AI 时代的学习，最容易被低估的地方，不是 AI 能帮你总结多少内容，而是它能不能把一次学习变成后续可反复调用的能力。
过去上完一门课，很多人会做三件事：录音、拍照、记笔记。听的时候很有感觉，回来以后材料散在手机、微信、电脑文件夹里。三个月后再打开，通常只剩下一堆熟悉又陌生的文件。不是人不努力，是传统学习方式天然很难对抗遗忘、碎片化和上下文丢失。
我最近做的事情，是把几十万买来的课程，一步步蒸馏成公司内部可调用的 AI Skill、内训 PPT、业务网站和经营增长系统。这个过程里真正有价值的，不是“做了一个网站”，而是学习成果从个人理解，变成了组织可以复用、追问、执行和复盘的能力。
一、学习方式变了
以前的学习路径，大概有两种。
一种是看书、上课、参加培训。书和课的本质，是别人把多年经验、失败教训和长期思考压缩成高密度内容。你花钱买的不是信息本身，而是别人筛选、组织和验证过的判断框架。
另一种是找高手聊天。很多时候，一本书讲几万字，一个真正有经验的人一句话就能点醒你。高手真正有价值的地方，经常不是给答案，而是帮你重新定义问题。
到了 AI 时代，我觉得要加上第三种方式：和 AI 深度交流、拆解、复盘。
这个“高人”不是某个具体的人，而是一个可以持续陪你读书、拆课、追问、重组知识的智能伙伴。它不会忘记你三个月前上过哪门课，也不会因为资料太碎就懒得整理。只要输入和流程设计得当，它能把看书、上课、聊天、会议复盘里的知识，沉淀成一组组可以再次调用的能力。
这就是 AI Skill 的价值。
它不是简单的提示词，也不是课程总结。一个好的 Skill，应该包含：
- 适用场景：什么问题该调用它；
- 输入要求：需要用户提供哪些资料；
- 判断步骤：按什么逻辑分析；
- 输出结构：最终生成什么结果；
- 追问机制：信息不足时怎么补齐；
- 边界条件：哪些情况不能硬套。
从这个角度看，一门课的终点就不再是“我听懂了”，而是它能不能进入公司的日常工作流。
二、知识要进入流程
很多课程之所以学完没效果，不是课程没价值，而是知识停在了认知层面。
老师讲的是方法论，公司每天面对的是产品、销售、投放、内容、客服、研发、经营会。两者之间如果没有桥，学习就很容易变成“当场很激动，回来没动作”。
比如一门课讲品牌定位，现场听起来很有启发。但回到公司以后，真正的问题是：
- 新产品立项时，谁来调用这套定位方法？
- 运营写详情页时，怎么把定位转成买点？
- 内容团队写脚本时，怎么判断用户场景？
- 月度经营会里，怎么用这套方法复盘增长动作？
- 新人入职后，能不能快速理解这套判断方式？
如果这些问题没有被回答，课程就很难变成组织能力。
所以我现在看学习成果，会更关注它是否完成了几个层级的转化：
| 层级 | 产物 | 作用 | 风险 |
|---|---|---|---|
| 原始素材 | 录音、照片、PPT、逐字稿 | 保留现场信息 | 碎片化严重 |
| 内训材料 | PPT、方法论文档 | 让人理解和传播 | 容易停在“看过” |
| AI Skill | 可调用的方法模块 | 让 AI 按方法执行 | 需要定义输入输出 |
| 内部网站 | 表单、工作台、生成器 | 降低团队使用门槛 | 需要维护和迭代 |
| 经营流程 | SOP、复盘、会议机制 | 真正进入业务动作 | 推进成本最高 |
这里有一个很现实的工程权衡： 如果只做笔记和 PPT，成本低，但复用性弱；如果直接做网站和系统，看起来很高级，但没有经过方法蒸馏，很容易做成一个空壳。更稳妥的路径，是先保真，再重构，再工具化。
三、第一步先清点素材
每次听完课，我不会马上让 AI 写总结。
很多人用 AI 学习，上来就是一句“帮我总结一下这门课”。这个指令当然能出结果，但大概率只会得到一篇看起来完整、实际没什么抓手的总结。因为 AI 不知道哪些内容是主线，哪些是案例，哪些是老师临场发挥，哪些是课堂板书里的关键证据。
我通常会先把素材尽可能完整地放进去：
- 课程录音转写；
- 上课现场照片；
- 老师课件 PDF；
- 课堂文字记录；
- 表格模板；
- 现场案例；
- 自己补充的业务背景；
- 和 AI 讨论过程中的阶段性结论。
然后给 Codex 或其他 Agent 的第一条指令，不是写文章，也不是写 PPT，而是做资料清点：
先不要总结课程。
请先清点我提供的所有资料，按以下维度分类：
