我，一个技术公司的普通行政，成了公司的 AI 产品专家

AI 会让人类更加强大——去年 ChatGPT 掀起新一轮技术变革后，这件事成为了大多科技从业者的共识。

但讨论这个观点的论据，大多在讲大模型能让人做到什么——比如让人类用自然语言和机器交互，多模态大模型能可以让人类简单生成高质量的图片、视频，或者有创业者开发了工具尝试提效创意设计、电商、编程等工作场景。

听了太多「AI能让普通人做什么」的思路，我们想寻找一些不一样的，「普通人用 AI 做了什么」的故事——不只是用 ChatGPT 写个英文邮件，或者让它帮忙想几个参考标题、参考文案，而是一些普通人如何真正利用当下最前沿的 AI 技术，跨越所谓专业背景、经验履历的鸿沟，做出一些真正有价值的事情。

佩琪是今天故事的主人。

她是一家业内老牌科技公司的「非技术人员」。作为一位普通的行政助理，她的日常工作是处理各种公务杂事，从没写过代码，也从没做过业务。

2023 年，一次公司内部的 Workshop 让她第一次接触了 AI，之后一发不可收拾，几个月里开发了十几款 AI 效率工具，并在 11 月 GPTs 发布后做了十几个实用的智能体应用。

她的作品不仅让同事和领导赞不绝口，就连公司老板都注意到她，不仅给她颁奖发钱，甚至在很多次公开演讲中谈到她，以至于公司的程序员、产品经理都跑来向她请教。

同样在她老板的演讲中知道了佩琪的事迹后，我们对她的故事有了更多的好奇：一方面是她做出这些创新背后的动力和过程，另一方面也好奇 AI 在这个过程中起到的作用。

以下是佩琪的自述。希望这个故事可以给想在 AI 时代有所突破的普通人拿来参考，也能给 AI 时代摸索的开发者带来一些启发。

01

没学过编程的助理，

一年做了十几个小工具

我是 2020 年来到猎豹移动的，担任的是 CFO 助理一职。在这之前，我还在其他上市公司做过高管助理。我日常的等工作就是为老板们处理文件、报表、审批这些日常的琐碎杂事，平常用 Word、Excel 等软件比较多。

我是一个典型的文职人员，并不会写代码。大学时，我主修心理学，虽然学过一点 Java，但早忘得差不多了。

虽然不懂代码，但我一直很喜欢鼓捣一些小程序和小工具——十多年前，我尝试过无代码开发，利用引擎制作 PC 端的角色扮演小游戏。我还试过把 QQ 群的聊天记录做成数据库搜索，再引入聊天机器人跟群成员互动。

时间来到 2023 年初，随着 GPT3.5 和 4 的发布，所有人都开始关注 AI。我也很快学着用 ChatGPT 来处理工作，比如用来翻译英文文件、让它帮我制作行程表等等。但这都是比较初级的尝试。

就在这时候，我们公司的创始人傅盛在内部组织开展了一场「全员 AI 自我革命」的活动，任何对 AI 感兴趣的员工都可以报名参加。我们很多员工都报名参加了，一共有 200 多人。HR 把我们分成了十几个课题组，有做图片优化类的、做小应用开发的等等，每个课题组要做一些 AI 尝试、同时跟大家分享经验。

当时我参加的课题组，大家一起做了一个员工用的 AI 智能助手。它相当于公司的中控服务台，不管问它关于公司的什么问题，它都会解答。后来我们这个项目拿到了「CEO 特别奖」。

和团队一起做学习做 AI **的过程，让我对怎么从零到一创造一个有 AI 能力的产品，有了更深入的了解。**后来我就开始有意识地想，我做的每一项工作，能不能通过做一个 AI 产品来替代？

当时，老板刚好给了我一个转换文件的需求。我需要将他给我的一份复杂、专业的财务文件，从 pdf 格式转成 word 格式。我试用了一下网上的软件，但转换的效果不好，会丢失一些内容。所以我就想，为什么我不自己写个程序试试呢？

刚开始我是让 ChatGPT 教我怎么写，后来我就直接让 ChatGPT 帮我写。程序语言 Python 上有很多开源的代码库，我在里面找到了一个特别适合把 pdf 格式转成 word 格式的代码库。我让 ChatGPT 模仿它帮我写了一个基本代码架构，再复制到开发环境来运行、调试。

几个小时过去，我真的做出来了一个小工具。我为这个小程序设计了图形用户界面和图标、并打包成了可执行文件，只要把 pdf 文件上传进去，就能转成 word 文件——这大大提高了我的工作效率。而且相比于网上的方案，这个工具是免费的、更安全的，而且我还能把它发给同事们、节省大家的时间。

佩琪开发的十余款效率工具｜图片来源：受访者

我的老板也夸我做得还挺牛。 这些正反馈给了我更多动力去尝试，我开始尝试把更多工作中其他的需求，都通过 AI 开发产品来完成。

比如管理层频繁出差，各种文件经常需要电子签名审批，在老板授权后，远程协助老板完成电子签章。过去，我是用 Photoshop 抠图做，但这很繁琐，也并不是每位助理都精通，我经常要反复教同事怎么做。于是，我在 ChatGPT 的帮助下，也只用十几分钟就做出了一个签名提取小程序，解决了这个问题。

