我的角色：在线主讲。
证据与公开范围：依据主办方预告、课程文档与回放；不采用宣传文案中的使用比例作为统计事实。
内容摘要
溪青夜校第十一期，我围绕具体工作讨论如何选择和使用 AI 专家：先看任务需求与专家设定，再核对资料、输出和能力缺口。课程中的评分与上下文对照提供了追问线索，但没有形成通用能力排名。读者可以借鉴的是用一份熟悉的小材料检查实际交付，再决定后续怎样使用。
专家很多，怎样判断谁适合自己的任务？
2026 年 8 月 20 日晚，我继续在溪青夜校第十一期公开课授课，讨论 WorkBuddy 中 AI 专家的选择和使用。主办方活动预告列出了当晚安排。
一个专家的名称和头像可以帮助识别，却不能说明它适合什么输入、能完成什么交付。这场课把注意力放在具体任务上：先理解自己的需求，再查看专家的设定，最后通过实际结果判断。
先了解设定，再谈选择
主办方课程记录区分了专家的人格设定与功能设定，并介绍其角色、工作要求等配置。课程同时提到，部分早期专家可能没有持续更新，质量需要实际测试。
记录用“个人知识库架构师”举例，说明专家可以怎样围绕表格资料组织工作台。这是课堂中的功能举例，不是一个已验证持续同步或已交付客户的项目。对读者更有用的判断是：它需要哪些资料，是否能够读取，输出形式是不是自己真正需要的。
用具体场景缩小选择范围
当时课程介绍的选择方式是：描述场景，让工具推荐候选，再比较它们的专长与缺口。要求里有几个值得保留的细节：先复述对任务的理解，说明推荐理由，列明依赖条件，没有合适人选就不要硬推。
公开课程记录使用了综合评分来帮助比较。整理本文时，我更愿意把分数看作继续追问的入口：依据是什么，哪些能力尚未验证，候选之间有什么实质差别。AI 给自己或其他专家打高分，并不能代替一次实际测试。
可以把比较落到几个可检查的问题上：
| 要了解的事 | 能进一步检查什么 |
|---|---|
| 能处理的输入 | 是否读到了本次材料，格式或权限有没有限制 |
| 计划提供的结果 | 是建议、文件还是可以操作的工具，是否符合用途 |
| 能力缺口 | 哪些环节需要补资料或由人判断 |
| 完成情况 | 实际交付是否包含要求的内容，能否打开并核对 |
这是根据本场方法整理的检查表，不是各专家已经通过的能力测评。
需求不清楚时，让它先反问
课程记录中的考勤例子说明了这一点：如果业务规则没问清楚，直接执行可能很快生成一张表，却要反复返工。把规则确认放在前面，比事后只说“结果不对”更容易找到偏差。
讨论还涉及从支持和反对两个方向分析一个想法，帮助找出自己没有说清的顾虑。这样的对话能帮助整理问题，但最终需要人判断哪些观点适用于自己的情况。
更多上下文有帮助，也要看是否相关
主办方记录保留了两类对照：用一份与多份对话材料分析个人优势，以及在不同工具设置下观察工作台的输出。它们展示了输入背景、模型与专家设定可能影响结果。
这些是具体课堂示例，没有形成控制变量的通用测评。因此，本页不据此给模型排永久名次，也不采用“某个设置必然最好”的结论。与其把资料越塞越多，不如检查它们是否相关、是否互相冲突，以及 AI 是否真的读到了关键部分。
选择之后，用一个小交付来验证
回看这场课，我建议选出候选后，先给一份熟悉的小材料，说明所需结果，再打开它交出的文件或报告逐项检查。验证出一个具体问题，继续修正需求和规则，才知道下一次可以信任到什么程度。
可以从第十一课公开文字记录找到相关主题，再观看AI 专家应用课程回放。8 月 27 日为回放上传日，与 8 月 20 日直播合并记录。
本页依据主办方课程记录整理，未采用宣传中的使用比例，也未将课堂举例写成参与者长期掌握或客户经营结果。
从阅读，走向你的实际问题。
了解 AI 应用培训 ↗