Skip to content

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:

  1. 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。
  2. 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。
  3. 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:

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 ​

python
# 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:

text
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。

yaml
# ~/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):

text
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 2027-02-01

not_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)