AI应用的四个核心阶段

你所了解的各类概念、在别处接触的AI理念，以及未来一两年内将面临的AI发展，其实都遵循一个统一的体系。这个体系涵盖了AI从具备对话能力的模型，发展为实际生产力的全过程，包含四个核心阶段。目前所有AI相关理念，都是这四个阶段的体现，而各种新兴的AI工具，也都是基于这四个阶段的延伸应用。 第一阶段：基础模型。我们都知道Claude的文本生成能力、ChatGPT的逻辑处理能力、以及DeepSeek的成本效益优势，但这些优势从何而来？选择模型的关键不在于主观判断或流行度，而在于其背后的生态系统。例如，Gemini在行业研究方面表现突出，是因为它依托于谷歌的维基百科和必应搜索；而国内的可灵和即梦在视频生成方面能实现突破，是因为它们背后有抖音和快手这样的全球顶级短视频平台支持。因此，选择模型的标准不是品牌或口碑，而是其背后的生态支持。你需要根据业务需求选择具备相应能力的模型。 当前的AI可以与你对话，但还无法直接参与实际工作。那么，AI如何才能真正帮助你完成工作呢？第二阶段：如果你希望AI能联网搜索、自动使用飞书、自动操作网页发送信息，这些操作技能需要通过AI agent进行编排。这里存在一个问题，不同的任务需要不同的技能，而这些技能不会直接写入agent的主程序，而是需要根据任务需求动态调用。例如，让AI自动抓取竞争对手的市场表现并生成飞书分析报告，agent在调用这些技能时，需要一个名为MCP的协议来实现。你接入了哪些MCP，agent就能调用哪些技能来完成任务。 现在AI可以执行任务了，但每次执行是随机的，而业务流程需要稳定。如何让AI每次的输出都在固定框架内？第三阶段：工作流。工作流是人类语言的表达，对AI来说则是链式任务，即第一步做什么、第二步做什么，哪些任务可以并行、哪些任务有先后顺序。AI的工作流程需要根据你的业务流程来固定，这就是工作流。实现工作流的方式多种多样，例如去年流行的Coze、今年短暂火爆的腾讯Dify，以及长期受关注的skills，它们的本质都是通过设计链式任务规则，让AI在业务流程规则下执行任务。 这些阶段加起来会形成一个强大的agent，封装后即为智能体，但距离实际业务应用还差最后一步。第四阶段：构建基础设施级别的知识库，使AI能够成为你公司的一员，在你的体系中工作。这里有两个关键概念：知识库和让知识库生效的RAG（检索增强生成）。 许多人对知识库存在误解，认为它只是企业历程、规章制度或价值观，这种理解过于片面。实际上，知识库包括哪些内容？首先是一方数据和业务习惯，为AI提供工作的基础和边界；其次是三方数据和行业经验，为AI提供判断的标准和参考。 然而，有些业务模块的知识库非常庞大，如果AI每次执行任务都读取整个知识库，会导致成本高、响应慢且容易出错。因此，需要使用RAG技术，让AI在执行任务前先从知识库中检索所需信息，再根据这些信息执行任务。 最近联系我的用户主要有两类核心需求：一类是学习AI和AI落地的思路，另一类是希望我根据他们的业务设计AI落地和梳理工作流。实际上，AI落地并不复杂：第一，根据业务所需能力选择合适的模型；第二，为agent接入所需技能的MCP；第三，梳理业务流程，选择从刚性到软性（如脚本、工作流、Skills等）的合适形式搭建工作流；第四，整理业务资产和隐性信息，形成知识库，并结合高效的RAG方案，确保AI在你的体系下工作。 我一直强调，不要被信息流的焦虑所裹挟。当新的AI概念出现时，不要急于跟风，先分析它影响的是这四个阶段中的哪一个，再判断是否对你的业务有价值。