2022 年底，ChatGPT 3.5 发布，标志着我们正式进入以大模型为主的 AI 时代。
经过 3 年发展，模型的基础能力一路狂飙：推理能力、上下文长度、响应速度、API 成本、多模态等关键维度都被持续拉高。
国内标志性事件是 2025 年 DeepSeek 爆发，他意味着 AI 应用环境开始成熟。于是乎，从去年开始，整个AI世界可以用乱花渐欲迷人眼来形容：
但时间刚进入 2026 年，现在我们要面临的已经不是新工具太多的问题，而是 AI 正在切实逼近到我们正在做的工作了，他在研发、执行与内容生产三方面显示出了巨大的潜力：
第一条线是 AI Coding：它早就不是补全几行代码、帮你写个函数那么简单了，而是开始从拆需求、写代码、跑测试...
这背后是整个研发链路都在被压缩，以前一个团队才能跑完的活，现在依然就能做，程序员也开始从“写代码的人”变成“评 AI 的人”，比如下述案例，在 AI 之前是几乎不可能的：
与其说 OpenClaw 是数字员工框架，我其实更愿意称他为Skills框架，或者SOP/Workflow 框架，因为他真的可以让我们每个个人去调整上传SOP，于是你可以把自己的流程、规则和操作方式整理进去，它就能按这些步骤去执行任务。
OpenClaw 的可怕之处不在于 Agent 这个词，也不在于他是否能收邮件、排日程、登系统、填表单、跑审批，因为这些事没 OpenClaw，我们2年前也能做到。
他可怕的地方在于，很多老板开始相信 OpenClaw 了，他们真的在让员工去整理 SOP/Workflow，这里造成的结果是，很多流程化、重复性的岗位真的会被吞掉的！
以 Seedance 2.0 为代表的视频生成能力，已经不是做个 demo 看着挺酷，而是越来越接近真正可投放、可商用、可直接拿去交差的成片，比如：
国产AI短剧《霍去病》火爆全球：3000元成本、3人5天产出80集，播放量狂飙超5亿！
研发、执行、内容这三条过去最依赖人的生产链路，几乎被 AI 同时撞开。
你会突然发现，2025 年大家焦虑的还是我要不要学 AI，到了 2026 年，问题已经变成了：
如果 AI 已经开始写代码、跑流程、出成片，那我原来那套工作能力，到底还能撑多久？
所以，到这里问就来了：普通人，应该如何学习 AI，应该如何缓解这种“实在太多、太快了”的焦虑呢？
其实，大家需要的是一套好的 AI 学习路线图，因为在我看来，这里有个暴论：这几年，除了基座模型能力在提升，其实并没有什么太大的变化...
如果我们从产品角度去看 AI 发展，貌似真的很快、很多，甚至这个世界我已经不认识了；但如果站在工程角度去看，你又会发现除了基座模型的能力提升外，其他东西貌似都是工程侧的必要优化...
首先是这两年 GPT 基座模型的各种指标对比，他们可以说是不同的物种了，单上下文就扩大了128倍：
除了模型本身的能力提升，最近两年的模型相关名词常客无非是：Function Calling、MCP、Agent/ReAct、CoT、Skills 这些。
比如我们最为关注的 Agent，他的框架最早在 2022 年，由论文《ReAct: Synergizing Reasoning and Acting in Language Models》提出，当时因为要调用工具，官方又没有接口，于是只能用提示词实现，流程会比现在复杂很多；
后面 Agent有所发展，可能 OpenAI 实在看不过去了，于 2023 年 6 月正式提出了 Function Calling 的接口，并且对模型进行了大量的微调训练，以保证工具调用的稳定性，这里其实也是为了减少 Agent 实现过程的工程复杂度：
但还没完，因为一个公司不止一个 Agent，这里有出现了 Tools 维护耦合问题，一旦工具变多后整个维护就爆炸了！
这里举个例子：企业中有10个AI Agent（N）需要接入20个数据源/工具（M）。如果每个应用都为每个工具编写专用适配代码，就需要200个集成点。这里面维护成本是较高的，任何工具 API 变更都会很烦。
