“AI打工人”这个词最近在圈子里被用到发腻。有人拿它自嘲说自己是被AI推着跑的生产力工具也有人拿它当身份标签自我介绍时显得懂行。我属于后一种但我更想聊的不是标签而是一个听起来有点玄、实际上很现实的问题为什么每一次技术升级早期吃红利的都是少数打工人大多数人要在一轮又一轮的技能洗牌里反复挣扎我把这个现象叫作“千年循环”——从手动工具到蒸汽机从电气化到计算机劳动者一直在“被替代—再学习—再被替代”里打转。AI时代最大的区别是循环周期被压到了三到五年这一轮破局的关键已经不是“学不学”而是“怎么学、用在哪”。为什么我会拿“拓竹岗位”当样本因为我发现桌面3D打印行业是一个非常难得的职业切片一个普通工程师的工位里同时挤着机械、电子、材料、软件、算法、运营、内容这些传统上要分好几个部门才能凑齐的岗位。这样的岗位恰恰是AI工具最能发挥杠杆效应的地方。这篇文章不会讲空泛的“未来已来”而是围绕AI编程、AI测试、AI Agent、大模型部署这些具体能力拆解一个打工人怎么在自己岗位上把“千年循环”给破掉。1. 先把这个标题拆开看AI打工人到底在打什么工1.1 所谓“千年循环”是打工人绕不开的三道坎先说清楚“千年循环”是什么。如果把职场人的处境拉长到技术史尺度其实就是三幕循环剧第一幕新技术出现一部分重复性工作被工具替代第二幕大部分人被迫重新学习学习快的抢到新岗位学习慢的卡在旧流程里第三幕工具继续进化循环再来一轮。数控机床进车间的时候是这样工业软件普及的时候是这样云计算兴起的时候也是这样。AI之所以让人觉得更可怕是因为这一轮工具不再只替代体力动作它开始进入判断、写作、写代码、出图这些过去被认为是“脑力活”的领域循环的速度一下子提上来了。我梳理了一下绝大部分打工人会卡在三道坎上。第一道坎重复工作被AI包圆熟练度不再值钱。以前你每天写周报、整理实验数据、筛异常日志做得又快又好这是优势。但AI处理这些结构化、模板化的东西比人快几十倍熟练度的护城河一夜之间就没了。第二道坎技能更新速度超过了学习速度。去年还在学prompt工程今年就是Agent工作流再过几个月又开始讲多模态模型微调。普通人按部就班一个月学一个技能根本追不上工具更新的频率越学越焦虑。第三道坎组织的岗位说明书没跟上工具变化。很多公司的招聘JD还停留在“熟练使用办公软件”“有X年行业经验”但实际工作里已经需要你懂AI工具、会写自动化脚本、能调大模型接口。岗位定义模糊导致愿意主动用AI的人能做出超预期的结果而不动的人还在原地等培训。这三道坎的本质其实是同一个问题你手里的技能包是不是跟着工具一起升级了。破局的人不是跑得更快而是换了一条赛道——把AI当成岗位杠杆而不是岗位对手。1.2 为什么偏偏是“拓竹岗位”成了样本标题里的“拓竹”我第一反应是桌面3D打印领域的头部企业。这类企业的岗位有一个共同特征信息密度极高跨领域动作极多而且大量关键知识存在老师傅脑子里没有形成文档。这不是某个企业独有的问题而是整个智能制造行业岗位的缩影所以我拿它当样本拆道理是一样的。拿桌面3D打印企业的一个普通工艺岗位举例。产品迭代时工程师要调FDM打印参数层高、壁厚、填充密度、回抽距离、喷头温度一组参数打样就要半天质量反馈下来要对着首层照片判断是翘边、拉丝还是挤出不足售后端传来一段打印失败视频还要从几十个可能原因里手动排查。这些动作里经验判断占了很大比重但又夹杂着大量重复的信息整理工作。传统做法是靠人肉加班堆时间一个熟手带一个新人半年才能把“坑”摸清楚。AI进来之后情况完全变了。视觉大模型能看首层照片知识库能快速返回类似故障的处理记录AI编程能帮工程师写脚本批量统计测试数据Agent能自动把一条故障工单转成排查建议报告。也就是说岗位还是那个岗位但岗位里的“人机分工”被重新切了一刀。重复检索、整理、初判交给AI人的时间和精力挪到真正需要判断力和创造力的地方。这就是“拓竹岗位”藏着的破局密码不是让你变成算法工程师而是让你把AI能力嵌进现有的岗位动作里做第一个吃螃蟹的人。2. 