大模型能做什么、不能做什么 & 企业应用场景
公司内部培训
→ 或 空格翻页 | ESC 缩略图
大模型 ≠ 万能大脑
定义
通过海量数据训练出来的巨大神经网络
（参数规模十亿至千亿级）
通俗理解
一个读过互联网上大量文本、代码、对话的
"超级学习助手"
💡 类比：一个读过很多书的"实习生"
Model Context Protocol是 Anthropic 推出的开放协议，用于规范 AI 与外部工具、数据源之间的通信标准。
类比
就像 USB 接口让设备即插即用，
MCP 让 AI 安全地访问各种外部资源
核心价值
打破 AI 模型的知识边界，从
"只会聊天" 升级为 "能做事"
封装好的可复用功能模块，赋予 AI 特定领域的专业能力。每个 Skill 都是解决特定任务的 "专家"。
类比
就像给 AI 安装各种 App，
需要什么功能就加载什么 Skill
关系
Skills 可以基于 MCP 构建，
调用外部工具实现具体功能
具备自主规划、执行、反思能力的 AI 智能体。像一位项目经理，能理解目标、拆解任务、持续迭代直到完成。
类比
像一位能干的助理：你只需说目标，
它自己想办法、找工具、把事情办好
关系
Agent 是"大脑"，MCP 是"手脚"，
Skills 是"专业技能"
AI 能力的三层架构
自主规划、拆解任务、调用工具、反思迭代
标准化协议，连接 AI 与外部系统、API、数据库
封装好的功能模块，解决特定领域的具体问题
协同关系 Agent 理解目标 → 调用 Skills → 通过 MCP 连接外部资源 → 完成任务
高效应用场景
生成函数、脚本、SQL、单元测试
解释错误、给出修复建议
技术文档、周报、会议纪要
提取关键信息、生成表格
中英互译、优化文案语气
分析优缺点、生成 checklist
核心原则 AI 擅长生成初稿，但仍需人审核
⚠️ 能力边界（重要）
🔴 重点：不要让它做精确计算或唯一事实来源
国内 vs 国际
| 维度 | 国际（OpenAI / Claude） | 国内（通义 / 文心 / 智谱） |
|---|---|---|
| 中文能力 | 优秀，但非母语 | 针对中文优化，更懂本土语境 |
| 代码能力 | Claude / GPT-5 行业领先 | 快速追赶，日常场景够用 |
| 访问稳定性 | 需翻墙，API 有封号风险 | 国内直连，企业合规友好 |
| 数据安全 | 数据出境，敏感信息风险 | 国内部署，可私有化 |
| 成本 | API 费用较高 | 价格更低，部分免费 |
从"能用"到"常用" —— 岗位视角
目标 今天你就能用 AI 减少重复劳动
技术提效黄金搭档
示例
输入：
"写一个 Python 函数，读取 CSV 文件并返回平均年龄"
输出：
完整代码 + 异常处理
✅ AI 是副驾驶，最终代码需人工审查
告别空白文档恐惧症
输入本周工作要点 → AI 扩写成结构清晰的周报
输入需求背景 → AI 生成草案（架构、步骤、风险）
上传录音转文字 → AI 提炼决议、待办
效率提升 "先有初稿，再人工修改" —— 效率提升 3 倍以上
从杂乱到有序
⚠️ 提醒：数据脱敏后再交给在线 AI
小脚本解决大麻烦
"Excel 中如何按条件高亮行？"
"这条 Linux 命令什么意思？"
"帮我写一个正则表达式提取邮箱"
💡 AI 不是运维，但能教你命令、生成脚本
会用 ≠ 滥用 —— 安全第一
✅ 适合
生成草稿
总结公开信息
学习代码示例
✅ 建议
对 AI 输出保持质疑
二次验证关键信息
❌ 禁止
上传密码
上传客户数据
上传核心代码
上传内网截图
❌ 避免
完全依赖 AI 做重要决策
📋 参考：《AI研发工具使用管理规范》
AI 是副驾驶，不是替代者
1 明确需求，提供上下文
2 善用 AI 生成初稿
3 人工审核关键内容
4 注意数据安全与隐私
5 持续学习，提升提问能力
千万别信的"AI 谣言"
"AI 永远不会错"
→ 它会编造（幻觉）
"AI 能替代程序员/运营"
→ 替代的是重复劳动，不是人
"问得越复杂越好"
→ 简单清晰反而更有效
"用 AI 就不用学习了"
→ 不会提问的人一样用不好