用好 AI 的七层漏斗：你卡在哪一层？

使用 AI 的七层漏斗：你卡在哪一层？

人人都知道AI很重要，但用法差别很大。用Deepseek，你是问一句拿答案就走，还是会追问三四轮？收藏了多少提示词模板？AI编程，你有没有给Claude Code配置自己的skills？
AI的用户基本可以分成七层。

七层漏斗

第一层：拒绝 — "不需要" / "不就是概率统计" / "还是百度方便"

第二层：浅尝 — 每次对话1.7个问题，问完就走

第三层：收集 — 发现有收益，收集免费技巧

第四层：付费 — 订阅付费版、买课程，更勤快地收集葵花宝典

第五层：自主探索 — 发现葵花宝典不管用，自己动手

第六层：分享 — 写文章、给同事演示、参加活动分享

第七层：AI团队 — 打造碳基/硅基协作的团队

第一层：拒绝

典型口头禅是"不就是概率统计吗"。

"不就是概率统计"这句话技术上没错。LLM确实是概率模型，Transformer确实是矩阵运算。问题在于，用正确的底层原理去否定涌现出来的能力，是一种还原论的傲慢。按这个逻辑，生命不就是蛋白质和碳水化合物吗？移动互联网不就是把电脑做到手机里吗？

Thomas Kuhn在《科学革命的结构》里说，科学家面对新范式时，会不自觉地用旧范式的标准去评判。他们不是坏人，也不是蠢人，只是被旧框架限制了。"不就是概率统计"的人往往是技术背景很强的老手，正因为懂得多，反而更难接受新东西。

跳出这一层需要什么？通常是被逼着试一次，或者亲眼看到身边的人用AI做到了自己做不到的事。

第二层：浅尝

这些人把ChatGPT当高级搜索引擎用：问一句，拿答案，走人。习惯了Google的交互模式——输入关键词，点击链接，找到答案。

问题是，这种用法只能回答最简单的问题。试举一例，洗碗机坏了，问一句"洗碗机不工作怎么办"，AI会给你一个通用清单：检查电源、检查水管、检查滤网。这和百度搜出来的没什么区别。

但如果你追问几轮："按启动键没反应，但指示灯亮着"、"是Bosch的，型号SMS46"、"上周开始的，之前正常"——AI就能帮你缩小范围，猜测是门锁传感器还是控制板的问题，告诉你怎么测试，甚至找到这个型号的常见故障。你还可以拍张照片传给它，让它看看错误代码或者零件状态，再根据它的建议试一下，把结果反馈回去。几轮下来，相当于有个懂行的朋友在旁边指导你排查。

问一句和问五句，得到的是完全不同的东西。

根据统计，ChatGPT用户平均每次对话只有1.7条消息，41%的用户每次使用不到5分钟。大多数人还停留在"问一句"的阶段。

跳出这一层需要打破搜索引擎的使用习惯，把AI当作伙伴看待。有来有回的交流一次，会发现结果比问一句好太多。

第三层：收集葵花宝典

发现AI确实有用之后，很多人开始收藏prompt模板，关注AI博主，加入社群。心态是"找到好的prompt就能用好AI"。

这一层的人很积极，但方向有问题。他们在收集别人的答案，而不是自己找答案。免费资源足够多，YouTube教程看不完，prompt模板收藏了几百个，感觉"全世界的葵花宝典我都收集到了"。

问题是，高级特性都在付费墙后面。Claude.ai有免费版，但Claude Code没有。Deepseek网页版免费，但API要钱。不付费，天花板就很低，只能停留在普通大众的层次，无法使用面向专业人员的高级特性。

第四层：付费

AI厂商为了推广，愿意给用户免费试用，但是专业人士需要的特性和模型，基本都在付费墙后面。

正常来说单位应该付这个钱，但很多单位没有，那就只能自己掏腰包。
付费本身是个重要信号。有朋友说"花钱本身就是壁垒"，愿意付费追求效率的是少数。

试举一例。Cursor有免费版，Claude Code没有。用Cursor免费版的人，额度用完就等着，或者切换到更弱的模型凑合。用Claude Code的人，每月200美元，Sonnet随便用，Opus也能用不少。表面上都是AI编程，实际体验完全不同。Cursor免费用户还在纠结"怎么省着点用额度"，Claude Code用户已经在研究怎么让AI跑得更深、改得更多。

