得到完整的產品推薦話術，客戶問題的最佳解決方案，不僅轉化率比較高，而且人才的培養成本也比較低，實現了AI賦能企業之後的組織降本增效。
③ 醫療行業，AI賦能論文撰寫及智慧導診
醫療行業專業度非常高，一篇論文所涉及到的知識要到專業的文獻知識工具網站做定義項的知識獲取，再設計實驗方案，然後要根據實驗室的報告，做專業的課題分析和稽核。
而在大模型賦能之後，SCI論文可以全流程地利用AI來輔助完成。
首先，AI可以根據關鍵詞完成檔案搜尋、查詢任務，並自動完成文獻的閱讀與總結，找出共同點和差異，提出潛在的研究方向；
然後，AI根據研究方向的可行性、創新性等提出技術路線，細化研究方向，完成實驗設計；根據實驗的資料生成視覺化影像，完成實驗報告；
最後，撰寫SCI論文，包括撰寫實驗背景、相關文獻的查詢，提供實驗步驟設計，並根據實驗資料撰寫導論和摘要，檢查文章語法等常識性錯誤，審稿人還能用AI自動生成回覆郵件。
面對使用者，AI可以完成智慧醫導。
隨著醫院資訊化建設的長期發展，當代的醫院環境和以往對比早已今非昔比，但是部分就醫環節依然存在困難。
比如，日常在網路搜尋健康問題時，常被廣告和無效資訊干擾；身體不適時儘管可藉助手機掛號，但面對眾多專業性強的科室名稱，往往難以抉擇；做了檢查，面對滿是專業資料的檢查單滿頭問號；拿了藥，看到千奇百怪的藥品名稱，心中疑惑不少。
當前所面臨的諸多問題，其根源在於醫療資源緊缺，致使廣大患者的精細化醫療指導需求難以滿足。
某數字科技產業集團在充分應用AI工具的情況下，研發出了一款智慧導診應用程式精準醫療，來解決院內外相關問題。
功能一，健康指導，使用者可以隨時隨地地詢問健康問題；
功能二，智慧導診，當用戶需要掛號就醫，可透過導診服務進行問詢，並進行科室預約；
功能三，檢驗報告分析，取得檢查單或病例報告後，藉助報告分析服務拍照上傳，以獲專業解讀；
功能四，用藥指導，醫生開具藥品後，可拍照上傳、識別並講解關鍵資訊，提供用藥指導服務。
④ AI+財務管理
傳統的財務管理，資料量大，流程嚴謹，從填單、收單、稽核到付款的週期也較長。AI智慧體如何提高財務報銷流程呢？
首先，透過Al對話快速便捷完成提報：事前申請，如公出用車、商旅、轄區內事前申請、非食堂用餐員工費用等事項；費用報銷，員工個人報銷、日常辦公費等。
其次，自動收單提高收單效率：確認報賬需求後，點選票據上傳，自動完成表具收集。
然後，透過AI賦能完成無人初審和複核：對上報的附件、發票型別自動分類，區別出不合規票據、應稅專案、查驗狀態、重複性等；複核合理性、合規性等要求。
最後，透過智慧支付完成員工報銷和供應商付款。
⑤ AI+資料分析
很多有技術基礎的企業其實早就有BI平臺，用AI賦能後的Chat BI,能高效地對資料結果做分析，找到業績下滑的原因，並提供對應的策略與建議。
本質上，它是一群智慧體在為你服務：它瞭解你的業務，也瞭解業務指標，會做資料分析，也能做圖表，還要做業績驅動。它把企業的知識資產做出了一個完整的解決方案。
它的核心是透過自然語言溝通，把資料從資料庫中調取出來分析結果，精準定位問題之後，提供行動策略和建議。
有下面一個數據需求分析場景：某零售門店運營負責人急需瞭解六月業績下降原因，以往靠資料分析師、運營多個崗位協作，耗費好幾天時間，嚴重影響決策效率。
AI資料分析如何高效完成這項工作的呢？
首先，向問答助手小A提出問題——為什麼六月業績下降了？然後，小A智慧識別出要使用北極星指標拆解和多維度分析；接著，小A將分析思路轉化為SQL自主查數並生成直觀的圖表；最後，小A對資料自動解讀，找出銷售下滑的主要原因並生成分析報告。
幾分鐘內，小A就完成了以上所有工作。
其實小A背後是由六個智慧體協作完成工作的：諮詢專家理解使用者意圖；業務專家呼叫知識生成分析思路；資料工程師生成SQL並查詢資料；圖表設計師生成直觀的圖表；資料分析師分析解讀資料；統籌大師處理模型的切換排程及agent間的協作。
⑥ AI+生產製造
生產製造業使用AI賦能其實已經相當普遍，也不僅僅是我們經常看到的機器臂操作工件，包括產品設計都應用到了AI。
假設我們要做一款樂高積木，我們可以透過自然語言向智慧體發出指令：要做一個長寬高各為多少的積木，請幫我生成圖紙。有
了這個對話之後，在智慧體的視窗上就會生成一組程式碼，同時另一個視窗就直接生成了產品的3D設計圖紙，如果連上了3D列印裝置，那麼很快一個符合你要求的產品就被生產出來了。
在生產製造業中，有很多SOP工藝，很多生產環節是不可變的，而傳統的AI程式碼輸出其實並不穩定，程式碼穩定是智慧生產的痛點。
解決了這個痛點，不僅效率翻倍，而且成本會降低很多，因為傳統的製造業中，會程式碼的員工的工資高，培養週期長，培訓成本也非常高。
而現在用自然語言輸入就能完成程式碼及自動除錯，生產效率高，員工培訓難度小，提升了管理效率，這就是AI賦能的結果。
以上案例，讓我們看到，要從現在開始就要擁抱AI，AI不是工具，而是新時代的生產力。只有你現在積極擁抱AI，才有可能收穫到未來的時代紅利。
如果我們在職場的黃金時期掌握了最優秀的學習方法，將是會讓你我受益終身，讓你我不斷進步。
*文章為作者獨立觀點，不代表筆記俠立場。
主辦方簡介——
好文閱讀推薦：