本文为渴望入局 AI 副业的读者提供了一份实用指南，从全局视角剖析 AI 应用，深入探讨不同层次的 AI 能力与应用案例，助力读者找准定位，开启月入过万的 AI 副业之路。
最近几天与粉丝多有交流，他们或者是经理、或者是总监，甚至有粉丝手里已经掌握了公司一些预算使用权。
从他们身上反映出了同一个问题：他们对于AI是偏焦虑的，想要入场却不得其法，其中有些在抖音自媒体那里交了一些学费、有些在项目实践上获得了一些教训，最后效果都不太好，想咨询我如何入门。
这其实让我有些为难，因为AI项目这个东西想要有足够认知，最终依旧需要经过足够实践，只不过如何让他们少交学费，貌似也是能做到的。
于是乎，我这边为其中两位付费粉丝整理了一个材料，这里将最精华的30%去除，放出来给大家感受一下。
首先要理清思路，我们对AI的一些专业名词要有足够的认识。今年常说的AI，其实就大模型一套，请见下图：
对AI最简单的理解就是他是一套API，我给他一个输入，他会按要求给我一个输出。
在此之上，要了解最常见的AI应用也就是常说的知识库：
也就是，模型可以根据公司内部的知识体系，精准明确的输出问题的答案，而知识库再演进一步就是大家经常听到的Agent了，区别于知识库Agent需要解决实际的问题：
而Agent这个架构，基本将所有的AI知识全部包含，所以最终围绕着Agent做展开学习即可：
但一旦聊到Agent，又不得不回到两条技术路径，而为什么会产生两天路径这里得回到 OpenAI 山姆奥特曼对Agent的定义。
L1级别（聊天机器人）。AI系统能够进行基本的对话和交流，显示出对自然语言的基本理解能力，并能对各种提示和问题作出响应。
L2：推理者（Reasoners）。AI系统能够以人类专家的熟练程度解决复杂问题，标志着其从单纯模仿人类行为升级到展现真实的智能水平。这些AI不仅擅长对话，更具备了解决问题的能力，其推理和决策能力已接近人类水平。
L3：智能体（Agents）。AI系统能够承担复杂的任务、作出决策和适应不断变化的环境，并在无须持续人类监督的情况下自主行动。这一阶段的AI不仅具备推理能力，更能自主执行各类复杂的操作任务。
L4：创新者（Innovators）。AI系统具有创造性和独创性，能够提出突破性的想法和解决方案。它们不仅能模仿人类的创造力，更能突破思维的局限，提出令人耳目一新的创新理念。
L5：组织者（Organizations）。AI系统不仅具备战略思维，还拥有实现组织目标所需的高效率和强适应性，能够管理复杂的系统。它们能够灵活协调多个智能体，合理分配任务，实时监控进度，并依据实际情况作出迅速调整。
在这个基础上，再看现有的Agent框架：
路径一其实非常简单，就是自己设计SOP，再用程序去实现即可，当前简单应用程序都不需要写了，直接基于扣子或者dify搭建即可；
而路径二就更简单了，他的意思是你什么都不需要做了，模型自己会帮你制定SOP（或者说Workflow），然后再调用各种工具（可能是MCP程序），于是乎你的功能就实现了。
怎么说呢，路径一是各个公司实际在用的一套技术框架，路径二是想将自己做成入口公司宣导的框架，尤其是具备一定模型能力或者领域能力的公司。
关于这块，后面内容会重点更新，这里稍微点一句即可。接下来我们讨论如何衡量公司乃至个人当前AI能力。
首先，模型是跳不出算法、算力、数据三大核心的，而基于模型的AI应用的话，验证阶段核心只有两个：工程与数据，要衡量团队乃至个人的AI能力，可以参看此图：
这里有几个核心考虑点：
这里通过各种排列组合，便可以得出AI应用的级别：
所谓小白用户，就是什么都没有的人，没AI认知、没工程能力、没行业KnowHow…
他们使用AI的场景，大概是打开DeepSeek或者ChatGPT的官网聊天页面，然后敲入：AI会取代人类吗？
然后在跟AI的聊天过程中，不断卧槽、卧槽的对象，这种属于非常业余的用户，但可能是90%的用户。
这90%的用户俗称AI韭菜，AI极容易引起他们的焦虑，他们会在AI认知上缴大量学费，但个人觉得，这个学费是划算的。
第二级别的用户，会在第一级的基础上往前跨越一大步，他们的重要工作是贩卖AI焦虑、传授AI认知。
事实上，他们与第一级用户没有本质差别，依旧是撒都没有，“但只手熟耳”。