1. 老师的主线观点
2. 现场案例
3. 图片、白板、PPT 证据
4. 可转成内训 PPT 的内容
5. 可转成 AI Skill 的方法
6. 需要补充确认的信息
7. 和公司业务可能有关联的部分
输出时不要急着重构，先尽量保留原始信息。
这一步看起来慢，但很关键。它相当于做数据治理。
很多团队做知识库失败，问题就出在这里：原始数据没清洗、没标注、没结构化，后面直接上 RAG、上 Agent、上工作台，最后得到的只是一个更快的文件搜索器。
课程蒸馏也是一样。素材清点不到位，后面所有生成结果都会漂。
四、把录音和照片对齐
课程资料里最麻烦的部分，通常不是文字，而是上下文。
录音转写里有老师讲的话。照片里有白板、PPT、现场案例。表格里有模板。可是这些东西默认没有连接关系。
真实课堂也不会像一本书那样整齐。老师可能先讲案例，再跳到方法论，中间回答一个问题，又回头补充背景。你如果只看逐字稿，很容易丢掉当时的判断路径。
所以第二步，我会让 AI 做图文对应：
请把录音转写内容和现场照片、PPT 页面尽量对应起来。
重点判断：
1. 每张照片可能对应课程中的哪一段内容
2. 哪些照片是概念讲解，哪些是案例，哪些是表格模板
3. 老师讲课的时间线如何展开
4. 是否存在讲解顺序和 PPT 顺序不一致的地方
5. 哪些内容适合放入还原版 PPT
处理完以后，课程结构会从一坨素材变成类似这样的链路：
录音转写
-> 时间线
-> 对应照片 / PDF 页面 / PPT 截图
-> 主题章节
-> 内训 PPT 页面
-> Skill 判断步骤
这一步本质上是在恢复上下文。
工程上做过日志排查的人都知道，单条日志价值有限，真正有价值的是时间线、上下游调用关系和现场状态。课程资料也是一样。单独一段文字可能看不出价值，但它和某张白板、某个案例、某个提问关联起来以后，判断力才会回来。
五、PPT 要分层生成
我后来发现，课程蒸馏最忌讳一步到位。
一上来就让 AI 生成“高质量内训课件”，通常会出现两个问题：一是为了结构漂亮删掉很多现场细节，二是把老师的判断方式压平成几个大标题。看起来清爽，实际损失很大。
更稳的做法是分四层。
还原版 PPT
第一层只做还原。
按老师讲课顺序，把内容尽可能完整地放进去。这一版不追求美观，不追求短，也不追求逻辑完美。它的任务是“不漏”。
还原版 PPT 很像系统里的原始日志。不好看，但后面排查问题离不开它。
逻辑版 PPT
第二层开始重构。
这时可以让 AI 判断：
- 哪些内容重复；
- 哪些案例其实在讲同一个方法；
- 哪些概念应该前置；
- 哪些内容适合合并；
- 哪些细节应该放到附录；
- 哪些内容可以形成一条业务链路。
这一步不是简单压缩，而是把老师现场讲课的动态过程，整理成团队更容易理解的结构。
内训版 PPT
第三层站在公司视角改写。
这时关注点不再是“老师讲了什么”，而是“这门课对我们有什么用”。
比如：
- 新同事能不能看懂；
- 运营能不能拿去执行；
- 老板能不能拿去开经营会；
- 产品团队能不能用它判断需求；
- 市场团队能不能用它组织内容；
- 是否能沉淀成 SOP。
最终版 PPT
第四层才是可以正式发给团队的内训材料。
到这里，它已经不是课程总结，而是公司内部可复用的培训资产。
六、Skill 解决执行问题
PPT 做完以后，才适合蒸馏 Skill。
很多人会问：已经有 PPT 了，为什么还要 Skill？
原因很简单：PPT 适合人看，Skill 适合 AI 执行。
比如一门课里讲“用户是故事主角”。这句话放在 PPT 里，可以解释成一个观点。但如果要变成 Skill，就必须拆成可执行步骤：
- 用户输入一个产品时，AI 应该先判断什么；
- 需要补充哪些用户信息；
- 如何识别场景、痛点、阻碍和期望结果；
- 如何把产品卖点转成用户买点；
- 输出格式是什么；
- 信息不足时如何追问；
- 哪些情况下不能直接给结论。
一个 Skill 可以写成类似这样的结构：
# Skill：用户买点提炼
## 适用场景
当团队需要为一个产品提炼用户买点、详情页首屏文案、短视频脚本方向时调用。
## 输入
- 产品名称
- 产品功能
- 目标用户
- 使用场景
- 当前卖点
- 竞品信息
- 用户评价或客服反馈
## 判断步骤
1. 识别用户角色：谁在什么场景下遇到问题
2. 区分功能卖点和用户买点
