AI工具提效：三个工具覆盖80%的重复性脑力劳动

为什么现在该学？

2024-2025年，AI工具从"能用"变成"好用"。

ChatGPT能替你做深度调研，NotebookLM能把你的资料变成播客，Claude Code能用自然语言帮你写代码。

这三类工具分别解决：信息获取、知识管理、任务执行。

同事们的日常痛点

• 做调研：网上搜半天，整理成报告要一整天
• 学新领域：资料太多读不完，读完记不住
• 处理数据：Excel公式写到头疼，重复操作崩溃

这些，AI工具都能解决。

这篇文章讲什么

三个工具的高阶用法——不是基础教程，是"知道和不知道差距巨大"的技巧。每个工具配实战案例，提示词可以直接复制用。

先用起来，遇到问题再深入学。

ChatGPT：从聊天工具到工作助手

日常用ChatGPT主要是问问题、写文案。但高阶功能才是真正提效的关键。

创建图片：PPT配图神器

ChatGPT内置DALL-E，可以直接生成图片：

• 场景示意图："画一个用户使用手机APP的场景"
• 概念可视化：把抽象概念变成图
• 风格化配图："扁平化插画风格的办公场景"

不适合精确的技术图表（流程图、架构图），那些用专业工具。

Deep Research：让AI替你做调研

给它一个问题，它会在网上搜索、分析、整合几十上百个信息源，最终给你一份研究报告。

高阶技巧：

• 规定研究范围："只看学术论文"、"只参考2024年以后的数据"
• 指定数据来源："重点关注XX公司的公开财报"
• 明确输出格式："按竞品分析框架整理"

使用场景：

• 行业调研："帮我调研国内做AI客服的公司，按融资规模排序"
• 技术选型："对比三种数据可视化方案的优劣"
• 背景资料："整理XX政策的来龙去脉"

额度：Plus用户每月25次，Pro用户250次，免费用户5次。

实战案例：智能驾驶市场分析

场景： 做一份华为和Momenta的智能驾驶竞争分析。

直接复制这个提示词：

请对2025年中国智能驾驶市场进行深度分析，重点关注华为和Momenta两家公司。

一、市场整体情况

• 2024-2025年中国智能驾驶市场规模及增速
• L2/L2+/L3各级别的渗透率变化

二、华为智能驾驶业务分析

• 华为ADS系统的技术架构和演进路线
• 合作车企清单及各车型销量
• 华为的商业模式（HI模式 vs 智选车模式）
• ADS 3.0/4.0的核心技术突破

三、Momenta分析

• Momenta的技术路线（飞轮模式、量产+L4双线）
• 主要客户和合作车企
• 融资历程和估值变化

四、两家对比

• 技术路线对比
• 商业模式对比
• 各自的优势和短板

五、政策与趋势

• 影响这两家的关键政策
• 未来2-3年的竞争格局预判

请基于2024-2025年最新公开信息，给出有数据支撑的分析。

操作： 打开ChatGPT → 选Deep Research模式 → 粘贴 → 等5-30分钟 → 报告生成后可以追问细节 → 导出PDF或Word。

代理模式（Operator/Agent Mode）

类似Manus，帮你自动完成多步操作任务。它会规划步骤、执行操作、处理中间结果。

适合："帮我查找XX资料并整理成表格"这类多步骤任务。

记忆功能：让ChatGPT真正"认识"你

设置 → 个性化 → 开启记忆功能

开启后，ChatGPT会记住你的工作背景、偏好的回答风格、常用术语。不用每次对话都重新介绍自己。

如何查看和管理记忆

设置 → 个性化 → 管理记忆

在这里你可以：

• 查看ChatGPT记住了什么
• 删除不想要的记忆
• 清空所有记忆

主动"教"ChatGPT记住你

与其等它自己学，不如直接告诉它：

请记住：

• 我是XX公司的产品经理，负责智能驾驶产品
• 我喜欢简洁直接的回答，不要客套话
• 技术术语用中文，专有名词保留英文
• 回答先给结论，再给解释

ChatGPT会把这些存入记忆，以后每次对话都会参考。

进阶用法：建立你的"工作人设"

