文章面向 AI 初学者，系统梳理了 2026 年市面上的常用 AI 工具。作者按使用场景将工具分为六类：聊天 AI（豆包、ChatGPT、Claude 等）、通用 Agent（WorkBuddy、Claude Code、Codex 等）、图片制作（即梦 AI、Midjourney、Nano Banana 等）、视频制作（可灵 AI、Veo、HeyGen、Remotion 等）、声音制作（MiniMax Audio、ElevenLabs、Suno 等）以及个人助理（Grok Bot、OpenClaw、Hermes Agent 等）。作者强调应从自身需求出发选择工具，不必追逐每一款新产品，挑有代表性、能解决问题的工具用好即可。
本文是 AI 术语科普系列的第一期，面向小白读者，用通俗易懂的语言讲解 11 个常见 AI 概念：大语言模型（LLM）、多模态、提示词（Prompt）、Token（词元）、上下文、记忆、知识库、Agent（智能体）、Skills（技能）、工作流和 AI 幻觉。作者金尘马解释了模型与应用的区别、Token 与计费和上下文窗口的关系、记忆与上下文的差异，并对比了工作流的固定流程与 Agent 的自主决策，帮助读者扫清学习 AI 路上的术语障碍。
文章介绍了TypeSafe AI推出的专用判断模型Jev及其背后的System One Models理念。与通用大语言模型逐token生成不同，Jev专注于答案范围明确的判断任务，提供Choice（选择）、Score（打分）、Noul（概率判断）三种能力，可并行输出多项判断及概率，大幅降低响应时间和调用成本。作者以电商评论处理为例演示了三个特性的用法，并指出Jev与大语言模型是互补关系：判断、分类、打分等环节交给Jev，复杂推理和内容生成仍由大模型承担。这种专用化思路对Agent系统（Harness）友好，有望开辟AI模型分工的新赛道。
作者金尘马分享了一个实用方案：通过 Hermes 为微信单独配置一个专用 Agent，在微信聊天框发送文字即可自动保存到 Obsidian 笔记库，并同步到 GitHub。文章详细介绍了准备工作、Agent 规则配置、微信 ClawBot 连接步骤，并提供了一套完整的一键配置提示词，可交给 Codex 或 WorkBuddy 自动完成配置。整个方案成本低、操作简单，大幅降低了随手记录的摩擦。
本文是使用 Codex 从零搭建多 Agent 数字员工团队的教程。作者提出按工作职责划分 Agent 的方案：为内容创作、项目管理、财务等长期职责分别建立岗位 Agent，每个 Agent 拥有独立的文件夹，保存职责、规则、Skill 和工作流程。文章详细区分了项目与 Agent 的概念，介绍了以 Main Agent 作为数字总经理进行任务路由的使用方式，并给出判断是否需要新建 Agent 的标准。随后通过完整的目录结构示例，逐步讲解根目录规则、Main Agent、内容创作 Agent 的 AGENTS.md 配置方法，以及如何挂载长文写作 Skill，帮助读者构建可持续运转的个人数字员工体系。
本文是 xAI 于 2026 年 8 月推出的 Grok Bot 的万字入门教程。作者把每个 Bot 视作一名长期在岗的数字员工，介绍了 Grok Bot 与 Codex、Claude Code 等工具的区别：它从长期岗位而非单次对话出发，围绕跨软件任务、云电脑、连接器和多 Agent 协作组织工作。文章从创建第一名数字员工开始，讲解如何撰写岗位说明、派发明确结果的任务，并覆盖五大核心组件：Bot、Skill、定时任务、群聊和连接器。最后以电商公司为例，演示搭建包含经营值班员、内容增长专员、库存分析员等岗位的数字员工团队，强调权限边界与人工审批的重要性。
作者分享了做AI自媒体近一年后每天实际使用的AI工具组合：语音输入用闪电说（接入豆包语音模型）；Agent工具主力是订阅ChatGPT Pro的Codex，国内用腾讯WorkBuddy补位；强调学Git与GitHub管理文件版本；关注CLI工具如飞书CLI、OpenCLI，语音转文字用SiliconFlow和阿里云百炼。还展示了会议内容自动录入知识库的工作流：录音豆同步飞书生成纪要，Codex提取人物、项目和待办写入知识库，并定时生成周报。作者建议从简单场景入手，把少数好用工具用熟并配合起来，形成自己的AI工作系统。
本文探讨了去除AI写作痕迹的方法。作者指出，仅靠提示词或改句式无法真正还原个人风格。其终极方法是构建一套写作专家系统，明确作者身份、文章类型规范及禁忌，并通过多轮独立审稿和规则迭代，让AI文章真正具备个人辨识度。
本文介绍了一种利用飞书文档和官方 Lark CLI 搭建云端 AI 知识库的方案。适合习惯云端协作且拥有 Agent 工具的用户，文章详细讲解了如何通过 CLI 将飞书变为 Agent 可读取和回写的知识空间，并提供了具体的搭建步骤、工作规则及测试方法。
文章分享了如何构建稳定的AI知识库架构，参考了LLM Wiki与GBrain理念。详细介绍了目录结构设计，包括原始来源、笔记、原子、概念等分类，以及如何通过Skills工作流实现采集、查询、提炼和写作的全流程配合，强调先定规则再由AI执行的重要性。
本文介绍了如何从零开始搭建个人AI知识库。作者提出了一套包含文本文件、Agent工具、规则和真实任务的工作方式，并详细说明了准备四样要素（开放文件夹、真实任务、Agent工具、工作规则）和五个具体步骤的方法，帮助用户通过简单的流程实现知识的积累与迭代。
文章指出AI知识库搭建失败常因只有资料层，缺了索引、规则和工作流。资料层重质不重量，索引层解决检索路径，规则层限定输出与引用规范，工作流层确保落地任务。
文章指出 AI Skill 在应用中常因大模型的不确定性导致运行不稳定和 Token 消耗过高。作者提出应将确定性流程（如固定代码、参数）沉淀为脚本，仅让大模型负责逻辑判断与调度。通过视频字幕处理案例，详细演示了四步工程化法，并提供了可直接复制的工程化提示词，帮助用户实现流程稳定化与成本优化。
本文指出 Skill 的本质是将个人工作经验固化为 Agent 的操作手册。文章分析了为什么直接套用他人 Skill 往往失效，并提出了三种将个人经验转化为 Skill 的实用方法：拆解并改造他人 Skill、复盘成功的 AI 协作过程、利用 skill-creator 搭建骨架。作者强调通过持续迭代，Skill 能让 AI 越用越像自己，从而实现工作流的自动化和个人知识的资产化。
作者通过亲身经历探讨了AI对传统编程行业的冲击，指出“古法编程”本质上是机器不够聪明时产生的过渡形态。随着AI接管了繁琐的代码执行工作，程序员引以为傲的代码技能看似贬值，实则是从“执行层”向“决策层”升维的契机。文章认为，人类的价值将从重复的苦役中解放出来，转向判断、决策和解决真实问题等AI无法替代的高维能力。
本文探讨了在 AI 快速发展的背景下，企业主与员工对技术采纳截然不同的态度。老板视 AI 为求生手段，渴望通过降本增效重构业务；而员工因缺乏激励机制、恐惧被替代及试错成本高昂，视 AI 为职业威胁。这种收益与成本分配的错位，导致了职场内部“老板急疯，员工不动”的尴尬困局。
