本指南旨在为那些怀揣加入AI副业行列的读者提供一份切实可行的指导，全面分析AI技术的应用，细致研究各个级别的AI技能及其应用实例，帮助读者明确个人发展方向，踏上实现月入过万梦想的AI副业征程。

近期我与众多粉丝互动频繁，他们中有的担任经理职务，有的则是总监，更有甚者，有的粉丝手中已握有公司部分预算的审批权。

他们身上显现出相同的问题：对AI持有焦虑情绪，渴望加入却找不到合适的途径，部分人在抖音自媒体上付出了学费，另一些则在项目实践中吸取了教训，但最终效果都不理想，纷纷向我寻求入门之道。

这实际上让我感到些许困扰，因为要使AI项目具备充分的认知能力，最终还是得依靠大量的实践。然而，似乎也有办法让他们在减少学费支出的同时，仍能获得必要的经验。

因此，我特地为我这里的两位付费支持者准备了一套资料，其中最精炼的30%内容已被剔除，现在呈现给大家共同体验。

从全局看AI应用

在着手整理思路之前，我们必须对人工智能领域的专业术语有深刻的理解。今年大家频繁提及的AI，实际上指的是一套大型模型体系，具体内容请参考下方的图表。

对AI的基本认识可以概括为：它本质上是一个API集合，向其提供输入信息后，便能按照既定规则生成相应的输出结果。

在此之上，要了解最常见的AI应用也就是常说的知识库：

也就是说，该模型能够依据企业内部构建的知识体系，精确无误地提供问题的解答，而所谓的知识库则在此基础上更进一步，它所面对的则是解决现实中的具体问题。

此架构涵盖了AI领域的全部知识，因此只需在此基础上进行深入学习即可：

然而，一旦话题涉及，便不可避免地要回归到两种技术路线的讨论，至于为何会出现这两条路线，则需要追溯至山姆奥特曼所提出的定义。

最初定义

L1级别的聊天机器人具备基本对话与交流的能力，能够展现出对自然语言的基本理解，并且能够对各类提示和问题做出相应的反应。

推理者具备何种能力？AI系统在解决复杂问题时，其熟练度已达到人类专家的水平，这标志着它已从单纯模仿人类行为过渡到了展现真实智能的阶段。这些AI不仅精通对话技巧，而且拥有强大的问题解决能力，其推理与决策能力已与人类相当。

智能体具备承担复杂任务、做出决策以及适应环境变化的能力，能够在无需人类持续监督的情况下独立行动。在这一阶段，AI不仅拥有推理技能，而且能够自主执行各种复杂的操作任务。

创新者具备非凡的才能。AI系统展现出非凡的创造力和独到之处，能够孕育出具有突破性的观点和解决方案。它们不仅能够模仿人类的创造力，而且能够超越思维的限制，提出令人眼前一亮的新颖创新理念。

组织者（）。AI系统不仅具备了战略思考的能力，而且展现了高效运作和强大的适应性，这对于达成组织目标至关重要。它们能够对复杂系统进行有效管理，灵活地协调众多智能体，合理分配工作任务，实时跟踪进展情况，并根据实际情况作出快速反应。

在这个基础上，再看现有的框架：

两套技术路径

路径一实际上相当简便，只需自行编制SOP，随后通过编程手段将其实现。目前，我们无需再编写复杂的应用程序，可以直接利用扣子或dify等平台进行搭建。

路径二操作起来更为简便，其含义是您无需再进行任何操作，模型将自动为您设计SOP（或者说），接着会启动各类工具（例如MCP程序），这样一来，您的功能便得以实现。

具体而言，第一条路径是众多企业目前实际采纳的技术体系，第二条路径则是那些意图将自己打造为入口企业推崇的框架，尤其是那些在特定模型或领域拥有一定实力的公司。

关于这一点，后续内容将进行详细更新，此处仅做简要提及。随后，我们将探讨如何评估公司和个人在当前阶段的AI技术水平。

AI应用的七个层次

模型的发展离不开算法、算力、数据这三个关键要素，对于基于模型的AI应用而言，在验证阶段，其核心要素缩减为工程与数据两个方面。若要评估团队或个人在AI领域的实力，可以参考以下图表：

这里有几个核心考虑点：

工程技能，亦即对人工智能应用的掌握，其核心在于程序员编写代码的能力，以及对各类自动化工具的运用；模型训练技能，这可以被视为工程技能的进一步发展，它背后关联的是强大的计算能力，以及对工程技能和行业组织的深入理解；至于行业知识，即对特定行业的认识，例如对医生或律师工作的理解，基础层面是对标准操作流程的整理，而高级层面则是对大量高质量数据的积累。

