探索营介绍
本次探索营旨在总结一套相对统一的人机协同工作方法。我们将开源阶段性成果，包括经验、困惑、解决方案，与大家一起探索未来。
为什么要做这次探索营？
我们发现很多同学在使用AI时方法各异、缺乏统一的工作流。因此，我们决定发起这次探索营，尝试总结一套相对统一的人机协同工作方法。
探索营目标
通过四个阶段的学习与实践，帮助学员完成从碎片到体系、从沮丧到信心、从工具到协同、从随机到AI团队的范式迁移。
探索性质
本次内容为探索性质，不保证成熟度，鼓励大家积极尝试与反馈。这是一个共同探索的过程，我们都在未知中寻找答案。
学习方式
启发而非方法，更多的是抛砖引玉。通过实际案例、作业实践、专家分享和集体讨论，共同推进认知边界。
探索营四阶段结构
抛砖引玉
由我分享个人经验与初步方法，汇报如何解决重大难题，开放我使用AI的思考路径和工作方式。
初探实践
学员用一周左右时间照葫芦画瓢，提交体感作业，努力探认知上限，完成第一篇实践报告。
引喻深化
邀请AI大航海获奖者花总分享专业实践，讲解背后的专业落地方法，提供可借鉴的最佳实践。
总结提升
二次作业与集体交流，交叉学习，看到大量同学一起进步的过程，形成阶段性成果。
热身思考：两个本质问题
这两个问题决定了你如何与AI相处、如何构建自己的核心竞争力，以及在AI时代保持竞争力的关键。
第一个问题
一堂的课给你最大的价值是什么？
一堂的课不只是传递信息差或知识，更在于传递规律、审美、体系、底层逻辑。这些能力是面对AI时代变化的基础。
灵魂拷问：
随着AI的逐步演化渗透、快速进步，长期来看，这些能力是不重要了（未来AI都接管了）？还是说对未来我们的要求更高了，反而更重要了？那背后的逻辑是什么？
重要性：这个问题直接决定了你们以后如何跟AI相处，你怎么用AI，你的能力怎么用，AI的能力怎么用。越早想清楚，越早积累，就越有可能积累更多的核心能力红利。
第二个问题
关于终局的想象
在不讨论AGI的前提下，想象一下未来2-5年，高水平的团队将如何与AI协同工作？那个时候我们会怎么跟AI协同？
现状：现在很多人用AI就当搜索用，最多用个Agent，帮做一点点简单的搜集任务、整理任务、做个PPT也就到头了。
核心思考：
真正往前看三年，高水平的人类团队和高水平的AI团队是怎么在一起工作的？那个最佳实践长什么样？脑子里有那么一个大概的图景吗？
意义：这个问题帮助你建立对未来的想象和预期，为真正的协同工作做准备，而不是停留在工具使用层面。大胆思考、大胆想象，提升审美和追求。
两个问题的共同价值
方向指引
帮助明确在AI时代个人和团队的发展方向，建立长期主义的思维框架。
能力识别
识别在AI时代依然重要的人类核心能力，避免被短期工具热潮迷惑。
范式迁移
推动从"人类独立工作"到"人机协同"的范式转变，提前布局未来工作方式。
四次飞跃：范式迁移的完整路径
过去半年，我完成了从碎片到体系、从沮丧到信心、从工具到协同、从随机到AI团队的四次飞跃，逐步构建了人机协同的工作范式。
从碎片到体系
用缪斯模型和双三角模型重构了我的知识体系，从信息过载的焦虑中解脱出来，形成了结构化的认知系统。
关键方法：
核心洞察：什么时候是你学习一个复杂课题真正入门的标志？不是读了教材，不是做了实践，甚至不是赚到钱，而是你形成了一套你对于这个课题的基础的、朴素的、底层的、框架性的认识。
知识树学习法
如变量、函数、循环、条件判断
具体编程语言
具体编程语言
具体的语法规则
库的使用
项目实践
调试技巧
把叶子构建出一棵树，才是高水平学习。 不断构建知识之间的联系，并且把某一个课题的知识，串成一个体系和树，甚至鼓励找到最底层的"第一性原理"。
Feature思维：原子级特性
将AI能力拆解为"原子级特性"，如角色设定、思维链引导、案例参考等，通过掌握这些Feature，可以在不同任务中复用，实现真正的刻意练习。
选模型
设定角色
思维链引导
案例参考
Feature思维的核心：将众多工具、大模型框架的共性萃取出来，变成最小原子特性。每一个Feature就是一次打磨机会，是你的子弹和牌。
从沮丧到信心
用泛产品设计加上Feature的思路，把刻意练习变成了统一的方法和工作流，解决了实践中的持续沮丧问题。
关键方法：
刻意练习1+4要素：长期追求为前提，加上固定套路、非舒适区、及时反馈、大量重复四个要素。每增加一个要素，进步速度乘以2；每减少一个要素，速度除以2。
从工具到协同
