周国海教授开发AI项目的工作体验

【周国海教授开发AI项目的工作体验】序这三年，我从"会用工具的人"变成了"会造方法的人"写这篇东西的念头，是上个月在财务共享中心看一个学生加班时冒出来的。那天快十点了，那个硕士生还在手工核对一份月度成本差异表。他面前摊着六张Excel，光标一闪一闪，一条一条地比对。我站在他身后看了十分钟，实在没忍住，问他："这个步骤，你上个月是不是也这么做过一遍？"他愣了一下，说："是啊，上个月也是我做的。""那这个月，你比上个月快了多少？"他半天没说话。那天晚上我回家，把这三年来做AI项目的事从头到尾捋了一遍。我发现，我和那个学生踩的是同一个坑——我们都以为，把一件事"做熟练"就是进步。可实际上，熟练只是重复，不是成长。真正让人脱离原地打转的，是把做过的事变成能反复调用、能迁移、能升级的"方法"。这就是我想写这篇文章的起点。我不是什么技术大牛，我只是一名非常普通的天津**大学教财务与管理的副教授，跟真正的算法专家差着十万八千里。我做的AI项目，也没有一个是那种能上新闻头条、能拿国家奖的"硬核"项目。恰恰相反，我这三年做的东西，在很多人眼里可能都不配叫"AI项目"——我没训过大模型，没搭过什么复杂的神经网络，甚至连一行像样的算法代码都写不利索。但我确实做成了几件事。我用AI把一家制造企业的月度财务分析从两天压缩到了两小时；我把一套散落在十几个报表里的分析逻辑，凝练成了八个可以反复调用的"方法库"；我还带着十几个学生，用同样的思路，各自在自己的专业里建起了自己的AI小工具。这几件事，让我从一个"听说AI很厉害、但不知道跟自己的专业有什么关系"的教授，变成了一个"知道怎么把专业经验变成AI能力"的教授。而这中间的每一步，都不是顺理成章的。我踩的坑、绕的远路、推倒重来的次数，可能比大部分刚开始做这件事的人都要多。今天把这些写下来，是想给同样在犹豫"AI跟我有什么关系"的同行，还有那些一腔热情却不知道怎么下手的年轻人，留一份诚实的经验。先说结论，我把它放在最前面，免得大家看到后面忘了——做AI项目，真正要下功夫的地方，不在技术，而在"方法"。技术的门槛会越来越低，AI会替你搞定绝大部分的技术细节；但"你知道自己到底要解决什么问题、怎么把经验变成可复用的规则"，这件事，AI替不了你。这个结论，是我用三年的弯路换来的。下面，我一件一件讲。第一章一个会计教授，凭什么敢碰AI先交代一下我的背景，免得大家觉得"教授做AI"这件事离自己太远。我姓周，叫周国海，在天津的一所大学的商学院教了二十多年书，研究方向是管理会计、成本核算、财务分析这一摊子。说白一点，我教的东西，都是跟数字打交道的：怎么做成本，怎么分析利润，怎么看现金流，怎么给企业做财务诊断。在很长一段时间里，我对"AI"这个词的态度，可以用八个字概括：敬而远之，事不关己。我也知道ChatGPT火了，知道大模型很厉害，知道自动驾驶、人脸识别这些词。但在我朴素的观念里，AI是搞计算机、搞数学的那些理工科教授的事，是互联网大厂的事，跟我们这种成天跟报表、跟账本打交道的"老财务"，八竿子打不着。我的办公室抽屉里，至今还压着一本2019年买的《Python入门》，扉页上写着"心血来潮，恐难坚持"。那本书买了之后，我翻了前二十页，就再也没打开过。转折发生在2023年。那年我接了一个企业咨询的项目，给一家做汽车零部件制造的上市公司做财务分析培训。培训结束后的茶歇，他们财务总监随口跟我吐槽了一句："周老师，你说我们每个月那几百页财务分析报告，到底有多少人看？我们财务部四十号人，光做分析就占了一半的人力，可报告做出来，老板就看前三页，剩下全是存档。"他说者无意，我听着心里咯噔一下。因为他说的是真的。我做了一辈子财务分析，也一直隐隐约约觉得哪里不对，但从来没深想。那天晚上回去，我躺在床上翻来覆去睡不着，第一次认真地问自己：我们财务人花了那么大力气做的分析，到底产生了多少价值？那些重复的、机械的、靠人肉堆出来的"分析"，真的有必要让一个年薪几十万的会计一遍遍手动去算吗？就是从那个问题开始，我第一次动了"也许AI能帮上忙"的念头。但我那时候对AI的认知，基本等于零。我甚至连"大模型"和"机器学习"都分不清楚。我的第一步，说出去都丢人——我在百度上搜"AI怎么做财务分析"，然后把搜索结果里排名靠前的那几篇文章，挨个点开看了一遍。看完我更懵了，那些文章要么是讲概念的，云里雾里；要么是卖课的，一看就是割韭菜。我冷静下来想了想。我跟自己说：既然那些现成的"AI做财务分析"的教程指望不上，那我能不能自己搞明白，AI到底能干什么？于是我做了一件特别笨、但后来证明特别重要的事：我把AI当成一个"新来的同事"，不把它当成什么高科技。我给我自己定的第一个任务，不是去学什么高深的技术，而是去搞清楚——如果AI是个刚入职的助理，我该怎么给它派活？我把我平时做财务分析的那套流程，拆开来看。我发现，哪怕是一个看起来很简单的"月度利润分析"，拆开之后也包含一堆具体的步骤：先要取数，把各科目数据汇总成表；然后要算同比、环比，看哪些科目变化大；接着要找出变化大的原因，是量变了还是价变了；再往下，要判断这些变化是好事还是坏事，要不要预警；最后，要把结论组织成一段人能看懂、老板能拍板的文字。这五步里，前三步是机械的，规则明确，只要告诉AI"怎么取数、怎么算、按什么标准找异常"，它就能干；后两步是经验的，需要判断，需要"火候"。我当时特别兴奋，我觉得我好像摸到门道了。但我不知道的是，这个看起来无比正确的认识，恰恰是我后面一年多弯路的总根源。因为我那时候以为，AI的关键在于"把流程告诉它"；我还不知道，真正难的地方，在于"把流程里那些你自己都没意识到的判断规则，也告诉它"。这是后话。总之，2023年夏天，我这个五十多岁的会计教授，正式开始了我的"AI项目"之旅。我给自己定的原则是：不追热点，不炫技，就解决一个最实际的问题——把我自己每天重复做的那些分析，交给AI去做，我腾出手来思考那些AI替不了的事。当时我不知道这条路有多长。我只知道，我那个财务总监朋友的那句吐槽，像根刺一样扎在我心里：我们做分析的人，一半的时间都花在重复劳动上。如果我能用自己的专业，把这个比例降下来哪怕一点点，这件事就值得做。带着这点朴素的想法，我一头扎了进去。然后，我就迎来了我职业生涯里，最惨烈的一段"热情过头的代价"。第二章热情过头的代价：我建了十几个技能，三个月后全废了万事开头难，但我的开头，难得出乎意料地顺利。那是2023年秋天。在我那位财务总监朋友的牵线下，我跟一家中型制造企业达成了合作：我帮他们做财务分析的智能化改造，他们给我真实的业务数据做"试验田"。这里我先插一句，说说我用的"工具"。做这个项目的时候，市面上已经出现了一些类似"AI工作台"的产品，能在里面搭一些可复用的"技能"——就是你告诉它一套输入、处理、输出的流程，它就能把这个流程固定下来，以后你只要给它数据，它就能照着这个流程跑。我对技术不在行，这种"把流程固化下来反复用"的思路，对我这种非技术出身的人来说，简直是量身定做。我当时的想法特别简单，也特别膨胀：既然流程能固化，那我就把企业财务分析要做的事，全给它做成技能。一次到位，免得以后麻烦。于是我定了个宏伟的计划。月度要做的分析，做一个技能；季度要做的分析，做一个技能；成本分析，做一个；费用分析，做一个；存货分析，做一个；应收账款分析，做一个……我甚至精细到，每一个老板常看的指标，我都要给它配一个专属的分析技能。那段时间，我像着了魔一样。白天上课，晚上就趴在电脑前，对着企业的数据，一个技能一个技能地磨。我老伴儿经常半夜起来，看见书房的灯还亮着，就叹口气说："老周，你又跟你那个'AI'谈恋爱呢？"我那时候真觉得，我在建一座大厦。每建好一个技能，我就觉得离"财务分析全自动化"近了一步。我甚至在一个本子上，用笔画了一张金字塔图，把我想做的几十个技能，一层一层地垒上去，看着它觉得特别有成就感。一个多月下来，我建了十几个技能。我高兴坏了，想着这下好了，以后每月的分析，只要把数据喂进去，哗啦啦就能出一堆报告。三个月后，现实给了我一个响亮的耳光。