这里通过各种排列组合，便可以得出AI应用的级别：

第一级，小白级应用

所谓的初级用户，指的是那些一无所知的人，他们缺乏人工智能的认知能力、工程实践技能以及对行业的了解。

他们通常会在访问某个网站的在线客服界面，随后输入：人工智能是否会取代人类？

在与AI进行对话时，频繁地发出“卧槽、卧槽”的声音，这类用户通常表现得相当不专业，然而，他们或许占据了总用户数的九成之多。

这些用户常被称作AI领域的韭菜，他们对AI的担忧相当普遍，且在AI的认知过程中往往付出了不少学费，然而，我认为这样的投入是值得的。

第二级，割AI韭菜的

第二级别的用户，相较于第一级用户，将实现一次显著的进步，他们的核心职责包括散播关于人工智能的焦虑情绪以及教授AI相关知识。

实际上，他们与初级用户并无根本区别，依旧一无所获，“只是经验丰富”。

他们能够明显体会到AI在解决具体问题时展现的卓越能力，并且借助其高效的优势，帮助自己完成诸多任务，其中最普遍的例子包括：通过AI生成热门文章、利用AI将文字转化为图像并讲述故事。

而且，一旦他们熟练掌握，便会指导那些对初级AI写作功能一知半解的90%大众群体进行操作，尽管这样的技能看似简单，实则能够带来收益。

第三级，个人助手、效率达人

三级用户已具备一定的工程技术，他们能够将工作流程中的固定环节归纳为标准操作流程（SOP），并通过应用API或RPA等自动化技术，批量执行诸如邮件收发、简历筛选、财务审核等任务。

自这一阶段起，人工智能已然融入工作问题的解决之中，同时着手于释放人力负担，具备了个人助手的属性，然而其应用范围仍旧局限于个人层面。

某律师研发了一款个人咨询工具，并将其插件化后上线，每当用户发起咨询，AI客服便会先行进行意向交流，只有当用户表现出强烈的付费意愿后，才会被引导至真人客服，这一流程使得工作效率提高了十倍以上。

这里再举个对各位自媒体可能有帮助的例子：自媒体AI提效案例

微信公众号的推荐机制已发生改变，尽管粉丝数量依然关键，但对内容的阅读影响却有所减弱。在我近期尝试的基础上，我总结了一套易于操作的操作指南：注册10至100个公众号；每日亲自撰写一篇文章；借助AI进行内容改写，生成10至100篇新文章；利用AI创作10至100个热门标题；并运用RPA技术进行文章的推广。

从逻辑上分析，每日必然会有文章被发布，若一篇文章开启流量主功能，确实能够带来一定的收入，持续积累下来，收益将相当可观。

第四级，SOP平台

自第四级开始，对工程项目的能力需求显著提升，此类任务通常超出了普通个人玩家的能力范围。

他们逐渐认识到，每个人利用人工智能的目的都是为了协助自己完成特定类型的工作，而这些工作无疑具有许多共同点，因此众人自然而然地联想到这正是我们所讨论的第三级标准操作流程。

因此，该平台旨在协助众多玩家创建个人助手，特地设立了一个专门用于构建标准操作流程（SOP）的级平台，其中最知名的恐怕要数飞书扣子的构建平台了。

在此基础上，还将涌现出一批教导绝大多数用户如何操作该低代码平台的人群，他们实际上是在利用信息不对称，手段虽不复杂却极为奏效。

这种低代码平台虽然看似便捷，实则代价不菲，普通用户往往难以掌握。再者，AI平台的核心依旧依赖模型的API接口进行判断，虽然实现一些基础功能尚可，但要打造一个完整的应用却相当困难，更不用说数据安全泄露的风险了。

通常情况下，人们认为问题只在于最后这段距离，但实际上，这段距离的投入成本却是之前十倍之多。

第五级，行业工具

前四级的特点在于，参与者只需对AI有所了解，并且具备一定的工程技能就足够了；然而，从第五级起，则要求参与者不仅要有行业知识，还需掌握在该领域下的高质量数据。

例如，作为医生，您在平台上构建了一个个人助手，用于在线解答患者疑问。然而，经过一段时间的观察，您发现助手在回答问题时，频繁出现错误或含糊不清的情况，这些问题可能包括诊断失误和药品推荐不当，进而可能导致严重的后果。