3. 找出用户购买前的阻碍
4. 将产品能力映射到用户结果
5. 输出买点矩阵
## 输出格式
- 目标用户一句话
- 核心场景
- 用户痛点
- 产品对应能力
- 用户可感知结果
- 首屏文案建议
- 内容表达角度
## 追问机制
如果缺少目标用户、使用场景或用户反馈，先追问，不直接生成最终方案。
这才是从“知识”到“能力”的变化。
很多团队做 AI 应用卡住，不是模型不够强，而是没有把人的方法论拆成机器能调用的结构。AI Skill 的核心工作，其实是把专家经验变成可执行协议。
七、不同老师对应不同 Skill
课程蒸馏不能用一种模板硬套所有老师。
不同老师真正有价值的地方不一样。有的老师强在提问，有的强在经营判断，有的强在资产生成，有的强在复盘机制。蒸馏时要先判断他的“核心动作”是什么。
我会大致分成四类。
| 老师能力类型 | 适合蒸馏的 Skill | 典型输入 | 典型输出 |
|---|---|---|---|
| 提问方式 | 追问型 Skill | 业务问题、当前方案 | 关键追问、风险点、下一步验证 |
| 经营动作 | 增长 SOP 型 Skill | 类目、渠道、竞品、价格带 | 增长路径、测试计划、动作清单 |
| 成交资产 | 资产生成型 Skill | 产品资料、用户评价、图片 | 首页文案、详情页结构、邮件流 |
| 复盘机制 | 经营复盘型 Skill | 目标、数据、动作、结果 | GAP 分析、关键战役、责任拆解 |
这一步非常考验判断力。
如果一位老师最有价值的是追问方式，你却把他蒸馏成文案生成器，效果一定会变形。如果一位老师擅长把经营动作拆成 SOP，你却只总结成金句，也浪费了课程的真正价值。
所以蒸馏老师，不是把所有老师都变成同一种 AI 助手，而是提取每位老师最稳定、最可复用的判断动作。
八、网站降低使用门槛
Skill 跑通以后，我又往前推了一步：把它做成内部网站。
原因也很现实。
Skill 对 AI 友好，但对普通同事不一定友好。运营同事不一定知道怎么调用 Skill，新人不一定理解背后的方法论，管理层也不可能每次都去复制一长段 Prompt。
网站的价值，是把复杂方法包装成简单入口。
比如一个业务工作台，可以让同事输入：
- 公司资料；
- 产品资料；
- 竞品链接；
- 用户评价；
- 当前渠道；
- 目标问题；
- 预算和周期；
- 需要生成的资产类型。
然后系统输出：
- 品牌定位一句话；
- 用户画像；
- 场景买点矩阵；
- 详情页首屏；
- 内容 Brief；
- 关键词地图；
- 图片素材建议；
- 邮件流；
- 30 天执行 SOP；
- 月度复盘模板。
这里的技术难点通常不在页面，而在流程编排。
一个最简化的架构可以是这样：
这个闭环里，最容易被忽略的是最后一段：业务执行与复盘要回流。
如果网站只是生成方案，后面没有实际业务反馈，它很快会变成一个“AI 内容生产器”。但如果每次使用结果都能回到知识库，补充真实数据、用户反馈、转化结果、踩坑记录，这套系统才会越用越准。
九、多个 Skill 需要组合
单个老师的 Skill 跑通以后，可以继续做系统级整合。
我后来发现，几门课放在一起，刚好能拼成一条公司经营链路：
定位 -> 人群 -> 买点 -> 渠道 -> 转化 -> 复盘
一门课解决“你是谁”。 一门课解决“在哪里增长”。 一门课解决“用户为什么买”。 一门课解决“怎么在线上成交”。 一门课解决“怎么复盘和打关键战役”。
单独看，是几门课。连起来，就是一个经营增长系统。
这时可以设计一个总 Skill：输入一个产品，系统依次经过品牌定位、电商增长、用户买点、成交资产、经营复盘，最后输出一整套经营动作。
例如：
输入：
- 产品信息
- 公司优势
- 目标市场
- 用户反馈
- 竞品资料
- 当前渠道数据
- 月度经营目标
输出：
- 品牌定位一句话
- 目标用户画像
- 场景买点矩阵
- 渠道测试方案
- 内容 Brief
- 成交资产清单
- 月度关键战役
- 复盘指标
这时课程就不再是一堆学习资料，而是公司经营系统的一部分。
十、关键不是 Prompt
很多人会问：到底怎么和 Codex 沟通？
我的感受是，关键不是写一个神级 Prompt，而是把它当成项目搭档，一步步推进。
大致流程是：
原始素材
-> 资料清点
-> 图文对应
-> 还原版 PPT