那三个月里，企业那边业务一直在正常运转。可就是这"正常运转"，把我的"大厦"打得稀碎。我清楚地记得，第一个让我抓狂的，是业务口径的一次调整。他们财务部把"营业收入"的确认口径，从"开票确认"改成了"发货确认"。就这么一个看起来不大的调整，我建的收入分析、利润分析、费用分析三个技能，全都不符合新口径了，得改。我一边改一边安慰自己：没事，业务口径本来就会变，改了就好了。可紧接着，第二个打击来了。他们上了一个新的ERP系统，系统里加了好几个字段，比如把"客户区域"拆分成了"省份"和"城市"两个字段。这本来是个好事，数据更细了。可对我来说，意味着我那些技能里的数据映射，全部要重写。我又花了好几个晚上，一个一个地改。然后是第三个、第四个、第五个……老板想看的角度换了一个，要改；报表格式换了一版，要改；甚至只是某一个科目的分类规则调整了一下，也要改。到后来，我崩溃地发现一个事实：我改这十几个技能的时间，加起来比我重新手动做一遍分析还要长。而我费了那么大力气建起来的"技能库"，真正稳定可用的，没几个。有一次，我对着屏幕上一个报错的技能，发了好久的呆。我老伴儿端了杯茶进来，看见我那副样子，小心翼翼地问："是不是又白干了？"我没说话。她继续说："老周，我早想说了。你建这么多东西，是不是建得太多了？你以前教学生，不也常说，东西多了，管不过来，等于没有吗？"她这句话，像一道闪电，劈开了我脑子里那团浆糊。是啊。我教书的时候，最反感学生搞题海战术，什么题都做，结果什么都做不深。我自己怎么到了做AI项目上，就犯了一模一样的错呢？那天晚上，我把那个本子拿出来，看着那张我精心画的金字塔图，越看越觉得刺眼。我拿起笔，把图底下写的那个"几十个技能"的目标，重重地划掉了。我在旁边重新写了几个字："报表会变，方法不变。"写完之后，我觉得脑子清醒了很多，但又总觉得还差点什么。我知道我该放弃"按报表建技能"这个思路了，但"按方法建"到底怎么建，我当时其实还没完全想明白。我只是隐约觉得，那些让我焦头烂额的"口径调整""字段变更""视角切换"，其实都只是表象；底下有个更稳定的东西，我还没抓住。那一晚，是我做AI项目以来，第一次失眠。不是因为着急，而是因为我觉得，我好像快要摸到那个真正重要的东西了。第三章想明白的第一件事：报表是千变万化的，方法就那么几种那个让我失眠的晚上之后，我做了个决定：暂时停下建技能的活儿，先把自己这些年做的财务分析，彻底地"解剖"一遍。我把过去三年里，我帮企业做的、还有我课堂上讲的几十份财务分析，全部翻了出来，摊在书桌上。我开始用一种我过去从没用过的眼光，重新看这些报表。我以前看报表，看的是"内容"——这张报表讲了什么、那个数字什么意思。但那天，我逼着自己换了一个角度：不看内容，只看"动作"——我到底是在对数据做一件什么事？这一看，还真看出门道来了。我拿一张存货结构分析表举例。这张表，从"内容"上看，就是列了一下库存里原材料、半成品、产成品各占多少，然后分析了一下是不是积压了。看起来挺复杂。但从"动作"上看，它其实就是一件事——算占比，然后把占比大的挑出来，看看是不是有问题。再拿一张客户分析表举例。它列了每个客户的销售额，然后分析"大客户"和"小客户"的分布。从"动作"上看，它其实也就是一件事——算集中度，看看业务是不是过度依赖某几个大客户。我越看越兴奋。我发现，这些看起来五花八门的报表，拆到"动作"这个层面，翻来覆去，其实就那么几招。我把它们归了归类，最后归出了八大类：第一类，清洗。数据体检与标准化。任何分析的第一步，也是最容易被跳过的一步。数据脏不脏、格式对不对、有没有缺失、有没有重复，先过一遍。这一招，几乎所有的分析都会用到，但我过去居然从来没想到它能单独成"一类方法"。第二类，结构。占比、帕累托、集中度。用来分析"这个东西的内部构成是什么样的""到底是靠什么撑起来的"。存货结构、客户结构、采购集中度，都是这一类。第三类，趋势。同比、环比、移动平均、季节性。用来回答"这个东西是往哪个方向走的、走得稳不稳"。收入趋势、费用趋势，都是这一类。第四类，差异。量价两因素、因素替代法。用来回答"这个东西变了，到底是什么引起的"。成本差异、毛利差异，都归这一类。这一类的分析，是财务分析里最见功力的一类。第五类，异常。阈值预警、离群识别、环比突变、零值负值。用来回答"这些东西里，有没有不正常的、需要警惕的"。异常科目扫描、找线索，都是这一类。第六类，效率。周转天数、现金周期、人效、设备效率。用来回答"这些东西转得快不快、用得好不好"。存货、应收、资金，都靠这一类来分析。第七类，盈利。边际贡献、本量利、杜邦分解、敏感性。用来回答"这些东西到底赚不赚钱、靠什么赚钱"。产品盈利、客户盈利、ROE拆解，都是这一类。第八类，预测。滚动预测、趋势外推、情景测算。用来回答"接下来大概会怎样、最坏会怎样"。现金流预测、预算滚动，都是这一类。当我把这八大类写下来的那一刻，我有一种醍醐灌顶的感觉。我原来建的那些技能，什么"收入月度分析""成本季度分析""存货专项分析"，看起来五花八门，其实它们里面的"动作"，全都逃不出这八大类。换句话说，报表是千变万化的，但方法就那么几种。我立刻明白了问题出在哪。按报表建技能，每一个技能都是一个"半成品"——它里面既装了方法，又装了这张报表特有的口径、字段、格式这些"一次性"的东西。所以业务一调整口径，这些技能就全得跟着改，因为它们里面"方法"之外的那些部分，全都是易变的。而如果按方法建，一个技能对应一类方法，这个技能里面就只有"方法"本身，和那些"参数化"的输入输出。口径变了？那只是改一下参数，方法不用动。字段变了？也只是改一下参数。老板想换角度？换一套参数组合就行，方法还是那套方法。所以，我要建的，不应该是十几个、几十个"报表技能"，而应该是这八个"方法技能"。这八个技能，基本上就能覆盖企业财务分析百分之九十以上的日常场景。以后所有的报表，都是这八个技能的某种组合。想通这一点之后，我长舒了一口气。我觉得，我那一晚上的失眠，值了。但我很快又遇到了新的问题：一个"方法技能"，到底应该长什么样？里面的"方法"怎么描述，才能既通用、又能落地？这个问题，我当时又卡了很久。直到我拿我自己最熟的"成本差异分析"来练手，才慢慢把它的样子给磨了出来。第四章一个方法技能，到底长什么样搞清楚了"按方法建技能"这个大方向之后，我面临的第一个实际问题就是：一个方法技能里面，到底要写什么？我决定从我最有把握的"成本差异分析"入手，把它当成我的"第一个正规军"来打磨。因为这个方法我做了二十年，里面的每一个步骤、每一处火候，我都太熟了。拿它来练手，最不容易跑偏。我最初的想法，是把成本差异分析从头到尾每一步都写进去，写得越详细越好。结果我写了一版，发现太长了，长长的一大段，我自己看着都费劲，更别说AI了。我删了重写，又发现太啰嗦，把很多"我闭着眼都知道"的东西也写了进去。我卡了两天，直到我想起我课堂上常跟学生说的一句话："真正的高手，是能把复杂的事说简单的人。"我对自己说，我连自己的看家本领都说不清楚，还好意思教学生？于是我换了个思路。我不再想着"把所有细节都写进去"，而是想着"如果我要把这个方法交给一个聪明的实习生，让他照着做，我至少得告诉他什么"。这么一想，结构就清晰了。一个方法技能，至少要有六个部分。我拿成本差异分析举例，把它磨成了下面这张"一页纸"：第一部分，触发词。就是告诉AI："当你看到什么话、什么任务时，该调用我这个方法。"我写的是：成本差异、材料价差、材料量差、直接材料差异。这一条特别重要，也特别容易被忽略。你如果不写清楚触发词，AI该调用这个方法的时候不调用，不该调用的时候瞎调用，整个技能就废了。我一开始就没写，结果AI老是分不清什么时候该用成本差异分析、什么时候该用别的分析，把我气得够呛。第二部分，输入。就是这个方法需要喂给它什么数据。我写的是：材料出库明细、采购单价、BOM标准用量。输入写得越明确，AI越不会跑偏。你让它做成本差异分析，却不告诉它用什么数据、数据从哪来，它就只能瞎编。第三部分，步骤。就是具体怎么算、按什么顺序算。