本文旨在为有志于投身AI副业的读者提供一份切实可行的指导手册，全面分析AI技术的应用领域，细致阐述不同级别AI功能及其应用实例，帮助读者明确自身发展方向，踏上实现月收入过万的AI副业征程。
近期我与众多粉丝互动频繁，其中不乏部门经理、总监等高层，更有部分粉丝已具备对公司部分预算的支配权。
他们身上显现出共同的问题：对AI持有焦虑情绪，渴望加入却找不到合适的途径，有的在抖音自媒体领域付出了学费，有的在项目实践中吸取了教训，但最终效果都不理想，于是向我寻求如何入门的建议。
这实际上让我感到有些棘手，因为要想让AI项目具备充分的认知能力，最终还是必须经过大量的实践锻炼。然而，似乎也有办法让他们在成长过程中减少学费的负担。
于是，我专门为那两位付费的粉丝准备了一套资料，现在我将其中最为精炼的30%内容呈现给大家，让大家先领略一番。
从全局看AI应用
需先梳理好思路，对人工智能领域的某些术语应具备充分的理解。今年人们频繁提及的AI，实则指的是一套大型的模型系统，具体可参考下方的图表：
对AI的基本认识可以概括为：它是一个API系统，当我提供输入信息时，它将依照既定规则生成相应的输出结果。
在此之上，要了解最常见的AI应用也就是常说的知识库：
也就是说，该模型能够依据企业内部构建的知识体系，精确且清晰地提供问题的解答；而将知识库的功能进一步拓展，便形成了人们常提到的智能代理（Agent），这种智能代理与知识库的不同之处在于，它需要处理和解决具体的实际问题。
Agent这一架构集成了几乎所有AI知识，因此，只需围绕Agent进行学习即可。
然而，提及Agent这一话题时，我们便不可避免地要探讨两种技术路线，至于这两种路径为何会出现，则需要追溯到OpenAI的创始人山姆·奥特曼对Agent的阐述。
Agent最初定义
L1级别的聊天机器人具备进行基础对话与沟通的能力，展现出对自然语言的基本认知，同时能够对各类提示与问题作出相应的反应。
推理者，AI系统在处理复杂问题时，其熟练度已达到人类专家的水平，这标志着它们已从单纯模仿人类行为进阶至展现真实智能的阶段。这些AI不仅精通对话技巧，而且具备强大的问题解决能力，其推理与决策能力已与人类相媲美。
智能体，简称Agents，这类AI系统具备处理复杂任务、制定决策以及适应环境变化的能力。它们能够在无需人类持续监控的情况下独立行动。在这个阶段，AI不仅拥有推理技能，还能自主执行各种复杂的操作任务。
创新者，AI系统展现出了非凡的创造力和独到之处，它们能够孕育出突破性的思维火花和解决问题的方法。这些系统能够不仅复制人类的创造力，而且超越了思维的限制，提出了让人眼前一亮的新颖创新观点。
组织者。这些AI系统不仅具备战略性的思考能力，而且拥有高效运作和强大适应性的特点，能够有效管理复杂系统。它们能够灵活地协调多个智能体，合理地分配任务，实时监控进度，并根据实际情况迅速作出调整。
在这个基础上，再看现有的Agent框架：
两套Agent技术路径
路径一实际上非常简便，只需自行编制SOP，随后通过编程手段将其实现。目前，无需再编写复杂的应用程序，可以直接依托扣子或dify等平台进行搭建。
路径二操作起来更为简便，其含义是您无需再进行任何操作，模型将自动为您设定SOP（亦称Workflow），接着会调用各类工具（例如MCP程序），这样一来，您的功能便得以实现。
言辞之间，我们注意到，一方面，众多企业正实际应用着一套技术架构；另一方面，一些企业希望建立起作为入口公司所倡导的框架，特别是那些在特定模型或领域内拥有一定实力的公司。
关于这一点，后续内容将进行详细更新，此处仅作简要提及。随后，我们将探讨如何评估公司及个人在人工智能领域的当前水平。
AI应用的七个层次
模型的发展离不开算法、算力、数据这三个关键要素，至于基于模型的AI应用，在验证阶段，其核心关注点缩减至工程与数据两个方面。若要评估一个团队或个人的AI能力，不妨参考以下图表：
这里有几个核心考虑点：
工程实力，亦即对人工智能应用的掌握，其核心在于程序员的编程技巧和对各类自动化工具的运用；模型训练实力，这可以看作是工程实力的进一步发展，背后涉及的是强大的计算能力，以及对工程实力和行业专业知识的整合；行业专业知识，即对特定行业的深入理解，例如对医生职业的理解、对律师职业的理解，低层次的专业知识涉及对标准操作流程的整理，而高层次的专业知识则是对大量高质量数据的积累。
