SUPERLINEAR × ACEMODE

从 ChatGPT 到 Cursor

普通人如何抓住 AI 实战红利？

课代表立正 · 2026

多数人用 AI 只提高了 30% 效率

你是否有过这些感受？

「我天天用 ChatGPT，就是感觉突破不大」
「AI 给的东西我还是要改很多，感觉不如自己做」
「我知道 Cursor，但不知道从哪开始」
30%
多数人
→
10×
少数人

区别不在工具，在方法。

比尔盖茨：AI 是和 GUI 同等级别的范式变革

"In my lifetime, I have seen two demonstrations of technology that struck me as revolutionary."

— 比尔盖茨，2023 年 3 月，GPT-4 发布后

第一个：GUI
图形界面，让 10 亿普通人用上了电脑。PC、软件、互联网、手机——全都建立在这个范式之上。
第二个：AI
"The age of AI has begun." 不是一个新工具，是一个新时代——和 GUI 同等量级。

为什么这件事很重要？

GUI 出现之前，电脑只有专家才能用。GUI 出现之后，每个人都能用。

AI 出现之后，每个人都可以调动 AI 的算力来完成复杂任务。

真正改变的，是普通人能做什么。

电机的故事：新技术 ≠ 换工具

电机刚发明时，工厂只是把蒸汽机换成电机，其他都没变。效率提高了 30%。

几十年后有人想明白了：电机可以做得很小。不需要围绕一个中心动力源设计工厂——可以围绕 生产流程本身重新设计。

流水线诞生了，效率提高了几十倍。

今天的 AI 是同样的局面。

大多数人在做的：原来的工作方式不变，只是某个环节换成「问一下 AI」。
——这就是把电机放到蒸汽机的位置。

真正的变革：围绕 AI 的能力，重新设计工作方式本身。

学 AI 为什么这么难？三个核心挑战

挑战 1

需要「Unlearn」

上一个时代的隐性假设在新范式里不适用了。

比如：「学新技术，先找框架学」——在 AI 时代是错的。很多人搜完 LangChain 就掉进坑里了。

挑战 2

目标是未知的

上一个时代，「好程序员」有清楚的标准（会刷力扣、能写 Java）。

现在，几乎没有人能说清楚「好的 AI 使用者」长什么样。方向不清楚，努力容易走偏。

挑战 3

情感障碍

担心被替代 → 潜意识里抗拒新技术。

对同样的信息，不同的人得出截然相反的结论——往往不是智识差别，是情感立场的差别。

克服这三个挑战的根基：对 AI 这个新范式有 真正底层的理解——不是表面的，是基于原理的。
PART 2

ChatGPT 是军师，
Agents 是军队

为什么说「想用好 AI，要戒掉 ChatGPT」？

聊天窗口的三个天生限制

维度 ChatGPT 聊天模式 Agentic 工具（Cursor / Claude Code）
上下文 每次对话从零开始，你要重新解释背景 读整个文件夹，理解你的项目、规则、历史
持久性 产出在聊天窗里，用完就没了 产出写到文件里，下次还在，可以积累
自我修正 你说「不对」它才改；你不说，它不知道 有验证环境，自己跑、自己检查、自己改
这不是两个产品的功能对比，这是两种工作方式的根本区别—— 一种是你驱动 AI；另一种是 AI 驱动、你审核结果。

控制过程 vs 控制结果

传统方式：过程确定性

你写 prompt → 检查输出 → 手动修改 → 再写 prompt → 再检查……

人控制每一步。听起来安心，但 AI 产出的上限 = 你审核的带宽。

你是翻译官，每一句都要过一遍。

AI Native：结果确定性

你定义「什么叫好」→ 给 AI 规则和上下文 → AI 自己跑、检查、迭代 → 你验收结果。

人的杠杆率最大的地方：定义终点线，而不是在过程中反复纠偏。

当 AI 每天产出远超你能逐行审核的量，能跑起来靠的不是看得仔细—— 靠的是验收标准定义得清楚。
DEMO · 实战案例

给腾讯游戏做企业培训

AI 的价值不是替你做重要的事，
而是帮你把不重要但必要的事做掉，让你腾出时间做真正重要的事。

我们给腾讯游戏交付了什么

IEG 方案封面

24 页主方案 Deck — 面向采购决策者

  • 24 页主方案 Deck（现场演示 + 会后流转）
  • 3 份独立方向详述 PDF（每份 5-6 页完整论证）
  • 1 份提案文档（三个可选项目方向）
  • 多轮需求调研、1v1 访谈、问卷分析
这些交付物的格式对齐、排版、文档标准化，全部用 AI 完成。
人花时间在调研、分析、出方案、把控质量上。