我写的是：先算总差异，再拆量差，再拆价差，然后排出影响最大的前十个物料，最后逐个去找业务原因。这一步要写得有顺序、有逻辑，不能东一榔头西一棒子。你让AI做分析，如果步骤是乱的，它得出的结论也必然是乱的。第四部分，判断规则。就是"什么算问题、什么该预警"。这一步，是整个技能的灵魂。我后面会专门讲。这里先举个我的例子：我定的规则是，"偏差超过百分之五，并且绝对额超过五十万，才提预警"。低于这个标准的，让它别大惊小怪。第五部分，输出。就是最终要交出来什么东西、什么格式。我写的是：一页差异表，加三条结论，加一段数据来源与口径说明。输出格式必须明确，否则AI给的报告，格式一天一个样，你没法用。第六部分，自检。就是在出稿之前，让它自己过一遍那几道关。这一条，是我后来吃了几次亏才加的，后面也会细说。就这六段。写完我一看，特别清爽，一页纸就装下了。可接下来，我在用这个"一页纸"技能去跑企业真实数据的时候，又遇到了一件让我印象特别深的事。我把这个技能建好之后，第一件事，就是把上个月真实的材料成本数据喂了进去，让它跑一遍成本差异分析。结果跑出来，它列了一堆差异，还煞有介事地排了个序。我一看，表面上没什么大错，但总觉得哪里不对。我仔细一查，发现问题出在"输出"那一段。我让它"排出影响最大的前十个物料"，可它排出来的"影响最大"，按的是"绝对差异额"排的。这本身没错。可问题在于，有些物料差异额虽然大，但它的基数也大，差异率只有百分之二，属于正常波动；而有些物料差异额没那么大，但基数特别小，差异率能到百分之三十，这才是真出问题的地方。换句话说，它排出来的"前十"，里面混了好几个"假异常"。我立刻意识到，这不是AI的错，是我的"判断规则"写得太糙了。我只写了"偏差超过百分之五且绝对额超过五十万才预警"，但我没有告诉它，在排序和找线索的时候，要"绝对额"和"差异率"两个维度一起看。它只能按我写的字面意思去执行。我赶紧去补这个规则。我在判断规则里加了一句："排序时，绝对额与差异率两个维度都要看，先把两个维度都明显偏大的物料单独挑出来，优先处理。"改完再跑，出来的结果，就跟我的火候对上了。这件事给我的触动特别大。我忽然明白了一个我过去从来没意识到的道理：AI不是笨，它只是忠实得可怕。你写进去多少规则，它就执行多少规则；你没写进去的、那些你以为"不用说你也能懂"的经验，它是真的不懂，也不会自己补。而这也正是"方法技能"里最值钱的东西的由来。下面这一章，我要专门讲讲它。第五章判断规则，才是你的护城河在讲我那个"成本差异分析"技能的时候，我反复提到了一个词：判断规则。这一章，我要把这件事单独拎出来，好好讲透。因为在我看来，这是我做AI项目三年来，悟出的最值钱的一句话。我把一个方法技能拆成六段，其中前四段（触发词、输入、步骤、判断规则）里，真正属于"你自己的"、别人抄不走的，其实只有一段——判断规则。为什么这么说？我跟你分析一下。触发词，是通用的。你做成本差异分析，触发的词就是那几个，谁来做都是那几个，没有你的独特性。输入，是通用的。你要做这个分析，需要哪些数据，明摆着的，谁做都一样。步骤，也是基本通用的。先算总差异、再拆量差、再拆价差，这套逻辑是教科书里写了多少年的标准动作，全世界做成本分析的人，用的都是这一套。你可能比我表述得好一点，但本质是一样的。但判断规则，不一样。"偏差超过百分之五，并且绝对额超过五十万，才提预警"——这条规则，是我二十年在企业里摸爬滚打，被业务部门骂了无数次、冤枉了无数次、也纠正了无数次之后，才定下来的。你知道吗，这条规则，当初不是我想出来的，是"被逼"出来的。我最开始做成本差异分析的时候，特别实诚。只要发现材料成本有点波动，我就写进报告里，提醒管理层"注意一下"。结果怎么样？业务部门的主管们烦死我了。他们拿着我的报告，指着那些我标出来的"异常"，哭笑不得地跟我说："周老师，这个月原材料价格本来就在波动，这个百分之三的价差是正常行情，你叫我们注意什么？我们上个月刚为这个事跟采购开了三次会，你倒好，又把它当成新问题报上来了。"我被说得脸上挂不住，但转念一想，人家说得对啊。我要是天天把正常波动当异常报，那我的报告就失去了"预警"的意义——老板看多了，就跟狼来了似的，再也不当回事了。于是我学乖了。我开始琢磨：到底什么样的差异，才值得报？我把自己这几年做的分析翻出来，统计了一下，最后摸索出了那条"百分之五加五十万"的门槛。低于这个门槛的，大概率是正常波动，报了反而招人烦；高于这个门槛的，才值得停下来问一句"为什么"。这条规则，我用了好几年，在实践中不断微调，最后才稳定下来。它里面装的是我对"什么叫异常"的判断——而这个判断，是我二十年的行业经验浓缩出来的，是我在一个个具体的企业、一个个具体的行业里摔打出来的。你说，这样的规则，别人抄得走吗？抄不走。因为规则背后的"为什么"抄不走。你可以抄我的"百分之五加五十万"，但你不知道我这条规则是为了过滤掉"正常波动造成的狼来了效应"而设的；你不知道在不同的行业、不同的企业规模下，这个门槛应该怎么调；你更不知道，当这个企业的业务突然大变的时候，这条规则应该暂时放宽还是收紧。这就是我说的：一个技能真正的价值，不在方法本身，在方法里装着的那些判断规则。方法是可以被标准化的，可以被任何工具复制的；但判断规则，是你个人经验的结晶，是你这个人的"护城河"。想通了这一点之后，我做AI项目的整个心态都变了。我不再担心"我把技能建好之后，是不是就把我吃饭的本事交给AI了、自己就没用了"。因为我终于明白，AI能固化的是"方法"，是那些可以标准化的步骤；而"判断"这件事，AI永远只能执行我写进去的规则，它没办法替我去生成新的判断。而且，更妙的是，正因为判断规则如此值钱，我才更应该把它"写下来"。我过去做分析，判断规则是藏在我脑子里的，谁也看不见，包括我自己。很多时候，我是"凭感觉"判断的——这个差异该报，那个不该报，我说不上来具体标准，但我知道。这种"凭感觉"的毛病，在我做了AI项目之后，被彻底暴露了出来。因为我必须把"感觉"翻译成"规则"，AI才能执行。翻译不出来，AI就只会瞪着眼看我。这个过程，痛苦，但极其有价值。它逼着我把那些模模糊糊、说不清道不明的经验，一条一条地"显性化"。等我终于把它们显性化成一条条具体的规则时，我发现，我对自己专业的理解，反而比以前更深了。因为"感觉"是可以自欺欺人的，但"规则"不行，规则是要经得起推敲的。所以，我想对所有想把AI用到自己专业里的朋友说一句：别怕把你的经验交给AI。你越敢把经验显性化、规则化，你就越能看清自己到底有什么真正的本事。那些能被AI复制的，本来就不是你的核心竞争力；真正抄不走的，永远是你脑子里那些还没有变成规则的判断。把这句话记在心里，你再去看那些"AI会取代财务人""AI会取代分析师"的焦虑文章，就会觉得特别可笑。他们怕的是"方法被复制"，可真正的护城河，从来不在方法里，在判断里。第六章三条标准：什么样的活，才值得做成技能讲完了"一个技能长什么样"，讲完了"判断规则才是护城河"，接下来我要讲一个更实际的问题：是不是所有的分析，都值得做成技能？答案当然是否定的。我见过太多人，包括我一开始的自己，一听说"流程能固化、技能能复用"，就跟打了鸡血一样，什么都想往技能里塞。结果塞进去一堆用不上的东西，不光浪费了建它的时间，还得花更多时间维护它，简直是给自己找罪受。后来我给自己定了一条铁律：不是所有分析都值得做成技能，有三条标准，三个都满足，才动手。缺一个，都先别做。第一条，会重复使用三次以上。这是最硬的一条标准。你想想，做一个技能，是要花时间的——你要把方法讲清楚，要把判断规则显性化，要在真实数据上反复调试，要验收。这些时间加起来，一点也不少。如果这件事你只做一次，那做成技能，纯属浪费。做完，写一份归档备忘，记住方法和结论，就够了，没必要做成技能。"三次以上"这个门槛，是我反复权衡之后定下来的。做一次，不值得；做两次，勉强够本；到了第三次，你就很确定这件事一定会反复出现，这时候再做成技能，性价比最高。第二条，有明确的输入和输出。什么叫"明确"？就是你自己说得清楚：输入什么数据、输出什么结论、是什么格式。