在拓竹这类岗位上AI到底改变了什么2.1 从AI编程到AI测试岗位技能树重新长出来了很多人以为AI编程就是让程序员的活变轻松其实AI编程最被低估的受益者是一线非技术岗位。我见过一个3D打印企业的工艺工程师之前完全没写过代码后来用AI辅助写Python脚本批量解析G代码文件自动统计每层速度、温度分布和异常跳变原来要手动翻半小时的数据脚本跑三分钟就出图。这件事给我的冲击很大因为技能树可以重长了——你不需要先花一年学语法再花三年练算法只要你能说清楚自己想要的输入输出AI就能把初版代码给你你要做的是校验逻辑、改边界情况。AI测试也一样在变。软件行业的自动化测试成熟但硬件领域的测试仍然大量靠人眼盯。现在用多模态大模型看图可以让它判断打印首层附着是否均匀、有没有拉丝、表面纹路是否异常再自动生成测试结论。这套东西不需要你训练一个庞大的模型直接用现成的视觉大模型API配一套好的提示词和判断标准就能跑。关键是把老师傅的判据结构化比如“第一层线宽均匀、喷头距床面0.2mm时视为正常”这些规则喂给大模型它就能替代一部分重复性的目检工作。我自己在实操里最大的体会是AI编程和AI测试不是要让你成为全栈工程师而是把岗位上那些“需要一点编程能力才能自动化”的需求从门槛里解放出来。昨天的瓶颈是不会写代码今天的瓶颈是你是否愿意把需求描述得足够清楚。2.2 AI Agent才是这一轮破局的真正主角聊天机器人只能回答问题AI Agent能帮你完成任务。这个差别放到岗位上特别明显。假设一个售后技术支持工程师用大模型查故障传统做法是问一句答一句发一张图片问“这是什么问题”模型答“可能是翘边”你再问“温度多少合适”模型再答。看起来很方便但整个过程仍然由人驱动而且每一步都要想怎么提问效率提升有限。Agent就不一样了。它可以是一个带任务目标的工作流你把一张打印失败的照片丢给它它会自己决定先调用图像识别工具判断异常类型再去检索维修手册知识库找出相关记录然后调一个参数计算脚本算一下推荐的温度区间最后按固定模板生成一份完整的问题排查报告。整个过程不需要你一步步指挥它自己会规划步骤、调用工具、汇总结果。这时候你从“操作员”变成了“验收员”。我给一个很朴素的类比Agent就像来了个实习生。你不需要教他每一步怎么做只要给他一份标准作业流程、一柜子参考手册再加几个顺手的小工具他就能跑完80%的常规流程。但他偶尔会自作聪明所以你需要设规则、做检查、兜底。对打工人来说学会搭Agent就是学会把岗位经验复制给一台永不知疲倦的机器然后你本人去做机器做不了的那20%。2.3 大模型与AI Infra岗位背后的“人肉担当”很多人以为用AI就是打开网页聊几句但在企业岗位里落地绕不开模型部署、算力调度、效果评测这些脏活累活这就是AI Infra。你是个人开发者的时候可以随便调云上API但企业里涉及数据安全、吞吐量、成本和私有化部署必须有人懂怎么把模型放到内网、怎么做接口封装、怎么评估生成质量。这部分人才现在是供不应求的状态而且它不一定要求你会训练模型更看重工程化落地能力。举个软硬结合的例子。现在AI编程已经能生成PLC代码和Verilog代码前者是工业控制逻辑后者是芯片设计里的硬件描述语言。放在几年前这俩跟“AI写代码”完全不沾边现在却已经有不少团队尝试让大模型辅助生成模板化代码块工程师负责核对时序、约束和异常分支。这件事的意义在于AI的应用边界正在从纯互联网场景扩张到工业现场。会调模型、会做数据管线、懂业务场景的复合型打工人正是这个扩张过程里最缺的一环。所以我的观点是不用焦虑自己不会训模型但要开始接触“怎么把大模型接到业务流程里”。哪怕只是学会调用API、设计提示词、搭一个简单的知识库问答你就已经从“AI用户”变成“AI工程实践者”了。后面要补的只是工程经验的厚度。3. 把“破局密码”落到实操里一个人也能做完一条AI流水线3.1 第一步找准岗位里最耗时的“三件小事”破局不用一口气上个宏大系统我建议从盘点开始。花一周时间每天下班前记录两件事今天哪件事占了最多时间哪件事最让你觉得无聊。