AI 工具全景:按任务选工具
本篇要点:拿到一个具体任务,你能在两分钟内判断它属于哪一类工具、该不该交给 AI、数据能不能出门。 前置文章:这是全课第一章,没有前置知识要求;后面十一章都建立在这一章的六类分工上。
一、为什么需要它
2026 年 9 月,一位做用户运营的读者把她的订阅清单发给我看:三个对话类、两个编码类、一个绘图、一个会议转写。
我问她上周用哪个工具做了什么。她翻了半天手机,说出三件事:用对话类改了一段活动文案、用会议转写记了一次周会、用编码类帮她改了一段 Excel 公式。
七成订阅,一个月没打开过。她不是不会用,是先看到推荐、先订阅,再回头找场景。
这个次序反了。工具是按任务长的,不是按功能列表长的。同一个"帮你写东西"的入口,写活动文案、写接口文档、写周报,需要的上下文投喂方式完全不同。先认任务,再认工具,剩下的只是执行。
这一章要做的事只有一件:把"AI 工具"这个笼统的词拆成六类,让每一类都有明确的分工、明确的边界,和一条能不能把数据交出去的判断线。学完之后,你看任何新工具的发布公告,第一反应应该是"它落在哪一类",而不是"我要不要也订一个"。
二、核心概念
2.1 六类工具的分工
先把六类摆开。分类依据不是厂商,是输入和输出的形态。
| 类别 | 输入 | 输出 | 典型任务 | 最容易误用的地方 |
|---|---|---|---|---|
| 对话类 | 文字、图片、文件 | 文字、结构化数据 | 起草、改写、解释概念、翻译、头脑风暴 | 当成搜索引擎问事实,不核对来源 |
| 编码类 | 代码、仓库、报错 | 补丁、测试、评审意见 | 补全、重构、写测试、读陌生仓库 | 相信它说的"已修复",不跑测试 |
| 检索类 | 一个问题 | 带出处的条目 | 找资料、找文献、找内部文档 | 把摘要当成原文,引用二次转述 |
| 绘图类 | 文字描述、草图 | 位图、矢量图 | 配图、示意图、封面、图标 | 拿它画需要精确标注的技术图 |
| 办公类 | 表格、幻灯片、邮件 | 清洗后的表、成稿、批量邮件 | 数据透视、批量改格式、模板填充 | 让它算数却不给它原始数据 |
| 自动化类 | 事件、定时、API | 动作链的执行结果 | 表单入库、通知分发、多步串联 | 没有失败分支就上线 |
表 1-1 六类 AI 工具的输入输出与典型误用
这张表最该记住的不是六行内容,是"典型误用"那一列。每一类工具都有一件它看起来能做、实际做不好的事,而那件事往往正是新手最先派给它的任务。
拿对话类问"某软件 2026 年最新版多少钱",它答得很快,也可能是错的,因为它没有联网,或者拿的是旧训练数据。这不是模型笨,是任务错配:价格属于检索类的活。
2.2 能力边界:三类内容不可直接采信
不管哪一类工具,有三类输出必须过一道手,不能直接粘进交付物。
第一类是可核验的事实:数字、日期、版本号、法条编号、人名与机构名。第二类是"最新"的东西:上个月发布的版本、本周的新闻、昨天改的政策。第三类是私有事实:你公司的流程、你项目的接口约定、你客户的名字。
前两类靠检索和溯源解决,第三类只能靠你自己投喂上下文。
反例很常见。有人让 AI 写一份"Spring Boot 各版本发布时间对照",拿到的表格格式漂亮、年份连贯,其中有两行是编的。这类错误的可怕之处在于它长得和正确的一样。
2.3 任务分诊:三个问题定去向
选工具之前先分诊。分诊就是判断这个任务该走哪条路,像医院进门先量体温。
三个问题,按顺序问:
- 输出对不对,能不能当场验证? 能(跑一遍测试、对一次总数、看一眼代码能不能编译)→ 交给 AI 放手做,你只验收。不能(文案好不好、方案行不行)→ 你必须在环里,AI 只出草稿。
- 答案在不在公开资料里? 在 → 检索类优先于对话类,让它给出处。不在(内部制度、私有代码、个人笔记)→ 先把资料喂进去,再问。
- 数据能不能出门? 见 2.4。这一条看似排在第三,实际要先答——它是唯一能一票否决前两问的。
图 1-1 任务分诊:数据红线一票否决,其余按可验证性与资料可得性分流
如图 1-1 所示,分诊的入口不是"哪个工具强",是"数据能不能出门"。这一步放最后的人,通常会在出事之后才补。
2.4 数据分级:四条线
把你要处理的东西先分成四级,再决定往哪送。