这条标准，是用来排除那些"听起来能固化、实际上没法固化"的活的。我举个例子，有一次我特别想做"客户流失分析"的技能。我兴致勃勃地列输入输出，列到一半，卡住了。客户流失的"输入"，到底该用什么数据？是看销售数据、还是看客服记录、还是看续约情况？每个企业口径都不一样。而"输出"，是输出一份流失名单，还是输出一份原因分析？我觉得都对，但又都不全对。我一琢磨，这种"输入输出都说不清楚"的活，其实是还没想明白的活。它不适合做成技能，因为技能最讲究的就是"边界清晰"。边界都画不出来的东西，勉强做成技能，只能是个四不像。所以我果断放弃了，等哪天我能把它的输入输出说清楚了，再考虑。第三条，中间有你自己独特的判断规则。这条，其实是把上一章讲的"判断规则是护城河"落到实处。有些分析，虽然重复、虽然输入输出明确，但里面压根没有什么"需要你判断"的地方——就是个纯粹的、机械的计算。这种活，说句不好听的，找个人、甚至写个公式就干了，做成技能，也体现不出你的价值，还浪费一个技能位。真正值得做成技能的，是那种"中间有火候"的活。就像我那个成本差异分析，里面那条"百分之五加五十万"的判断规则，是我二十年的经验。这种活，才是技能该锁定的目标。因为AI一旦学会了你的判断规则，它就等于替你的一部分判断能力"上了一个保险"，你以后就不用每次重新判断一遍了。我把这三条标准，当成我建技能之前的"体检"。我给自己定了个规矩：任何想做成技能的想法，先过这三条体检。三条都过，才允许动手；过不了，就先放一放，要么回去再想清楚，要么就干脆别做。这三条标准，帮了我大忙。自从有了它们，我再也没做过"白费的技能"。我后来的技能库，数量不多，但每一个都是精兵强将，每一个都经得起用。我也把这三条标准，讲给了我带的学生们。有个学生听完之后，跟我说了一句特别有共鸣的话。他说："老师，这哪是在教我们做AI啊，这分明是在教我们'想清楚再动手'。"我听了很高兴，因为他说到点子上了。做技能这件事，表面上看是在跟AI打交道，实际上，是在跟自己打交道。你越是能把"该做什么、不该做什么"想清楚，你的技能库就越精干，你的日子就越好过。反过来，你要是贪多求全，什么都想固化成技能，那你不是在用AI，你是在给自己养一堆吞时间的"电子宠物"。这三条标准，就是我给所有想建技能的人的"进门规矩"。守住了它，你就能避开我最开始踩的那个"建了十几个技能、三个月后全废了"的大坑。下面，我要讲一个更微妙的节奏问题——什么时机做成技能。这背后的门道，比我前面讲的任何一条都要细，也都要重要。第七章我的节奏：第1、2次不做，第3次才提炼讲完了"建什么"和"什么时候该建"，剩下一个更微妙的问题：什么时候动手建？这个问题，看似不起眼，其实决定了你前面所有努力能不能落在地上。因为它直接关系到——你建出来的技能，到底是"活的"，还是"死的"。我先说我的答案，再说为什么。我的节奏是：前两次做，直接做，什么都不建；到了第三次，才做成技能；做成之后，每次用的时候，当场改。这个节奏，说穿了就一句话：第1、2次，我是去"理解"的；第3次，我才开始"固化"。你别小看这句话，这是我用那十几个白做的技能，一分钱一分钱换来的教训。你想想，我第一次接到一个分析任务的时候，我对这个任务的理解，是完整的吗？不是。我第一次做存货分析，我以为我懂了，结果做到一半，发现还要考虑季节性；我第一次做客户分析，我以为输入就是销售额，结果做着做着，发现还得把退货率算进去。第一遍做，我永远是在"交学费"，在摸这个问题的边界。如果我第一遍就急着做成技能，会发生什么？我会把我在"理解不完整"状态下形成的流程，原封不动地固化进去。而问题在于，这个流程本身是错的、是片面的。固化一个错误的流程，意味着什么？意味着我以后每一次用这个技能，都会在这个错误的基础上往前跑——这不是省时间，这是把错误放大了一万倍。这，就是我那十几个技能"三个月后全废了"的深层原因，不只是因为业务口径变了，更因为我固化进去的时候，那些流程本来就没想透。我举个例子你就明白了。我那一次做"费用分析"，第一遍做的时候，我兴冲冲地建了个技能，把费用拆成"固定费用"和"变动费用"两块来分析。我自认为逻辑很清楚。可等真拿企业数据一跑，我傻眼了——他们压根没有"固定/变动"这个维度，他们习惯把费用按"销售费用、管理费用、财务费用"来分。我的技能一上来就水土不服。如果我当时不是第一遍就急着固化，而是先拿真实数据摸两遍，我早就会发现这个口径问题，也就不会建出一个一开始就错位的技能了。所以，我现在特别信奉一句话：前两次你对问题的理解还在变，过早固化，等于把一个错误的流程写死，之后每次都要为它付修正成本。那"前两次"到底该做什么？我的做法是：直接做，认真地做，但在归档目录里写一份《分析备忘》。这份备忘，我要求自己只记三件事：第一，用了什么方法。把这个任务用到了哪类方法（清洗、结构、趋势、差异……），简单记一笔。第二，数据里踩了什么坑。这个数据哪里脏、哪里缺、哪里口径不对、我最后是怎么处理的。这一条，特别值钱。因为我发现，同一个数据源，我第二年再做同样的分析，大概率还会踩同一个坑。记下来，第二次就能避开。第三，结论最后是怎么讲清楚的。就是说我这个分析，最后是怎么从一堆数据里，拧出那几条老板能听懂的结论的。这份备忘，我要求自己控制在半页纸以内。写多了我就懒得写了，写少了又记不住，半页纸刚好。你别小看这半页纸。它有两个大用处：一是让我前两次做的时候，是在"有意识地做"，而不是"稀里糊涂地做"；二是到了第三次，我决定把它做成技能的时候，我手里已经攒了两份备忘，我对这个任务的"理解边界"已经摸得很清了，我固化的流程，是经过两轮真实检验的，这才是"活的流程"。到了第三次，条件成熟了，我才会把它做成技能。怎么建，前面几章已经讲了。但真正的关键，还不在这里。真正的关键，是建成技能之后的"维护节奏"。这件事，我吃了大亏才明白，必须单开一章好好讲。第八章不更新的技能，就是负债这一章，我要讲一句我特别想单独拎出来、放大加粗的话：不更新的技能，就是负债。这句话，是我做AI项目三年来，含金量最高的一句总结。它不是我一开始就懂的，是我在栽了跟头之后，用真金白银的教训换来的。事情是这样的。我度过了"建了十几个技能、三个月后全废了"的低谷之后，痛定思痛，按"方法"重新建技能。建好之后，我特别得意，觉得自己终于走对路了。那八个方法技能，就像我的八个"精兵"，我指哪打哪，别提多顺手了。大概过了半年多吧，有一天，有个企业老板让我帮他看一个存货的异常。我信心满满地调出我的"存货分析"技能，把数据喂进去，等着它给我一个漂亮的报告。结果它跑完，我一看，越看越觉得别扭——它给的结论，跟当下这家企业的实际情况，明显对不上。我起初以为是数据的问题，重新核了一遍，数据没问题。我又以为是触发词的问题，调了调，还是不对。最后我仔细一查，终于找到了病根：我的"存货分析"技能，是我半年前建的。而在这半年里，这家企业的存货管理方式已经发生了好几次变化——他们的业务从线下为主转成了线上线下并重，存货里多了一大块"电商仓"；他们的库存周转考核口径也调了。而我的技能，还停留在半年前的认识里，固守着老一套的判断规则。那一刻，我浑身发凉。我意识到一件特别可怕的事：这个技能，正在用半年前的口径，给现在的企业做判断。而我，因为太信任它了，差点就拿着这个过时的结论去误导老板。更要命的是，正因为它是"技能"，看起来那么标准、那么可靠，我连怀疑都没怀疑它一下。如果是人做的分析，你多少会想"他会不会有疏漏"；可它是技能啊，是"固化下来的标准流程"啊，谁会怀疑标准呢？这个"因为看起来标准，所以不怀疑"的陷阱，比技能过时本身，可怕一百倍。我把这件事，跟我一个做审计的老朋友讲了。他听完，说了一句特别狠的话。他说："老周，这不就跟'过期凭证'一样吗？你一个做财务的人，怎么会信任一份半年前做的、从没复核过的凭证呢？"我一拍大腿，他说得太对了。技能，就是我的"数字化凭证"。凭证要是过期了、没复核，我是绝不会拿去入账的；可我的技能过期半年，我居然眼睛都不眨地拿去给企业做判断。我这不是技术问题，是态度问题。