就这样，我做出了大概十几个小程序，包括文件 PDF 合并、PDF 转 Word、PDF 压缩、URL 生成二维码、图片压缩、签名提取、图片转 PDF、图片改尺寸、PDF 加水印、上市公司数据查询等等。

我把这些工具集成到一起，做成了一个叫「易工具 EasyTool」的平台。同事只需在微信聊天框发送需要处理的文件，并输入简单的指令，就可以直接处理文件。

从零代码基础的普通人到一口气开发出多款工具，我的飞速成长让大家很吃惊。也正是因此，去年底，我拿到了公司发的「AI 卓越贡献者」称号。其中还包括十万普通股（价值数万元）的股权激励。在十名获奖者中，我是唯一的非程序员。

回顾这个过程，我觉得是一直有做产品想法的我，碰到了真正强大的这波新的 AI 技术、能够弥补我不懂代码的短板，让我终于能够实现自己的产品设想——而这背后离不开公司的组织，那场「全员 AI 自我革命」的活动推了我一把。

02

有了 GPTs，

开发应用更简单了

到了去年 11 月，一个很重要的行业事件是 OpenAI 发布了 GPTs。

当时，我看到 Sam Altman 介绍为什么要发布 GPTs：OpenAI 团队已经关注到很多用户想要做应用，但他们却没有编程基础，OpenAI 希望让大家用自然语言就可以编写程序。

这番话让我非常激动，因为我就是这样的用户——OpenAI 把开发的门槛进一步降低了，未来我们只要内心有对产品的设想，用自然语言，而非代码，就可以开发出产品。

一个新的开发时代到来了。

我很快也开始尝试在 OpenAI 官网上开发自己的 GPTs，脑海里也有了一些面向大众的、有意思且简单的产品创意。比如我想做一个「英文名的中国书法」产品，我在国外时，发现外国人特别喜欢毛笔写的英文名。如果他的英文名叫 Nick，我给他翻译成尼克，再用毛笔给他写出来，老外就觉得很酷。大家对中国文化很感兴趣。

我要让机器听懂我的话、帮我实现需求，就需要提示词工程（prompt engineering）——这是一个全新的领域，虽然 OpenAI 给了一个官方教程，但具体怎么写，每个人都要自己探索，也都有自己的风格。但最核心的就是让 AI 理解你的意思。

这背后考验的是，第一，你需要有很清晰的构思，这个时代特别适合脑子清楚地知道自己要什么的人。第二，你要不断地去实践，在电脑上去跑通它，就像跟人交流一样，你要多跟它磨合。

以「英文名的中国书法」这个 GPTs 为例，我的 prompt 大概是这么写的：

先讲述主任务是把英文名转化为中文名、输出中文名的预览图；之后，我会对主任务拆解，严格设置一些规则，比如规定不同音节英文名对应的不同中文名翻译；然后，我让它严格地按照我给定的图片格式进行输出。就这样，一整段 1000 多字的 prompt 之后，我的产品就开发出来了。用户只要在聊天框输入英文名，就可以自动获得一张中文书法图片。

佩琪开发的「英文名的中国书法」GPTs 及背后 prompt ｜ 图源：受访者

就这样，我一口气开发了十几种 GPTs。其中很多是用在生活中的，比如「幸运饼干」。

在国外的时候，我发现餐厅会做「幸运饼干」，客人把饼干掰开之后，会看到里边有一个小纸条，上面写着一句话、代表今天的好运。于是我也用提示词开发了这款 GPTs，用户在聊天框输入一个幸运饼干，就能得到里面被掰开的好运句子。

慢慢地，公司内部也肯定了我的开发能力，业务部门那边开始找我帮他们做研发。

比如我给公司做了「壁纸素材」。起源是，我们公司的一些业务部门需要生产壁纸素材，但过去我们是靠原画师一张一张地画，他们可能需要用 stable diffusion 调很多的参数，比较花时间。后来我就写了一个 GPTs，让他们只用简单写几个字，就能获得符合要求的图片。比如过去每人每天只能生成 10 张有效图片，现在就能生成 100 张了。大大提高了生产力。

又比如「短视频文案」。我们有时候需要做一些短视频，但大家可能一时脑海里没有情节。于是我就写了这个 GPTs，帮助同事直接设计一整套短视频文案，包括标题、结尾、视觉元素等等。接下来，还有很多公司内部的业务需求，可以让我一起去开发解决。

这真是一个全新的时代。之前，像我这样的非技术人员，根本不会投入到研发工作中。而现在，我们可以直接参与研发了。我开始制作提示词工程的相关心得，在公司内部分享。我发现，每次来听分享的人都在增多。甚至有专门的程序员跟我来请教，它们也想学习这个新兴的开发方式。

我觉得，在可以预见的将来，自然语言会慢慢地取代以前编写代码的开发方式。如果说，过去的工业革命是把能源转换成生产力，这轮 AI 就是把语言转化为生产力——这是一场全新的范式革命。