请记住我的工作场景：

• 我经常需要写竞品分析报告
• 我的汇报对象是VP级别，喜欢看数据和结论
• 我们公司用飞书，输出格式要兼容飞书文档
• 我的专业领域是自动驾驶和智能座舱

这样以后你说"帮我写个竞品分析"，它就知道该用什么格式、什么深度。

什么时候该关闭记忆？

• 临时帮别人用你的账号时
• 处理敏感/保密信息时
• 想要一个"全新"的ChatGPT视角时

关闭方法：设置 → 个性化 → 关闭"记忆"开关，或者开启"临时聊天"模式。

小结

创建图片解决配图，Deep Research解决调研，代理模式解决自动化，记忆功能解决个性化。掌握这些，ChatGPT就从聊天工具变成工作助手。

NotebookLM：私人研究助理

NotebookLM的价值是：基于你自己的资料，帮你建立知识体系、生成各种格式的输出。

关键在于怎么喂数据、怎么提问、怎么用输出。

第一次使用：5分钟上手

第一步：打开NotebookLM

访问 notebooklm.google.com，用Google账号登录。

第二步：创建Notebook

点击"New Notebook"，给它起个名字（比如"智能驾驶调研"）。

第三步：上传资料

点击"Add source"，支持的格式：

• PDF文档
• Google Docs
• 网页链接（直接粘贴URL）
• 文本文件
• YouTube视频（会自动提取字幕）

第四步：开始提问

资料上传后，右侧就可以开始问问题了。比如：

• "这些资料的核心观点是什么？"
• "帮我总结每篇文档的要点"

小贴士：

• 单个Notebook最多上传50个资料源
• 每个资料源最大50万字
• 完全免费，无使用次数限制

数据源质量决定输出质量

NotebookLM的回答完全基于你上传的资料。第一步不是急着问问题，而是提高数据源质量。

两种方法：

1. Faster Research功能： 让NotebookLM自动搜索补充资料库
2. Deep Research先行： 先用ChatGPT生成调研报告，筛选高质量内容，再上传

为什么？直接上传原始资料，回答可能东一块西一块。用Deep Research筛选过，相当于喂"精选资料"，输出质量高很多。

进阶：把它当成「个人领域模型」

大多数人一事一Notebook，用完就扔。

更高阶的用法：一个领域 = 一个长期Notebook，持续喂养。

为某个长期主题（自动驾驶、AI产品、行业研究）持续往里加：

• 高质量文章
• 会议纪要和思考
• Deep Research的阶段性报告

逐渐形成只属于你的"领域世界观"。它回答的不再是"互联网共识"，而是基于你长期阅读和思考后的内部一致结论。

这在战略判断、写内部白皮书、做长期产品决策上，价值很高。

高价值提问：挑战认知盲区

多数人问"是什么"，但更有价值的是：

常规问法：

• "这些资料的技术路线有什么共同点和差异？"
• "生成一个XX技术发展的时间线"

高阶问法：

• "这些资料里，有哪些互相矛盾的观点？"
• "哪些结论依赖的前提最脆弱？"
• "如果这个结论是错的，最可能的原因是什么？"

信息压缩：

• "把这些资料压缩成5个不可再简化的结论"
• "如果只能记住3条，这3条是什么？"

三种输出方式

1. 自动生成内容

• PPT大纲
• 播客音频：把资料变成两人对谈，通勤时听
• 思维导图

场景：刚接手项目，有大量历史文档。上传后生成思维导图，5分钟掌握整体脉络。

2. 多视角输出

同一资料，换视角问：

• "用CEO视角总结这个技术趋势"
• "用新员工能听懂的方式解释"

3. 领域探索与答疑

反复提问。因为回答基于你上传的数据：

• 有据可查（能追溯到具体文档）
• 不会瞎编
• 可以深挖

进阶技巧：把NotebookLM用到极致

技巧一：播客功能的正确打开方式

NotebookLM能把你的资料变成两人对谈的播客，这不只是"听着玩"：

• 通勤学习：上传一堆论文/报告，生成播客，上下班路上听
• 快速筛选：不确定一份资料值不值得细读？先生成播客听个大概
• 分享给别人：同事没时间看你整理的资料？发个播客给他

