!图片
（2026 年第 3 周，第 2 篇）
盯着 终端 上那一串串报错的红字，我开始严重怀疑人生。
整个 2025 年，我对 “本地化部署” 有着一种近乎偏执的迷恋。看到任何有点意思的 AI 项目——什么信息图生成、思维导图工具、PPT 自动生成——我的第一反应就是：搞下来，自己跑！
但现实往往是残酷的……
不是需要 Docker，就是得折腾 Python 的虚拟环境，各种依赖包要装到抓狂，模型路径要反复调整，配置文件改了又改……
然后，满怀期待地敲下回车。
结果，终端里一串鲜红的报错。看得人头皮发麻。
讲真的，我当时真的懵了。系统越来越乱，效果越来越差。整个 2025 年，我都在问自己一个问题：不熟练掌握代码，是不是根本不适合学 AI？
还好，现在的我终于想明白了。
所以今天，我想把这一年的弯路和思考，彻底说清楚。
灵魂拷问：我到底想用 AI 干嘛？
直到有一天，我折腾累了，不得不停下来问自己一个最根本的问题：
我到底想用 AI 干什么？
- A. 随便聊聊天，让它帮我解决点日常小问题？
- B. 让它变成我的工作助手，帮我写文案、做分析，提高效率？
- C. 设计一套工作流，让它自动化处理重复任务？
- D. 开发一个 AI 应用，集成到公司的业务里？
- E. 成为 AI 专家，从零构建整个系统？
我发现，我真正想要的可能只是 B 或者 C，最多到 D 有一丝期待，但却一直在用学 E 的方法折磨自己。
这就好像我只想学做个番茄炒蛋，结果跑去报了个生物化学和分子营养学的博士。
不是不对，是——完全没必要。
一张图带来的“卧槽”时刻
在梳理自己的学习路径时，我一直在琢磨用什么框架能把 AI 这个复杂系统讲清楚。我想起了之前接触过的一张图——Greg Coquillo 发布的 8 层智能体架构图。
这张图清晰地展示了 AI 的分层结构，但起初，它反而让我更困惑了：这 8 层我都要学吗？那我得学到猴年马月去？
直到我把这张图和我的根本问题（“我到底想用 AI 干嘛？”）放在一起时，才迎来了真正的“卧槽”时刻——我突然意识到：
这个架构，是给开发 AI 系统的人看的，不是给我们这些用 AI 的人看的。
就好像你开车，你需要知道发动机的每个零件怎么工作吗？
不需要。
你只需要知道油门、刹车、方向盘在哪，就能上路了。那些以为“必须从论文开始学”的人，就像想去买车，却先去读了四年机械工程。
想通这件事后，我整个人都轻松了。我把我的新思路称之为： 倒着学，以果为因。
先定目标：我要去哪。
再找路径：我需要学什么。
我意识到，我根本不需要从“发电厂”开始学，从“方向盘”开始就够了。
2026 年，我的路径与目标
在经历了一整年的混乱后，我的学习路径终于变得清晰：不再追求“什么都懂”，而是聚焦于“解决问题”。
举个例子，在耗费了大量精力后，我现在的工作流已经能做到，在需要了解新的政策法规时：
1. 先用 DeepSearch 这样的 AI 搜索工具，全网扫一遍，了解宏观情况。
2. 把找到的公开报告、规章制度文件一股脑喂给到自己的知识库。
3. 调用预设好的不同专家角色，让 AI 从各个角度、维度去分析这些资料。
4. 5 分钟内，一个全面、系统的分析框架就出来了。
这套流程，虽然告别了过去那种“马路边登录”式的报错体验，但搭建过程同样痛苦。回过头看，我才发现，如果一开始就想清楚，根本用不着这么折腾。
我的“够用”标准逐渐清晰： 基础→模型→编排→应用，这几层搞明白就够了。同理就可以整出更多的文稿审核、市场调研等等智能体。
至于其他的？那是别人的路。
我的五个阶段：我曾在哪，又到了哪
现在，我把过去一年的学习和使用路径重新梳理了一遍，把它画成了我在新一年的学习地图。它不是按职业分的，而是按“我想用 AI 干什么”分的。
' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
D1 级：被动使用者——“会问问题就行”
这是我刚开始接触 AI 的阶段。
- 状态： 偶尔让 AI 帮忙查资料、翻译句子，对技术完全没兴趣，只想解决眼前问题。
- 我发现需要的能力： 知道怎么提一个好问题（基础 Prompt 技巧），了解 AI 能干嘛、不能干嘛就行。
