New world
你想弄明白什么？
用 AI 办事 · 从认识到使用
LLM 能帮我做什么？我需要自己训练一个吗？ →
LLM 就是能理解和生成文字的一类 AI 模型。你已经在用的聊天助手、写作助手，背后往往就有这样的模型。它能帮你整理资料、起草文字、解释问题；做产品时，也可以借助 Codex 这类工具让它参与写代码和修改。大多数人先用现成的工具就够了，不需要自己训练一个模型。
我有自己的资料，怎样让 AI 根据它们回答？ →
这类做法常叫 RAG：先从你的资料里找出相关内容，再让 AI 参考这些内容回答。比如把产品说明、常见问题放在一起，别人提问时，它先找资料再作答。它适合资料多、经常更新，或者回答必须有出处的情况。资料少时，先直接把文件交给支持读文件的 AI 工具试用；需要长期给多人用，再考虑让 Codex 帮你做可搜索的资料问答。AI 仍可能答错，重要答案要能点回原文核对。
怎样让别人从搜索或 AI 回答里找到我的内容？ →
有人把让内容更容易在 AI 搜索和回答中被发现、被引用，叫作 GEO。对新手来说，先做好普通的事：一篇内容回答一个真实问题，有能打开的固定网址，说清作者和来源，让搜索工具能读到正文。内容要有自己的解释和例子。这样才有被找到的机会，但没有哪种写法能保证被收录或引用。
只有几份资料，要不要先搭一个 RAG？ →
先试最简单的一步：把允许分享的文件交给支持读文件的 AI 工具，问一个你知道答案的问题，看看它能否指出依据。几份文件、只给自己用，通常先这样试就够了。资料很多、经常更新，还要让其他人反复提问时，再考虑做可搜索的资料问答。选哪种做法，也要看文件是否适合上传到所用工具。
AI 回答得很肯定，怎么知道它有没有说错？ →
先请它指出依据，再打开原资料看它引用的那一段是不是支持这个结论。没有依据的数字、日期、规定和产品功能，要去原出处查；找不到就先当作未确认。AI 说得流畅，不代表事实已经核实。做自己的资料问答时，可以要求“资料里没有就说不知道”，再拿几个已知问题试它。
想让 AI 查自己的资料，直接上传还是做成知识库？ →
先按使用方式选。临时看几份文件：用你已有的 AI 对话工具上传文件试问。想反复查自己的资料：可以试 AnythingLLM 这类能把文件放进工作区再提问的工具；它也能连接本地模型，但初次设置会多几步。想把问答做成给别人用的网页或流程，可以了解 Dify。想让 Codex 按自己的需要搭一个，就先描述“谁来问、资料放哪、回答要不要带出处”，请它先比较最简单的方案，再动手。工具可能把文件发到云端，敏感资料先看清存放位置和服务说明。
AI 工具那么多，先选哪个？ →
先按眼前任务选：聊天写作选能读写文字的；做图选图像工具；写程序选能看项目文件的。别先装一大堆，先用一个工具完成一件小事。
任务太大，怎样拆给 AI？ →
先说最终想要什么，再让 AI 列出最小步骤；每做完一步看结果，满意了再继续。这样出错时也知道从哪里改。
怎么让 AI 帮我看一份 PDF？ →
上传有权分享的文件，明确让 AI 找哪一部分、引用哪一页。扫描件可能需要先识别图片文字；重要数字仍要回原件对照。
Agent 中途停了，怎样接着之前的步骤做？ →
能不能接着做，取决于产品有没有保存这次任务的进度。继续前先看它记录了什么、当前做到了哪一步；换了一个软件或新对话，不要默认旧任务状态还在。
AI 能读照片里的字吗？ →
有些工具可以识别图片中的文字和画面，但模糊、反光或小字容易看错。让它先逐字转写，再由你核对。
Agent 调用工具失败了，应该直接重试吗？ →
先看失败原因和上一步有没有真的执行。查询通常可以重试；付款、发邮件、删除等动作可能已经生效，先核实结果，避免重复操作。
录音怎么变文字？ →
把录音交给支持语音转写的工具，它会给你文字稿。方言、多人同时说话和专有名词可能听错，公开或上传前也要确认录音授权。
怎么知道 Agent 刚才做了什么？ →
看任务记录或执行过程：它用了哪些工具、拿到了什么结果、哪里停下或报错。记录能帮助你查原因，但其中也可能有敏感资料，要妥善保护。
会议录音怎么变成可执行的待办？ →
先转写，再让 AI 按‘事情、负责人、期限、待确认’整理。没说清的负责人或日期标成‘待确认’，不要替大家猜。
Agent 上线前，怎样知道它适不适合这项工作？ →
先准备几种真实但安全的例子，写清什么算做对、什么情况必须停下，再观察它选的工具、答案是否准确、有没有越权。改完流程后用同一批例子再试一次。
怎么让 AI 帮忙看表格？ →
先说每列是什么、你想比较什么。请 AI 展示计算过程和异常值；涉及金额时用表格公式或原始数据再核对一次。