在这个基础下，MCP 这种结构规范就被提出来了，他其实是为了解决这里的工程维护问题的。
然后还没完，因为做 Agent 的公司越来越多了，随着模型能力提升 Agent 所要完成的任务也越来越复杂了，于是乎要调用的 Tools 也变多了，到这里问题就出现了：
就算不考虑上下文长度的情况，虽然模型理解能力变强了，但他依旧无法做到绝对准确的工具调用
这是什么意思呢？意思是模型上装载的 Tools 多了后，模型容易出现乱调用、错调研、不调用等情况。这里面最为困难的问题可能要数：
在复杂任务中依靠 ReAct 循环想要输出完美的计划/SOP/Workflow是比较难的，有时候耗费巨量 Token 能搞定，有时候就算循环 100 次都搞不定
那怎么办呢？貌似也是工程优化，就两个点：
所以，大家就发现一个有意思的问题了：模型侧的优化有很大一部分就是围绕这 Agent 相关做展开的；而具体的工程实现又有很多就是为了 Tools 调用准确而做的。
好了，既然我们从工程角度看不到模型有什么太大的变化，那么就要进入推衍逻辑去看当前 AI 产品暴增的现象了：
为了让案例更加清晰，我们这里直接用真实案例：之前，我是做管理咨询的，我一天能接待 10 个用户，突然我流量暴涨，现在需要接待 100 个了怎么办呢？
那还不好办，作为资深的 AI 架构师，直接上管理数字分身就好了啊！，也就是用 AI 去实现我的咨询SOP，于是这里有两个前置条件：
这里的 SOP 大概长这样：
在 SOP 与 数据完备的情况下，一个管理 AI 客服就诞生了，但这里马上问题就出现了：
于是乎，我不得不将我代码中独有的SOP与数据做抽离，实现了一个 SOP/Workflow 编排的功能，并且还可以自己上传数据与 SOP 做配合，他大概长这样：
因为我小姨子做的法律行业有很多独特的需求，所以在他们平台上需要增加很多垂直领域的知识库和插件，最终他的样子可能长这样：
只不过，当我美滋滋的将工具交给他们的时候，他们全部不高兴，最后也没用起来...
他们为什么用不起来呢？原因很简单门槛太高了。
他们虽然能整理出SOP，却学不会、也不想学会如何去编排那个看上去很傻逼的拖拽界面，更遑论自己去处理结构化的数据呢？
他们理想的情况是：用自然语言去调教AI，AI自己去学会、优化他的SOP，并且传一些非结构的数据，他自己就整理好了，这个才是他们要的！
于是乎，为满足小姨子要求，我不得不去收集了大量法律咨询上必须要用到的SOP，并且在模型上做了不小的动作，最终终于实现了一个 Agent，也就是：
小姨子们可以通过自然语言，生成他们要的 SOP，并且这个 SOP 可以被他们不停的做调教
PS：大家要注意，这里稍微有点 AI Coding 相关工具的感觉了
做到这个程度，小姨子倒是满意了，只不过系统运行得并不稳定，因为某个关键任务 SOP 是由模型生成的，他的复杂性太高，在执行的时候总是出错。
于是乎，小姨子又不高兴了，觉得我能力不行！
于是乎，我很不服气，跑去跟她做了多轮交流，了解到一个情况：他们80%的需求，其实都是由 5 个，复杂 SOP 执行的。
于是乎，我在整体框架下做了一些操作：我实现了一个Skills的目录，让 Agent 在生成 SOP 前，如果发现是需要那 5 个SOP，就从本地直接拉取，否则就自己动态生成：
这一波搞下去，似乎小姨子比较满意，但这东西好像和最佳看到的 OpenClaw 有点像呢？
回归一下，上述案例仅仅是为了让各位更为了解当前 AI 产品为什么是现在这个样子，我胡编的一个案例。
不过，结合上一章我们基于工程侧对 AI 能力的解读，大家应该也意识到了一个问题：当前 AI 产品其实正在按部就班的发展，暂时来说还没有跨域阶段，甚至说：
一个好的 AI 产品，最终一定会回归 SOP 与 数据层面的处理，甚至于 80% 的时间都在处理数据
至于其他看上去很神奇的功能，比如：
现阶段，很多大家以为很酷炫的功能，其实本身就存在，他们只不过被包装到了 Agent 里面罢了，仅此而已，毕竟：
每个时代，总会有人想把所有应用装进一个系统...
