普通人如何掌握 AI First 的工作方式
朋友们大家好啊，我是金尘马。
这段时间，我一直在思考一个问题。
现在 AI 这么火，一个完全没有技术背景的普通人，到底应该怎么入门？
是先学 Prompt，还是先学 Agent？要不要了解 API、MCP、Skill？那么多工具，到底先选哪一个？
聊到后面，我发现这些都不是最重要的问题。
很多人已经用过 AI，也收藏了不少教程。聊天、搜索、写文案，多少都会一点。但回到真实工作里，遇到一份表格、一批资料、一次陌生任务，第一反应还是打开软件，按照过去的方式一点点做。
AI 只是工具栏里多出来的一个选项，并没有真正改变原来的工作方式。
所以这篇文章想聊的，是一个更长期的问题。
普通人怎样才能从偶尔用一下 AI，走到真正的 AI First？
我目前的判断很直接。起点不是把 AI 学明白，而是先和 AI 一起做成一件真实的事。
会用几次 AI，还不算 AI First
我理解的 AI First，是一种默认的工作习惯。
面对一项新的数字化任务，会先想一下，这件事有没有可能让 AI 参与进来？它能做哪一段？我需要负责什么？最后怎么检查？
这里的重点是「默认考虑」。
偶尔让 AI 写一段文案，和习惯性地把 AI 放进工作流程，差别很大。前者只是多用了一个工具，后者会重新安排一件事从哪里开始、谁来执行、怎样走到完成。
遇到基础问题，第一求助对象慢慢变成 AI。不只是问一个答案，还会让它根据自己的情况解释，带着自己一起排查，缺什么就补什么。
过去因为不会写代码、不会分析数据、不会设计而放弃的事情，也会重新拿出来问一句，我能不能和 AI 一起把它做出来？
AI 在这里已经不只是帮人省一点时间。它开始改变一个人对「自己能做什么」的判断。
先做成一件真实的小事
传统的学习方式，通常讲究先学完整，再开始做事。
先学模型，再学提示词，然后学 Agent、Skill、API，等知识体系差不多完整了，再开始做事。
问题是，对于一个普通小白来说，这条路的反馈太慢了。
有些人花了很长时间装环境、跑命令、注册账号、配置 API Key，最后终于把工具启动起来，却还没有真正让 AI 完成过一项工作。
这中间混了两件事。
一件事是使用 AI 完成任务，另一件事是安装和配置 AI 工具。
后者有时确实需要学，但现在好多产品已经封装好的能力，可以先直接使用。真的碰到权限、上下文、网络或配置问题，再去补对应的知识。
概念有了真实问题作为背景，反而更容易理解。
所以普通人的第一次练习，可以小一点，简单一些。
整理一份表格，归纳一批用户反馈，把零散资料变成清单，或者从会议记录里找出所有待办，都可以。
第一次任务真正的标准只有一个。它得是一件自己确实需要完成，而且完成以后能判断结果好坏的事情。
先完整做成一次，后面的知识才有具体问题可以挂上去。
https://x.com/jinchenma_ai不要追求一句话把事情说完
很多 AI 演示，看起来非常美好。
博主在视频里准备好一份表格，再给一句写得很完整的 Prompt，AI 很快交出结果。这样的演示效果很直观。
但现实任务不会这么整齐简单。
假设使用的是一款支持文件和表格处理的 AI 工具，可以先让它统计每个销售这个月的销售额。初版出来以后，发现退款订单也算进去了，于是得补一句，退款不要计入。
再看一遍，又希望按照华北、华东、华南分别汇总。改完以后觉得不够直观，再让它新建一个汇总页，按照销售额从高到低排列。
这才更像真实工作。
实际做的时候，不需要在第一句话里预见所有细节。先让 AI 做出一个版本，然后检查，再指出问题，继续修改，直到结果能用。
我和 AI 反复聊下来，最后把这个过程概括成「任务委托与验收」。
最小的一轮流程大概是这样的。
明确目标，提供材料，说明边界，让 AI 执行，检查结果，继续纠正，最后由人确认完成。
对普通人的第一次练习来说，更关键的是结果回来以后，自己能不能看出问题。
它有没有覆盖目标？有没有漏项和明显错误？有没有碰到不该碰的内容？下一位接手的人能不能直接使用？
如果连什么叫完成都不知道，AI 给出的内容再流畅，也很难成为真正的交付。
