01
Token：AI 眼里的“文字积木”
AI 不像人一样直接读整句话。它把内容切成小块，再根据前文预测下一块最可能是什么。
试着点击
点击句子，看它如何被拆开
给每一位业务同事的 AI 新常识
你的目标
“整理客户反馈，找出本周最值得优先解决的 3 个问题。”
- ✓理解目标明确范围：本周、客户反馈、优先级
- ✓读取资料汇总工单、访谈记录与满意度数据
- 03分析与排序按影响人数、严重程度、解决成本评估
- 04输出并自检给出依据、风险与待确认信息
Agent 在行动
42s
01看懂原理
不讲数学公式
不讲数学公式
02识别场景
从日常工作出发
从日常工作出发
03学会协作
给目标，不只给指令
给目标，不只给指令
04守住边界
人始终对结果负责
人始终对结果负责
02 · AI 基础知识
先拆掉三个“黑箱”
不用从模型架构学起。记住三个直觉，就能理解大多数生成式 AI 产品。
02
上下文：AI 的临时工作台
你给的任务、资料和对话都放在这张“桌子”上。桌面越乱、信息越缺，结果越容易跑偏。
🗂
像一次会议
没带进会议室的资料，AI 也不知道。
03
生成：有根据的“接着写”
大模型根据学过的大量模式组织答案，不是在数据库里复制标准答案，所以可能流畅但不一定正确。
!
关键提醒
语言很自信 ≠ 事实已核验。
一眼看懂
三种系统，有什么不同？
03 · 什么是 Agent
从“回答问题”到“完成任务”
Agent 的关键不只是模型更聪明，而是多了一个持续行动的闭环。
GOAL目标要达成什么？
点击左侧步骤
循环规则
如果结果还没达到目标，就带着新信息继续下一轮；遇到高风险动作，则停下来请人确认。
🧠大模型理解与推理
+
🧰工具搜索、表格、系统
+
🗃记忆资料与历史
+
🔁工作流计划、行动、自检
=
✦AI Agent能把目标向前推进
04 · 工作中的案例
不是“哪个岗位会被替代”，
而是哪些任务可以被重新设计
选择一个场景，看 Agent 如何与人分工。
场景判断器
这个任务适合交给 Agent 吗？
越符合右侧特征，越适合先做小范围试点。
勾选特征看看这个任务的适配度
05 · 把任务交清楚
好结果，始于一份清楚的任务简报
不要只说“帮我做一下”。像带一位新同事一样，交代目标、材料、规则和验收标准。
任务清晰度
清晰
记忆口诀目标要具体 · 材料要完整 · 边界要说清 · 结果要可验收
06 · 边界与安全
Agent 可以替你执行，
不能替你承担责任
判断一件事能否自动化，先看风险，再看效率。
GREEN · 可直接尝试
低风险、易复核
- 公开资料摘要
- 会议议程草稿
- 内部文案改写
- 信息分类与格式整理
做法：抽样检查，逐步扩大使用范围。
AMBER · 人工复核
有影响、可撤回
- 给客户的回复草稿
- 业务数据分析
- 候选人材料初筛
- 流程建议与优先级
做法：发送、采纳或执行前，由负责人确认。
RED · 不得自主执行
高风险、难撤回
- 付款与资金操作
- 录用、解雇等决定
- 法律或医疗结论
- 删除生产数据
做法：必须有明确授权、审批和操作留痕。
01
数据最小化只提供完成任务所必需的信息，敏感信息先脱敏。
02
事实可追溯重要结论要求给出处，不把“听起来合理”当成事实。
03
权限最小化只开放需要的工具和数据，高风险动作设置审批。
04
责任不转移最终判断仍由业务负责人作出，并对结果负责。
07 · 快速自测
三分钟，检查你是否真的理解了
每题选择一个你认为最合适的答案。
0/ 3
完成本次学习
不要问“AI 能不能替我工作”，回到开头 ↑
要问“我能否把工作拆成目标、资料、行动和检查”。