然后把它们列成一张表。列表时重点看四个维度频率、耗时、是否重复、是否依赖特定经验。标准很简单越重复、越耗时、越不依赖临场灵感的越适合先交给AI。我拿一个普通岗位举例整理成一张可以照抄的盘点表任务周耗时是否重复AI化优先级周报数据汇总1.5小时高高售后故障文档检索3小时高高实验数据格式清洗2小时高高零件图纸标注核对1小时中中客户问题初次回复2小时中中突发异常现场处理3小时低低做完这张表你会很直观地看到AI化的目标根本不是取代你的本职工作而是把你从低价值重复动作里捞出来。这里有一个经验不要一开始就选最难的任务练手先挑一个三小时以内能跑通的小流程建立信心和手感再逐步扩大范围。3.2 第二步用AI编程把第一件小事自动化拿最常见的数据汇总举例。以前每周五下午都是复制粘贴时间把好几份Excel里面的数据核对、汇总、排版最后再写进周报。用AI编程的姿势很简单你对AI描述需求比如“帮我写一个Python脚本读取当前目录下所有CSV文件每列计算平均值和标准差输出成一个汇总表”。AI会给你一段代码你不需要完全读懂每一行但要把脚本怎么跑、依赖什么库、输出什么文件搞清楚。跑通之后再加一个进阶需求自动生成图表、自动写入Word模板。这个过程看似零碎但我建议你一定要做因为你会慢慢学到怎么给AI提需求——把模糊的“给我弄个脚本”换成“输入文件是什么格式、字段有哪些、异常值怎么处理、输出要什么结构”。这个能力迁移到任何AI编程场景都好用。顺便说一句提示词里加一个“运行环境是Windows用openpyxl处理Excel”之类的约束能省掉很多来回调试的麻烦。3.3 第三步给大模型接上岗位知识库想让AI回答得专业光靠通用大模型的常识远远不够。比如3D打印的故障排查通用模型可能知道“堵头要升温清通”但它不知道你们公司售后记录里最常见的故障原因是某一批材料批次问题。这时候就需要给大模型一个外挂知识库也就是RAG检索增强生成。起步阶段不用上太重的技术栈。我建议分两步走。第一步把你手头的维修手册、测试报告、客户反馈按故障类型拆成小片段整理成结构化的Markdown文件然后把相关片段直接放在提示词里让AI基于这些资料回答。这么做的好处是简单、可控、不依赖额外系统缺点是文档一多提示词放不下。第二步当文档超过几十份再引入向量化检索用embedding模型把文档切成向量存进向量库用户提问时先做相似度检索把最相关的top-k片段拿出来拼接进提示词交给大模型生成答案。下面是一个简化版的RAG检索思路用Python描述方便你理解整个过程from openai import OpenAI import chromadb client OpenAI(api_keyyour_key) # 1. 建库把文档切片后用embedding入向量库 collection chromadb.Client().get_or_create_collection(care_manual) collection.add( documents[切片1堵头处理方法..., 切片2翘边原因...], ids[doc1, doc2] ) # 2. 查询把问题embedding后检索相似片段 query 首层翘边怎么处理 results collection.query(query_texts[query], n_results3) context \n.join(results[documents][0]) # 3. 生成把检索结果拼进提示词交给大模型回答 resp client.chat.completions.create( modelgpt-4o-mini, messages[ {role: system, content: 你是3D打印工艺顾问请基于提供的资料回答不要编造。}, {role: user, content: f资料\n{context}\n\n问题{query}} ] ) print(resp.choices[0].message.content)这一步做好之后AI的答案就不再是“看似合理但可能瞎编”了它有一个明确的出处你可以点回去核对原始文档。