AI Agent实战指南：三层用法让效率翻倍

同样一个AI聊天框，如今已经分化出两种截然不同的用法。有人还停留在"问AI怎么做，再自己动手"的阶段；另一部分人则直接把文件夹丢给AI，让它读资料、整理数据、生成表格，最后直接交出成品。后一种做法，正是当下AI应用最重要的变化——AI Agent。

这篇文章基于B站UP主的实操分享，系统梳理AI Agent的用法与技巧。无论你是各行各业的上班族，还是独立工作者，这套方法都能派上用场。

从"回答问题"到"完成任务"的根本转变

普通聊天框的逻辑很简单：你问一句，它答一段，对话就此结束。Agent则完全不同——你交给它一个目标，它会想一步、做一步、看一眼结果，再决定下一步。走错路会换方向，信息不够会继续查，直到把事情真正做完。

这套工作方法被称为 ReAct（Reason + Act），是让 Agent 走通任务路径的核心机制。过去 AI 交付给你的是一段回答，现在 Agent 交付的是一件做完的事。

值得关注的一个技术细节：传统 AI 聊天框的单次回答有 Token 上限，一次最多能写多长是固定的。但在 Agent 场景下这个限制基本消失了——它会自驱式地一轮轮干活，写不完就接着写，直到整件事交付出来。

正因如此，从年初 Claude Code 带火这个概念开始，OpenAI 的 Codex、各家的 Agent 应用都在朝成熟方向演进。使用方式高度趋同，随便挑一个顺手的就能上手。

ReAct 框架由 Google 研究人员于 2022 年提出，全称 Reasoning and Acting。其核心思路是让语言模型交替执行「思考」（Thought）和「行动」（Action）两类步骤，并在每次行动后观察环境反馈（Observation），再决定下一步。这与人类解决问题的方式高度相似：先分析情况，再动手，看结果，再调整。传统的一次性生成（Generate-only）模式无法处理需要多步骤、依赖中间结果的复杂任务，而 ReAct 让 Agent 能够根据实际进展动态修正路径，而不是在开始时就把所有步骤"猜完"。现代主流 Agent 框架（如 LangChain、AutoGen、Claude Code）均以 ReAct 或其变体作为任务推进的底层逻辑。

第一层：把手头杂事原样交出去

最简单的实践，就是把你手头的机械杂活直接扔给它。

填表格是最典型的例子。有一份 Excel 模板要填，内容你都有，但搬运工作很枯燥。你可以直接说："这张 Excel 是模板，这是我准备的材料，帮我基于模板尽量把内容填进去。"从结果能看到它做了两件事：一是动手——真的在操作电脑里的文件，而不是教你怎么填；二是动脑——填之前它要先想清楚每一栏要什么、材料哪部分对得上。

丢一段视频问内容难度更高。大模型本身听不了视频，但 Agent 会自己想办法：先把音频从视频里拆出来，再找一个开源的语音转文字模型把声音转成文字，最后读完给你总结。整个过程你不需要教它任何一步，它会自行构思出一条能"听"视频的路线。

查最新信息做对照表则暴露了另一个能力。比如让它列一份最新的 Mac mini 全系配置和售价对照表——这类信息在模型脑子里往往是过时的，所以它会自己打开浏览器，去苹果官网像人一样一页页翻，再整理成表。

这三件小事归纳起来，说明这个助手已经具备三样本领：直接操作电脑、没有现成能力时自己想办法、信息不够时自己上网查。这体现了一个思维方式的转变——从现在起，你和电脑之间多了一个实操者，你要做的是发号施令、验收成果，而不是亲自上手。

第二层：给 Agent 叠加能力

Agent 的能力不是固定的，可以往上叠加。叠加方式主要有三种：CLI、Skill、插件。

CLI：给程序留的一扇门

以飞书文档为例。飞书不是公开网页，有自己的门禁和操作逻辑，Agent 一开始读不了。但飞书官方提供了一个叫飞书 CLI 的东西——你可以把 CLI 理解成软件专门给程序留的一扇门，还附了一本开门说明书。图形界面是给人用的，这扇门是给程序走的，而 Agent 恰好擅长走这种门。

你只需说"帮我安装飞书 CLI"，装好并读完说明书后，再让它"把这份内容更新到我飞书的某某文档"，它就能直接做到。留这种门的软件很多，包括谷歌全家桶、Notion、GitHub，以及 Mac 自带的快捷指令。你常用的软件有没有这扇门，直接问 Agent 就行。

CLI 全称 Command Line Interface（命令行界面），是软件提供给程序或脚本调用的文字指令接口。与人通过鼠标点击图形界面操作软件不同，CLI 允许另一段程序用标准化的文字命令来触发同样的功能——例如"创建文档""读取内容""更新字段"。对 Agent 而言，CLI 的价值在于确定性：每条指令的输入输出格式固定，不会因为界面改版而失效，且可以批量、高速执行。许多企业级软件和开发者工具都提供官方 CLI，包括文中提到的飞书、Notion、GitHub，以及 AWS、Vercel 等云服务平台。判断一个软件有没有 CLI，最直接的方式就是在搜索引擎里查"软件名 + CLI"或"软件名 + API"。