- 当时能做的事： “帮我写封邮件”、“把这段话润色一下”、“给我解释下什么是 RAG”。
- 所需时间： 讲真，2 小时就够了。
D2 级：主动优化者——“让 AI 更懂我”
这是我开始频繁用 AI 工作后的阶段。
- 状态： 发现 AI 有时候答非所问，想让它更精准，开始琢磨“怎么问，才能得到我想要的答案”。
- 我发现需要的能力： 系统的 Prompt 工程技巧（角色扮演、分步思考、提供范例），理解不同模型的特点（GPT-4 强在哪，Claude 适合读什么）。
- 当时能做的事： “你是一位资深的产品经理，请根据以下背景……”、“请一步一步分析这个问题，先列出关键因素……”。
- 所需时间： 大概花了 1-2 周，在实践中不断碰壁和优化。
D3 级：工作流设计者——“让 AI 帮我做事”
这是我现在正痴迷的阶段。
- 状态： 成了 AI 重度用户，看到重复性任务就手痒，总想着“能不能让 AI 自己把整个流程跑完”。
- 我发现需要的能力： 工具集成（让 AI 读我的文档、发邮件）、多步骤编排（设计自动化流程）、记忆管理（让 AI 记住我的偏好）、RAG 技术（让 AI 基于我的私人笔记回答问题）。
- 现在能做的事： “每天早上自动读我的 RSS 订阅，提取重点，生成摘要发给我”、“根据我的 Obsidian 笔记库，回答我的专业问题”。
- 所需时间： 我估计要花 1-2 个月，需要大量动手实践。
D4 级：应用定制者——“做个专属 AI 助手”
这是我下一步想探索的阶段。
- 状态： 想为自己或团队定制一个专属的 AI 应用，愿意学点代码，但不想从头造轮子。
- 我发现需要的能力： API 调用、低代码平台（Dify、Coze、n8n）、向量数据库、简单的后端开发知识。
- 未来想做的事： “做一个连接公司知识库的智能问答系统”、“搭一个自动化的内容审核工具”。
- 预计所需时间： 3-6 个月，需要一些编程基础。
D5 级：系统构建者——“从零开发 AI 产品”
这是那些真正的 AI 大佬们走的路。
- 状态： 专业开发者或 AI 研究者，想深入底层原理，构建可商用的 AI 产品。
- 我发现需要的能力： 全部 8 层技术栈、模型训练与微调、多模态 AI、智能体架构设计……几乎是所有。
- 所需时间： 1-2 年以上的持续深耕，我暂时不考虑。
梳理完我发现，绝大多数人，包括我自己，停留在 D1-D3 就完全够用了。只有真的想做 AI 产品、搞 AI 创业的人，才需要一头扎进 D4、D5 的深水区。
AI 的 8 层楼：2026 年，我选择住在这几层
想清楚自己的路径后，2026 年，我重新审视了那张曾让我“卧槽”的 8 层架构图。我不再把它看作是需要攀登的高楼，而是把它当成一张城市地图，用来判断每一片区域到底和“我”有多大关系。
' fill='%23FFFFFF'%3E%3Crect x='249' y='126' width='1' height='1'%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)
L1：基础设施层——AI 的“发电厂”
- 技术名词： GPU/TPU、云平台、推理服务。
- 我的理解： 这是 AI 的“发电厂”和“高速公路”。我用电，需要自己建个发电厂吗？大部分时候不需要。但如果你像我之前那样，想自己搞个“发电机”玩玩，那就另说了。
- 和我的关系： 我曾经深度折腾过的一层。 讲真，如果你只是用别人做好的成品，确实不用管它。但如果你也想本地部署、控制成本，那这一层就绕不过去。文章开头那些让我头皮发麻的报错，基本都发生在这里。
L2：智能体互联网层——AI 的“社交网络”
- 技术名词： Skyfire、Fetch.ai、机器经济。
- 我的理解： 让 AI 之间自己连接、协作、交易。听起来很科幻，像我的 AI 助手可以自己雇另一个 AI 帮我买机票。
- 和我的关系： 现阶段可以跳过 。这是未来的方向，但现在离我还太远。
L3：协议层——不同工具的“通用语言”
- 技术名词： MCP、A2A、ACP.