| 级别 | 举例 | 能否进公开版工具 |
|---|---|---|
| 公开 | 已发布的文章、开源代码、公开财报 | 可以 |
| 内部 | 未发布的周报、会议纪要、内部流程文档 | 谨慎:去标识后可以,原文不建议 |
| 敏感 | 客户名单、合同金额、员工身份信息、未公开的财务数据 | 不可以 |
| 受监管 | 身份证号、银行卡号、病历、生物特征 | 绝对不可以;确有需要走企业版加审批 |
表 1-2 四级数据与投喂边界
"去标识"不是改个名字那么随便:把客户名换成 A 公司、把金额缩放到无关数字、把手机号后四位抹掉,才叫去标识。只把"张总"改成"李总",等于没做。
2.5 免费与付费的真实差异
很多人以为付费版就是"更聪明"。不是。模型能力在免费版和付费版之间往往同一代甚至同一个,真实差异集中在三处。
一是额度与高峰排队。免费版普遍设了频率或次数上限,忙时降级或排队。二是上下文长度与文件能力,免费层通常给不了长文档和仓库级读码。三是数据条款:这是最容易被忽略的一条,也是本条最该看的一条。各家对"免费版对话是否用于改进模型"的处理不同,企业版通常单独约定。截至 2026 年 11 月,具体条款以各家官方隐私政策与定价页为准,不要听二手总结:
- OpenAI:https://openai.com/pricing
- Anthropic:https://www.anthropic.com/pricing
- Google:https://gemini.google.com/
额度、价格、上下文长度这三样变化很快,任何文章里的具体数字都会过期。你需要记的是去哪查,不是记数字。
三、动手实践
这一节的产出不是"选一个工具",是一张属于你自己的任务-工具对照表。做完之后,遇到新工具你能立刻判断它是否补了真实空缺。
3.1 把你的任务列出来
先写最近两周做过的具体任务,不要写"写作"这种类别,要写"给新版本写 800 字更新说明"。每条任务标三个分数,各 1–3 分:
- 可验证性 V:结果能不能当场验证(3 = 跑一下就知道,1 = 只能靠人判断)
- 资料可得性 D:所需资料是否在公开域(3 = 公开,1 = 只在我脑子里)
- 重复度 R:这类任务多久做一次(3 = 每周都有,1 = 一年一次)
3.2 用脚本把分数折成建议
# triage.py —— 任务分诊打分:把任务折成工具类别与使用方式
TASKS = [
# 名称, V 可验证性, D 资料可得性, R 重复度
("给新版本写 800 字更新说明", 1, 2, 3),
("把订单表按城市做月度透视", 3, 1, 3),
("为新接口补 6 个单元测试", 3, 2, 2),
("判断这段架构方案的取舍是否成立", 1, 1, 1),
("批量把 40 份合同里的金额抽成表", 3, 1, 1),
]
def route(v, d, r):
if v == 3 and r >= 2:
return "编码/办公类,放手做,只验收"
if v == 3 and r == 1:
return "办公类,一次性脚本,写完即弃"
if d == 3:
return "检索类,要求带出处"
return "对话类,人留在环里,AI 只出草稿"
for name, v, d, r in TASKS:
score = v * 2 + d + r # 可验证性权重加倍:能验证才敢交出去
print(f"{name:<28s} 分 {score:2d} {route(v, d, r)}")运行结果:
给新版本写 800 字更新说明 分 7 对话类,人留在环里,AI 只出草稿
把订单表按城市做月度透视 分 10 编码/办公类,放手做,只验收
为新接口补 6 个单元测试 分 10 编码/办公类,放手做,只验收
判断这段架构方案的取舍是否成立 分 4 对话类,人留在环里,AI 只出草稿
批量把 40 份合同里的金额抽成表 分 8 办公类,一次性脚本,写完即弃输出里的第二行和第五行值得对比。两件事都是"从表格里出数",但一个每周做、一个只做一次。每周做的值得固化成一个能重跑的脚本;只做一次的,写脚本的时间比手工做还长,让它一次一议。
3.3 建一张对照表,然后删掉一半订阅