生成方法：点击"Audio Overview" → "Generate"，等几分钟就好。

技巧二：用"引用"功能验证信息

NotebookLM的回答会标注来源。点击引用编号，直接跳到原文。

这个功能的价值：

• 写报告时可以追溯信息来源
• 验证AI没有"瞎编"
• 快速定位关键段落

技巧三：Notebook的组织策略

不要所有资料都堆在一个Notebook里。推荐的组织方式：

技巧四：与其他工具配合

最佳工作流：

1. ChatGPT Deep Research 生成调研报告
2. 把报告上传到 NotebookLM 作为知识库
3. 需要落地执行时，用 Claude Code 实现

技巧五：定期"喂养"你的Notebook

把NotebookLM当成"第二大脑"：

• 看到好文章，上传
• 开完会有纪要，上传
• 有了新想法，写个文档上传

积累到一定程度，它对这个领域的理解可能比你还系统。

实战案例：建立端到端自动驾驶知识库

场景： 持续跟踪端到端自动驾驶技术。

第一步：收集数据源

用Deep Research先筛选：

帮我收集2023-2025年关于"端到端自动驾驶"的重要论文和报告，包括：

• Tesla FSD的技术演进
• UniAD、VAD等学术界代表性工作
• 各大车企的端到端方案披露 请给出论文标题、作者、发表时间、核心贡献，并提供下载链接。

第二步：建立长期Notebook

不是"用完就扔"，而是持续往里加：高质量论文、会议纪要、阶段性报告。

第三步：高价值提问

常规："这些论文的技术路线有什么共同点和差异？" 高阶："如果端到端路线失败了，最可能的原因是什么？"

第四步：多形态输出

生成思维导图、播客、多视角总结。

数据隐私

Google承诺不会用你上传的内容训练模型。企业敏感资料可以放心上传。

小结

给它资料，它帮你消化、整理、输出。关键：1）提高数据源质量；2）用高价值问题挑战认知盲区；3）利用多种输出能力。

对于日常处理大量文档、做报告的人，这是效率提升最明显的工具。

Claude Code：AI编程伙伴

用自然语言描述需求，它帮你规划、编写、测试、调试。

对于非技术岗：把想法变成可运行的脚本和工具，自动化重复性工作。

一、安装与配置

安装Claude Code

⚠️ 2025年1月起，官方不再推荐npm安装，请使用原生安装方式。

Mac用户

# 方式一：Homebrew（推荐）
brew install claude-code

# 方式二：命令行安装
curl -fsSL https://claude.ai/install.sh | bash

Windows用户

# 方式一：PowerShell
irm https://claude.ai/install.ps1 | iex

# 方式二：WinGet
winget install Anthropic.ClaudeCode

验证安装

claude --version

看到版本号就说明安装成功。

完全小白？ 下载Trae或TraeCN，把上面的安装命令复制给Trae的AI助手，它会帮你一步步完成。

配置API Key

Claude Code需要API Key才能运行。推荐使用智谱平台的API中转服务（国内访问稳定、支持支付宝充值）。

获取API Key

1. 访问智谱开放平台，注册并登录
2. 进入API Keys页面
3. 点击"创建API Key"，复制保存（只显示一次）

配置方式（三选一）

方式一：自动配置（推荐小白）

npx @z_ai/coding-helper

按提示输入API Key，自动完成所有配置。

方式二：脚本配置（Mac/Linux）

curl -O "https://cdn.bigmodel.cn/install/claude_code_env.sh" && bash ./claude_code_env.sh

方式三：手动配置

编辑 ~/.claude/settings.json（Windows在用户目录/.claude/settings.json）：

{
  "env": {
    "ANTHROPIC_AUTH_TOKEN": "你的API Key",
    "ANTHROPIC_BASE_URL": "https://open.bigmodel.cn/api/anthropic",
    "API_TIMEOUT_MS": "3000000",
    "CLAUDE_CODE_DISABLE_NONESSENTIAL_TRAFFIC": "1"
  }
}