这里通过各种排列组合，便可以得出AI应用的级别：
第一级，小白级应用
所谓小白用户，指的是那些一无所知的人，他们缺乏人工智能的认知能力、缺乏工程实践的能力、缺乏对行业的深入了解……
他们通常会在DeepSeek或GPT的官方网站上找到聊天界面，输入问题：人工智能是否会取代人类？
在与AI进行对话时，频繁地发出“卧槽、卧槽”的声音，这类用户通常显得不够专业，然而，他们可能占据了用户总数的九成。
这90%的用户被称作AI韭菜，他们对AI的担忧尤为突出，往往在AI的认知领域投入了大量的费用，然而，我认为这笔费用是物有所值的。
第二级，割AI韭菜的
第二等级的用户，相较于第一级，将实现一次显著的飞跃，他们的核心职责包括推广AI引发的忧虑情绪以及传授关于AI的认知知识。
实际上，他们与初级用户并无根本区别，依旧一无所获，“只是手熟而已”。
他们能够明显体会到AI在解决特定问题时展现的卓越能力，并且借助其高效性能来辅助自己完成各种任务，其中最常见的情况包括：借助AI创作热门文章、利用AI将文字转化为图像并讲述故事。
而且，一旦他们掌握了相关知识，就会指导大部分对AI写作尚不熟悉的初级用户，去尝试使用AI来撰写文章等，尽管这样的操作可能显得不够高级，但确实能够带来一定的经济收益。
第三级，个人助手、效率达人
三级用户已具备一定的工程技术，他们能够将工作中稳定流程编制为标准操作程序（SOP），并通过API或RPA等自动化手段，进行批量操作，例如处理邮件往来、简历筛选以及财务审核等。
自此阶段起，人工智能已真正融入工作问题的解决之中，同时着手于释放人力资源，具备个人助理的属性，然而其应用范围仍局限于个人层面。
某位律师依托DeepSeek技术打造了一款个人咨询应用，并将其作为插件发布于网络平台。每当用户发起咨询，智能客服便会先行进行需求沟通，只有当用户付费意愿强烈时，才会将他们引导至专业律师，此方法使得工作效率提高了十倍有余。
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
微信公众号的推荐机制已发生改变，尽管粉丝数量仍具一定意义，但对文章阅读的促进作用相对减弱。基于我近期尝试，以下是一套可供借鉴的操作步骤：注册10至100个公众号；每日坚持原创文章；运用AI进行内容改写，生成10至100篇内容；利用AI创造10至100个热门标题；启动RPA进行文章推广。
从逻辑上分析，几乎每天都有文章被发布，若一篇文章开通了流量主功能，那么它将能够带来一定的收入，随着时间的推移，这种收益将会相当可观。
第四级，SOP平台
自第四级开始，对工程项目的能力需求显著提升，此类任务往往超出了普通个人玩家的能力范围。
他们逐渐认识到，每个人运用人工智能的目的都是为了协助自己完成特定类型的工作，而这些工作无疑具有诸多共同点，因此，众人自然而然地联想到这正是我们所讨论的第三级标准操作流程。
因此，该平台旨在协助众多玩家构建个人助手，特地设立了一个专门用于构建标准操作流程（SOP）的在线平台。目前，其中最为知名的恐怕要数飞书扣子的智能助手构建平台了。
在此基础上，还将涌现出一批专门教授90%用户如何操作该低代码平台的人群，他们实际上是在利用信息不对称，虽然手法并不高明，但效果却相当显著。
实际上，这类低代码平台的应用费用相当昂贵，普通用户往往难以承受；再者，AI Agent平台在本质上仍依赖于模型的API接口进行判断，虽然执行一些基础功能尚可，但若要开发一个完整的应用却相当困难，更不用说数据泄露的风险了。
常常看似只是最后一公里的难题，然而实现这一公里却需耗费之前十倍的成本……
第五级，行业工具
前四级的特点在于，参与者只需对AI有所了解，并且具备一定的工程技能便足够；然而，从第五级起，则需具备对行业的深入认知，以及在此基础上获取的高质量数据。
例如，当您作为一位医生，利用Agent平台打造了属于自己的个人助手，并在网络上解答患者疑问，然而不久之后，您察觉到助手在回答问题时，频繁出现错误或表述不清的情况（诸如诊断失误、药物推荐不当），这种情况或许会带来严重的后果。