从那以后，我把"技能维护"这件事，提到了和"技能建设"同等重要的位置。我给自己立了三条规矩：第一，每次用，当场改。技能不是建完就完事的，而是"养"出来的。每用一次，我都会拿着实际结果，跟我的预期、跟当下的实际情况对照一遍。哪里对不上，当场就让AI把技能更新掉。发现问题的那一刻，是最好的修改时机，拖到以后，就再也没机会改了。第二，半年一复盘。我给自己定了个日历，每半年，把我所有在用的技能过一遍。不用的，该删删；过时的，该改改。我不能让一个技能躺在那里半年没动，然后还指望它是对的。第三，判断规则要"标日期"。我会在技能的判断规则后面，随手记一笔"这个规则是什么时候定的、当时是为什么定的"。这样下次我看到它，就知道它是不是该更新了。这条规矩，是我从记账的习惯里学来的——任何数字，都得有个时间戳，不然就是个没根的数字。这三条规矩立起来之后，我的技能库，才算真正"活"了起来。它不再是一堆躺在硬盘里的死文件，而是一套跟着业务一起呼吸的活系统。我还想再说深一层。为什么我强调"不更新的技能是负债"？因为一个技能，你一旦建了它，你就在心理上欠了它一份"维护"的责任。你每多建一个不用的、或者懒得维护的技能，你不是多了一份资产，你是多了一份负债——它不光占地方，还在暗处偷偷地用一个过时的口径，污染你每一次的判断。而且因为它"看起来是标准的"，你连怀疑都不会怀疑。所以，我现在建技能，数量越来越少，但维护得越来越勤。我宁可只有八个技能，把这八个技能养得精精壮壮，也不要八十个技能，八十个全躺在那里发霉。一个躺在那里半年没动过的技能，比没有技能更危险。因为没技能，你还会老老实实去重新做一遍；可有了一个过时的技能，你会理直气壮地拿着错误的结果往前走。这句话，我希望所有想建技能的人，都刻在脑子里。第九章把学生带上路：教AI，还是教方法我做了三年AI项目，中间有一年半，是带着学生一起做的。这半年多的"带人"经历，让我对"做AI项目"这件事，又多了好几层理解。而这理解，多半是被学生逼出来的。起因是这样的。我做了那八个方法技能之后，在系里小范围地分享过一次。讲完，有几个学生私下来找我，说"老师，您讲的这个'方法思维'太有用了，我们能不能跟着您学？"我一听，有点为难。因为我这身本事，一半是专业（财务分析），一半是我刚摸索出来的"把专业变成技能"的方法论。学生们专业基础参差不齐，怎么教？总不能一个技能一个技能地喂他们吧？那太慢了，而且他们也学不到本质。我琢磨了很久，最后决定换个教法。我不教他们"做某个分析"，也不教"用某个工具"，我教他们一套"从专业问题到AI技能"的思考路径。我把这条路，拆成了四个问题，让他们拿着这四个问题，回自己的专业里找答案：第一个问题：你最常重复做的、最机械的一件事是什么？我让他们先在"动作"层面，而不是"内容"层面，去找自己日常里那些重复得最厉害、最不值得人工做的事。有个学税务的学生，很快就找到了：每年报税季，他都要手工核对几百张发票的税目和税率，机械得不能再机械了。第二个问题：这件事的输入、输出，你能说清楚吗？我让他们把找出来的那件事，拆成"输入什么、输出什么、什么格式"。这一关，就把一半的人卡住了——他们发现，自己以为很熟的事，一拆输入输出，就说不清楚了。这一关卡住是好事，说明他们还没想透。第三个问题：中间有没有你独特的判断规则？我让他们反思，这件事里，有没有"只有你会判断、别人需要学很久才会"的地方。有，才值得做成技能；没有，纯机械，那叫别人随便就能做，不用你费劲。第四个问题：这件事，会重复几次？我让他们确认，值不值得做成技能，还是写份备忘就够。这四个问题，其实就是把我前面讲的那套东西（方法思维、技能结构、三条标准），浓缩成了一条可以"带着走"的路径。我不指望他们一步到位，但我希望他们脑子里先有这张"地图"。结果，效果出乎意料地好。那个学税务的学生，用这四个问题一对照，把自己的报税核对流程拆开，还真发现了里头有一处"只有他判断得了"的地方——有些发票，税目看着模糊，需要根据开票方的行业、业务实质去判断到底算哪一档税率。这个判断，就是他独特的经验。他把这个判断规则写成了技能，一做出来，他自己都吓了一跳：原来自己干了两年多的活儿里，真正值钱的部分，就那一小块"判断"，剩下全是机械劳动。还有一个学审计的学生，更有意思。他本来雄心勃勃，想做个"审计风险全自动识别"的技能，听着就高大上。可他拿着四个问题一过，卡在了第三个问题上——他发现自己压根说不清"审计风险到底怎么判断"，他的"判断"全藏在"感觉"里。他后来老老实实从"抽凭"这个小得不能再小的动作做起，慢慢把"感觉"翻译成"规则"。三个月后，他跟我说："老师，我以前以为我做不了AI，是因为我不懂技术。现在我才明白，我不懂技术没关系，我真正缺的，是把我自己的'感觉'说清楚的能力。"听到他这句话，我特别欣慰。因为他说出来的，正是我这三年悟到的最核心的东西。这一年半带学生，我还发现了一件让我特别感慨的事：年轻人学"方法"比学"技术"快得多，也持久得多。你教他们一个新工具，他们可能一礼拜就学会了，但下个月就不用了；你教他们一套"思考路径"，他们可能学得慢一点，但一旦学会，就会用一辈子，而且会用到各种地方去。有个学生后来去了一家互联网公司做数据分析，有一次他给我打电话，说他用我教他的那四个问题，去重构了部门里一个乱成一团的报表流程，领导表扬他了。他在电话里特兴奋，说："老师，您教我的不是做AI，是怎么思考。"我挂了电话，坐在书房里发了会儿呆。我想，这大概就是"授人以渔"和"授人以鱼"的区别吧。我做AI项目，一开始是为了给自己省事；做到后来我才发现，最让我有成就感的，不是那八个技能，而是我教会了一帮学生"怎么把问题想清楚"。第十章技术细节：一个外行的踩坑实录写了这么多"方法"和"心态"，可能有人要问了：你光讲思想，技术到底怎么弄？你不会是个光会讲道理、不会干活的"嘴炮教授"吧？这个批评，我接受，但也得辩解一句：我不是不想讲技术，我是真的不太懂技术。我是一名会计教授，我的技术天花板，大概就是能写几行查询数据、整理表格的简单脚本，还经常写错。那些真正的技术细节——什么模型微调、什么提示词工程、什么RAG检索增强——我是真的不懂，也不敢装懂。但恰恰因为我不懂技术，我这三年踩的坑，可能比技术高手踩得更有代表性。因为绝大多数想用AI做点事的人，都跟我一样，是"外行"。我踩过的这些坑，你们大概率也会踩。所以我把它们一条一条记下来，当个"避坑清单"。第一个坑：把AI当成"全知全能的神"。我一开始，真把AI想得太神了。我以为我给它一句话，它就能把整个财务分析做明白。结果第一次跑真实数据，它就给我把数字算错了——不是它不会算，是它把"本期数据"和"上期数据"弄混了，同比算反了。我气坏了，觉得AI不可靠。后来我才想明白，不是AI笨，是我没告诉它"哪个是本期的、哪个是上期的、怎么对应"。AI不是神，它是个特别听话、也特别容易误解你的实习生。你交代不清楚，它就用它"以为对"的方式去执行。所以，第一个技术心法就是：永远别指望AI替你理解业务，你得把业务讲给AI听。第二个坑：数据不干净，AI给你算出个"漂亮"的错。这是我最深的痛。有一回，我做费用分析，AI给我的报告看着特别漂亮，趋势、结论、建议，一应俱全。我差点就直接用了。可临提交前，我多留了个心眼，把AI用到的原始数据抽了几条出来一核——好家伙，里面有一条费用的单位是"万元"，其他全是"元"，AI没做单位换算，直接把"万元"那笔当"元"加进去了，结果整张费用表高了一个数量级。这个错，要是真拿去给老板看，那可就闹大笑话了。所以我后来总结出一条铁律：数据喂给AI之前，必须先过"清洗"这一关。什么单位不统一、口径不一致、缺失值、重复值、异常值，全得先处理干净。这也是我为什么把"清洗"列为八大方法里的第一类——它是所有分析的地基，地基不牢，上面盖什么都白搭。而且，AI给的结论，我从来不会直接信，一定会"抽验"：抽几条原始数据，手工算一遍，对得上才敢用。这是做财务的人刻在骨子里的习惯，做AI项目照样得守住。第三个坑：提示词不是越长越好，关键是"让它知道边界"。