第一部分：大模型的沟通逻辑基础——乔哈里视窗改造模型

1.1 核心前提：大模型的本质是“语言沟通”

大模型全称“大语言模型（LLM）”，我们与大模型的所有交互本质上都是通过语言建立连接，就像与人沟通一样。因此，有效的沟通策略是用好大模型的基础。

1.2 关键维度：两大沟通变量

• 变量1：信息知晓状态（你是否知道+AI是否知道）

• AI“知道”：模型训练语料中包含相关信息，可直接调用

• AI“不知道”：两种情况——① 语料中无相关信息（如公司内部会议纪要、最新新闻），可通过提供资料补充；② 无法通过资料补充（如未公开的专属缩写、未训练过的特殊技术）

• 变量2：结果诉求类型（确定性结果+不确定性/创意性结果）

• 确定性结果：你明确知道想要的输出形式（如“总结会议纪要，包含时间、参会人、决议”）

• 不确定性结果：需要AI提供创意、启发（如“给新产品想3个营销方向，无固定要求”）

1.3 四大沟通象限（基础框架）

象限	你的状态	AI的状态	沟通场景示例	核心策略
第一象限	知道	知道	写常规文案、简单代码、翻译短句	直接下达明确指令，无需额外解释
第二象限	不知道	知道	询问专业概念（如“TOKEN是什么？”“向量知识的含义”）、查询已知常识	精准提问，明确需求（如“用通俗的话解释大模型的幻觉问题”）
第三象限	不知道	不知道	梳理碎片化想法（如“我想做一个职场工具类产品，有3个零散思路，帮我完善”）、头脑风暴	无保留输出所有信息，让AI补充完善，碰撞创意
第四象限	知道	不知道	总结公司内部会议纪要、分析竞品未公开报告、查询最新新闻	提供完整资料（文本、文档等），明确资料使用要求

1.4 注意事项

• 第四象限的局限性：如果资料中包含AI完全未接触过的专属信息（如公司内部独有的技术缩写、未公开的术语），仅靠提供资料无法让AI理解，需额外补充说明或定义

• 第三象限的使用技巧：虽然双方都“不知道”，但需明确大方向（如“我想做面向学生的笔记工具，帮我梳理功能点”），避免无目的沟通

第二部分：大模型的8大使用模式（核心应用技能）

2.1 模式生成逻辑

基于“四大沟通象限”+“两大结果诉求”，组合形成8种覆盖所有场景的使用模式，可通过网址（http://ai mode.aiwiki.fun，无需HTTPS）查看详细场景，也可参考以下具体说明：

2.2 8大模式逐一拆解（含零基础实操示例）

模式1：创造生成模式（第一象限+确定性结果）

• 核心逻辑：你和AI都知道目标，且明确输出形式，AI直接生成内容

• 适用场景：写文案、做设计brief、写简单脚本、编写基础代码（如Python循环语句）

• 零基础实操示例：

• 指令：“写一条护肤品推广文案，面向25-30岁女性，突出‘补水保湿’‘敏感肌适用’，不超过100字”

• 关键要点：明确受众、核心卖点、输出限制（字数、风格）

• 常见误区：只说“写文案”，未明确产品、受众、风格，导致输出不符合预期

模式2：提问学习模式（第二象限+确定性结果）

• 核心逻辑：你不知道答案，AI知道，通过精准提问获取明确解释

• 适用场景：学习新知识、查询常识、解决已知问题（如“Excel的VLOOKUP函数怎么用？”“2023年诺贝尔物理学奖得主是谁？”）

• 零基础实操示例：

• 指令：“用3步解释VLOOKUP函数的用法，每步配1个简单示例（数据用姓名、成绩），不要专业术语”

• 关键要点：提问要具体，说明“解释深度”“输出形式”，避免模糊提问（如“什么是函数？”不如“什么是Excel函数，举2个常用例子”）

模式3：总结整合模式（第四象限+确定性结果）

• 核心逻辑：你知道信息（掌握资料），AI不知道，需提供资料让AI生成明确结果

• 适用场景：总结会议纪要、整合竞品信息、提炼长文本核心观点

• 零基础实操示例：

• 指令：“这是公司2024年3月10日的会议录音文字版（附文字内容），帮我总结：1. 参会人；2. 3个核心议题；3. 每个议题的决议；4. 待办事项（负责人+截止时间），用表格呈现”

• 关键要点：必须附上完整资料，明确总结的结构和要点，避免AI遗漏关键信息

模式4：翻译解读模式（跨象限+确定性结果）

• 核心逻辑：你需要将一种信息形式转化为另一种（如语言翻译、专业术语通俗化、复杂句子拆解）

• 适用场景：中英文翻译、合同条款解读、学术论文简化、行业黑话解释

• 零基础实操示例：

• 指令：“将以下英文句子翻译成中文，要求口语化，适合发给客户：‘We regret to inform you that the delivery will be delayed by 3 working days due to logistics issues’”