这个可溯源性在岗位场景里极其重要因为生产环节出了问题最怕的就是AI给出一条看着专业、实际不存在的操作建议。3.4 第四步把Agent串成日常协作者知识库做完再往上一层就是用Agent把多个工具串起来。市面上的开源框架和低代码平台已经很多比如可以用Coze、Dify这类平台快速搭一个岗位Agent也可以用LangChain自己写编排逻辑。不管工具怎么选核心架构都差不多一个大模型做决策大脑几个工具函数做手脚一个知识库做记忆再加一层人审兜底。我建议第一次搭Agent选一个完整但小范围的场景比如“打印参数初筛助手”。定义好它的角色是“3D打印参数优化顾问”给它两个工具一个是查询历史参数库的工具一个是根据材料类型推荐参数范围的计算函数。再设定一条基本守则所有结论必须给出依据不确定时就写“需要实验验证”。搭完之后你在对话框里输入产品需求Agent会自己决定先查历史参数再算推荐范围最后输出一份带风险提示的参数建议。对你来说最终要做的是审核它给的范围是否合理而不是从零开始查资料、做计算。我的经验是Agent的稳定度取决于你给它的“工具边界”有多清楚而不取决于模型本身有多聪明。模型负责把任务拆解成一个个动作工具负责把动作变成可执行的结果人负责在关键节点做判断。这三层拆明白了Agent就从“玩具”变成了“生产力”。4. 现场实录以一个3D打印工艺岗位的AI改造为例4.1 场景还原首层异常排查为什么让人头大我拿一个真实发生过的高频场景来复盘批量治具打印时连续出现首层翘边问题。传统流程是操作员拍一张首层照片发给工艺工程师工程师先从照片判断翘边程度再翻历史测试记录回忆最近有没有换材料批次、有没有调过热床温度然后凭经验建议“把热床温度从60度调到65度打印速度降到40mm/s再试一遍”。如果一次调不好就再调下一组参数一次完整排查少则半小时多则半天。这个流程最大的痛点不是工程师能力不行而是每一步都要在多个分散的信息源里来回切换。照片在手机里历史参数在Excel里材料批次在ERP里经验判断在脑子里。一个新人根本无从下手一个熟手又疲于奔命。我当时的判断是这个场景非常适合先做成AI辅助方案因为它重复度高、信息检索量大、决策逻辑相对清晰而且一旦跑通可以直接复制到售后、质量、工艺多个岗位。4.2 我的一版AI辅助方案长什么样这个方案没有上一套复杂的什么平台就是用现成组件搭的。整体流程是四步第一步操作员在企业微信群里发一张首层照片机器人自动接收图片第二步多模态大模型识别照片中的翘边程度并给出初步分类第三步系统检索售后知识库和历史参数库找出同一材料、同一机型的近三个月处理记录第四步由Agent按照模板生成一份《异常处置建议单》内容包括现象描述、可能原因列表、建议调整参数、历史类似案例以及一句明确的提示“以上建议需工程师确认后执行”。技术栈方面视觉识别用的是普通的多模态大模型API知识库用向量数据库存历史工单和手册切片编排层接了一个轻量Agent工作流。整个系统没有做模型微调也没有自研算法本质上就是把“老师傅的处理路径”给结构化表达出来再让AI沿着这条路径跑。我始终觉得岗位级AI方案不需要黑科技需要的是把流程想清楚。上线之后最明显的变化是普通操作员也能在第一时间拿到一份有依据的处置草稿不用干等工程师工程师收到草稿后只需要做复核和微调。原来人找信息现在信息找人。4.3 实测结果与收益跑了一段时间后我粗算了一笔时间账对比如下环节原流程耗时AI辅助流程耗时单次异常初步判断20分钟3分钟历史案例检索15分钟1分钟处置建议报告生成15分钟3分钟工程师复核确认10分钟10分钟合计60分钟17分钟单看时间效率提升了70%左右但这并不是最重要的。更重要的是原来只存在于老师傅脑子里的经验被沉淀成了可检索、可复用、可培训的知识资产。新员工再遇到类似问题不用再追着老师傅问AI辅助系统就能给出一份合格线以上的初步判断老师傅的时间被释放出来处理真正棘手的异常。