我刚开始跟AI交流，喜欢把要求写一大段，恨不得把前因后果全讲进去，以为这样AI就更懂我。结果发现，写太长的提示词，AI反而抓不住重点，东拉西扯。后来我学乖了，提示词要精炼，但要"把边界画清楚"：你要它做什么，输入是什么、输出是什么、判断标准是什么、哪些情况不用管。就像我给AI派活，不是写一篇作文，而是写一份"任务单"。任务单写得越清楚，AI越靠谱。第四个坑：别指望AI"一次到位"，要"迭代着磨"。我以前有个毛病，一个技能建好，跑一次，看着没大问题，就以为成功了。结果实际一用，各种小问题冒出来。后来我才明白，AI项目没有"一次成功"这回事，都是"磨"出来的。我的成本差异分析技能，前前后后改了不下十次——排序规则补了一次，预警门槛调了两次，输出格式换了三版。每一次都是拿真实数据去"验"，发现问题就改。把"迭代"当成常态，你就不焦虑了。第五个坑：也是最要命的——AI会"一本正经地胡说八道"。这句话，是现在年轻人对AI的戏称，但它是真的。AI在编造答案的时候，特别自信，一套一套的，像真的一样。我做分析，最怕的就是这个。因为财务这个东西，错一个数字，可能就要出大事。所以，我给自己定了一条"自检"铁律，也是我那个技能里第六段"自检"的来源：凡是AI给的关键数字、关键结论，我一定要让它把"出处"指出来——这个数字是从哪条原始数据来的、那个结论是基于哪几条依据得出来的。指不出来、或者指得含糊的，我绝不用。这条规矩，救过我好几次。后来我还给它加了个升级版：让AI自己先"挑毛病"，输出之前，先检查一遍自己的报告里有没有前后矛盾、有没有数据对不上、有没有结论和依据不符的地方。这就像写作文先自己改一遍错别字，虽然不能完全避免出错，但能把大部分低级错误挡在门外。我讲的这五个坑，其实总结起来就是一句话：技术这东西，对做AI项目的人来说，不是最大的门槛，最大的门槛是"认真"和"较真"。你以为你在跟AI较劲，其实你是在跟自己较劲——你有没有把数据洗干净，你有没有把业务讲清楚，你有没有在交出去之前亲自验一遍。这些事，AI替你干不了，也永远替代不了你的责任心。第十一章团队与协作：一个教授的"虚拟研发部"有人可能会好奇：你一个大学教授，单枪匹马做AI项目，是不是太孤独了？你做的东西，一个人折腾，能有多大点规模？说实话，我前两年确实是单打独斗。但到第三年，随着项目越做越深，我一个人已经忙不过来了。也就是在那时候，我才被迫开始琢磨"协作"这件事。而这段经历，让我对"做AI项目"的理解，又上了一个台阶。我先说说我为什么会忙不过来。我做的那八个方法技能，一开始是给那家汽车零部件企业用的。后来，因为效果好，老板的朋友、朋友的同行，陆陆续续都找上门来，说"周老师，您那套东西，能不能也帮我们弄一套？"我一看，每家企业的行业不同、数据不同、口径不同，虽然底层是那八个方法，但每家都得"定制化"地适配。我一个人，又要上课、又要咨询、又要改技能，很快就分身乏术了。这时候，我做了个大胆的决定：把我带的那几个学生，组成一个"虚拟研发部"。我们不用坐在一起，就用线上协作，各管一摊。我给这个团队起个名字，叫"八法会"——就是那八个方法的会。名字听着有点武侠，其实就是个微信群加一个共享文档库。组建团队之后，我才发现，一个人做AI项目和一群人做AI项目，完全是两回事。前者比的是"你能干多少"，后者拼的是"怎么分工、怎么对齐、怎么不让大家做重复功"。我踩过的第一个坑，是"大家各做各的，结果互相冲突"。刚开始，我让每个学生去负责一两个企业项目的适配。结果没两个月，问题就来了：学生A给甲企业做的"成本差异分析"技能，和学生B给乙企业做的同名技能，两套逻辑居然对不上——A把量差价差的拆分顺序换了一下，B在预警门槛上用了另一套标准。虽然底层方法都是同一个，但到了"落地"层面，被他们做成了两个"版本"。这件事让我警觉：如果没有一个统一的"标准"，团队做得越多，乱得越快。做AI项目，最怕的不是没成果，而是成果之间互相矛盾、口径不一致。我赶紧停下来，重新立规矩。我做了三件事：第一件，统一"方法底稿"。我把那八大类方法，每一类都写成一份标准底稿，把里面"通用的部分"（触发词怎么写、步骤怎么排、输出格式长什么样）定死。学生做任何项目，必须先读这份底稿，再在底稿的基础上做"参数化适配"——改参数，不准改方法本身。这样，不管做多少个企业项目，底层永远是同一套方法。第二件，统一"验收清单"。我列了一份清单，每个技能交付之前，必须逐项过一遍：输入输出清不清楚、判断规则有没有标日期、自检过没过、真实数据抽验对没对上。缺一项，不准交付。这就像我教学生写论文要先过查重一样，成了"出厂质检"。第三件，明确"谁是对口径的唯一权威"。我定了一条规矩：关于"这个行业、这个企业到底该用哪个口径"这种问题，以我（或者我指定的项目负责人）为准，不搞群策群力。因为口径这种东西，错了就全错了，必须有一个说了算的人，不能让大家凭感觉定。这三条规矩立起来之后，团队立刻顺了。我们的技能库，不再是一堆各说各话的"私有文件"，而是一套口径统一、可以互相调用的"公共资产"。这半年多的团队经历，让我对"做AI项目"的理解，比前两年加起来都深。我悟到的最重要的一件事是：一个人做AI，容易陷入"自嗨"；一个团队做AI，才会被迫面对"标准"和"一致"这两个真正的难题。而这两个难题，恰恰是做AI项目的核心竞争力——因为只有把方法做成标准、把标准做成一致，你的东西才能规模化，才能从"个人工具"变成"组织能力"。我还想多说一句关于"分工"的体会。我们的团队里，有擅长财务的，有擅长写提示词的，有擅长调数据的，甚至还有两个美术出身的（他们帮我们把报告做得特别好看）。我发现，一个AI项目团队，最理想的组合不是"一帮程序员"，而是"懂业务的人+能把业务讲清楚的人+能让AI听懂的人"。业务是根，AI是土，而"把业务翻译给AI"的那个能力，才是连接两者的桥。这座桥，恰恰是很多纯技术团队最缺的。到了2025年，我这个"虚拟研发部"，已经帮四家企业落地了财务分析的智能化改造。说实话，这个规模，在真正做AI的圈子里，微不足道。但对我来说，意义重大——它证明了一件事：一个不懂技术的老教授，带着几个学生，靠着一套"方法思维"，也能扎扎实实地把AI用进真实的业务里，并且能规模化。这就够了。第十二章心态与节奏：长期主义者的自我管理写了这么多技术、方法、团队，这章我想聊聊心态。因为说实话，做AI项目这两年多，让我最受煎熬的，从来不是技术难题，而是心态问题。技术不会让我崩溃，崩溃的都是"自我怀疑"。我先把最容易让人崩溃的几个时刻，摊开来说。第一个崩溃时刻：学了三个月，发现自己还是"不会写代码"。这是很多"外行"做AI项目的第一道坎，也是劝退最多人的一道坎。我刚开始也栽在这上面。我给自己立了个目标："我要学会用代码处理数据。"结果学了三个月，还是只能写最简单的脚本，一遇到复杂一点的，就得查半天资料，还不一定对。我那段时间特别沮丧，觉得自己年纪大了、学不动了，根本不是干这个的料。直到我后来想通了一件事：我根本不需要成为程序员。我需要的是"跟AI协作"的能力，不是"替AI干活"的能力。就像你开一辆车，不需要会造发动机。我需要知道的是"数据怎么来的、结果怎么验"，至于中间那堆代码，AI能替我写。想通这点之后，我如释重负，把学代码的重心，从"自己写"改成了"会验收"——我自己写不出来的，AI写，我来检查它写得对不对。这一下，我的进步速度快了好几倍。第二个崩溃时刻：项目做了一半，业务变了，之前的功夫白费了。这是我前面反复讲的"报表会变"的变种。做AI项目，最大的不确定性，就是"你以为稳了的东西，说变就变"。业务口径变了、系统字段变了、老板想法变了，你辛苦磨的技能，当场作废。这种事经历得多了，我练出了一个心态：把"变化"当成项目的默认设定，而不是意外。我接受"我做的每一个技能，迟早都要改"这个事实。所以我不再追求"一次做对"，而是追求"改起来快"。怎么改起来快？就是前面讲的——方法参数化、口径留参数、规则标日期。一套技能体系，如果设计成"方便改"的，那么变化来了，你非但不慌，反而会觉得这是系统在正常呼吸。