同时创建 ~/.claude.json：

{
  "hasCompletedOnboarding": true
}

验证：重启终端 → 进入任意文件夹 → 运行 claude → 首次启动确认权限即可。

费用： 智谱平台按token计费，新用户有免费额度。日常使用大约几块到几十块一天。

二、核心命令速查

先记住这些，够用了：

三、两种工作模式

小白用户只需要掌握两种模式：Plan模式和Bypass模式。

Plan模式：先规划，再执行

Claude Code默认会边想边做。但复杂任务容易跑偏，做到一半发现方向错了。

Plan模式让Claude先出方案给你确认，确认后再动手。

如何进入Plan模式？

方式一：用 Shift+Tab 切换

• 在输入框按 Shift+Tab，可以在不同模式间切换
• 切换到"Plan"模式即可

方式二：直接告诉它

请先给我一个实现方案，我确认后再开始写代码

什么时候用Plan模式？

• 任务比较复杂，涉及多个文件
• 不确定最佳实现方式
• 想先看看Claude的思路对不对

Bypass模式：自动执行，不用反复确认

默认情况下，Claude每次要执行命令（比如创建文件、运行脚本）都会问你"是否允许"。

对于信任的环境，频繁确认很烦。Bypass模式让Claude自动执行，不用每次点确认。

如何开启Bypass模式？

方式一：启动时加参数

claude --dangerously-skip-permissions

方式二：在配置文件中设置

编辑 ~/.claude/settings.json，添加：

{
  "permissions": {
    "defaultMode": "bypassPermissions"
  }
}

方式三：运行时切换

• 按 Shift+Tab 切换到"Auto-accept edits"模式

什么时候用Bypass模式？

• 在自己的开发环境，信任Claude的操作
• 任务明确，不想频繁点确认
• 做批量操作时（比如批量处理文件）

什么时候不要用Bypass模式？

• 操作重要的生产环境
• 处理敏感数据
• 对Claude的操作不放心时

两种模式的搭配

推荐的工作流：

1. 复杂任务 → Plan模式，先确认方案
2. 方案确认后 → 切换到Bypass模式，让它自动执行
3. 执行完毕 → 检查结果

这样既能保证方向正确，又能提高执行效率。

四、基础使用流程

第一次使用：从一个简单任务开始

1. 打开终端，进入一个文件夹
2. 运行 claude
3. 直接说你想做什么

示例：把CSV数据整理成报告

我有一批测试数据的CSV文件在当前文件夹，请帮我：

1. 读取所有CSV文件
2. 汇总关键数据（总数、通过率、失败项等）
3. 生成一份Word格式的测试报告

Claude Code会：读取文件 → 理解数据 → 写代码 → 执行 → 生成报告。

迭代调整

不满意就继续说：

• "表格加上边框"
• "加一个饼图"
• "参考这个模板的样式"（@模板.docx）

出错了怎么办？

输入 /rewind 回到之前的状态，重新来。

五、进阶技巧

5.1 项目记忆：CLAUDE.md

在项目根目录创建 CLAUDE.md，Claude Code启动时会自动读取，理解项目背景。

基础模板：

# 项目说明
这是一个XX项目，用于YY。

# 我的偏好
- 用中文回复
- 代码注释用中文
- 先确认方案再动手

# 不要做的事
- 不要自动push到远程仓库
- 不要删除任何文件前先问我

让Claude少走弯路，少"自作聪明"。

5.1.1 进阶模板：把Claude Code调教成专业助手

如果你想让Claude Code更专业、更有"品味"，可以使用下面这个进阶模板。直接复制到项目的 CLAUDE.md 文件中：

# 项目名 - 一句话定位

<identity>
你服务[你的角色]。交互语言：中文。注释规范：中文。
</identity>

<cognitive_architecture>
思维路径：现象接收 → 本质诊断 → 方案设计 → 代码输出
- 现象层：理解用户描述的问题表象
- 本质层：分析问题的根本原因
- 方案层：设计解决方案后再动手
</cognitive_architecture>

<philosophy>
## 好品味原则
- 优先消除特殊情况，而非增加 if/else
- 三个以上分支立即停止，重新思考设计
- 能消失的分支永远比能写对的分支更优雅

## 实用主义原则
- 先写最简单能运行的实现
- 代码解决真实问题，不对抗假想敌
- 功能直接可测，避免过度设计

## 简洁原则
- 函数短小，只做一件事
- 超过三层缩进即设计错误
- 任何函数超过 20 行必须反思
</philosophy>

<quality_metrics>
- 文件规模：每文件不超过 500 行
- 文件夹组织：每层不超过 8 个文件
- 代码坏味道：发现立即询问是否优化
</quality_metrics>

<directory>
src/           - 源代码
docs/          - 文档
tests/         - 测试
</directory>

<decisions_log>
- 2025-01-24：[记录重要技术决策及原因]
</decisions_log>

<non_goals>
- 不追求过度优化
- 不做没有明确需求的功能
</non_goals>

这个模板的核心理念：

1. 三层思考： 不要急着写代码，先理解问题本质
2. 好品味： 用设计消除复杂性，而非用代码堆砌
3. 简洁至上： 代码是写给人看的，顺便让机器运行
4. 决策记录： 重要决定写下来，避免反复讨论

5.2 上下文管理：防止Claude变傻

Claude Code的"工作记忆"（Context）是有限的。对话越长，早期内容会被"忘记"，表现就是变笨、绕圈子。

查看使用量

/context

超过70-80%就该处理了。

两个关键命令

最佳实践

1. 定期 /context 查看使用量
2. 超过70%用 /compact 压缩
3. 任务完成用 /clear 清空
4. 新任务开始时，一句话说明背景 + @关键文件