这才是“AI打工人”的意义不是让你失业而是让你的经验在数字系统里继续增值。5. 常见问题与排查技巧实录5.1 模型结果不靠谱、胡编乱造怎么办这可能是第一个遇到的坑。大模型的幻觉问题是绕不开的尤其在设计参数、操作步骤这类场景里一句话说错了可能影响生产。我的处理策略有三条。第一条在提示词里强制要求“只能依据提供的资料回答如果资料没有相关信息就直接说不知道”第二条给答案附上引用来源比如“参考《设备维护手册》第3章第2节”方便人工核验第三条关键参数在输出前做规则校验比如温度超过材料上限就自动拦截报警。这里最大的教训是不要把AI当成权威它只是一个有经验的建议者最终决策权永远要留给人。5.2 知识库建了但检索结果总是不相关很多人在只存了几篇文档、几十个片段的时候就觉得RAG不靠谱。其实问题往往不在技术而在切片策略。最常见错误是把一整本手册塞成一个超长文档再切割结果切出来的片段前言不搭后语检索自然混乱。比较好的做法是按照“故障类型—原因—处置建议”的结构提前整理文档一个片段只解决一个具体问题并在片段开头加上清晰的标签比如“PDF/打印品质/首层翘边”。这样检索命中率会高很多。如果是几十万字的大文档再去考虑标题级切块或者父子切块不是一上来就堆向量库。5.3 Agent跑飞、反复调用工具、迟迟不给结果这是搭Agent时最容易碰到的问题本质是模型失去了对目标的聚焦。我建议在Agent配置里加三样东西第一设置最大工具调用步数超过步数就强制停止并输出已有结果第二给每个工具写清楚适用条件比如“只有当用户提供图片时才能调用图片识别工具”避免模型拿着锤子到处找钉子第三在关键节点增加“人审确认”比如参数修改这种影响成品的动作Agent只给方案不直接执行。Agent的目的是替你干活不是替你背锅边界划得越清楚它越可靠。5.4 成本越来越高响应越来越慢怎么办AI工具用多了账单会非常可观。我的经验是不要所有请求都上最贵的大模型。可以用一个简单的路由策略简单问答、信息提取这类任务走便宜的小模型涉及复杂推理、代码生成、多步规划的请求才走大模型。再配合缓存机制相同或相似的问题直接返回历史答案命中率高的时候能省下来一大半成本。如果企业有私有化部署需求还可以把高频问答场景蒸馏到一个7B或更小的开源模型上跑本地推理速度和成本都能兼顾。5.5 数据安全问题怎么重视都不过分岗位数据很容易涉及生产参数、客户信息、未发布产品细节这些东西绝对不能随手粘到公网AI服务里。我建议在做任何AI改造之前先跟公司的信息安全负责人确认好红线哪些数据可以出内部网络哪些必须本地处理。技术层面的两手准备是优先选择支持私有化部署的模型服务或者使用企业级API并开启数据不保存选项同时所有上传到外部系统的文件先做脱敏处理去掉客户名、联系方式、唯一标识等信息。安全这件事一次侥幸都别抱有因为数据泄露的代价不是省下来的那点钱能弥补的。6. 个人体会破局密码不在模型而在岗位本身做了这么多AI工程实践之后我越发觉得真正拉开人和人差距的不是谁用的模型更领先而是谁更愿意把自己岗位里的隐性知识打捞出水面。搭AI Agent、做RAG知识库、写自动化脚本这些过程本身就是一次自我梳理。我见过很多老师傅手艺好但说不清楚自己为什么这么调参数直到陪他们一起把判断依据写成提示词他们才第一次意识到自己脑子里那些“想当然”的规则其实是多年踩坑换来的低成本方案。把这些规则结构化AI才有机会沿着老师的思路给出建议老师傅的积累也才真正变成资产。最后再分享一个小技巧给AI“喂问题”而不是“喂答案”。很多新手搭知识库第一反应是把所有答案整理好塞进去但这么干往往会忽略边界和异常情况。更好的做法是把岗位里常见的、难回答的问题收集起来比如“客户说打印断料了我该问什么”“首层有气泡说明什么”然后让AI拿着这些问题去检索你的资料并尝试回答。在这个过程中你会清晰看到知识库哪些地方有洞、流程哪些环节说不清楚。洞补上了AI辅助系统也就真正接近一个合格的“AI打工人”了。这比任何宏大方案都实在。