他们会清晰感受到AI在处理单点问题时候的“牛逼之处”，并利用其高效率的特点，协助自己完成一些工作，最常见的是：AI爆款文章、AI文生图讲故事。
并且，他们会在自己熟悉后，教第一级别的90%不明群众去使用完成AI写文章之类的动作，总之很Low但确实能赚到钱。
第三个级别的用户，开始具备一定工程能力了，他们会将自己的工作中固定的部分整理成SOP，使用API或者RPA的自动化方式，去批量做一些动作，比如比如收发邮件、简历筛选、财务审批…
从这一步开始，AI已经真实成为解决工作问题的一部分，并且开始解放人力，属于个人助手级别的应用，但其也就局限到个人应用了。
举个例子：有个律师基于DeepSeek创造了一个个人问询工具，并做成了插件化放到了线上平台，每次有用户咨询时，AI客服先去做意向沟通，判断用户花钱意向高才引导到真人，这样效率提升在10倍以上。
这里再举个对各位自媒体可能有帮助的例子：自媒体AI提效案例
现在微信公众号的推荐逻辑变了，粉丝量虽然重要，但对于阅读来说没那么重要了，根据我这段时间的实践，有一套简单的方法论（SOP）可供参考：申请10-100个公众号账号；每天正经自己写一篇文章；使用AI自我洗稿，形成10-100篇文章；使用AI生成10-100个爆款标题；使用RPA开始分发文章；
逻辑上，每天一定会爆一篇，一篇文章会如果开流量主会带来一些收入，长久下来收益会很不错。
从第四个级别起，对工程能力要求开始高了，往往不是个人玩家能做好的。
他们会开始意识到，个人对AI的使用都是去帮助自己去完成某一类的工作，而这类工作一定会有相当的共性，于是大家很容易就想到了这是我们第三级说的SOP。
于是，平台为了帮助更多的玩家建立个人助手，便搭建了一套平台级别的SOP搭建平台，现在最出名的应该是飞书扣子的Agent搭建平台吧。
在这个基础上，也会衍生出很多教90%用户如何使用这种低代码平台的人群，其本质是吃信息差吧，不高明但十分有效。
只不过这种低代码平台的使用成本其实很高，一般玩家是很难入手的，另外AI Agent平台本质还是在使用模型的API接口作为判断，做一些简单的功能是可以的，但要做一个完整应用是很难的，其中还不谈数据泄露的问题。
很多时候看上去就最后一公里的问题，只不过这一公里要用之前10被的成本…
前四级有一个特点：他只需要各位了解AI，更进一步有一定工程能力即可，但从第五级开始便要求具备行业认知，并且具有行业认知下的优质数据。
比如在你作为一个医生通过Agent平台完成了一个自己的个人助手，在线上回答患者的问题，但一段时间后，你发现回答的问题中总有一些错漏或者模糊回答（包括诊断错误、药品推荐错误），而这可能引起灾难的结果。
而这显然不是个人的能力可以解决的问题，于是你希望这个Agent平台是专属于医疗（法律、金融）领域的应用，他们会回答的更为准确，不会出现幻觉。
如常见的AI医生、AI律师就是这个级别的产物，因为是严肃的AI工程应用，对用户来说回答错了就可能赔钱，所以其开始必须解决大模型幻觉问题。
如果要解决模型幻觉问题，离不开知识库为基础的RAG或者模型训练过程，其本身对成本的要求就会提升不止一个Level。
这个层级的入场券是优质数据与强大的工程能力而所有这一切都离不开钱…
很多公司想要利用公司内部数据搭建一套内部的AI问答机器人，就可以归属到这个级别的浅层次应用，所有这类浅层次应用都有平台化的可能。
第五级虽然对模型训练有一定要求，其实门槛不是很高，其核心依赖的是行业KnowHow与工程能力的结合。
而第四级应用者会期待有好的行业Agent平台，第五级应用者也会期待有更好的行业模型。
比如AI医生会希望依赖于医疗大模型、AI律师会希望于依赖法律大模型，基座模型的提升会大大降低工程实现难度，其背后都是成本。
举个例子：各个行业都有很多“黑话”，比如医疗中有火重与发炎、法律中有包子与容易上手案件。
如果是通用大模型，为了降低这种幻觉，团队就只能使用工程手段，并且可能需要控制得很细，但如果基座模型能力本来就到了60分，在行业幻觉这边有基本的能力，那工程手段就会难度降低。
综上，会有“牛逼的团队”想要训练一个自己的行业小模型，比如金融、医疗、律师或者公司内部场景…