人的工作重心，会慢慢移到结果上
过去处理一项数字化工作，人很容易直接进入软件操作。
按钮在哪，公式怎么写，数据怎么搬，格式怎么调。
当一个 AI 工具已经能承担任务里的某些具体动作时，人的工作并没有消失，只是位置变了。
要先说清楚想得到什么结果，把必要材料交给 AI，划定不能碰的边界，然后检查它做出来的东西，发现偏差就拉回来，最后决定这件事能不能交付。
我之前做过一个自动收集热门图文的舆情分析系统。拿到初步需求以后，我先让 AI 整理需求文档。它发现信息缺口就提问，拿不准的地方由我去找客户确认。需求明确以后，再一起讨论开发计划、实现方案和测试方式，具体执行更多交给 AI。
整个过程中，我没有亲自处理所有实现细节，但需求能不能定、方案是否可行、客户到底要什么、最终结果能不能交付，都需要我来确认。
最后能不能做成，仍然取决于人有没有把任务带到完成。
所以 AI First 对人的要求并没有降低到「会说话就行」。
至少在这类目标清楚、结果可以检查、风险能够控制的任务里，我开始把更多精力放到目标、材料、判断标准和最终结果上。
在我自己的实践里，我开始从一个负责具体操作的人，变成这项任务真正的负责人。
系统学习还有没有用？
我一开始聊这个话题时，表达得比现在更绝对。我的原话大概是，AI 迭代这么快，没必要系统学习，用什么学什么就行。但后来我发现这句话我只说对了一半。
如果永远只解决眼前问题，确实很容易碎片化。
今天学一点上下文，明天处理一次权限，后天又碰到 API。零散知识积累了不少，却说不清它们之间是什么关系，换一个工具也不知道哪些经验还能继续用。
所以 AI 时代依然需要系统性。
变化的是它出现的顺序。
以前习惯先建立完整体系，再开始实践。现在可以先做一项真实任务，遇到什么问题就补什么知识，回到任务里继续验证，然后定期复盘，把反复出现的问题重新整理到一起。
复盘也不是数一数最近又学会了几款工具。
更值得问的是，AI 在哪一步真的帮上了忙？哪一步总是出错？下次可以提前准备什么材料？哪些检查标准和工作步骤值得留下来？
做完一次表格整理，可以留下自己的验收清单。跑通一次资料归纳，可以保存需要提供的材料和常见漏项。下一次碰到同类任务，就不用重新摸索。
知识也会在这个过程中慢慢连起来。
这时再去看课程、读文档、理解概念，学到的东西不再悬在空中。它能解释刚刚遇到的问题，也能直接影响下一次怎么做。
向内解决问题，向外扩大可能性
只围绕自己的问题学习，还有一个限制。人不知道自己不知道什么。
如果一直用 AI 写文案，可能会越来越熟悉这件事，却一直不知道它还能处理文件、操作软件、分析数据，甚至参与一条更长的工作流程。
所以向内实践的同时，还要向外看看。有经验的人正在用 AI 完成什么？哪些过去成本很高的事情，现在出现了新的做法？
重点不在于马上记住工具名称。
看到一种新方法，可以把它带回自己的场景，找一件低风险的小任务验证。有效就留下，无效就放掉。
只向内，容易被过去的经验限制。只向外，又会变成每天追新模型、新工具和新玩法，收藏越来越多，做成的事情没有增加。
面对海量信息，现阶段我只问两件事，它有没有让我看到新的可能性？这种可能性，能不能回到真实任务里做一次小成本验证？
写在最后
回到最开始的问题，普通人到底该怎么掌握 AI First？
我的答案是这周就从手上的工作里，选一件熟悉、低风险、结果可以检查的数字化任务。
把目标和材料交给 AI，同时说清楚哪些内容不能碰、怎样才算完成，让它先做一个版本。看完以后指出问题，继续修正，直到结果真的能用。
做完以后，再和 AI 一起复盘刚才的过程。
哪一步最省时间，哪一步最容易出错，自己缺了什么知识，下次怎样交代会更清楚。
先完整跑完一次，再去做第二次、第三次。
当面对一项新任务时，「AI 能不能参与」开始自然地出现在脑子里；当结果回来时，自己也知道该怎样检查、修改和收尾，AI First 才算真正从一个概念变成了你的工作方式。
金尘马｜大厂程序员｜30天X破万粉变现过万｜持续分享 AI 搞钱、程序员转型、OPC 心得｜联系方式见主页介绍：https://x.com/jinchenma_ai