给同事的一份课程邀请00 — 07
通识课程
从让 AI 回答一个问题，到把一项工作交给它，需要理解哪些事情？当资料整理、内容制作和具体操作越来越容易，人的专业能力、管理能力与知识广度，又会怎样影响工作的结果？
这八讲从能力展示出发，逐步认识 AI 的回答、行动、记忆与成本，再讨论我们自身值得持续发展的能力。
魔法的国度
我们今天用自然语言向 AI 提出要求，让它写代码、生成画面、处理工作——这些体验，在二十年前的人看来，或许与魔法无异。
第零讲通过这些能力展示，让大家看见 AI 已经能做什么，以及这些变化与自己工作的关系。再由此介绍八讲课程的安排：后面会讨论哪些问题，为什么值得继续听。
展示之外，也会提醒使用中的风险；具体原理、协作方法和成本问题，留给后续讲次展开。
AI 是这么说的
说得头头是道，这个答案到底能不能用？
从把 AI 回答当成结论依据的常见做法出发，帮助学员理解回答从哪里来、为什么可能不可靠，以及怎样检查和采用。
本讲区分模型的预训练知识、当前 Context 与搜索获得的外部材料，引出大语言模型（LLM）、Prompt、Context 和幻觉（Hallucination）等基础概念。通过具体情境说明：回答流畅、有细节或带有来源，都不能自动保证结论正确。
从提问到采用，学员需要理解交代任务、补充材料和提供反馈的作用，并根据结果的用途与影响判断核查强度。AI 可以提供候选答案，是否采用、发布或执行，以及相应的责任，仍由人判断。
当 AI 有了两双手
AI 给了步骤，为什么还得自己一步步做？
模型接上工具以后，可以从生成回答走向读取、处理和保存材料，连续推进一项工作。
本讲先展示工作方式的变化，再解释 Agent 是怎样由模型与工具协作的整体系统，以及工具调用（Tool Calling）和 Agent Loop 怎样把判断、行动与反馈连接起来。通过具体工作情境，帮助学员理解 AI 为什么能够根据新信息继续行动，而不必由人逐步搬运每一次结果。
行动能力扩大，也意味着判断偏差可能影响真实对象。本讲进一步讨论能力扩展与操作范围之间的取舍：工具和权限并非越多越好，有限授权也不能代替对结果的判断。
只有一日记忆的员工
为什么换个对话，又得从头交代一遍？
他保有原来的知识和本领，却每天醒来都会忘记前一天的工作经历。为了让他继续工作，需要准备哪些信息，他又怎样利用这些信息了解任务、找到资料、遵循方法并接续进展？
在此基础上，以本课程的制作目录为实例，介绍基础的上下文工程（Context Engineering）：怎样组织工作资料、说明和可复用方法（Skill），让 AI 能够找到所需信息、理解工作要求，并在新的会话中继续推进任务。
Token 经济学
看起来没做多少，额度怎么就用完了？
从 Token、计费和缓存（Caching）讲起，认识哪些使用行为容易产生大量消耗。结合实际产品，区分模型调用费用与产品本身的收费方式，讨论这笔开销是否值得。
也会介绍训练和运行模型需要哪些资源，以及这些成本与使用时的收费有什么关系。
文化工作者首先要有文化
工作做完了，别人一问，自己却说不清楚。
AI 让人有机会完成过去难以承担的工作，但做出结果，不等于理解结果，也不等于能够判断方案是否合适、承担相应责任。本讲结合个人经历与已有材料，讨论专业能力如何影响问题定义、质量判断和对结果的把握。
同时，讨论工作交付与能力成长可能逐渐分离的风险：过去在解决问题中被迫完成的学习，如今可能被 AI 绕过；快速交付的压力又可能进一步挤压理解和学习的时间。因此，不能只期待能力随着工作年限自然增长，还需要主动为学习留下空间。
管理是 AI 时代的超能力
AI 做得很快，你却没有省下时间。
管理能力为什么不只属于管理者，也关系到每一个希望把工作委托给 AI 的人。
AI 能生成结果，并不意味着委托就一定划算。说明需求、检查产出和反复修正，同样需要投入时间。怎样明确目标、表达要求、提供反馈和判断结果，会影响 AI 能否真正帮助我们完成工作。
未知的未知
信息看了不少，遇到问题还是想不到别的办法？
当 AI 能够沿着给定方向快速执行时，人仍需要时常追问：眼前的方案之外，是否还有更好的选择，甚至是否值得重新看待问题本身？
知识广度不能保证判断正确，但能帮助我们发现不同的思路，避免只在熟悉的范围内不断优化。本讲通过分享自己的知识获取与更新体系，说明接触不同领域、与同事交流、持续阅读和学习，如何为重新审视工作提供线索。