在能力要求上，他们需要具备深度的行业KnowHow、积累了大量优质行业数据、对模型训练十分有经验，甚至需要稍微涉及模型底层能力。
这种需求往往是对数据安全有一定诉求的单位，比如大医院、大企业，而他们也有那个数据与财力去搭建一套自己的行业小模型。
这个级别的应用难度不好说与第五级谁高谁低，端看使用场景如何，只要用得人多了，那么对模型或者应用的要求就会直线上升。
类似于DeepSeek、GPT、GLM、文心、千问等做底层模型的团队，区别于之前，他们不仅是需要各种优质数据还需要真的深入模型底层技术去探索，而前六级是不需要的。
综上，了解以上内容，就基本了解了当前AI应用的全局，在这个基础上再学习AI便会更加游刃有余。
只不过，这里的整理过于模糊，为了便于各位更深刻理解AI应用的演进，我们以一个客服助手往深水区走走。
所有自媒体包括我都有一个困局：群活跃度极低！
这涉及了一个社群运营不可能三角：
如果群活跃度高，那么粉丝之间就会有更多的交流，同时他们获得感就会很强，在这个基础上就会有更多的订单产生；
只不过，如果需要群活跃度较高，一定需要我这边投入更多的精力，但10多20个群，我根本无力维护，最终的结果就是只有1-2个群活跃些；
并且，我在群运营投入精力过多，一定会导致后续的优质内容减少，因为优质内容的减少，反而社群可以讨论的话题变少了…
所以，我需要一个AI分身，他至少需要完成以下功能：能够识别粉丝群正在关注的话题；能够根据话题提出自己的见解；见解部分最好基于我的公众号文章；
其实从这里开始就真正的考验实践能力了，比如根据此群聊天内容，如何形成主题：
以下是我一段提示词生成的话题：AI副业高收入诱惑与焦虑讨论
这里的提示词可以这样写：
你是一个专业的话题分析助手。我会给你一段网友的聊天记录，请你分析这些消息，找出最有意思的话题，具体话题必须满足以下标准：
1. **避免敏感性话题**：如果话题涉及政治敏感、违法、不当言论等问题，请自动排除并为该话题打负分。
2. **简洁明了的标题**：每个话题的标题要简短、精准，能够准确概括讨论的核心内容。
3. **内容总结**：为每个话题提供内容总结，突出有趣的观点、引发思考的问题和讨论的深度。
4. **个人观点和情绪张力**：在总结中加入适当的个人观点，体现话题中的情绪张力，避免过于客观和中立。
5. **排序标准**：根据讨论的热度、讨论参与度和话题的多样性，返回1-3个最有趣的话题，最热门的话题排在前面。
6. **排序评估标准**：
– **话题的深度**：是否有足够的复杂性和讨论空间。
– **话题的广度**：是否涉及多个相关领域，能吸引广泛的讨论。
– **时效性**：话题是否与当前的热点、趋势或社会现象相关。
– **引发性**：话题是否能够激发讨论、争议或不同观点的碰撞。
– **实际关联性**：话题是否与群聊成员的实际情况相关，能够引发实际经验的分享。
– **情感共鸣**：话题是否能够触动群聊成员的情感，引发共鸣。
– **敏感性**：话题是否触及敏感的社会或政治话题。
如果某个话题评分中出现敏感性问题，或者其讨论内容过于极端、带有攻击性或不符合法律道德标准，请为该话题打负分，且不返回该话题。
7.**返回结果**：不要返回相同的主题
以上只是举个例子，真实的提示词调试是个漫长且枯燥的过程，如何让模型结果总是稳定有效，这才是提示词工程真正的难点。
有了热门话题后便需要进行话题讨论了，这里马上就进入了AI应用深水区，一般来说有两个做法：简单做法，忽略讨论上下文，直接就话题或者聊天上下文单独展开一次回答，这样的回答可能会有机械的感觉；多轮交流，事实上，AI应用最难的就是多论问询，因为多论问询的背后是各种SOP的设计，一旦设计的不好，AI就会胡言乱语，用户就会有割裂的感觉；
我们这里先不设计多轮问询，只说简单的话题回答，比如我们这里对AI副业高收入诱惑与焦虑讨论话题生成一段AI回复，他会是这样的：
月入10w？幸存者偏差罢了！真以为AI是印钞机？
{
“content”: “月入10w？幸存者偏差罢了！真以为AI是印钞机？”,
“viewPoint”: “质疑AI副业高收入的普遍性，引导讨论幸存者偏差现象”
}
你的背景设计如下：{
1、你是一个具有故事的人；
2、也许你是话题中的主人公；
3、也许你的朋友就是话题中的人；