-> 逻辑版 PPT
-> 内训版 PPT
-> Skill 拆解
-> 内部网站
-> 业务试跑
-> 复盘迭代
沟通方式也更像项目管理：
第一轮：
我把这次课程的录音转写、照片、PDF、PPT、表格都放进来了。
先不要写文章，先帮我清点资料。
第二轮：
判断这些资料分别属于哪些类型：
老师主线、案例、图片证据、方法论、PPT 内容、Skill 内容。
第三轮：
按老师讲课顺序，做一个还原版 PPT。
不要急着优化，先保证不漏。
第四轮：
现在做逻辑版，把重复内容合并，把主线提出来。
第五轮：
改成公司内部能用的内训版。
站在真实业务场景来讲，不要只复述老师内容。
第六轮：
拆成 Skill。
每个 Skill 明确输入、判断步骤、输出格式和追问机制。
第七轮：
把 Skill 做成网站入口。
让普通同事输入资料，就能生成可执行方案。
第八轮：
用真实业务跑一遍，根据反馈调整 Skill。
这套流程最重要的是顺序。
如果一上来就写文章，文章会空。 如果一上来就做网站，网站会虚。 如果一上来就总结课程，老师的判断方式会丢。
更合理的顺序是：
先保真，再重构；
先 PPT，再 Skill；
先 Skill，再网站；
先落地，再复盘。
这也是我觉得很多 AI 应用项目容易踩坑的地方。大家急着做“最终形态”，却跳过了中间的知识工程。结果界面做出来了，能力没沉淀下来。
十一、Obsidian 是个人知识底座
现在这套系统还处在早期形态。可能只有几门课、几个 Skill、几个网站。
但如果把时间拉长，它会慢慢长成一个更完整的知识网络：
- 课程资料；
- 微信读书划线；
- 读书笔记；
- 公司会议纪要；
- 用户反馈；
- 经营日报；
- 产品 Brief；
- 投放复盘；
- 客服记录；
- 内训 PPT；
- AI Skill；
- 内部网站产物。
这些内容如果只是堆在文件夹里，价值有限。真正有价值的是被命名、被链接、被解释。
这也是我越来越重视 Obsidian 的原因。
对个人来说，Obsidian 不只是一个笔记软件，更像一个知识底座。课程、读书、复盘、方法论、业务案例，都可以在里面形成链接。
不过这里要区分个人知识库和公司级知识系统。
个人用 Obsidian，重点是低成本、可链接、可持续维护。公司级知识系统就复杂得多，要考虑权限、版本、数据安全、检索质量、业务系统集成、知识更新机制。
很多公司一提 AI 知识库，就想到“向量库 切片 检索”。这个方案能用，但它更像把文件切碎后再找回来。对一些问答场景够用，但要支撑复杂经营判断，往往不够。
更有潜力的方向，是类似 LLM Wiki 的结构：先让知识被结构化、被命名、被链接，再让 AI 在这个结构里检索、推理和生成。
也就是说，公司知识库不应该只是一个搜索框。它应该更像一个会生长的知识网络：
- 每个概念有位置；
- 每个方法有来源；
- 每个案例能追溯；
- 每个业务问题能关联课程、书籍、复盘和真实数据；
- 每次新项目结束后，能反向更新知识节点。
这件事做深了，就是公司级 RAG、Agent Memory 和知识工程的结合。这里不展开，单独可以写一篇。
十二、学习成果变成组织能力
过去学习一位老师，最好的结果是：我听懂了。
后来更进一步，是我能给团队讲一遍，或者做成一份 PPT。
但 AI 时代还可以继续往前走。一位老师真正进入公司，不应该只停在老板脑子里，也不应该只停在某个文件夹里。它可以变成：
- 新人能看的 PPT；
- AI 能调用的 Skill；
- 同事能操作的网站；
- 业务能复用的 SOP；
- 经营会能追踪的动作；
- 后续复盘能更新的知识节点。
这件事让我真正兴奋的地方在这里。
AI 不是简单帮我们记住更多内容。它更大的价值，是把过去学过的东西，变成公司日常可以调用的能力。
一门课如果只是被听完，很快会被遗忘。 整理成 PPT，至少可以被团队复习。 蒸馏成 Skill，它就能参与公司的判断。 做成网站，它就可以被更多同事低门槛调用。 进入经营复盘，它才真正变成组织能力。
所以我现在越来越相信，AI 时代的学习能力，不只是看一个人听了多少课，而是看这些课有多少进入了公司的流程、工具和决策里。
以前，知识在人的脑子里。后来，知识在 PPT 里。现在，知识可以进入 Skill、网站、Obsidian 和经营动作里。
这大概就是我理解的 AI Native 学习方式。
