AI技术赋能个人发展：从学习备考到求职准备

TIP

主讲人：LuckyFish

日期：2025 年 11 月 20 日

在当今快速发展的数字时代，人工智能（AI）已从前沿概念转变为触手可及的实用工具，深刻影响着个人的学习、备考与职业发展路径。本文旨在系统性地介绍AI技术的核心概念及其在个人成长关键场景中的具体应用，为读者提供清晰的认知框架与实践指引。

AI技术的三大基石

要理解现代AI应用，特别是像ChatGPT这样的智能助手如何工作，必须掌握这三个层层递进的概念：大模型是“大脑”，函数调用是“手脚”，模型上下文协议是“神经指令”。

1. 大模型：AI的“超级大脑”

核心定义：大模型，通常指大语言模型，是一个通过在海量文本、代码等数据上进行深度学习训练而成的、参数规模巨大的AI模型。

通俗理解：

• 海量数据训练：想象一个天赋异禀的学生，他阅读了互联网上几乎所有的公开书籍、文章、百科、论坛对话和代码。这个过程就是“训练”。
• 深度学习网络：这个学生的大脑结构非常特殊（即神经网络），擅长发现数据中的模式、逻辑和关联，而不仅仅是死记硬背。
• 核心能力：经过这样的“学习”后，这个“大脑”具备了强大的语言理解和内容生成能力。它不仅能读懂你的问题，还能根据你聊天的上下文，像真人一样进行连贯的对话、回答问题、创作文本、总结信息。

关键点：

• 它是基础：我们日常使用的绝大多数AI聊天助手、写作工具、代码补全工具，其核心都是这个大模型。它是所有智能交互的起点。
• 它的局限：这个“大脑”的知识和技能仅限于它“训练时学到的东西”。它无法知道训练数据截止日期后的新闻，也无法直接操作你电脑里的软件或查询实时股价。它本质上是一个基于概率的、极其强大的“文本预测器”。

2. 函数调用：为大脑装上“手脚”

核心定义：函数调用是一种技术机制，允许大语言模型在对话过程中，根据需求主动调用外部工具、API或程序来执行特定任务。

通俗理解：

• 弥补大脑的不足：虽然“大脑”很聪明，但它没有“手”去操作现实世界的东西。函数调用就是给它装上了一双可以操作的“手”。
• 如何工作：当AI发现你的问题超出了它的纯知识范围（比如“今天北京的天气如何？”），它不会凭空编造，而是会决定去调用一个预设好的“查询天气”的函数。这个函数会去访问一个真实的天气API，获取实时数据，然后把结果返回给AI。
• 实现复杂应用：通过调用不同的函数，AI可以帮你搜索网页、查询数据库、发送邮件、进行数学计算、生成图片等等。这使得AI从一个“聊天机器人”升级为一个可以自动化处理复杂任务的智能助手。

关键点：

• 从“知道”到“做到”：这是AI从被动应答走向主动服务的关键一步。它让AI具备了行动力。
• 扩展性无限：理论上，任何可以通过代码（API）提供的服务，都可以作为一个“函数”被AI调用，从而极大地扩展了AI的应用边界。

3. 模型上下文协议：协调“大脑”与“手脚”的“神经指令系统”

核心定义：模型上下文协议是一种标准化的技术规范，它定义了大语言模型与外部工具（函数）之间如何进行通信和协作。

通俗理解：

• 统一的沟通语言：想象一下，大脑（模型）想指挥手（函数）去拿杯子，它们之间需要一套彼此都能理解的指令。MCP就是这样一套标准化的“神经指令”或“协议”。
• 它规定了什么：
  1. 模型如何“想”：模型在什么情况下应该产生“我需要调用一个函数”的念头。
  2. 模型如何“说”：模型应该以什么样的标准格式（如JSON）来“请求”调用某个函数，并传递哪些参数。
  3. 工具如何“回复”：函数执行完毕后，应该以什么样的标准格式把结果“报告”给模型。
• 智能体的基石：有了这套稳定、标准的协议，开发者就能更容易地构建AI智能体——即能够自主规划、调用一系列工具来完成多步骤复杂目标（如“帮我规划一个旅行行程并预订酒店”）的AI系统。没有MCP，每个模型和工具之间的连接都需要定制开发，效率极低。

关键点：

• 它是“胶水”和“蓝图”：MCP将强大的“大脑”（模型）和各式各样的“手脚”（函数）高效、标准化地粘合在一起，是构建复杂自动化流程的基础设施和设计蓝图。

总结与类比

我们可以用一个生动的比喻来串联这三者：

• 大模型 就像一位 “博学的参谋” 。他学识渊博，能出谋划策，但无法亲自行动。
• 函数调用 是参谋获得的一本 “工具手册” 。手册里写明了可以调用的各种资源（如侦察兵、通信兵、计算器）。
• 模型上下文协议 是参谋与这些资源之间必须遵守的 “标准军令格式” 。参谋必须用特定格式（MCP）下达指令（调用函数），资源们才能准确理解并执行，最后再用标准格式回报结果。