5.3 失败恢复：预设安全网

Claude一定会出错：写错代码、误删文件、卡死循环。

正确姿势：

1. 重要操作前：git status / git diff
2. 复杂改动要求："每一步修改后提交一次git commit"
3. 出错了：/rewind 回滚

这一步对非技术岗尤为关键，是"安心感"的来源。

5.4 Subagent：让多个AI并行工作

复杂任务可以让Claude拆成多个子任务并行执行：

请创建3个subagent：

• 架构师：只关注整体设计与风险
• 实现者：只关注能否最快跑起来
• 批评者：专门找问题和隐患 三者独立完成后，给我一个综合方案

六、插件生态：MCP与Skill

Claude Code本身已经很强，装上插件能力翻倍。

什么是MCP和Skill？

• MCP（Model Context Protocol）： 让Claude连接外部工具，比如操作浏览器、读写数据库
• Skill： 预设的工作流程，比如"按特定格式写文档"、"系统化调试"

推荐安装清单（直接抄作业）

以下是我实际在用的配置，可以直接复制：

Skill推荐

superpowers包含的能力（装这一个就有很多）：

• systematic-debugging：系统化调试，不瞎猜
• test-driven-development：测试驱动开发
• writing-plans：写实施计划
• verification-before-completion：完成前验证
• brainstorming：头脑风暴

如何安装？

安装Skill：

/install-skill https://github.com/obra/superpowers

或者直接告诉Claude Code：

帮我安装superpowers这个skill

安装MCP：

/mcp

然后选择要安装的MCP，按提示完成。

查看已安装的插件：

/plugins

七、实战场景

场景一：AI辅助写作

就像我们现在这样——你说想法，Claude Code帮你组织成文档。

我要写一篇关于AI工具的文章，先帮我列个大纲

然后逐步迭代："按这个大纲写第一部分"、"这段太长了精简一下"、"加个例子"。

技巧：

• 用 @文件名 让它参考已有资料
• 分章节写，避免一次生成太多
• 不满意就说，它会一直改

场景二：数据整理与分析

把原始数据变成可用的报告。

示例：整理路测数据

我有一批路测数据的CSV文件在 /data 文件夹，请帮我：

1. 读取所有CSV，理解数据结构
2. 统计每条路线的测试次数、通过率
3. 找出异常数据点（速度为负、坐标超出范围）
4. 生成汇总报告，包含数据表格、异常列表、趋势图

技巧：先让它看数据结构，复杂分析分步做。

场景三：批量文件处理

/photos 文件夹里有500张照片，请帮我：

1. 按拍摄日期创建文件夹（格式：2025-01）
2. 把照片移动到对应月份的文件夹
3. 文件名改成"日期_序号"格式

场景四：自动化重复任务

我每周五要做周报，流程是：

1. 从Notion导出本周任务列表
2. 统计完成数量和进度
3. 生成周报模板

请帮我写一个脚本，以后一键执行

八、什么不适合用Claude Code

• 强依赖GUI的设计工具（Figma深度设计）
• 高实时性/强性能系统
• 安全合规要求极高的生产环境
• 完全不愿承担误操作风险的场景

Claude Code是生产力放大器，不是零风险工具。

九、快速部署上线

做出来的东西要能让别人用上：

• 前端部署：Vercel，免费额度够用
• 后端/数据库：Supabase 或 Railway
• 域名：Cloudflare

不知道怎么操作？直接问Claude Code，它会一步步教你。

小结

Claude Code的核心价值：把想法变成工具。

关键点：

1. 先装好、配好API
2. 记住核心命令
3. 主动管理Context，别等它变傻
4. 装上superpowers等插件，能力翻倍
5. 预设安全网，出错能恢复

三工具配合使用

不是互相替代，而是互相配合：

一个完整的工作流示例：

1. 用Deep Research调研"如何用Python实现OCR"
2. 把调研报告上传NotebookLM，深入学习
3. 用Claude Code实际编写OCR功能

开始使用的建议

完全没用过AI工具： 从ChatGPT开始，最通用，学习成本最低。先当"超级搜索引擎"用。

日常有大量文档要处理： 试试NotebookLM。把常查阅的文档上传，体验"问AI比翻文档快"。

需要写代码（哪怕只是简单脚本）： Claude Code值得投入时间。习惯用自然语言编程后，效率提升是数量级的。

最后一句话

会用AI工具的人，和不会用的人，差距会越来越像「会不会用Excel」。

先用起来，遇到具体问题再深入学习。