重要的事 vs 必要但不重要的事

重要 — 人做

调研 · 理解业务真实痛点
归因 · 5 个人给 5 种答案，找统一根因
设计 · 选方向、定边界、控节奏
沟通 · 现场 30 分钟的信任建立

必要但不重要 — AI 做

PPT 排版和视觉对齐
PDF 文档生成和格式统一
访谈纪要结构化
配色 / 字体 / 页脚的一致性

AI 最大的意义不是「帮你做内容」——而是 把必要但不重要的事做掉，让你的时间回到真正重要的事上 。

「5 个人，5 种归因」——这才是需要人来做的事

诊断页

方案中的诊断页：收集表象，提炼根因

腾讯游戏团队里，不同岗位对「AI 为什么不好用」的归因完全不同：

  • 美术：「模型能力不够」
  • 策划：「自己水平不行」
  • 程序：「指令不够精确」

但真正的根因是同一个：团队缺少统一的 AI 协作方法和知识组织方式。

这种判断力是 AI 替代不了的。AI 可以帮你做归因聚类，但 「这是不是真正的根因」，需要人来判断。

WHAT JUST HAPPENED?

全中国最耀眼的甲方，几十万的项目，交付的 PPT 和全部材料 100% 由 AI 生成。

谁说 AI 生成的东西不专业？

24 页主方案 Deck + 3 份方向详述 PDF + 提案文档。面向腾讯游戏采购决策层。全部通过，没有人质疑过「这是 AI 做的」。

人做了真正该做的事

调研、归因、方案设计、关键叙事、现场沟通——这些决定项目成败的事，因为 AI 接管了排版和文档，人有了充足时间做好。

这背后的共同模式

人做什么

定义「什么叫好」（标准、验收条件）· 调研、归因、方案设计 · 关键决策和现场沟通

AI 做什么

大量生成、交叉评审、格式对齐 · 文档排版与样式统一 · 访谈结构化、方案草稿

核心资产积累

设计系统 + 生成脚本 → 下个客户直接复用；guideline + 工作流文件 → 新人也能跑出老手水平

和 ChatGPT 的根本区别

「帮我写个文档」→ 系统化的专业交付； 「帮我做一件事」→ 可复制的工作流

HANDS-ON · 现场演示

打开 Cursor，
感受工作方式的不同

你不需要
会写代码
懂所有 AI 概念
一次全部学会

你只需要
一个你每周都在做的任务
告诉 AI 你的背景和目标
看它自己去跑

你现在在哪，下一步做什么

LEVEL 1

只用过 ChatGPT

用 Cursor 打开你每周都在做的一个任务，让它读你的文件，体会有上下文和没上下文的差距。

不需要学编程。先感受工作方式的不同。

LEVEL 2

用过 Cursor 但逐条 prompt

把你的「好标准」写成一个文件，让 AI 读着规则做事。

产出稳定性会有质变。这是从「临时工」到「有标准」的跨越。

LEVEL 3

已经在搭流程

加入自动验收检查（第二个 Agent 评审，或脚本做量化检查）。

从「能用」到「可复制」——这是专业交付和随机产出的差距。

共同起点：先把「什么是好的」写下来。不要跳过这一步直接丢给 AI 做。
BONUS · META

你刚才看到的这份演示文稿，
本身就是一个 Demo

制作这份 PPT 的过程，践行了我们刚刚讲的每一条原则。

这个 Deck 是怎么做出来的

步骤 人做了什么 AI 做了什么
1 · 需求输入 写了 2 条消息：转述活动背景 + 说明调整方向 读取 15+ 个文件（项目总结、CSS、JS 幻灯片模块、SRT 逐字稿……）
2 · 内容生成 没有写一行 HTML / CSS 输出 649 行完整 HTML，含 19 张幻灯片、完整配色与动画系统
3 · 部署上线 一句话：「帮我部署」 创建 GitHub 仓库 + Dockerfile + 调用部署 API，全程自动
2
条消息
→
649
行 HTML
~5 min
人的时间
vs
19 张
完整幻灯片

这就是「结果确定性」在真实工作中的样子：人定义目标和标准，AI 负责所有执行——包括现在你看到的这句话本身。

能用 AI，和用好 AI 之间，
差距不是 30%，是 10 倍。
区别在方法，不在工具。

课代表立正 × AceMode · 2026