用Obsidian作为"协同广场"，实现不同AI工具在同一平台上的协作。通过"时间管理AI教练"项目验证了人与AI的平等协同。
关键方法：
广场模型的本质：Obsidian以Markdown为基础、本地存储为核心，允许不同AI工具在同一"广场"上协作，打破了信息孤岛，形成了连贯的工作流。
十步工作流：时间管理AI教练
建文档：建立顶层文档和创意说明
最佳实践数据包：输入个人案例和方法论
让AI理解文档：初步分析和理解项目
喂方法论、再次分析、市场分析
里程碑方案、产品内核、五步法、MVP方案
结果：全程约90分钟，实现了人与AI的平等协同。人类只负责顶层文档和最佳实践数据包，其余工作由AI完成，人类负责判断和审美把控。
TCPR模型：四类AI角色
教学
把我教明白
咨询
引导我思考
实践
直接动手干活
研究
建模和研究
愿景：帮助一部分同学配一个属于你们个人的TCPR团队。这个团队对你来说足够专业、足够默契、足够务实、足够具体、足够定制化。
从随机到AI团队
通过TCPR模型将AI工具封装为固定助手，形成了属于自己的"AI团队"，实现了从随机使用到系统化AI协同的转变。
关键方法：
封装的核心：原本通用的大模型是刚刚睁开眼睛、苏醒的、失忆了的超级天才。你但凡给它配置了一个身份要求配置，它就开始被你固定封装、解决某一类具体的问题，这就是广义的智能体。
核心模型与框架
探索营中提出的关键模型与框架，为人机协同提供理论支持和实践指导，帮助构建稳定、系统的认知和工作体系。
一堂人工智能全景图 · MUSE模型
将人工智能全景分为四层，帮助我们从宏观到微观理解AI生态
奇迹层
AI的大胆设想和科幻
- 职业变革
- 生产力跃迁
- AGI
- 法治与伦理
使用层
用好AI/降本增效
- 提示词/库
- Agent智能体
- 多模态
- AI编程
创业层
创造新产品/服务
- AI工具库
- 工程化
- 模型微调/训练
- 数据/知识库
变革层
底层技术的变革性突破
- 芯片
- 机器人
- 云
- 边缘计算
- 数据
缪斯模型的价值
应对变化：市场变化太快，工具层出不穷。缪斯模型足够的抽象、足够的上层，才能够本质和稳定，帮大家应对这些变化。
长期复利：如果希望在AI领域积累五年甚至十年尺度复利，这张图就是最好的可以抓在手里的复利工具。尝试把能力、认知构建在这种图上，就能常年积累。
版本更新于：2026.2.11 @北京一堂实验室
TCPR模型：构建个人AI团队
将AI工具封装为四类角色，形成属于自己的"AI团队"，实现个性化的人机协同和系统性能力提升。
教学 (Teach)
负责把我教明白，解释概念，用我擅长的方式让我理解学习
不干活，只负责让你理解
咨询 (Consult)
引导我思考，不直接给答案，一步步专业地推进思考过程
不给答案，只引导思考
实践 (Practice)
直接动手干活，可以给答案，要非常具体、非常直接
直接出结果、给答案
研究 (Research)
建模和研究，从海量信息里找规律、建模、找边界
是底层能力基础
TCPR模型应用示例
| 角色 | 核心功能 | 特征 | 示例任务 |
|---|---|---|---|
| T（教学） | 把我教明白 | 不干活，只负责让你理解 | 解释复杂概念、解读专业术语 |
| C（咨询） | 引导我思考 | 不给答案，只引导思考 | 项目诊断、问题分析、决策支持 |
| P（实践） | 直接动手干活 | 直接出结果、给答案 | 代码生成、文案写作、设计制作 |
| R（研究） | 建模、找规律、探边界 | 是底层能力基础 | 市场调研、趋势分析、模式识别 |
TCPR模型的演进逻辑
从教学到实践：最早可能只是一个教学助手，帮你理解概念。随着你越来越专业，它可以逐步进化为咨询助手，引导你思考。最终可能变成一个实践助手，直接帮你干活。
研究是基础：R（研究）是整个模型的底座，是所有能力的基础支撑。没有研究能力，其他三种角色都会缺乏深度和专业性。
一堂的愿景：为每个人定制TCPR团队
我们希望帮助一部分同学配一个属于你们个人的TCPR团队。这个团队对你来说足够专业、足够默契、足够务实、足够具体、足够定制化。
实践应用：从理论到落地
探索营的实践成果与未来发展方向，将理论模型转化为实际生产力
最小原子
既然不能一次性搞个复杂的智能体，不如回到最小单位。一堂把子弹给你准备得足够多，你自己去拼一个流程出来。