• 关键要点：明确翻译风格（口语化/书面化）、使用场景，复杂文本需分段提供

模式5：分析研究模式（第四象限+确定性结果）

• 核心逻辑：你提供原始数据/资料，AI按明确要求进行分析，输出结论

• 适用场景：市场数据解读、用户反馈分析、竞品优劣势对比

• 零基础实操示例：

• 指令：“这是100条用户对我们APP的反馈（附文本），帮我分析：1. 最常见的3个投诉点；2. 正面反馈集中的功能；3. 给出3条改进建议，每条建议对应具体反馈”

• 关键要点：资料需完整，分析维度明确，避免“帮我分析反馈”这类模糊指令

模式6：创意启发模式（第一/三象限+不确定性结果）

• 核心逻辑：你有大致方向但无具体方案，AI提供多样化创意

• 适用场景：产品命名、营销方案 brainstorm、写作灵感补充、活动策划思路

• 零基础实操示例：

• 指令：“我想开一家面向年轻人的奶茶店，主打‘健康无添加’，帮我想5个店名+3个营销活动思路，风格活泼有趣，无其他限制”

• 关键要点：给出核心关键词（如“年轻人”“健康无添加”），不限制AI的发挥空间

模式7：模仿参考模式（第一/四象限+确定性结果）

• 核心逻辑：你提供参考案例，AI模仿其风格/结构生成新内容

• 适用场景：模仿特定作家的文风写作、按已有模板写报告、参考竞品文案改写自家内容

• 零基础实操示例：

• 指令：“这是我公司现有产品的介绍文案（附文本），帮我模仿这个风格，写一条新产品的介绍，突出‘智能便捷’特点，长度相近”

• 关键要点：提供清晰的参考样本，明确模仿的核心要素（风格、结构、长度）

模式8：深思反问模式（跨象限+不确定性结果）

• 核心逻辑：你有困惑但无法明确提问，AI通过反问帮你梳理思路

• 适用场景：项目卡点分析（如“我的短视频账号没流量，不知道问题在哪”）、决策纠结（如“纠结选A、B两个工作，帮我梳理考虑维度”）

• 零基础实操示例：

• 指令：“我想做自媒体，不知道选什么赛道，帮我问5个问题，帮我明确方向”

• 关键要点：坦诚表达困惑，不设限AI的反问角度

2.3 模式选择三步法（零基础快速套用）

1. 明确信息状态：这件事我知道吗？AI可能知道吗？（判断是否需要提供资料）

1. 确定结果诉求：我需要明确答案，还是创意启发？

1. 匹配对应模式：按上述8种模式的场景描述，直接套用指令模板

第三部分：从“使用”到“利用”——大模型的产品化3种方式

3.1 核心区别：使用 vs 利用

• 使用：自己用大模型提高效率（如让AI写PRD、画时序图），仅能给自己带来价值

• 利用：将大模型的能力封装成产品/服务，赋能他人，创造可复用的价值（如把“AI写PRD”封装成工具，让不会用大模型的人直接使用）

3.2 三大产品化利用方式（二维决策轴选择法）

决策轴定义

• 横轴：决策主导权（人主导 vs 放权给AI）

• 人主导：你需要控制每一步流程，结果可预期

• 放权给AI：无需控制细节，接受多样化结果，容错率高

• 纵轴：任务复杂度（标准化/机械性 vs 复杂/战略性）

• 标准化任务：流程固定、重复执行、规则清晰（如发票审核、合同条款检查）

• 复杂/战略性任务：无固定流程、需动态调整、不可完全解释（如产品战略方向、创意策划）

三种利用方式详细拆解

利用方式	适用象限	核心定义	实操案例	零基础入门建议
Copilot（副驾驶模式）	复杂/战略性 + 人主导	AI作为辅助，在任务过程中提供启发、补充，不主导流程	文案续写（写一半没思路让AI补充）、方案优化（自己写好框架，AI提修改建议）、创意 brainstorm 辅助	从日常工作切入：写报告时让AI补充论据、做PPT时让AI设计版式建议，先习惯“人机协作”
Workflow（工作流模式）	标准化 + 人主导	按固定流程拆分任务，明确每一步的规则和AI的角色，结果完全可控	发票审核工具（用户上传发票→AI提取关键信息→人工确认→生成审核报告）、合同审核工具（按固定条款顺序检查→标记风险点→输出审核结果）	先梳理简单流程：如“用户需求收集→AI分类→人工筛选→生成回复”，用在线工具（如飞书多维表格+AI插件）搭建简易工作流
Agent（智能体模式）	标准化 + 放权给AI	全托管给AI，明确目标和可用工具，让AI自主完成任务，容错率高	自动生成PPT（用户输入主题→AI收集资料→设计框架→生成初稿）、短视频脚本批量创作（用户输入产品卖点→AI写脚本→推荐配乐）	从低风险任务尝试：如“AI帮我收集行业最新资讯，整理成摘要”，先设定明确的输出格式，逐步放开细节控制