把你现有的工具填进下面这张表,每个工具写一行,最后必须填"上周实际用它做了什么"。
| 工具 | 类别 | 上周实际做过的事 | 不做的话会怎样 | 保留? |
|---|---|---|---|---|
| 例:某对话类 | 对话 | 改了一段活动文案 | 自己写,多花 20 分钟 | 保留 |
| 例:某编码类 | 编码 | 无 | 无影响 | 取消 |
表 1-3 工具保留判断表
"不做的话会怎样"这一列是核心。填"没影响"的,直接取消。一位读者按这张表砍掉了四个订阅,剩下三个反而用得比以前勤,因为每次打开都不用先想"这次该用哪个"。
3.4 把结论落成一个配置文件
判断要留痕,否则三个月后你会忘掉当时为什么删掉那一个。用一个 YAML 文件记下来,和你的笔记放一起。
# ~/notes/ai-stack.yaml —— 我的工具栈与保留理由(2026-11 版)
stack:
- id: chat-a
category: 对话
data_max_level: 内部 # 允许进到哪一级数据:公开/内部
use_for: [改文案, 解释概念, 起草]
not_for: [查价格, 查最新政策] # 显式写下不派给它的活
review_at: 2027-02-01
- id: code-b
category: 编码
data_max_level: 敏感 # 企业版条款覆盖,见[《进阶:数据安全与合规使用》](/guide/ai-tools/ai-tools-security-privacy.html)
use_for: [补测试, 读陌生仓库, 重构小函数]
not_for: [生产库迁移脚本, 密钥相关代码]
review_at: 2027-02-01
- id: search-c
category: 检索
data_max_level: 公开
use_for: [找文献, 找官方文档, 交叉验证]
not_for: [内部制度查询]
review_at: 2027-02-01预期输出(用任意 YAML 解析器读一遍,确认没写错):
chat-a 对话 上限=内部 用途 3 项 禁用 2 项
code-b 编码 上限=敏感 用途 3 项 禁用 2 项
search-c 检索 上限=公开 用途 3 项 禁用 1 项
共 3 个工具,下次复核 2027-02-01not_for 字段比 use_for 值钱。半年后你只会记得"这个工具挺好用",会忘记它在哪里坑过你。把坑写在文件里,比写在自己脑子里可靠。
四、常见误解
很多人以为工具越多能力越强。实际上每多一个工具就多一份切换成本,切换成本是隐性的:你要记住它的脾气、它的额度、它的失败模式。三个用熟的工具,产出通常高于七个各用一次的工具。
很多人以为付费版一定比免费版强。实际上免费版在"短任务、低风险、不涉密"的场景下足够用,付费买的是额度、长上下文和数据条款,不是智商。先确认自己缺的是哪一样,再决定付不付。
很多人以为"数据脱敏"就是把名字改掉。实际上可识别性是组合出来的:一个部门、一个岗位、一个入职年份,三样凑在一起就能定位到个人。脱敏要脱的是组合,不是单个字段。
五、小结
这是第一章,没有上一章可回指。留一条给自己的提醒:六类分工不是知识,是习惯,用三次就会了,不用就忘。
- 六类分工按输入输出形态划:对话、编码、检索、绘图、办公、自动化。每类都有一件它看起来能做、实际做不好的事。
- 事实、最新信息、私有事实这三类输出必须过手。前两类靠溯源,第三类靠投喂。
- 分诊顺序固定:数据红线 → 能否验证 → 资料在不在公开域。红线是一票否决。
- 数据分四级,敏感受监管的一律不出门;去标识要脱组合,不是脱单词。
- 免费与付费的差异在额度、上下文、数据条款三处,不在"聪明程度"。具体数字查官方定价页,别记二手总结。
六、相关文章
你选定了工具,打开对话框,然后发现同一件事两个人做出来差很远。差的那个部分不在工具,在指令:说清楚要什么、给什么料、按什么格式交。相关文章把这件事拆成四个要素和一套可复用的模板,让你第一次就把话说对。
继续阅读:[《提示词基本功:普通人也能稳定复现》 提示词基本功:普通人也能稳定复现](/guide/ai-tools/prompt-basics-for-daily-work.html)