至此，我们就可以进入 AI学习路线图 了：
综上，虽然现阶段各种 AI 震惊体正在发生，但他的本质并没有太大的变化，不过是Workflow的不断迁移罢了。
所以对于普通人，到底应该学什么呢？这里需要一套《应用级AI学习路线图》
首先得明确，我们多数人是吃不了基座模型的红利，所以大家不要傻乎乎的去学算法、去探究 Transformer 架构，应用层AI 的 红利才是大头，红杉AI峰会已经得出了保守预测：AI 应用市场份额在万亿美金以上！
为了让大家对AI应用有更为全面的认识，我这里为大家介绍一个亿级别的AI项目的完整工作分层/分级：
虽然多数公司对AI项目的研发投入到不了亿这个级别，但具体工作一定是上述的一些子模块，这里每个模块都是大家可以切入的点，并且越后面的越容易切入。
另一方面，AI项目的技术路径很有点闭口禅或者猜谜语的意思，属于那种不说出来想破脑袋都想不明白，一说出来就全破功的东西，所以每个公司只有最核心的少数几人能够看到项目全貌，并且越是上层越少人接触。
所以，我们在实际做学习路径设计的时候一定要自下而上的进行，不然学了没法实践就是纸上谈兵了。
最后就是我们具体的学习路径和资料推荐了：
在具体学习这里，AI产品经理和AI工程师几乎一模一样，只不过AI工程师还是需要一定代码基础，需要多学一门编程语言比如《Python编程：从入门到实践》，接下来就是统一路径了：
首先，Agent平台是必须要会的，因为80%公司做的第一件事就是上Coze或者Dify拖工作流，虽然他们最终会发现这些可能没什么用，但不要去对抗大众的思维：
你很可能进公司的第一步就是去维护那个 HiAgent 的东西，相信我他比 Coze、Dify 还烂...
而且这些东西确实还是有点用，就个人长时间实践来说，Coze对于AI产品经理是天生利器，有了这东西做demo完全就不用求程序员了，这相当于拓展了其能力边界。
具体到Agent平台可就多了，常见的有Coze、Dify、FastGPT、n8n等，这里必须要熟练的是Coze和Dify，Coze是因为门槛奇低、Dify是因为他是私有化部署的主力：
开源版Coze 和 Dify 深度 PK：谁能成为你的 AI 应用开发利器？
Dify内心：Coze开源只是太监版本，我一点都不慌！
学得比较深入的标准是：需要能做技术选型，即说清楚在不同场景下应该选择什么平台，为什么。也就是有一套统一的参数去评价所有的Agent平台，比如：
只要确定要学什么，具体到怎么学反而很简单了，这里实现一套大家都看得懂的工作流即可，比如简单的HR工作流：
在Coze玩得比较溜的情况下，就可以开启下个篇章AI表格：
当一个公司上了Coze后，他们就一定会接触到AI表格（或者说多维表格），而正常的公司最终会发现AI表格才是公司中后台AI应用落地的王道，原因是：
AI企业落地真相：90%靠工程，10%才是模型？当然不是，分类都是错的...
“90%工程、10%模型”是真相吗？一个AI表格案例给你答案
各个公司中后台部门天然亲近Excel类产品，而AI表格完美解决了Excel多人协作难的核心问题
以去年的钉钉产品发布会情况来说，上午简单开场后接的是钉钉生态下的三个典型案例：
而这三个其实全部是AI表格的案例，然后下午场的核心依旧是AI表格！而且飞书体系多维表格也在疯狂发力！
这代表了一个重要的方向：AI表格将成为各个公司用AI降低业务理解和流程梳理的重要乃至唯一工具。
所以，学好了AI表格，几乎掌握了进入各个公司业务的钥匙。知道为什么要学后，具体学起来就很简单了，实现一套简单的公司全流程管理即可：
在AI表格也玩得比较熟悉的时候，那么你就已经超越80%的人了，在这个基础之下变可以进入知识库篇章，这里的核心是RAG：
RAG几乎是面试的必选项，因为所有的公司都有AI知识库需求，只不过能说清楚这是什么玩意的人很少，于是市面上错误的技术路径在各种传播...
具体要学RAG不要去死记硬背概念，直接做最具体、最合适的项目：AI客服！
《万字：AI客服实战方法论》
《万字：生产级别的RAG系统》
《万字：RAG实战技巧，包教包会》
为降低学习成本，初期可以直接用Coze去搭建、后期也可以用Langchain这种框架，要注意的是工具一点都不重要，RAG困难的点一直都是数据的整理。
学习RAG、做AI客服项目的重点不过是建立AI工程基本认知，并且初步接触数据工程
而到你基本客服项目入门后，也就意味着你在AI知识学习这块也终于也入门了。并且到目前为止，几乎是很简单的。
但不要高兴得太早，更不要觉得AI应用不过如此，因为如果现在的难度是6个点的话，后面的难度一下就会飙升到12个点，属于非实践、有真实项目经历传授很难学会的部分了...