提示词 (Prompt)
围绕某一个课程、某一个小的范围，那个最小的逻辑提示词。
数据包 (DataPack)
完成某一个任务必须的那些方法论资料，包括上下文、必备的信息、必备的专业性。
核心价值：一堂有足够多最小的逻辑和最小的资料，你们自己去拼。这是我们在下一阶段给大家回答的。
固定封装
一堂我们认为的智能体边界就是封装。只要你给自己封装了一个AI、那个AI真的是给你自己用的、你给它提了一些要求，那条线我们就姑且可以把它叫做智能体。
"你是一个创业教育公司的助手"
26个字可以显著提升AI的专业性
提示词段位提升官
把60分提示词优化到七八十分
封装的核心：把未来重复的任务封装成稳定的智能体。一句话就能把AI从通用天才变成专业助手。
灵活组合
当你们未来拿到这些原子之后，你们自己把它用在哪都行。原子最大的好处是它是通用级别的，它是最小的。唯一的缺点就是你需要手工拼接。
可用工具
应用示例：在写工作流时发现特别具体，可以把具象阶梯DataPack甩给它说"给我往抽象了改"，它就给你用这三个手指头给你改。
一个美好的实践案例
这是一个美好的幻想，我们内部也刚刚实现，但是怎么复刻我们还没有摸得特别清楚，我给你们稍微幻想一下：
1. 动力三曲线DataPack
用户价值分析的核心模型，帮助理解用户动机和驱动力。
2. 逐字稿说人话DataPack
将专业内容转化为口语化表达，达到四级口语化水平。
3. 具象阶梯DataPack
避免抽象表达，多用佐证、场景化和数据化，避免升华和痛苦激发。
如何应用
你可以尝试着去引入这三个模型，然后把这三个"啪"的一下直接扔到你的扣子里，甚至是自动化直接喂给AI，然后你就说"我要做一个什么任务，我需要这三个方法"。
"我要用三曲线里面的利益曲线，而且我只要'名'和'情'，你别给我'利益'。然后说人话你必须要给我写到口语化逐字稿风格，达到四级别。然后你要自己去想，你要具象阶梯，我这个不要抽象，你就多用佐证，而且多用场景化和数据化，避免升华和痛苦激发这个策略——我们的用户不喜欢，我们都是高净值用户。"
结果：如果你自己一点点调、一点点从零去搭，估计忙活一两周都不一定搞得出来。但是如果你足够专业、足够懂课、足够懂一堂、且熟练掌握这些DataPack，也许快的话也就30分钟到90分钟工作量就能摸到一个还不错的水准。
未来计划与产品预告
一堂在AI协同领域的未来规划，以及即将推出的产品和服务
原子中心
一个地方可以让大家去里面把原子的Prompt和DataPack拿走。而且我每一个会说清楚边界、这个究竟在哪有效，我尽量尽量把它收敛到一个非常小的场景下，大家不要滥用。
目标：提供上百个最小单位的提示词，可能未来有数百个给你们至少会员内部开源的DataPack。
带一堂课程库的商业垂直大模型
有可能是GPT-4，有可能是别的，不知道。然后你可以直接跟它对话，它是懂一堂各种课的，你可以自己从它身上抽离一些DataPack也行，试试看。
价值：你可以自己去试一个有200节课的AI，你可以跟它试试看、找找场景。
Partner（趴那）
我们为了避免大家谈智能体来回吵架，就叫"趴那"。你可以叫它伙伴、朋友，甚至如果你是一人公司，你可以直接在一堂搭建你的TICE团队、你的合伙人团队。
愿景：给每一个人用一堂的体系定制一套属于你的TCPR团队。
先锋官招募计划
招募100名最渴望尝鲜的同学，用现有工具搭建"AI团队"工作流。我们用已有的工具、用一种比较笨的方法先去搭一个工作流，跟研发出来结果差不多的一个东西。
注意：这是尝鲜计划，奔着失败去的。你们要接受失败，也接受一堂失败，也接受你们失败——就是尝鲜就奔着失败去的。
专家悬赏计划
招募30-50个专家，试着让大家来写一些你们理解的——当然我们会给你们严格的要求和边界——你们来教、你们来做，把一堂课转化成提示词。
大会员资格
会员资格
会员资格
挑战门槛：需要把提示词调完之后，说清楚这个提示词的价值、使用的场景、边界、正向案例，甚至该怎么调、它哪些问题解决不了，尝试把一个东西真正定义清楚。
结语：长期主义与复利思维
在变化非常快的世界里，找到10年稳定的体系，用确定性一点点垒出最终的获胜。
"我们不奢求毕其功于一役，但我们极度渴望论持久战式的最终获胜。"
应对变化
复利积累
最终获胜
一堂其实比较喜欢这种相对长一点的、难一点的、相对正确的路——就是它不会走歪，它也不会怎么样，虽然难，但是一个飞轮一旦滚出来会越来越好的路。