大模型应用的三个层次：
工具 → 工作流 → 决策

大多数人第一次用大模型，都是在对话框里输入一句话、拿回一段文字。好用，但也仅此而已——你复制、粘贴、改格式，再问下一句。真正的效率差距，出现在你往上走两个层次之后。工具 → 工作流 → 决策，这三个词概括了大模型应用的全貌，也刚好对应我这半年三个阶段的使用方式。

L1工具层：让大模型替你"写"和"读"

第一层最常见：把大模型当成一个极强的文本工具，用三类操作覆盖日常——

• 内容生成：描述清楚需求，让它产出文案、报告段落、活动方案。比如"为一款具备心率监测、睡眠跟踪、防水功能的智能手表写一版广告文案"。
• 摘要提取：面对会议纪要、长报告，让它提炼关键信息。预算数字、截止日期、待办事项，几秒钟归置清楚。
• 推理分析：给它一份数据（比如三家门店三个月的销售额），让它梳理趋势、指出异常、给出建议。

这一层的局限也很明显："发一句话拿到一段文字"能做的事有限。耗时的工作往往不是回答一个问题，而是完成一件事过程中反复的手工调整——复制粘贴、改格式、逐页追问。这些正是第二层要解决的。

我在学院融媒体中心的做法：把拆解任务、生成初稿、检查结果交给 AI，但每一步保留人工复核。顺手沉淀了一套可复用的提示词结构——这是从"会用"走向"稳定地用"的第一步。

L2工作流层：让智能体把整件事干完

当 AI 能调用工具、按计划连续推进，它就不再是对话框，而是智能体（Agent）。区别在哪？普通对话一次给你一段内容；智能体接住的是"一批原始材料 + 目标结果"——它先给计划，再读文件、调工具、产出结果，过程中你可以随时确认、修正、追加要求。

两个典型场景：

• 生成接近成稿的交付物：把会议纪要、产品资料和数据表丢给它，它自己提炼主题、组织页面结构、补图表说明、统一视觉风格。你确认事实和判断，但从零整理和排版的负担消失了。
• 做解决具体问题的小工具：很多需求太垂直（名单整理、复诊提醒、读书打卡），排不上任何人的开发计划。智能体能连续写代码、预览、按反馈调整，把"能看、能点、能试用"的东西直接交到你手上。

如果同一个任务会被反复执行，还能沉淀成数字员工：按相近的标准反复处理同类工作，让组织里的重复经验被稳定复用。越接近真实业务，越要求结果可靠、过程可追溯、权限可控制。

OpenJob 就是我把这一层用到极致的结果：岗位采集 → AI 五维评分 → JD 定向简历 → 人工确认投递 → HR 回复监测，五个环节一条流水线。我给自己的铁律是——机器负责生成，人负责判断，是否投递永远由我按下放行键。这也是它"本地优先、人工确认"设计哲学的由来。

L3决策层：让 AI 先把可能性筛出来

前两层解决的都是"任务明确"的问题。第三层不一样：你还不知道哪条路值得走。这时 AI 的价值是先拆研究计划、多来源查找、比较观点、筛掉低质量信息，最后给出带证据链的判断。

课程里的案例很有代表性：达摩院的八观气象大模型融合多源数据做区域级逐小时预报；DeepMind 的 GNoME 在巨大的晶体结构空间里筛新材料候选，把研究者的精力引向更值得实验验证的方向。共同点不是"AI 给出了最终答案"，而是"AI 把可能性先筛出来了"。

我自己最深的体感来自职业规划：面对考研、考公、就业几条路，我让 AI 帮我查证市场数据、整理岗位画像、对比证据链——它没有替我决定，但它让我第一次拿全了做决定所需的原料。

∞边界：三个层次共用的那条底线

把三层放在一起看，会发现一条贯穿的底线：

• L1，你判断生成的内容能不能用；
• L2，你判断智能体的计划和结果可不可信；
• L3，你判断 AI 筛出的方向值不值得投入。

层次越高，AI 的自主性越强，但"人负责判断"的位置从来没变，变的只是判断的对象——从判断一段文字，到判断一个过程，再到判断一个方向。

所以如果你问我"该怎么开始用 AI"，我的答案一直很简单：从第一层老老实实用起来，攒下自己的提示词结构；等某个环节的重复劳动真的疼了，把它升级成第二层的工作流；最后在你最重大的决策上，让 AI 当那个帮你查资料、列证据的研究员——而签字的手，永远是你自己的。

本文基于《大模型工程师》课程第 1–3 章的知识框架整理，案例部分结合了我在融媒体中心、OpenJob 项目和职业规划中的实践。框架归课程，判断归我自己。