所以接下来先不必深入学习，可以先吃点配菜：
Manus作为标志性Agent项目，在AI界几乎家喻户晓，但为什么市面上又流传着不好用、门槛低的声音？
作为AI知识的系统性学习，你要清楚Manus其实是多Agent应用，进一步开始建立自己独有的AI知识框架了：
比如你需要对他的技术架构进行深挖：
建立AI知识框架、熟悉基础架构后，你可以看到以前看不到的风景了，比如：多模态相关的东西做不得！他是Agent的核心，基座模型一定会自己实现
包括，语音相关、视频相关、什么图生文、文生图，视频语音什么的，接下来要死一大半，公司千万不要涉足...
当然，最好的学习方式是做一次，所以这里建议大家花1-2周时间，用前面的知识，对Manus做一次简单实现，从而感悟到更多的东西：
《万字：Agent概述》
《万字：做一个Agent-上》
《万字：做一个Agent-下》
《万字：理解LangChain》
到Manus实现后，你已经掌握了基本的AI脉络，一般AI玩家也要尊称你一句大佬666了，而且这个阶段是非常容易自信心爆棚的，毕竟半灌水响叮当嘛，大家也会尊称你一声AI专家了：
只不过AI专家并不是结束，而是真正的开始，因为问题接踵而至，因为身边的人会问你很多问题，比如：
于是作为AI小专家的你，突然就傻眼了，之前学的内容好像没涉及这一块呢？
当然不会涉及，因为接下来才是真正的AI应用，到这里才慢慢进入AI应用的深水区，开始实际接触数据工程了，只不过完全自学的话到这里就已经结束了，所以接下来只做简单介绍即可：
至此，我大言不惭的说一句：所有应用层的AI应用，瓶颈一定会在数据工程，搞不定数据工程，绝不可能诞生好的AI应用：
模型越强，微调越弱：到底什么时候该微调？
万字血泪史：去TMD微调，因为这事我被怼脸连骂2小时！
其实前面“AI专家”遭遇的所有问题，其背后都是数据工程的应用，问题背后事实上的难点是：
从整理数据到与AI交互再到后面的数据反馈，组成了我们常规的数据工程。
过程中很多知识是依赖于专业人员，如医生、律师，这种非互联网工种根本无力整理自己的认知。
于是需要互联网人组织他们，这里又涉及到了管理学工程，大家要相信，管理医生和律师去工作是很简单的，但要让他们做输出是很难的。
比如我之前的下属有北大和首都医科大学（安贞医院）的硕士，他们是很轴的。
最后，数据工程是个漫长的周期，会导致AI项目的时间周期很长，并且系统一会表现得好、一会表现得差的，这会很消耗团队的士气，这里又涉及到了项目管理工程。
综上，复杂的AI项目其实是个偏工程的项目，特别是其中KnowHow、数据与技术架构、模型特性几者的纠缠会很复杂，如果不是本身水平很高的人，要么把这个事情理不清楚，要么没有管理能力去调动各个专业口的人员。
但如果已经是高管的人，很难沉下心来一点点梳理KnowHow与数据，这可能是导致复杂AI应用很少的主要原因。
去年被称为AI应用元年，只不过很多应用还在路上，开发进度很慢，核心原因无非三点：
但我这边之前在做 AI + 管理 的创业，接触的公司要多一些，从有限的30家公司的认知来说，可以得出一个乐观的结论：整体企业当前是有意识投入AI。
只不过乐观的预期下是悲观的现状：各个企业非常慎重，因为AI试错成本太高，这里导致的实际结果就是：30个公司，AI投入超500万的只有2家，多数公司是花个100万左右试试水！
但是，由于 OpenClaw 的火爆，各个老板都被洗脑了一遍 这个情况在接下来可能会发生很大的变化：
简单来说就是All In AI，AI将渗透各行各业，2026年一定是Agent 大年，各位要做好准备，吃下这波红利
更新时间：2026-03-10
本站资料均由网友自行发布提供，仅用于学习交流。如有版权问题，请与我联系，QQ：4156828
© CopyRight All Rights Reserved.
Powered By 71396.com 闽ICP备11008920号
闽公网安备35020302034844号