AI 给了答案，还要看来源吗？ →
要。答案是 AI 的整理，来源才是你检查它有没有讲错的地方。尤其数字、法律、医疗和产品规则，要看原文及发布日期。
什么东西别直接上传给 AI？ →
密码、密钥、身份证号和未经授权的客户资料，先不要上传。确有必要处理文件时，先去掉敏感信息，并查看所用产品的数据设置。
好用的提示词要不要存起来？ →
常做同一类事，可以存一个可修改的模板：任务、材料、输出样子和检查标准。每次替换材料，不必死背‘万能咒语’。
用 AI 为什么有时会花钱？ →
聊天软件可能按套餐收费；开发者调用模型通常按使用量计费。图片、长文件和大量自动运行也可能增加用量。先看收费页和用量上限。
免费工具够用，什么时候才需要付费？ →
先看免费版能否完成你的实际任务。只有碰到明确限制——文件太大、次数不够或缺关键功能——才考虑付费，并留意是否自动续费。
怎么用 AI 从头做出一份完整的 PPT？ →
用 AI 做 PPT，是个练习怎么和 AI 合作的好场景。重点不是让它一次包办，而是把目标和材料说清楚，再和它一起把内容打磨好。 开始时，告诉 AI 演示要讲给谁、希望听众看完后理解或采取什么行动、时长和限制。手头有资料就提供给它，并说明哪些信息必须有依据；资料不全时，先让 AI 指出缺口。 不要一开始就要求生成整份文件。先让 AI 整理信息、提出内容主线和页面大纲；你确认方向后，再让它逐段完善。 看到初稿后，针对具体页面给反馈，例如“这一页结论不清楚”或“把这段换成图表”。让 AI 帮你检查遗漏和逻辑，但重要事实、来源和实际排版仍要自己核对。 需要导出演示文件时，再选择适合你当前 AI 和使用方式的工具；如果要现场讲解，可以和 AI 练习表达、预想听众可能会问的问题。
AI 做的第一版不满意，怎么让它改得更准？ →
别只说“再好一点”，告诉它哪一处不合适、希望变成什么样。像改衣服一样，一次指出袖子太长，比说“整件再时髦些”容易改对。
怎么告诉 AI：做到什么样才算完成？ →
把“完成”说成看得见的结果，别只说“做好”。这就像点外卖：说清送到哪、几份、不能放辣，比只说“来点吃的”靠谱。
需求没说清时，AI 会不会自己猜？ →
会有这个可能。把不确定的地方先摊开，让 AI 先问你两三个关键问题，就像装修前先量尺寸，免得做完才发现门开错方向。
让 AI 推荐工具，怎么避免它只报一个名字？ →
先给选择条件，再让它把几种工具摆在一张桌上比。就像选手机，要一起看预算、常用功能和售后，不能只问“哪台最好”。
改网站前，为什么先让 AI 说说准备怎么改？ →
先看计划，能发现 AI 有没有理解错方向；确认后再动手，像先看装修图纸再拆墙。尤其是已有用户在用的网站，别一上来就让它大改。
学一个新知识，怎么让 AI 像老师一样带我？ →
先告诉 AI 你从哪里开始学，请它先用熟悉的例子讲，再一点点加难度。像学游泳先扶着浮板，不是第一天就把你扔进深水区。
能让 AI 根据我的笔记出几道练习题吗？ →
可以把笔记交给能读文件的 AI，让它按笔记出题；答案也要对照原文检查，免得把 AI 编出来的内容一起背走。
让 AI 帮我做演示文稿，第一步给它什么？ →
先说听众是谁、你希望他们记住哪三件事，再让 AI 排顺序。像讲故事先定主线，别一开始就忙着挑模板和动画。
AI 写好的邮件，能不能直接点发送？ →
先把 AI 当草稿助手，不要当自动邮差。收件人、金额、日期和承诺都要自己核对；尤其别让它没经过你确认就发出去。
AI 翻译为什么要告诉它这是说给谁听的？ →
同一句话，对客户、朋友和老师的说法不一样。告诉 AI 对象和场景，它才知道该直译、礼貌一点，还是说得更口语。
可以让 AI 帮我排旅行计划吗？ →
可以先让 AI 排一个草案，但营业时间、票价、交通和预约要求像天气一样会变，出发前要查景点和交通的官方最新信息。
冰箱里只有几样食材，AI 能帮我想菜吗？ →
可以把食材列出来，或在支持看图的工具里拍给 AI，请它给出简单做法。对过敏、食物变质和生熟安全，还是以自己的判断和可靠食品说明为准。
面试前，怎么让 AI 陪我练习而不是背答案？ →
让 AI 一次问一个问题，听完你的回答再追问或给建议。像排练对话，不是背一篇别人写好的稿子。
想学一件新东西，怎样让 AI 帮我排一个不吓人的计划？ →
先说每天能拿出的时间和想达到的结果，再请 AI 把大目标切成小任务。计划要像每天爬一级台阶，不要第一天就安排爬完整座山。
开会前，怎么让 AI 把零散想法变成议程？ →
把想讨论的事交给 AI，请它排成主题、要决定的问题和所需材料。像出门先看路线，会议就不容易聊着聊着跑偏。