当“参谋”接到一个复杂任务时，他会思考（大模型推理），查阅手册决定调用哪些资源（函数调用决策），然后用标准军令下达一连串指令（遵循MCP），最终协调各方完成任务。这就是现代AI应用，特别是AI智能体（AI-Agent）工作的核心原理。

AI如何重塑个人学习与备考体验

对于学习者而言，AI正从辅助工具转变为个性化的“学习伙伴”。

在知识管理与构建方面，用户可以将特定学科资料（如考研笔记、专业教材）上传至支持知识库功能的AI平台。AI能够自动对这些内容进行梳理、总结与关联，帮助用户快速构建系统化的知识体系，极大提升了信息整合与复习效率。

在实时答疑与深度理解环节，当遇到难题时，学习者无需再孤立地苦思冥想。只需将题目截图，并向已关联了相应学科知识库的AI助手提问，即可获得基于专业知识的详细解答与思路引导。这种方式实现了“随问随答”，让学习支持无处不在。

例如我们现在使用社团 AI（基于 LobeChat，或者是就是直接部署的 LobeChat）。

1. 先点击“知识库”，然后点击“创建知识库”，输入“考研政治”或“机器学习课程”，即可创建一个独立的知识库。
2. 将你的PDF教材、Word笔记、甚至整理好的Markdown文件批量上传。LobeChat的后台会将这些文档进行切片、向量化处理，转换成AI能够深度理解和快速检索的格式。

然后你可以去插件市场上选一个小助手，比如“考研政治助手”或“机器学习课程助手”（实则这种就只是提示词工程罢了，并不是现在所见到的那种“智能体”）

AI在职业赛道上的助力：以求职准备为例

求职，尤其是面试环节，是个人能力集中展示的关键时刻，AI能为此提供战略性准备。

在面试准备阶段，求职者可以将目标岗位的工作描述提供给AI。AI能够基于职位要求，智能分析并列出可能需要重点考察的知识领域与技能点。例如，针对一个前端开发岗位，AI可能会提示需要深入准备“页面布局、渲染机制、组件化开发、插件集成、网络通信”等核心模块。这使得求职者的复习能够有的放矢，精准弥补能力缺口，从而在面试中更加自信从容。

我们可以这么干：

先将简历放到知识库中，然后这么问 AI ：“请根据我的个人简历和招聘信息，帮我准备一下面试/笔试”。然后 AI 就会帮你准备好，并且会进行“押题”。

说实话我是觉得押题押的不错的，但是问题在于，其实不够。还是得去网上搜一下面经，然后看看 408 内容。这年头不看 408 有点撑不住。

工具选择：匹配需求与场景

面对多样的AI工具，合理选择方能事半功倍：

• 文本生成与创意：在处理中文内容、进行创意写作或文案生成时，国产大模型通常对中文语境和文化有更深的理解，表现更为流畅自然，是优先选择。
• 代码生成与开发辅助：在编程场景下，部分国产模型在代码生成的准确性、效率及对常用开发框架的支持上表现突出，能有效提升开发效率。
• 复杂分析与深度思考：当任务需要多层推理或深度分析时，可考虑使用专门的深度思考模型。但需注意，这类模型的响应速度可能较慢，且需引导以避免思维陷入无效循环。

接下来是我在个人使用一段时间之后，得出的一个“暴论”：

• 如果你需要进行文本生成任务，建议使用 Deepseek、通义和豆包

• 如果你需要进行代码生成任务，尤其是前端 UI 设计相关，建议使用 Claude、Gemini（尤其是 3 pro，确实好用）

• 如果你需要解答题目，建议先进行第二部分操作（使用知识库进行辅助），再使用大模型进行深度分析。这里可以使用豆包、通义、GPT，但其实 Deepseek 有点鸡肋 —— 因为 Deepseek 目前不支持图片分析

写写代码吧

前面其实只适合于“轻量级”应用，就是很明显的问答型的操作。但实际上我们在进行项目开发，或者是进行一些庞大的工程时，其实使用问答有点难以胜任了 —— 内容太多了，而且 AI 真不知道文件与文件之间的联系。

所以我们这里需要使用到 AI IDE/AI 插件。例如 GitHub Copilot、通义灵码，甚至于使用 Cursor、Trea这些 AI Ide。

但实则用法也是一样的，只不过 AI 的功能更强了一些。例如我们可以写一个这样的需求：

我需要写一个计时器应用。要求如下：

1. 应用界面需包含“开始”、“暂停”、“重置”按钮，以及显示当前时间的数字面板。
2. 点击“开始”后，时间开始累加，点击“暂停”则暂停累加，再次点击“开始”继续累加。
3. 点击“重置”后，时间重置为0，且状态恢复为初始状态。

当你按下回车之后，AI 就会根据你的需求，生成对应的代码。

结语

从构建个人知识库到破解专业难题，从解析职位需求到模拟面试准备，AI技术正在个人发展与能力提升的各个环节提供强大赋能。理解其核心原理，掌握其应用场景，并善用合适的工具，我们便能将AI转化为迈向目标的加速器，在日益激烈的学习与职业竞争中，构建起独特的个人优势。