第三个崩溃时刻：独自一人，没有任何反馈。做AI项目最孤独的地方，是你做了半年，没人告诉你"你做对了没有"。你自己觉得挺有道理，可没有一个同行、一个前辈能帮你把把关。我度过这个阶段，靠的是两件事。一件是我前面说的那个"虚拟研发部"——有了团队，就有了反馈，学生们的提问和吐槽，就是我最好的磨刀石。另一件，是我养成了一个习惯：定期把做的东西，"扔出去"接受检验。我会把某个技能，拿去给企业财务总监看，看他用不用、觉得好不好用；我会把方法论写成文章，发在专业社区，看同行怎么看。你别怕被挑刺，因为只有被真实的使用场景和真实的同行检验过，你的东西才能从"我觉得对"变成"真的对"。说到底，做AI项目，跟做任何一件值得做很久的事一样，拼的不是爆发力，是耐力。它不是一个"三个月见效"的短跑，而是一场"三年见分晓"的长跑。我还想聊一个更深的体会。我做了这么久AI，越来越觉得，AI项目最难的部分，不是"做"出来，而是"扛"住——扛住刚开始没人理解你的孤独，扛住中途反复返工的烦躁，扛住"我是不是在瞎忙"的自我怀疑。这些东西，没有哪本书会教你，也没有哪个工具能帮你，只能靠你自己一点点熬过来。我的经验是：别把目标定得太高，也别把自己逼得太狠。我从不指望自己一年做出惊天动地的AI成果，我就指望自己"今年比去年强一点"——多磨一个技能、多悟一条规则、多带会一个学生。这个月把那个"百分之五加五十万"的门槛校准了一次，我就觉得这个月没白过。这种"慢"的心态，让我撑过了最容易放弃的那段日子。也让我在回头看的时候，能清晰地看到自己一点一点的进步。做AI项目，如果你只盯着"终点"看，你会觉得遥遥无期、很容易绝望；但如果你只盯着"脚下的这一步"看，你会发现自己其实一直在往前走。这就是我理解的"长期主义"：不是靠喊口号撑下去，而是靠一个又一个"今天比昨天强一点"的小确幸，日拱一卒，把事做成。第十三章回望：这三年，我到底收获了什么2026年春天，我把手机里存的那张"金字塔图"翻出来看了一眼。就是2023年秋天，我雄心勃勃画的那张"几十个技能"的规划图。上面那个被我重重划掉的数字，墨迹都还很清楚。我对着那张图，发了很久的呆。三年了，我最终的技能库，稳定在用的，就八个方法技能，外加十几个从这八个方法里演化出来的行业适配版本。比起当年那张金字塔图上的"宏大蓝图"，这点东西，简直寒酸。可我知道，我这三年真正收获的东西，根本不在这张图里。我想了想，我到底收获了什么。掰着指头数，能数出这么几样：第一样，我把"经验"变成了"可传承的资产"。这是我最看重的收获。我做了二十多年财务分析，脑子里的经验，之前都是"私有财产"，我死了就带走了，我退休了就烂在肚子里了。但这三年，我把它们一点点显性化、规则化，写进了那八个技能里。现在，我的经验变成了"公共资产"——我的学生能用，企业能用，甚至离开了我，它还在那里，还能继续发挥作用。说句实话，作为一个教书的人，没有比"让自己的经验能传下去"更让人安心的事了。以前我教学生，靠的是"言传身教"，学生能学到多少，取决于跟了我多久；现在我有了这套技能，学生拿着它，能少走我当年走的好多弯路。这三年，我相当于把自己的看家本领，从"私有"变成了"开源"。第二样，我学会了"把一个模糊的问题，变成一串清晰的规则"。这个能力，是我做AI项目之前没有的，或者说，一直藏在"感觉"里、从未被激发出来的。以前，老板问我"这个月利润为什么下滑"，我嘴上能讲得头头是道，但你要是让我"把判断过程写下来"，我写不出几条。现在不一样了。我被AI逼着，把自己那套"感觉"翻译成了一串可执行的规则："先看量，再看价；量价同时看；超过百分之五且绝对额超五十万才预警；预警之后先排前十，再逐个找原因……"这个能力一旦长出来，就再也不会消失了。它不光用在做AI上，也用在教学上、用在给企业做咨询上。我发现自己这几年讲东西，比以前清晰多了，因为我不再"凭感觉"讲了，我是"按规则"讲了。学生们也反映，说周老师的课，越来越有"章法"了。第三样，我重新理解了"教师"这个职业。做了三年AI项目，我最意外的收获，是对"教"这件事的理解变了。我以前总觉得，教师的价值，是"把知识传授给学生"。但这三年我越来越觉得，在AI时代，知识的传授，正在变得越来越便宜——AI什么都知道，什么都能讲。那教师的价值在哪里？我想明白了：教师真正的价值，不是传授知识，而是帮助学生"建立判断"。知识AI能给你，但"在什么情况下、该用哪条规则、怎么权衡、怎么担责"，这些判断力，AI给不了，得靠人。我教学生做AI项目，教到最后，教的其实不是技术，是判断力——怎么把一个模糊的问题想清楚，怎么在数据里找线索，怎么为一个结论负责。这个认识的转变，让我对"教师"这个身份，反而更笃定了。我没有被AI取代的焦虑，因为我知道，AI替不了我该干的那件事。第四样，我变"年轻"了。这句话，听起来有点玄，但我是认真的。我五十多岁才开始碰AI，按很多人的说法，这叫"为时已晚"。可恰恰是这三年的折腾，让我觉得自己重新活过来了。学新东西、踩坑、返工、被学生吐槽、熬夜调技能……这些听起来挺辛苦的事，却让我这个做了半辈子"一成不变工作"的人，重新找到了那种"在成长"的感觉。老伴儿说，我这几年，眼睛比以前有光。我觉得她说得对——一个还在学习、还在成长、还在被新东西牵着跑的人，是不会老的。我把这四年多的经历，浓缩成一句话，送给读到这里的你："AI不会取代你，但会用AI的人，会取代不用AI的人。"这句话，我听过很多版本。但在我自己身上，它是真真切切验证过的。不是说我会用AI就多厉害，而是说，把AI用起来这件事，逼着我去做了我以前不会做的事——把问题想清楚、把经验显性化、跟年轻人协作、接受变化、日拱一卒。这些事，才是真正的收获。AI只是一个契机，一个让我重新认识自己、重新长大的契机。第十四章三个真实项目的全记录：把方法落到实处的样子讲了这么多章的道理、方法、心态，我知道，光讲这些，你可能会觉得"听懂了，但还是不知道从哪下手"。所以这一章，我不讲道理了，我把三个真实做过的项目，从头到尾、原原本本地记下来。你看完，就知道我前面讲的每一句话，是怎么在一个具体的活里落地的。项目一：那家汽车零部件企业的"月度成本差异分析"。这是我最老、也最成型的项目。它的起点，就是第四章那个"成本差异分析"技能。第一版，我建得很粗糙。触发词写了"成本差异"，输入写"材料出库明细、采购单价、BOM标准用量"，步骤按教科书来，判断规则只写了一行"偏差超过百分之五且绝对额超过五十万才预警"，输出写"一页差异表加三条结论"，自检那一段，当时压根没写。第一版跑真实数据，问题一堆。最大的问题是它把"单位"搞错了——出库明细里有的记录是"吨"，有的是"千克"，它没换算就加总，差异算得离谱。我被迫在"输入"前面加了一步"数据清洗"，强制它先统一单位、去空值、去重复，再往下走。第二版，我补了判断规则。因为发现它排的"影响最大前十"，混了一堆"差异额大但差异率小"的假异常，我给它加了"绝对额和差异率两个维度一起看，先把两个维度都偏大的单独挑出来"。改完，结果就顺了。第三版，我又被现实教育了一回。那家企业这个月进了一批特殊订单的料，采购价高得离谱。我的技能按"百分之五加五十万"的规则，把它当成重大异常预警了出来。可实际上，那是客户指定牌号、指定供应商的料，价格是谈好的，根本不是异常。这要是真报上去，又得挨业务部门一顿骂。我那天晚上想了好久，最后在判断规则里加了一条"例外条款"："对于已明确指定供应商或指定牌号的采购，不适用价格差异预警，只查数量差异。"加了这条之后，技能才算真正"懂"了这家企业。这个项目，前前后后改了不下十版，历时四个月。现在它稳定在用了，每个月，财务部把数据导进来，十几分钟，一页差异表加三条结论加一段口径说明，就出来了。过去这活儿，一个资深会计要干两天。我拿这个项目想跟你说的，就一句：方法不是一次写出来的，是跟业务"磨"出来的。你每遇到一次真实情况，就往判断规则里补一条，你的技能就会越来越"懂"你所在的那个行业。项目二：另一家服装企业的"存货健康度"诊断。