机器学习项目成功的关键，在于对问题的深刻理解，而非算法的选择。
——彼得·诺维格(Peter Norvig)谷歌研究总监，人工智能专家
24年初开始，围绕大模型如何落地到企业，我进行了大量调研工作，参考了很多行业案例和知识付费课程。
但遗憾的是，很多人仍会对这项新技术持怀疑态度。就在前两天，还有一位产品经理找到我说：
“AI刚出来的时候，我既兴奋又好奇，心想终于能有个帮手分担工作了。我还试着用kimi、文心一言帮我解答问题、生成文档。但几次后发现，AI在具体工作任务上还是很难帮到我。比如让它输出一份调研报告，它给的框架很完整，但内容填充上却很水，还得自己来改，这和网上找个模版有啥区别。经过几次之后，我就只能让AI帮我做一些不重要的事，结果就是食之无味弃之可惜。”
想一想，面对滚滚而来的AI焦虑，你是不是也有过类似的疑惑：
注册了几个大模型产品，但打开后脑子一片空白，不知道怎么和它对话
问了几个问题，发现给的答案就像大厂黑话——看似说了一堆，实际跟没说一样
用软件自带的智能体试了几套提示词，似乎输出比之前好了，但也只限于写公文、发邮件这种文案生成工作，我想让它帮我在审核App的时候提高效率，怎么做?
这篇文章，我想来尝试给出些解法。
我觉得：想用好大模型，首先要学的，不是工具、不是提示词，而是要具备业务理解+流程抽象+方法论沉淀的能力。我称之为：业、流、法三步模型。
这套方法，源自业内很有名的一句话：
成功的本质，就是把一件正确的事，重复做一万遍。
AI能做的，是重复一万遍。但在这之前，你要先知道什么是正确的事，以及如何正确地把这件事做一万遍。
业务理解，锻炼的是对正确事情的判断力。
流程抽象，锻炼的是把事情做一万遍的自动化能力。
方法论沉淀，锻炼的是把如何正确地把自动化方法传达给AI的能力。
具体怎么做，展开讲下
第一步，业，具备特定领域的业务理解能力。
也就是行业know how的能力。即知道一个行业的商业模式、竞争格局、涉及领域上下游和具体的业务运转方式。
以上面提到的“帮我在审核App的时候提高效率”为例，你要知道应用分发这个领域，都有哪些角色参与其中，再思考平台在其中担任什么职责，靠什么盈利。其中利益分配的链条，如何从开发者，传导到消费者，再到广告商，再到平台方。你也要知道行业里为了争取到最大利益，可能会发生什么情况，出现哪些风险，其中哪些是可能被发现的，可能有办法解决的。这些风险可能有什么特征。
你对应用开发者、平台运营者和用户之间的互动方式越清楚，越能从中发现规律，进而能很容易地步入第二步：流程抽象。
第二步，流，具备把业务流程抽象建模的能力。
也就是知道如何用节点+连线的方式，把一个业务的经营逻辑，抽象成：角色+行为+数据+流转线路的形式。
角色。规定完成业务的岗位职责和分工。
行为，规定角色完成一件事，需要做哪些具体执行动作
数据，规定角色执行前的参考环境，执行后的产出结果
流转线路，规定角色在什么数据的前提下，执行什么动作，产生什么数据，从而影响到下一个角色
还是以“帮我在审核App的时候提高效率”为例，简单抽象了一下，可以按这样的结构理解：
角色：开发者、平台审核员、用户
行为：开发者，提交应用资料和安装包;平台，审核资料确保合规;用户，下载应用、使用产品、提出反馈
数据：包括应用的类目数据、资质数据、简介数据和产品本身的数据，以及用户下载应用后的反馈数据等
流转线路，如下图所示。开发者根据要求，产生提交行为，形成待审核数据;审核员读取数据，根据规则，完成审核动作;用户则能看到审核通过的应用，执行下载动作并提出反馈;审核员再根据反馈情况，做出修正规则或回复反馈的动作。
第三步，法，具备把流程事件结构化成方法论的能力。
也就是把成功的过程，以结构化文本方式表达出来，本质上是沉淀可复用的方法论。而方法论在AI时代的外化形式，就是prompt。
还是延续上面的例子，想让AI在这个流程中发挥作用，就要给它安排一个角色，让它能参与到流转线路中，作为一个节点，读取数据，执行规则并输出结果。
你的目的，就是尽可能让AI这个角色，帮你执行蓝框所示的行为，让你从你的角色中解脱出来。
假设想让AI帮你执行“审核类目”这个动作，可以怎么描述?