03

我想试试自己做个游戏

当我意识到 AI 能做这么多事情之后，我决定重燃当年上大学时未竟的梦想，那就是开发游戏。

我一直是个有很多天马行空想法的人，喜欢琢磨剧情、写过几十万字小说、也喜欢动漫设计。十多年前，我就想过开发游戏，当时试过无代码游戏开发架构。

但当时比较大的困难是，一款游戏对于美术素材的需求量极高，比如每一个游戏角色都有服装、造型、装备等等，这是我一个人画不完的。

但在现在的 AI 时代，这些都不成问题了。

过年期间，我决定开发一款抢红包的贺岁小游戏试试。当时我还特意问了淘宝客服做一款这种游戏的报价，要 6000 元起。

于是我开始自己做。游戏的主框架和美术素材都用 ChatGPT 生成，仅用两小时就完成了。再经过我的部署调试，很快，一款红包雨小游戏就做好了。

佩琪开发的招财进宝游戏｜图源：受访者

我正在写这款游戏的录屏教程，计划用作公司的课程培训。

自从我学会用 AI 做开发之后，我就开始在公司内部进行经验分享和培训。目前，已经分享过 4、5 次，报名人数也越来越多，公司有一大半的人都听过我的分享。

我把这些下载链接和制作教程都放公开了，让大家可以更方便获取。有一位完全没有编程经验的审计同事，在听完我这些分享之后，也自己制作出了一款文件筛选工具。

这就是 AI 带来的伟大变化。我认为它能快速帮某领域的非专业人员达到中等专业水平——未来很多岗位的限制，可能都会因为初阶技能的消失而打通。

这可能会对一些职业产生冲击，比如程序员可能会忧心忡忡，自己仅靠写代码完成需求的时代，是否一去不复返了？

但反过来说，这也是个体的机会。

未来很有可能是一个 AI 超级单兵的时代——只要你有想法、创意，其他的事情都可以让 AI 帮你完成。

比如国外有个小哥 Javi Lopez，他不会画画、也不会编程，就靠自然语言做出了「愤怒的小鸟」的游戏 demo，还被「愤怒的小鸟」的产品经理点赞了。

未来我的进一步计划是，准备建设一个开发框架，让所有有创意但是不会写代码、不会画画的开发者，都能通过我这套框架，来轻松制作小游戏。

在我看来，这个时代对那种有创造性、且横跨多个领域和学科的人更有利。 你只要懂、AI 可以帮你精，让你实现各个领域的初级水平跃迁，做成你想做的事情。

从零基础到开发出产品，我觉得这件事挺简单、挺自然的。但很多人不这么觉得，当他们没有尝试的时候，就会把这个事想得很难。

一方面，这背后确实需要兴趣作为支撑。我对这件事的兴趣极浓，工作日我很晚才下班，周末也很少出去玩，就一直在钻研这些技术、设计、产品。

另一方面，来自公司和组织的推力也确实重要。直到现在，「全员 AI 自我革命」的横幅还挂在我们公司。

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以V扫描下方二维码免费领取🆓

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。
• 内容：
  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
    - L1.4.1 知识大模型
    - L1.4.2 生产大模型
    - L1.4.3 模型工程方法论
    - L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
• 内容：
  • L2.1 API接口
    - L2.1.1 OpenAI API接口
    - L2.1.2 Python接口接入
    - L2.1.3 BOT工具类框架
    - L2.1.4 代码示例
  • L2.2 Prompt框架
    - L2.2.1 什么是Prompt
    - L2.2.2 Prompt框架应用现状
    - L2.2.3 基于GPTAS的Prompt框架
    - L2.2.4 Prompt框架与Thought
    - L2.2.5 Prompt框架与提示词
  • L2.3 流水线工程
    - L2.3.1 流水线工程的概念
    - L2.3.2 流水线工程的优点
    - L2.3.3 流水线工程的应用
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
• 内容：
  • L3.1 Agent模型框架
    - L3.1.1 Agent模型框架的设计理念
    - L3.1.2 Agent模型框架的核心组件
    - L3.1.3 Agent模型框架的实现细节
  • L3.2 MetaGPT
    - L3.2.1 MetaGPT的基本概念
    - L3.2.2 MetaGPT的工作原理
    - L3.2.3 MetaGPT的应用场景
  • L3.3 ChatGLM
    - L3.3.1 ChatGLM的特点
    - L3.3.2 ChatGLM的开发环境
    - L3.3.3 ChatGLM的使用示例
  • L3.4 LLAMA
    - L3.4.1 LLAMA的特点
    - L3.4.2 LLAMA的开发环境
    - L3.4.3 LLAMA的使用示例
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
• 内容：
  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

学习计划：

• 阶段1：1-2个月，建立AI大模型的基础知识体系。
• 阶段2：2-3个月，专注于API应用开发能力的提升。
• 阶段3：3-4个月，深入实践AI大模型的应用架构和私有化部署。
• 阶段4：4-5个月，专注于高级模型的应用和部署。

这份完整版的大模型 LLM 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取🆓