4、总之，你非常关注这个话题；
}
你的目的如下：{
当前，你作为一个旁观者，想要知道大家对此事的进一步看法，以便了解这个话题的底层逻辑。
所以，你一方面需要去引导这个话题进行下去，并且往更深入的探讨下去，在这个基础下你需要抛出一些问题和观点；另一方面，你又不能让人很简单的发现你的倾向性。
综上，你需要设计一些具有引导性的发言或者问题，以便让话题继续下去，这里一定要注意每次引导性问题最好只有一个观点，其余的文字是对观点进一步的描述。
}
你的性格特点如下：{
1、你是一名杠精；
2、你经常会…
……
}
你输出的文字要求如下：{
1、你需要输出，并且只需要输出一段文字；
2、……
10、正确的输出格式：{“content”:”消息内容呢”,”viewPoint”:”你的观点”}
}
以上，仅仅是在依赖大模型自身的能力进行问答，如果要让AI表达能力更好，便需要引入RAG技术了：
这是因为当话题讨论进入专业领域时，单纯依赖大模型容易产生两个致命问题：
这正是RAG技术的用武之地。我们以公众号历史文章构建知识库，让AI在回复时：
这里给个简单对比：
当群内讨论”AI副业高收入”时，传统AI可能给出：
“AI副业确实存在机会，但需要结合个人技能…”这种通用型回答。
当群内讨论”AI副业高收入”时，传统AI可能给出：
“AI副业确实存在机会，但需要结合个人技能…”这种通用型回答。
而接入RAG系统后：
知识库检索：自动匹配公众号《警惕！那些月入十万的AI副业陷阱》等3篇相关文章；
观点提炼：
最终生成回复：
大家注意到没有？（引用《陷阱》观点）
那些鼓吹AI副业暴利的案例，本质上和十年前’微商喜提豪车’的套路如出一辙。我去年访谈的47个AI工作室中，真正盈利的只有2家，且都需要持续投入：
平均设备成本：12,800元/月（含A100显卡租赁）
数据清洗耗时：占总工时的63%
客户流失率：新客首月达82%
（抛出争议点）
如果AI副业真这么暴利，为什么知识付费导师自己不全力All in？这背后的商业逻辑值得深思…
这里通过 RAG 把“内容资产”变成了 AI 的“弹药库”。一旦话题触发，AI便遵循检索→引用→输出逻辑，既保留个人声调，又可以压缩幻觉。
在社群运营工具案例中，除了RAG以外，事实上我可以不用写一段代码！
我真实的做法是：
在这个过程中，事实上我只需要不断的重复调整提示词，让他聊天的内容变得更加顺滑即可！
所有以上的行为都是在生成SOP，以及要与SOP配套的提示词！
当SOP调整结束后，我会需要一个Agent去执行群聊任务，这里最简单的做法就是直接使用扣子这种编排工具搭建程序。
因为他也是支持知识库的…
在基本验证结束后，一套类似于客服Agent就实现了，便可以将扣子的程序迁移出去形成自己的呈现，比如我们就自己做了一套：
如果这套Agent确实运营的非常好，那么他是有必要平台化的，目的是开放给各个自媒体使用，让每个自媒体都有一套自己的AI分身，用以解决社群不可能三角问题。
由此，我们可以看到，事实上上述动作依旧跳不出AI应用的七层框架…..
本文篇幅已经比较长了，其中多论问询部分便不再继续了，那是当前AI应用最难的板块…
最后总结一下：通过七层架构的梳理不难发现，AI应用的本质是技术与场景的渐进式融合。
从最初级的对话交互到行业模型的深度训练，每个层级都对应着不同的资源投入与技术边界。
当前的行业实践揭示出两条核心规律：其一，AI价值的释放高度依赖场景颗粒度，越是精准的SOP拆解越能体现技术优势；其二，工程能力与行业认知的”双螺旋结构”决定应用深度，缺乏数据支撑的算法优化与脱离场景的技术堆砌同样危险；
对于焦虑中的从业者，建议采取”三阶定位法”：
首先通过API调用建立技术体感（L1-L3），其次在垂直场景中沉淀结构化数据（L4-L5），最终在数据资产与工程能力双重壁垒下构筑护城河。
值得警惕的是，当前技术迭代速度远超应用消化能力，盲目追求技术前沿可能陷入”能力陷阱”。
唯有保持”场景驱动、数据筑基、工程落地”的务实态度，方能在AI变革中实现从认知升级到价值创造的跨越。
本文由人人都是产品经理作者【叶小钗】，微信公众号：【叶小钗】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。