角色：类目审核员
目的：判断类目数据和资质数据，是否匹配类目审核规则
执行流程：
1、读取资质数据
2、提取资质数据的关键信息，如所属行业、证书编号等
3、判断资质数据是否真实有效(对接第三方接口)
4、如果有效，查看资质信息，是否和类目要求的规则相匹配。如：经营范围、员工数量等
5、如果匹配，审核通过，进入下一环节，执行审核应用行为
6、如果不匹配，审核不通过，生成不通过的说明文案，附带不通过原因，输出给审核员二次确认
输出格式：
结论+原因+验证依据
这套方法论一出来，聪明的你一定会发现，它就是一套结构化提示词。
实际上，稍加整理，你还可以把它写成新员工培训资料，甚至作为需求文档提交给技术，写成代码。自然语言和代码之间的转化，也正是大模型的拿手好戏。
看到这里，你可能会问，这是不是太复杂了？
我就想用好大模型，还要先成为领域专家，沉淀方法论，这个要求很多行业资深人士都做不到，我就一普通人，要具备这样的能力，太难了!
是不是现在不懂这些，就没法把AI用起来了?
当然不是。在没有方法论沉淀的前提下用好AI，我再给你三招锦囊：
第一招：拜师学艺，快速上道
不是去学零星的工具技巧，而是先找到那些已经借助AI，在垂直领域拿到结果的大佬们，向他们取经。
这些大佬们不仅理论知识扎实，也切实让AI帮到了自己。你可以直接找他们请教、模仿他们的做法，先让自己先达到一个“及格线”。当然，这招不是让你满足于平庸，而是帮你快速建立信心，打好基础。站在巨人的肩膀上，你很快就能明白AI的能力边界可以有多宽，及它在你的领域里怎么能大展拳脚。
第二招：记录反馈，不断试错
用AI的时候，把每次尝试都记录下来。不管结果好坏，这些都是宝贵的经验。
遇到问题了，别急着打退堂鼓。要有那种“我偏不信邪”的劲儿，相信AI一定能帮到自己。带着这个信念找问题、想办法，如果自己搞不定，就找大佬请教，一步步来，总能越来越接近你的目标。
在这个过程中，解决问题的经验特别宝贵，它能帮你在以后遇到类似问题时能举一反三。这种边做边学，边学边改的方法，是提升AI技能的不二法门。
第三招：内化经验，融会贯通
当你感到自己已经能熟练运用AI，并且实现了预期效果，别到这儿就满足了。要把这个过程中学到的前人经验，结合你的理解和创新，形成一套自己的独门招法。这就意味着你要分析你的做法，找到还能改进的地方，然后不断打磨，不断优化。等招式形成了，它就是属于你的领域沉淀下来的独家方法论。
总的来看，面对AI的来势汹汹，每个人都不应该独善其身。。AI不仅是一个工具，它更像是一位智者，一位导师，引导我们深入理解业务，抽象流程，沉淀方法。但别忘了，AI也是一面镜子，它反映出我们对问题的理解，对工作的热爱，对生活的执着。用好AI，不是一蹴而就的，它需要我们不断地学习、尝试、反思。就像彼得·诺维格所说，机器学习项目的成功，源于对问题的深刻理解。所以，不要害怕开始，不要害怕失败，因为每一次的尝试，都是通往成功的一步。
我坚信AGI的时代一定会到来，积极拥抱这一趋势，不是浅尝辄止，而是深度体验，找到那个最佳解法，等AI真正大规模普及，你一定会由此受益。