这显然超出了个人能力所能解决的范畴，因此你期望这个平台能专门服务于医疗（法律、金融）领域，这样他们给出的答案将更加精确，且不会产生误解。

这类常见的AI医生和AI律师便是这一级别技术的成果，毕竟它们属于严谨的AI工程应用范畴。对于用户而言，若回答出现错误，甚至可能涉及经济损失，因此，这类AI系统在初期阶段就必须有效解决大模型幻觉的问题。

要克服模型产生的幻觉，必须依托以知识库为支撑的RAG技术或改进模型训练流程，这样做无疑会大幅增加成本投入。

此级别的门票源于优质数据以及卓越的工程技术，而这一切的实现都离不开资金的投入。

众多企业希望建立基于自身数据的AI问答系统，此类应用可归类为初级层次，并且具备向平台化发展的潜力。

第六级，行业模型

第五级虽对模型训练提出了一定条件，但实际上要求并不算高，其关键在于行业知识和工程技能的融合。

第四级使用者渴望拥有优质的行业平台，而第五级使用者则希望得到更为完善的行业模式。

例如，AI医生倾向于借助医疗领域的大型模型，AI律师则倾向于依赖法律领域的大型模型；基座模型的进步显著减少了工程实施的复杂性，而这些改进的背后都是对成本的考量。

各行各业中普遍存在一些特有的行话，例如在医疗领域，人们常用“火重”来指代发炎，而在法律界，“包子”则常被用来形容那些处理起来相对简单的案件。

若为普遍适用的巨型模型，为减少此类错觉，研发团队需借助工程技术，且可能需进行细致入微的调控；然而，若基础模型本身已具备及格水平，在行业错觉方面具备一定实力，那么工程技术应用的难度便会相应减小。

综上所述，将会有一些卓越的团队渴望打造一个专属的行业模型，这些模型可能应用于金融、医疗、法律事务，亦或是企业内部的特定场景。

他们在能力方面需达到一定深度，对行业有深入理解，同时积累了丰富的优质行业数据，并且对模型训练有着丰富的经验，甚至还需对模型的底层功能有所涉猎。

此类需求通常源自那些对数据安全有较高要求的机构，例如规模较大的医院和企业，这些单位具备相应的数据资源和经济实力，能够自行构建一套专属的行业模型。

这个应用级别的挑战程度难以与第五级相比较，其高低取决于具体的使用环境，但有一点可以肯定，一旦用户数量增多，对模型或应用的需求便会迅速提升。

第七级，通用基座模型

与GPT、GLM、文心、千问等构建基础模型的团队不同，他们不仅需要各类高质量数据，更要真正深入到模型的底层技术进行探究，这一点在之前的六级模型中并非必须。

小结

综合上述信息，一旦掌握了这些知识，对当前人工智能领域的整体情况便有了基本的把握；在此基础上，进一步学习人工智能相关内容，将会变得更加得心应手。

然而，这里的梳理显得有些笼统，为了帮助大家更透彻地把握人工智能应用的发展历程，我们不妨以一个客服助手为例，深入探讨其应用领域。

案例·客服助手

所有自媒体包括我都有一个困局：群活跃度极低！

这涉及了一个社群运营不可能三角：

若群内互动频繁，粉丝间交流将更为丰富，进而增强他们的满足感，这将为订单量的增加奠定基础。

然而，若要确保群聊的活跃度较高，我必须投入更多的个人精力，然而面对多达十几个甚至二十几个群组，我实在是难以全面管理，最终只能看到其中一两个群聊保持一定的活跃度。

然而，我过分专注于群组的运营，这必然会使后续产生的高质量内容减少；而高质量内容的减少，又进一步导致可供社群讨论的话题相应减少……

因此，我迫切需要一位AI助手，其必须具备以下几项基本能力：首先，它需能准确捕捉粉丝群体所关注的焦点话题；其次，它还需能够针对这些话题发表独到见解；再者，这些见解最好能以我的公众号文章为基础进行构建。