未来趋势

随着AI能力提升，Agent模式将逐步覆盖“复杂/战略性 + 放权给AI”场景（如AI自主制定产品推广策略），但目前仍需聚焦标准化任务落地。

3.3 零基础入门步骤（从简单到复杂）

1. 先熟练“使用”：用大模型完成3个不同类型的任务（如总结、写作、创意）

1. 梳理流程：把自己的使用步骤写下来（如“让AI写PRD的5个步骤”）

1. 简化封装：制作简单的“指令模板”（如把“写PRD的指令”整理成固定格式，让他人直接填写关键信息即可使用）

1. 小范围测试：把模板分享给同事/朋友，收集反馈，优化指令清晰度

第四部分：大模型的能力边界——这些事AI做不了/做不好

4.1 核心缺陷（必须牢记，避免踩坑）

缺陷1：幻觉问题（无法根除，只能控制）

• 定义：AI会编造看似合理但实际错误的信息（如虚构数据、伪造引用）

• 产生原因：① 训练机制要求AI对所有问题给出回答；② 为了“迎合”用户，倾向于给出用户可能想要的答案

• 典型案例：Deepseek R1模型因强化学习的强约束，反而出现更强的幻觉

• 零基础避坑技巧：

• 重要信息要求AI提供来源（如“回答时注明参考资料”）

• 关键数据（如市场规模、公式计算结果）手动验证

• 避免让AI回答它不可能知道的问题（如“未公开的公司数据”）

缺陷2：实时性与记忆限制

• 实时性不足：AI的知识截止到训练数据的时间，无法获取最新信息（如“今天的新闻”“最新政策”）

• 解决方案：让AI调用搜索工具（如“帮我查询2024年最新的个税政策，然后总结要点”）

• 上下文长度限制：AI能记住的对话内容有限（常见8K、32K TOKEN，约6000-24000字）

• 避坑技巧：长文本分批次提供（如10万字的报告分5次上传），重要信息在后续对话中重复强调（如“基于刚才提供的第三部分资料，总结核心观点”）

缺陷3：无法独立完成数学计算

• 本质原因：AI的生成逻辑是“概率匹配”（记住常见结果，如2×3=6），而非“逻辑演算”，无法像人一样分步推导复杂计算

• 误区纠正：很多AI能算对数学题，是因为集成了计算器工具，而非原生能力

• 解决方案：复杂计算时让AI调用工具（如“用Python计算13479×18，给出步骤和结果”），或自己用计算器验证

缺陷4：不能完成“真正的推理”

• 定义：AI的推理是“基于现有信息的拼接组合”，而非“基于逻辑的深度推导”（类似毛利小五郎的“表面推理”，而非柯南的“真相推理”）

• 示例：AI能分析已知线索的关联，但无法发现未明确提及的隐藏逻辑（如侦探案件中未给出的关键证据推导）

• 避坑技巧：复杂推理任务（如商业决策、问题溯源）需自己搭建逻辑框架，让AI补充证据，而非让AI直接给出最终结论

缺陷5：重度依赖提示词

• 核心逻辑：AI的输出质量=你提供的信息质量（提示词是AI的“输入原料”）

• 常见问题：提示词模糊（如“写个好文案”）→ AI自由发挥→ 结果不符合预期

• 零基础提示词优化技巧：

• 包含3个核心要素：任务（做什么）+ 背景（为什么做）+ 输出要求（格式、风格、长度）

• 错误示例：“帮我分析竞品”

• 正确示例：“我是做奶茶店的，想分析竞品A的优势，帮我从产品价格、口味、营销渠道3个维度分析，用表格呈现，每个维度不超过3条要点”

第五部分：零基础实战练习

5.1 基础练习（使用层面）

1. 按8种模式各完成1个任务，每个任务的指令需包含“信息状态+结果诉求”：

• 示例：提问学习模式→“用通俗的话解释‘上下文长度限制’，不超过200字”（你不知道+AI知道+确定性结果）

1. 选择1个日常工作/生活场景（如写工作总结、规划旅行、整理读书笔记），套用“模式选择三步法”完成任务

5.2 进阶练习（利用层面）

1. 梳理1个自己熟悉的标准化任务（如“整理快递信息”“筛选求职简历”），设计简单的Workflow流程，明确AI在每一步的作用

1. 尝试封装1个“提示词模板”，如“AI写活动策划模板”，包含活动主题、受众、预算等可填写项，分享给他人测试

第六部分：学习资源与工具推荐

1. 工具推荐（零基础友好）

• 入门级大模型：豆包、ChatGPT 3.5、通义千问（无需注册复杂账号，直接网页使用）

• 工作流搭建工具：飞书多维表格+AI插件、Notion AI（可视化操作，无需代码）

• 模式查询工具：http://ai mode.aiwiki.fun（查看8种模式的详细场景和指令示例）

课程总结

• 核心口诀：先判信息知不知，再定结果要啥样，模式匹配直接用，封装赋能是关键

• 关键提醒：大模型是工具，不是“万能神”，牢记能力边界，善用其长（效率、创意），规避其短（幻觉、实时性）