这显然超出了个人能力所能解决的范畴，因此你期望这个Agent平台能专注于医疗（法律、金融）领域，以确保其回答的精确性，避免产生误导。
这类AI医生、AI律师等应用便是该级别技术的代表，鉴于它们是严谨的AI工程项目，用户若遭遇错误回答甚至可能遭受经济损失，因此，它们在初期阶段必须着力克服大模型产生的幻觉问题。
要克服模型产生的幻觉，必须依托以知识库为支撑的RAG技术或改进模型训练流程，这样的做法无疑会显著增加成本投入的级别。
此级别的门票得益于高质量的数据以及卓越的工程技术，而这些成就的背后，资金的支持是不可或缺的。
众多企业希望建立基于自身数据的AI智能问答系统，此类应用属于初级阶段，且具备向平台化发展的潜力。
第六级，行业模型
第五级对模型训练确实有所要求，但实际上其门槛并不算高。这主要得益于行业专业知识与工程技能的巧妙融合。
第四级用户渴望拥有优质的行业代理平台，而第五级用户则对更完善的行业模型抱有期待。
例如，AI医生倾向于借助医疗领域的大型模型，AI律师则倾向于依赖法律领域的大型模型；基础模型的进步显著减少了工程实现的复杂性，而这些背后的核心因素都是成本问题。
各行各业中普遍存在独特的行话，以医疗行业为例，其中“火重”和“发炎”是常用来描述病情的术语；而在法律领域，“包子”一词则常被用来指代那些相对简单的案件。
若系通用型大型模型，为减少此类错觉，研发团队只得采取技术措施，且可能需进行细致入微的调控；然而，若基础模型本身已具备60分的实力，在应对行业错觉方面具备一定基础，那么采取的技术手段将相对简化。
综上所述，存在一些卓越的团队，他们渴望培养出专属的行业微型模型，这些模型可能应用于金融、医疗、法律事务，亦或是企业内部的特定场景。
他们在能力方面需具备深厚的行业专业知识、拥有丰富的优质行业数据积累、在模型训练方面拥有丰富的经验，并且还需对模型的基本功能有所了解。
这类需求通常来自于对数据安全有较高要求的机构，例如大型医院或企业，它们具备相应的数据和财力资源，可以自行构建一套符合行业特点的模型。
这个应用级别的挑战程度难以与第五级相比，其高低取决于具体的使用环境，但有一点可以肯定，一旦用户数量增多，对模型或应用的需求便会急剧提升。
第七级，通用基座模型
与DeepSeek、GPT、GLM、文心、千问等专注于构建底层模型的团队不同，他们现在不仅需要各类高质量数据，更要真正深入到模型的核心技术层面进行探究，这一点在之前的六级模型中并非必需。
小结
通过以上内容的掌握，我们大体上能够把握住当前人工智能应用的总体状况，在此基础上进一步学习人工智能，将会感到更加得心应手。
只是，这里的整理显得较为笼统，为了帮助大家更深入地理解人工智能技术的应用发展，我们不妨以一个客服助手为例，深入探讨一下。
案例·客服助手
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：
若群体互动频繁，粉丝间交流便会增多，随之而来的是强烈的满足感，这进而会催生更多的订单生成。
仅仅如此，若要确保群聊活跃度较高，我这边势必要付出更多的时间和精力，然而面对十余乃至二十个群组，我实在难以一一照看，最终导致的情况是，仅有寥寥一两个群组能够保持较高的活跃度。
此外，我对于群组运营倾注了过多的心血，这无疑会使得后续产出高质量内容的数量有所下降；而高质量内容的减少，又进一步导致可供社群讨论的话题相应减少……
因此，我迫切需要一位AI助手，其具备以下核心能力：首先，它需能准确捕捉粉丝群体所关注的热点话题；其次，针对这些话题，它应能独立提出独到见解；再者，这些见解最好能以我的公众号文章为基础进行阐述。
一、话题生成
实际上，从这一刻起，对实际操作能力的检验便真正开始了，比如，依据这个群组的对话内容，我们该如何提炼出一个核心主题。
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：
您身为一位擅长话题解读的助手，我将向您提供一段来自网友间的对话记录。请您对这则对话进行深入剖析，提炼出其中最具趣味性的讨论焦点。所选取的具体话题需符合以下条件：