- 我的理解： 就像 USB 接口，让不同的 AI 工具能互相“认识”和“配合”。
- 和我的关系： 作为 D3 级别的用户，我需要 基础了解 。当我想让 AI 读取我的 Obsidian 笔记时，背后就有类似协议在工作。我不用懂技术细节，但要知道“兼容性”这回事。
L4：工具与增强层——AI 的“手脚”
- 技术名词： RAG、Code Interpreter、LangChain.
- 我的理解： 这是 AI 的“手脚”，让它能上网、读文档、写代码、发邮件。没这个，AI 就只是个“只会说话的大脑”。
- 和我的关系： 核心重点 。我想自动化工作流，就必须学会组合这些工具。
L5：认知与推理层——AI 的“大脑”
- 技术名词： GPT、Gemini、Qwen、豆包等大模型的推理能力。
- 我的理解： 这是 AI 的“大脑”，决定它怎么思考、怎么回答我。
- 和我的关系： 所有人都需要基础了解 。我至少得知道：AI 不是真在“思考”，而是在“预测下一个词”；AI 会“胡说八道”（幻觉）；不同模型有不同特点。
L6：记忆与个性化层——AI 的“记忆”
- 技术名词： 向量数据库、长期记忆、个性化。
- 我的理解： 这是 AI 的“记忆”，让它记住我的偏好、之前的对话、我的私人知识。
- 和我的关系： 需要深入理解 。我想让 AI 记住我的工作习惯和团队规范，这一层就至关重要。D4/D5 开发者则必须掌握。
L7：应用层——我能直接用到的 AI 产品
- 技术名词： NoteBook、豆包、Monica、Copilot.
- 我的理解： 这是我每天打开的那些 AI 产品——聊天助手、写作工具、代码助手。
- 和我的关系： 所有人的核心重点 。不管在哪一层，最终都要落到使用这些产品上。
L8：运营与治理层——AI 的“安全带”
- 技术名词： Guardrails、可观测性、安全审计。
- 我的理解： AI 的“安全带”和“监控器”，防止它乱说话、乱做事。
- 和我的关系： D1-D2 阶段，有 安全意识 就够了（不上传公司机密）。到了 D3，当我让 AI 处理敏感数据时，就得 了解 如何设置边界。
2026 年，我终于不再焦虑了
写这篇文章，目的梳理我整个 2025 年踩过的坑和走过的弯路。
AI 这个东西，真的，被搞得太复杂了。
技术圈的人喜欢炫技，喜欢堆砌术语，搞得好像不懂这些，就跟不上时代了。
但事实是，99% 的人，包括我，都不需要懂底层原理，也能用好 AI。就像我不需要懂 HTTP 协议也能上网，不需要懂编译原理也能写代码一样。
AI 时代最大的焦虑，可能不是来自技术本身，而是来自于不知道自己在哪，以及不知道自己要去哪。
这一年的折腾让我明白，重要的不是“学多少”，而是“学对的那一部分”。
不需要成为 AI 专家，才能用好 AI。
真正的专业，是知道什么时候该深入，什么时候该放手。
所以，现在的我不再为那些看不懂的论文和跑不起来的代码而焦虑了。因为我终于找到了自己的位置，知道了什么对我来说是重要的。
真的，没那么难。
希望我这点从 2025 年混乱中总结出的心路历程，能帮同样在 AI 学习路上探索的你，少走一点弯路。
2026 年，让我们一起，在 AI 时代，找到属于自己的节奏。
继续滑动看下一个
哞小哞的杂货铺
向上滑动看下一个
解释