但很多人卡在这一层。付费之后的心态还是"我花了钱，应该有捷径"。买了课程，进了社群，更勤快地收集葵花宝典。知识付费行业的商业模式就是满足这种心理：告诉你有秘诀，只要买就能学会。

问题在于，AI还是一个比较新的事物。很难说有成熟的操作手册可以供你直接使用，你面临的环境和问题，很可能是独特的，并没有其他人总结出通用的方法论。

第五层：自主探索

从第四层到第五层是整个漏斗里最难的跳跃。

需要发生的事情是：花了钱，收集了一堆技巧，然后发现——不管用。遇到一个真实问题，所有课程里教的方法都不work。这时候要承认：钱买不到答案，只能自己摸索。

很多人在这里退回去，继续找更贵的课程。"一定是我还没找到那个秘诀"。知识付费行业就靠这个心理活着。我见过有人花了几万块买AI课程，收藏了上千条prompt，结果遇到一个真实的工作问题，还是不知道怎么下手。

跳过去的人开始不一样了。他们不再问"哪个prompt最好"，而是问"我这个场景需要什么"。针对自己的具体问题动手实验，开始形成自己的workflow。

试举一例，漫剧行业已经形成工业化的AI视频生产流程，催生了"抽卡师"这个新工种：根据分镜脚本调用模型出图片，筛选最符合的，再生成视频，整个流程像富士康流水线。这套workflow不是从哪个课程学来的，是从业者自己摸索出来的。程序员用Claude Code写代码也是一样——"抽"代码任务，review，再抽，再review，形成自己的节奏。

第六层：分享

自己摸索出东西之后，下一步是分享出去。写文章是分享，给同事演示AI怎么用是分享，参加活动做报告也是分享。

群里有位崔老板，去参加Trae的活动，发现居然还有人觉得AI coding处于初级阶段。这就是分享的价值——你以为是常识的东西，对别人可能是顿悟。你以为人人都知道的事情，其实大多数人不知道。

分享一次不够。持续分享、定期回顾、接受挑战、更新观点。层级越高，越承认自己可能是错的。第一层的人非常确定"不就是概率统计"，第六层的人反而总在说"我之前想错了"。

第七层：碳基/硅基混合团队

前六层都是个人视角：我怎么用AI。第七层跳出个人，开始思考团队和组织：怎么让人和AI协同工作。

碳基是人，硅基是AI。混合团队的意思是：把AI当作团队成员，而不是工具。工具是你用完就放下的，团队成员是你要分配任务、协调配合、发挥各自长处的，还要培训他们。

我现在的项目就是一个混合团队：人类产品经理负责定需求和优先级，我负责技术决策和代码审查，AI负责执行。具体来说，先用/prd命令让AI写产品需求文档，再用/architect命令设计技术方案，然后用/story命令拆成开发任务。写代码用测试驱动开发——先让"测试员"写测试，测试失败后让"程序员"写代码让测试通过。这里的"测试员"和"程序员"都是AI子代理，各有各的职责说明书。代码写完用/qc做质量检查，出了问题用/follow让AI自动修。团队里还有一位人类QC工程师，有他自己的质量检查流程，和我的流程互相补充。整套流程跑下来，人类做决策和把关，AI做执行和生成。

具体来说，在这一层需要想清楚几件事：人擅长什么，AI擅长什么，哪些任务交给AI，哪些留给人，怎么设计流程让两边配合起来。

到了这一层，关注点从"我怎么用好AI"变成"我们怎么和AI一起工作"。鸭哥有篇文章叫《管理AI：你职业生涯中最重要的一次晋升》，说的就是这个意思。

你在哪一层？

回头看这七层，每一层都有自己的舒适区。第一层的人觉得自己看透了本质，第三四层的人觉得自己在积极学习，第五层以上的人反而最焦虑，因为他们知道自己还有很多不知道的, 也因为他们知道还有很多人和他们在比速度。

我写这篇文章的时候，也在反思自己卡在哪里。这个框架本身可能有盲点，欢迎在公众号留言讨论：你觉得自己在哪一层？从一层跳到下一层，触发点是什么？