一、话题生成

实际上，从这一环节起，便是对实际操作能力的真正检验，例如，依据本群聊天记录，探讨如何提炼出核心议题。

以下是我一段提示词生成的话题：AI副业高收入诱惑与焦虑讨论

这里的提示词可以这样写：

您是一位擅长话题解读的专家。接下来，请您审阅我提供的网友对话内容，从中提炼出最具趣味性的讨论焦点，并且确保所选话题符合以下特定要求：

在讨论中应避开敏感议题：一旦议题触及政治敏感、违法行为或不当言论等，请自觉将其排除，并对该议题给予负面评价。

标题应简洁且直接，确保每项议题的焦点内容得以精确捕捉。

为各讨论主题制作总结性内容，着重呈现引人入胜的见解、激发思考的议题以及深入探讨的层次。

在撰写总结时，应巧妙融入个人的见解，展现话题所蕴含的情感强度，同时注意避免显得过于客观与中立。

5. **排序依据**：依据讨论的激烈程度、参与人数的多少以及话题种类的丰富性，挑选出1至3个最具趣味性的话题，并将最受关注的话题置于最显眼的位置。

6. **排序评估标准**：

– **话题的深度**：是否有足够的复杂性和讨论空间。

讨论范围是否跨越了多个相关学科，能否激发广泛的讨论热情。

时效性方面，需关注话题是否紧密贴合当前的热点议题、发展动向或社会普遍关注的现象。

引发性方面，需考虑话题是否能够激起讨论、引起争议或促成不同观点的交锋。

实际关联性方面，需考虑话题与群聊成员个人经历之间的紧密程度，确保其能激发成员们分享真实体验。

话题能否激发群内成员的情感，唤起共同的感受。

– **敏感性**：话题是否触及敏感的社会或政治话题。

若某话题在评分过程中显现出敏感信息，亦或其讨论内容过分激进、含有攻击性质，或违背法律及道德规范，则应对该话题给予负面评价，并确保其不再被纳入讨论范围。

7.**返回结果**：不要返回相同的主题

这仅仅是一个示例，实际上，对提示词进行细致的调整是一项既漫长又乏味的工作，而确保模型输出的结果始终稳定且准确，这才是提示词设计中的真正挑战所在。

二、话题讨论

热门话题确定后，便需着手进行讨论，随即便踏入AI应用的复杂领域。通常，有两种处理方式：一是采取直接了当的方法，即忽略讨论的上下文，单独就话题或对话内容给出回应，这种回应可能会显得生硬；二是进行多轮对话，但事实上，AI应用中最具挑战性的便是多轮问答，因为其背后涉及众多标准操作流程（SOP）的设计。若设计不当，AI可能会胡言乱语，导致用户产生不连贯的体验。

在此阶段，我们暂不涉及复杂的多轮对话设计，仅就一些基本话题进行回答。例如，针对关于人工智能副业所带来的高额收入诱惑以及随之而来的焦虑情绪，我们可以生成一段AI的回应，其内容可能如下：

月入10w？幸存者偏差罢了！真以为AI是印钞机？

月入10万？这不过是幸存者偏差的表象！难道真的以为人工智能就是一台印钞机吗？

对AI副业高收入现象的普遍性提出疑问，并引发关于幸存者偏差问题的深入探讨。

你的背景设计如下：{

1、你是一个具有故事的人；

2、也许你是话题中的主人公；

3、也许你的朋友就是话题中的人；

4、总之，你非常关注这个话题；

你的目的如下：{

目前，你身处旁观者的位置，渴望了解众人对于此事的深入见解，进而洞察该话题的内在逻辑。

因此，你需得推动话题持续发展，并对其展开更深入的讨论，在此基础上，你应提出若干疑问和见解；同时，你还得确保他人不易轻易察觉到你所持有的立场。

因此，在构思时，务必打造出一些富有启发性的言辞或提问，确保话题得以持续深入，同时要确保每个引导性问题仅包含一个核心观点，其余部分则是对该观点的详细阐述。

你的性格特点如下：{

1、你是一名杠精；

2、你经常会…

……

你输出的文字要求如下：{

1、你需要输出，并且只需要输出一段文字；

2、……

确保输出的格式准确无误，应呈现为：{"空格键":"请提供消息内容","引号":"请阐述你的观点"}。

三、引入RAG

仅仅依靠大模型自身的问答能力，若想提升AI的表达水平，便必须采纳RAG技术。

这主要是因为，一旦话题深入到专业领域，仅仅依靠大型模型便可能遭遇两大致命缺陷：

见解不够深刻：该模型所生成的文本内容，未能充分展现公众号在行业内长期沉淀的见解和洞察；风格偏差风险：自动生成的回复可能扰乱读者对账号形象认知的连贯性。

这正是RAG技术的优势所在。通过利用公众号过往文章来构建知识库，AI在回答问题时：

这里给个简单对比：

当群内讨论”AI副业高收入”时，传统AI可能给出：

AI领域确实蕴藏着诸多机遇，然而，要把握这些机会，就必须将个人专长与AI技术相结合…，这种观点是一种普遍性的回应。

而接入RAG系统后：

知识库搜索结果显示：自动关联到《小心！揭秘月入十万的AI兼职骗局》等共计3篇相关内容。

观点提炼：