Skill：别人走通的操作手册

比如让它下载一条视频并保留最高画质，它默认可能只搞到低清版本，因为很多网站的最高画质视频和音频是分开存储的。这时你可以说"帮我找一个能下载最高画质某平台视频的 Skill"，装上后它就掌握了完整流程：先查网站提供哪些格式、分别下载最高质量的视频和音频、合并、最后检查能否正常播放。

Skill 相当于一份别人已经走通的操作手册。互联网上的 Skill 库已经非常庞大，问 AI 去找就好。更实用的一点是：你和 AI 磨合出来的流程也能反过来沉淀成 Skill——某个工作折腾了一下午才跑通，补一句"把刚才这套流程总结成 Skill"，下次直接复用。用得越久，Agent 越顺手。

插件：一整套外部专业能力

插件是 Skill 和 CLI 的更进一步，相当于给模型接上整套外部专业能力。以给 AI 做动效为例，大模型本就擅长写网页代码，而开源的动画框架插件能结合大模型能力，直接把需求变成动画视频。装上插件后你说"把这段讲解做成一条 10 秒动画"，它会自己设计画面、生成动画、预览、渲染。Agent 只是接了一条别人跑通的生产线，却实现了以前想都不敢想的能力。

小结第二层：CLI 是操作软件的门，Skill 是手册，插件是完整的装备箱。结合第一层，此时的 Agent 已经是一个有手有眼、还背着工具包和操作手册的助手。

第三层：给一个复杂目标，让它自主实现

前两层都是你指定一件具体的事。第三层换个玩法——给它一个更复杂、更大的目标，让它调动全部能力自主实现。

此时的 Agent 会看、会听、会查，能操作浏览器、会想会写、能操作软件；有门就走 CLI 和插件，没门就直接看屏幕、像人一样动鼠标敲键盘（Computer Use）。相当于电脑里有了一个样样都会的助理。

行程规划是入门例子。把大致路线丢给它：从某地出发去某地玩三天，想吃牛肉火锅也想去海边，帮忙查会不会下雨台风、排好每天行程、生成一份 PDF。它会先查沿途天气，结合路线判断哪天适合去海边、哪天有雨安排室内活动，最后写出一份 PDF，连吃什么去哪里都安排清楚，末尾还单列天气风险提醒。这里的"写"已不是一段文字，而是直接产出 PDF。

从工作目标到待办清单用到了 CLI、思考和 Computer Use。把飞书里的月度目标文档拆成本周任务、录进提醒事项 App：它先用飞书 CLI 读出目标文档，思考如何拆解，因为待办软件没留 CLI，它就直接用 Computer Use 打开软件，把任务一条条录进去。

用 Final Cut Pro 剪片是最复杂的案例，也是最令人震惊的一次。把口播素材、脚本、B-Roll 素材一起给它，要求完成初剪。它的做法是：先把视频里的声音转成带时间点的文字，对照脚本判断哪句是重复口播并删除；然后找到苹果官方文档，学会 FCPXML（Final Cut Pro 工程文件格式）的用法，把剪辑决定变成工程文件；再看 B-Roll 素材，结合上下文判断哪段画面该叠在哪句话上；最后用 Computer Use 在 FCP 里把一切落到时间线上。

实事求是地说，这整套跑下来要花不少时间，初剪也不等于成片。但第三层的含金量在于：除了更高层的决策，剩下的活只要给足时间和 Token，它都有可能替你办到。你要做的只有一件事——把目标说清楚。

Computer Use 是指 AI Agent 直接操控计算机图形界面的能力——像人一样移动鼠标、点击按钮、输入文字、截图观察屏幕变化。Anthropic 于 2024 年 10 月率先在 Claude 3.5 Sonnet 中公开演示了这项能力。它的意义在于，当一款软件既没有 CLI 也没有开放 API 时，Agent 仍然可以通过"看屏幕、动鼠标"的方式完成操作，相当于把任何有图形界面的软件都变成可被调用的工具。目前 Computer Use 的速度和稳定性仍不及 CLI 方式，复杂界面操作容易出错，因此实际使用中通常作为 CLI 不可用时的兜底手段，而非首选路径。

Project：给长期任务开一个专属工位

不同场景磨合出的默契，可以归到 Project。它相当于给一件长期的事单独开一个工位，相关资料、规则、历史对话都存在项目里。进了这个门，Agent 就知道自己在给谁干活、按什么标准干。

比如一个专门做脚本创作的 Project，里面放着人设、语言习惯、写作规范和过去几十期脚本。写新脚本只需给一个主题和想法，它就会带着既定风格产出初稿。

关键提醒：交出任务，但别交出判断

"把尽量多的事交给 AI"这个思路，并不意味着把判断和责任也一起交出去。做决策的永远是人。AI 达成结果的上限，就是你的认知上限。它目前能做的还只是提升效率，让工作结果更出色的不是 AI，而是你自己。

每次准备干一个任务前，都可以先问自己一句：这件事是不是可以交给 AI？如果是，就先试着交给 Agent。AI 真正给你的，是让你把省下来的时间投入到更值得坚持的事情上——提升自己的认知，永远是最重要的那件事。