面试前怎么让 AI 陪我练习，而不是替我背答案？ →
让 AI 一次问一个问题，等你回答后再指出表达是否清楚，并追问细节。它像陪练，可以帮你熟悉节奏，但不能保证真实面试会问同样的问题。
让 AI 比较两份文件，怎样避免只听到一个模糊总结？ →
先指定比较维度，并让 AI 把差异、原文依据和不确定处分开列出。它适合帮你找不同，涉及合同或金额时仍要回到原文确认。
脑子里只有零散想法，怎样让 AI 先帮我整理成清单？ →
先把想到的内容原样说出来，再让 AI 按目标、已有条件、待决定问题分组。它像帮你把桌上的纸条摊开分类，最后取舍还是你来做。
为什么要告诉 AI 答案要用表格、清单还是短文？ →
同一件事可以有很多种写法，指定格式能让结果更容易直接使用。比较项目适合表格，操作步骤适合编号清单，给朋友看的介绍适合短文。
LLM wiki 和 RAG →
查看原内容与来源
Agent 装了很多 skill，怎么决定调用哪一个？ →
skill 一多，最直接的做法——把所有 skill 的名字和描述都塞进系统提示，让主模型自己挑——会出问题：上下文被撑大、描述被截断后彼此难区分（比如“改现有 PPT”和“新建 PPT”两个 skill 看起来一样）、选错还会让后面的规划和工具调用一路错下去。 更合理的做法是加一层“路由”，分三步： 1. 先用规则和元数据过滤。权限、环境、任务类型这类确定性条件不需要 AI 判断，比如没有数据库权限就直接排除数据库相关 skill，移动端任务就优先保留 App 相关 skill。 2. 再用一个便宜的小模型或专门的决策模型做候选精排。它读你的问题和 skill 列表，给出“这轮需要哪些 skill”的排序，通常只保留前几个候选。pi-scout 这类工具就是每轮先跑一个侧模型，把完整 skill 列表从系统提示里拿掉，只把选中的几个注入进去；代价是每轮多 0.5–2 秒，所以对“好的/ok”这类无意义回复会直接短路跳过。 3. 最后才让主模型在少量候选里做真正的复杂判断：先调谁、参数怎么填、结果怎么解读。 效果上，TypeSafe 用 Jev 做 skill 建议的实验显示：错误加载 skill 的比例从 15.7% 降到 7.9%，“没有合适 skill 却硬加载一个”的比例从 14.0% 降到 5.2%。 还要区分两个概念：Skill Routing 发生得更早，决定这轮任务要加载哪些专业能力，甚至决定 Agent 能看到哪些工具；Tool Routing 发生在 Agent 循环里，决定下一步具体调哪个工具。先做 skill 路由再缩小工具范围，上下文会干净很多。 一句话：不是让主模型在几百个 skill 里硬选，而是先过滤、再精排、最后才推理。
知识库建好之后，用什么工具持续维护？ →
如果知识库是一堆 Markdown 笔记（比如 Obsidian 库），维护的重点不是“再查一次”，而是让 AI 帮你把新资料编译进已有页面：收录来源、更新索引和日志、补交叉引用、定期体检断链和孤页。这类工具目前有几款可选： - WikiNow：本地优先，一条命令把网页、YouTube、PDF、epub、音频收进来，LLM 会同时改动 10-15 个 wiki 页面（来源摘要、概念、索引、总览、标签、日志），并通过 MCP 让 Claude Code、Codex 等宿主 AI 读写这个 wiki。注意它目前只支持英文内容。 - knowledge-wiki：常驻型技能，在工作区维护 knowledge/ 目录，核心是收录、综合、查询三个动作，自动维护 index.md 和 log.md，页面之间用相对路径互链。 - llm-wiki（llm-wiki-cn 技能）：更完整的三层结构 source/（原始资料只读）、wiki/（编译层）、schema/（约定层），区分资料页、实体页、概念页、综合页、对比页、查询页，并带 Python 体检脚本检查断链、索引覆盖和编码问题。 - lorekit：把维护做成有状态的命令链，fetch 抓材料、ingest 记录处理进度、index 刷新目录、sync 收尾、lint 查 frontmatter/断链/孤页、snapshot 快照、restore 恢复、remove 安全删除，适合担心 AI 误删误改长期笔记的人。 共同思路是：原始资料单独存放且只读，AI 只改“知识层”，索引和日志每次同步更新，定期跑体检。选哪个主要看你的库是不是 Markdown、要不要接 Claude Code/Codex、以及是否在意快照和回滚。