在讨论时，应避开那些可能触及政治敏感、违法或不当言论的内容；一旦话题涉及此类问题，请自觉将其排除，并对该话题给予负面评价。
标题应简洁且直接，需精确反映所讨论主题的核心要点。
对每个主题进行归纳概括，着重呈现引人入胜的见解、激发思考的议题以及深入探讨的广度。
在撰写总结时，应巧妙融入个人的见解，展现话题所蕴含的情感波动，同时注意避免过分保持客观与中立的态度。
5. **排序依据**：以话题讨论的激烈程度、参与讨论的人数以及话题的丰富性为准则，挑选出1至3个最具趣味性的话题，并将最受欢迎的话题置于最显眼的位置。
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。
话题涵盖多个相关领域，能否引发广泛的讨论和关注。
讨论的内容是否紧跟时代脉搏，是否与现下的热门话题、发展动向或社会现象紧密相连。
引发性方面，需考量话题是否能够激起讨论、引起争议，或是促成不同观点之间的激烈碰撞。
实际关联性方面，需考虑话题是否与群聊成员的实际经历相契合，并有可能激发他们分享个人实际经验。
引发情感上的共识：该话题能否激发群内成员的情感，产生共情效应。
– **敏感性**：话题是否触及敏感的社会或政治话题。
若该话题的评分中显现出敏感问题，亦或其讨论内容过于偏激、充斥攻击性，或是不符合法律法规及道德规范，则应给予该话题负分评价，并确保不再将该话题纳入讨论范围。
7.**返回结果**：不要返回相同的主题
这仅仅是一个示例，而实际上，对提示词进行调试是一项既漫长又乏味的工作，确保模型输出的结果始终稳定且准确，这才是提示词设计中的真正挑战所在。
二、话题讨论
一旦确定了热门话题，便需着手进行讨论，此时我们便触及了AI应用的复杂领域。通常，我们可以采取两种方法：一是采取直接了当的方式，即不关注讨论的上下文，仅针对话题或对话内容独立给出回应，这样的回应可能会显得有些生硬；二是进行多轮对话，而这恰恰是AI应用中最具挑战性的部分，因为多轮对话背后涉及众多标准操作流程（SOP）的设计。若设计不当，AI可能会胡言乱语，导致用户产生不连贯的体验。
在此阶段，我们暂不涉及多轮对话的设计，仅就单一话题的回应进行探讨。例如，针对关于人工智能副业所带来的高收入诱惑及随之而来的焦虑这一讨论主题，我们的AI将生成如下回复：
月入10w？幸存者偏差罢了！真以为AI是印钞机？
月入10万？这不过是幸存者偏差的表象！难道真的以为人工智能就是一台印钞机吗？
对AI副业高收入现象的普遍性提出疑问，并促进对幸存者偏差问题的深入探讨。
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：{
目前，你身为一位旁观者，渴望了解众人对于此事的更多见解，如此一来，你便能洞察这个议题的内在逻辑。
因此，你需得推动话题的持续发展，同时向更深的层次进行挖掘，在此基础上提出若干疑问和见解；同时，你还得确保他人难以轻易察觉你的立场倾向。
综合来看，您需构思若干引导性的言辞或提问，用以推动对话的深入，同时务必确保每个引导性问题只包含一个核心观点，而其余部分则是对该观点的详细阐述。
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、确保输出的格式准确无误：在括号内，内容字段应包含“消息内容呢”，观点字段则需填写“你的观点”。
三、引入RAG
仅凭大模型自身的能力进行问答尚显不足，若要提升AI的表达水平，就必须采纳RAG技术。
由于讨论深入到专业领域，仅依靠大型模型便可能遭遇两大严重缺陷：
见解不够深刻：该模型所依据的通用语料库生成的文本，未能充分展现公众号在行业领域内长期形成的独到见解；存在风格偏差的风险：自动生成的机械式回复可能扰乱读者对账号品牌形象的一致性感知。
这正是RAG技术的优势所在。通过构建基于公众号历史文章的知识库，AI在回答问题时：
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领域确实蕴藏着许多机遇，然而，要把握这些机会，必须将个人专长与之相结合……这样的泛泛之谈。
而接入RAG系统后：
知识库进行检索，成功找到与公众号文章《警惕！那些月入十万的AI副业陷阱》相关的文章共计3篇。
观点提炼：