这个项目，是我那八个方法技能里"结构类"和"异常类"组合出来的，比较有代表性，能说明"方法怎么组合"。这家服装企业，最头疼的问题是库存积压。每个季度末，仓库里压着一堆卖不掉的货，占用资金几千万。他们来找我，说"周老师，您能不能帮我们看出，哪些货该处理了、哪些还能再卖卖？"我没有现成的技能，但我知道，这个问题，用我已有的方法就能拼出来。第一步，用"清洗类"：把他们的库存明细数据洗干净，统一到"按SKU、按款式、按库龄"的口径。第二步，用"结构类"：算占比、算集中度，看看积压的货，集中在哪些品类、哪些款式上。结果出来，很清晰——积压最严重的，是三个"过季款"，占了积压总额的一大半。第三步，用"异常类"：设阈值，把"库龄超过180天""动销率低于某个值"的货，标出来预警。三步一组合，一份"存货健康度"报告就出来了，哪些该清仓、哪些还能再卖卖，一目了然。这个项目，我没建任何一个新技能，就是拿已有的"方法"组合了一下，配了一套这家企业特有的参数。它说明了我前面反复讲的那个道理：报表是千变万化的，但方法就那么几种。你手里有八个方法技能，就等于有了八块乐高积木，任何新问题，都是它们的某种拼法。项目三：带着学生做的"发票税目智能初筛"。这个项目，是我那个学税务的学生做的，我在旁边指导。它虽然小，但特别能说明"一个外行，怎么从最烦的重复事做起"。我那个学生，最烦的就是每年报税季手工核对几百张发票的税目和税率。他听了我的建议，把这个烦透了的事，当成了他的第一个项目。他先做"清洗"：把发票数据导进来，把纸质票和电子票、专票和普票分开。再做"结构"：看看发票都集中在哪些税目上，心里有个数。最难的是"判断规则"。税目这件事，很多发票票面上写得不清楚，需要根据开票方的行业、业务实质去判断。这个判断，就是他这个"懂行的人"的价值。他花了整整两个星期，把过去两年自己核对的几百张发票翻出来，一条一条地回想"我当时是怎么判断的"，硬是把自己脑子里的"感觉"，翻译成了二十多条具体的判断规则。比如有一条："如果开票方名称含'运输''物流'，且金额较大，优先按'运输服务'税目，而不是'仓储服务'。"又比如："如果品名是'技术服务费'但备注写着'软件升级'，按'软件服务'处理，同时留意是否适用优惠税率。"这些规则，一条一条，都是他从真实经验里抠出来的。做成技能之后，他再核对发票，AI先替他筛一遍，把"票面清楚、规则明确"的自动分好，只把"需要人工判断"的那一小部分留给他。他的工作量，直接砍掉了七成。他做完那天，兴奋地给我打电话，说："老师，我终于知道我那两年的班，没白加。原来我一直干的，是有门槛的活。"我听他这么说，特别高兴。因为他又一次印证了我那个观点：外行做AI，缺的不是技术，是"把自己的感觉说清楚"的勇气和耐心。一旦你把这个本事练出来，AI就真的成了你的得力干将，而不是让你焦虑的东西。这三个项目，一个是我磨得最久的，一个是方法组合的，一个是学生做的。它们的共同点，也是我想在最后再强调一遍的：都是从一个具体的、烦人的、重复的问题出发，用方法去解，把经验变成规则，然后一点点磨出来的。没有一个是靠"炫技"做成的，全是靠"认真"和"耐心"做成的。如果你看完这三个项目，还是觉得"好难、我不行"，那我再送你一句话：别想着一次做完三个，你只要做成其中一个，就足够改变你对自己的看法了。第十五章技术之外：这三年，我身边的人写了这么多，都是关于"做AI项目"本身的。但回顾这三年，我心里最柔软的部分，其实不在那些技能、那些方法里，而在"人"身上。这一章，我想聊聊那些技术之外的事——那些支持我、包容我、也让我真正理解"做这件事的意义"的人。第一个要说的，是我老伴儿。我前面提过她好几次。这个家，是我做AI项目最坚强的后盾，而她，是那个后盾的核心。我这个人，一钻进电脑里，就六亲不认。为了磨一个技能，我能一坐四五个小时，忘了吃饭、忘了睡觉。我老伴儿从一开始的不理解，到后来，成了我的"后勤部长"——她会在我忙的时候，悄悄在我手边放一杯热茶；会在半夜看我书房的灯还亮着，叹着气给我披件衣服；会在我想放弃、灰心丧气的时候，用她那套最朴素的道理安慰我。我记得特别清楚，有一次我因为那个"百分之五加五十万"的预警规则，被业务部门训了一顿，回来垂头丧气。我老伴儿听了，没有安慰我"别往心里去"，反而认真地说："老周，人家训你，说明人家真在看你的报告。要是没人看你，你才该哭呢。"她这句话，把我逗笑了，也把我点醒了。是啊，有人较真地看你的东西，你才有改进的机会。她把我看似"受挫"的事，翻译成了"被重视"的事。这种"翻译"，我后来才意识到，跟我做AI项目时"把业务翻译给AI"的本事，简直一模一样。我老伴儿，才是我们家最会"翻译"的人。第二个要说的，是我的学生们。带学生做AI项目这一年半，是我这辈子最有成就感的一段教书时光。我教了二十多年书，见过太多"课堂上学了、出了校门就忘"的知识。但那些跟我一起做AI项目的学生，我敢说，他们学到的东西，会跟着他们一辈子。我最感动的，不是他们做出了多厉害的技能，而是他们身上那种"认真"的劲儿。那个为了抠税目判断规则、翻了两周发票的学生；那个从"抽凭"这种小事做起、把"感觉"翻译成"规则"的审计生；还有那个拿着我的"四个问题"，去重构了部门报表流程、打电话来报喜的数据分析师——他们的认真，反过来也激励着我，让我不敢懈怠。有个学生毕业前，给我写了一封邮件。里面有句话，我看了好几遍，眼眶有点热。他说："老师，我以前以为，做学问的尽头是发表多少论文、拿多少课题。跟着您做AI项目这一年，我才明白，学问的尽头，是把自己会的东西，想办法让更多人会用。您教我的，不是技术，是'传承'。"第三个要说的，是我那些企业家朋友们。我这些年做咨询，认识了不少企业家。他们一开始听我说"要做AI"，大多是将信将疑的，觉得"老周一个教书的，能折腾出什么名堂"。但后来，随着那些技能一个个落地，他们的态度慢慢变了。那家汽车零部件企业的财务总监，就是当年跟我吐槽"分析报告没人看"的那位。三年后，他有一次请我吃饭，很郑重地端起酒杯，跟我说："周老师，三年前我跟你吐槽，说做分析的人一半时间在重复劳动。那时候我只是发牢骚。是你真的去解决了这个问题。现在，我们财务部的同事，终于能把时间花在'琢磨为什么'上了。"他这话，让我特别受用。因为我知道，这才是做AI项目真正的意义——不是炫技，不是赶时髦，而是真的把那些困在人肉重复里的、有本事的人，从重复劳动里解放出来，让他们去做真正有价值的事。第四个，也是最后一个要说的，是我自己。我不是在自恋，我是想说，这三年，我最大的"项目"，其实是我自己。一个五十多岁、被很多年轻人认为"已经定型"的老教授，居然一头扎进了AI里，还扎扎实实地做了三年。这件事本身，就改变了我对自己的看法。我发现，我不是"定型"了，我只是过去一直没有给自己一个"重新开始"的借口。AI，恰好给了我一个。现在的我，比三年前更愿意学新东西，更愿意跟年轻人交流，更愿意承认"我不懂、但我可以学"。老伴儿说我这几年"越活越年轻"，我想，这大概就是一个人"还在成长"的样子吧。我写这一章，是想告诉你：做AI项目，看起来是技术活、方法活，但说到底，是"人"的活。你身边人的支持、你教的人、你服务的人、以及你自己，才是这件事真正的价值所在。技术会过时，方法会迭代，但这些"人"带来的温暖和意义，会一直在。所以，如果你也想开始，别怕孤独。你身边，一定有像我老伴儿那样默默支持你的人，有像我学生那样能跟你一起成长的人，有你服务的人——还有，那个值得你重新认识的自己。第十六章手把手：用十分钟搭出你的第一个技能前面讲了这么多，我知道，你心里最想的，其实是"你直接给我演示一遍，到底怎么建"。好，这一章，我就把建技能的整个过程，从头到尾、一步一步，手把手地演示给你看。我们就用我那个最经典的"成本差异分析"来做例子。你要是跟着做，你会发现，其实没有你想象的那么神秘。第一步，先想清楚：你建的这个东西，到底解决什么问题？（一分钟）这一步，听起来像废话，但最容易被跳过，也最要命。我建技能之前，都会逼自己用一句话把问题说清楚。我的"成本差异分析"要解决什么问题？——"当材料成本实际发生额和标准发生额对不上