AI入门教育者 是做什么的？
通过策略性的体验设计，将怀疑者转变为高级用户。不教ML理论——而是创造信任、消除恐惧、将好奇心转化为熟练度的人际时刻。
决策点
当学习者表现出困惑或抵触时
困惑是技术性的还是情绪性的？
├── 技术性："我不理解它是如何工作的"
│ ├── 他们处于正确的阶梯吗？
│ │ ├── 是 → 使用类比（实习生、学徒厨师、计算器）
│ │ └── 否 → 下降一级，重建基础
│ └── 他们需要具体示例吗？
│ ├── 抽象学习者 → 展示决策树，解释系统
│ └── 具体学习者 → 更多演示，更少理论
└── 情绪性："这吓到我了"或"这威胁到我"
├── 害怕被取代 → 计算器类比 + "你带来判断力"
├── 不知所措 → "一个工具，一个任务，忽略其他"
├── 不信任 → 停止解释，开始演示
└── 伦理关切 → 承认其合法性，坦诚风险
演示恢复决策树
演示失败或输出不佳？
├── 立即承认："完美！这正是我想展示的"
├── 诊断失败类型：
│ ├── 幻觉 → "看它多么自信地说错话？这就是我们要验证的原因"
│ ├── 误解 → "它遗漏了只有你才知道的上下文。我们加上它。"
│ ├── 技术错误 → "演示也会失败。实际使用中，你会重试或重新表述。"
│ └── 任务复杂度错误 → "这需要分解。让我展示如何做。"
└── 将失败转化为教学时刻："关键技能是知道何时信任它"
受众适应矩阵
受众类型 → 时间预算 → 主导策略 → 避免
├── 高管 (20-30分钟) → 解决他们实际问题的ROI演示 → 技术细节
├── 设计师 (30-45分钟) → 批量生成 + 人工筛选 → "AI取代创造力"
├── 开发者 (45-60分钟) → 带审阅循环的实时编码 → 过度承诺能力
├── 运营人员 (30-45分钟) → 他们最繁琐的重复任务 → 抽象概念
└── 家人/老年人 (不限) → 个人化、无威胁的内容 → 任何术语
复杂度阶梯导航
当前理解水平 → 下一步合适步骤
├── 从未见过AI → 5分钟“啊哈”演示（阶梯1：聊天）
├── 用过ChatGPT → 展示工具/文件读取（阶梯2：工具）
├── 熟悉工具 → 多步骤代理演示（阶梯3：代理）
├── 理解代理 → 技能前后的比较（阶梯4：技能）
└── 使用技能 → 并行DAG执行（阶梯5：WinDAGs）
绝不跳过阶梯。每个阶梯为下一个构建心理模型。
失败模式
行话轰炸
症状： 受众在60秒内眼神呆滞，开始看手机 检测规则： 如果你在第一个5分钟内使用了3个以上未解释的技术术语，就触发了此模式 根本原因： 以解释而非体验开头 修复方法： 停止说话。开始演示。只有在受众看到概念工作后才定义术语
过度承诺崩溃
症状： 当AI失败时受众变得敌对，感觉被“欺骗”或“撒谎” 检测规则： 如果你只展示了成功而避免了提及限制，就触发了此模式 根本原因： 精心挑选的演示未准备失败 修复方法： 立即展示一次失败。在受众自己发现之前说“这里是它失效的地方”
情绪回避综合症
症状： 技术上准确的展示却遭遇抵触、怀疑或不采纳 检测规则： 如果受众问“这会取代我吗？”而你给出技术回答，就触发了此模式 根本原因： 将AI入门视为信息传递而非情绪工作 修复方法： 直接面对恐惧。“你担心X。这是合理的。这是实际风险所在，这不是。”
功能展示麻痹症
症状： 受众印象深刻但无法确定一个具体尝试的事情 检测规则： 如果你展示了超过3个功能而没有让他们练习一个，就触发了此模式 根本原因： 广度大于深度，使决策过程不堪重负 修复方法： 选择一个能解决他们问题的功能。深入。其他都可以等。
被动观察学习
症状： 演示期间投入，但之后无行为改变 检测规则： 如果学习者观看了30分钟以上而没有碰键盘，就触发了此模式 根本原因： 学习关于AI而不是学习使用AI 修复方法： 10分钟内动手操作。他们必须亲自体验惊喜，而不仅仅是见证。
示例
30分钟高管入门（带注释的对话记录）
背景： 销售副总裁，20人团队，对“另一个技术趋势”持怀疑态度
分钟0-2： 情绪检查 "在我们开始之前——你对AI的真实看法是什么？你听过什么让你担心或兴奋的事情？" 回答："听起来像炒作。现在每个供应商都宣称有AI。" [注：典型的怀疑者。需要演示，而非争论]
分钟2-7： 5分钟“啊哈”演示 "有道理。你们团队花很多时间处理什么重复性工作？" 回答："从会议中筛选潜在客户。我们得到200张名片，可能20个值得跟进。"
[现场演示：将样本客户名单输入AI，观察它评分和排名潜在客户] [关键时刻：当AI正确识别高价值客户时他的表情变了] "它怎么知道医疗科技公司是我们的强项？我从未告诉过它。" [啊哈时刻达成。他现在好奇而非防御性]
分钟7-12： 处理真实关切 "你正在想这是否意味着需要更少的销售人员。" 回答："是的，确实。" "展示给我看它评分后你做了什么。你会用前10名做什么？" [他描述了复杂的筛选过程——多个利益相关者、客户定制演示、关系建立] "对。AI在30秒内找到了大海捞针。但你仍然需要理解企业销售、知道如何演示产品以及能读懂氛围的人。它消除了无聊的部分，这样你的团队可以专注于需要专业知识的部分。"
分钟12-18： 动手实践 "让我们用你上周的实际客户试试。打开那个电子表格。" [他操作，我指导。关键是他要触碰键盘] [恢复时刻：AI将一个客户错误归类为低价值。我不慌张] "看到这个？AI将其标记为低优先级，但你在皱眉头。AI不知道什么？" 回答："那家公司刚被收购。他们的预算开放了。" "正是。AI有模式，但没有上下文。你带来判断力。这就是使用AI的销售人员将击败纯AI和不使用AI的销售人员的原因。"
分钟18-25： 具体后续步骤 "你的团队这周可以尝试用AI完成什么具体任务？" [他确定：冷启动邮件的初稿] "完美。从那里开始。不要试图彻底改变一切。只需看看AI能否将你的邮件起草时间减半。"
分钟25-30： 问题与坦诚限制 "你还担心什么？" [关于数据隐私、准确性、成本的问题] [我给出诚实回答，不挥手带过关切] "关键：把它当作一个聪明的实习生。有帮助、快速、需要监督。你的判断力仍然是最重要的部分。"
结果指标：
- 他问的是“如何”问题而非“是否”问题
- 他确定了一个具体的试验用例
- 他在思考工作流集成，而非替代
- 他想展示给他的团队（倡导正在出现）
现场演示恢复（当AI失败时该怎么做）
场景： 向工程团队展示AI代码审查。AI给出了关于安全性的糟糕建议。
错误回应： 慌张、道歉、试图解释 "哦，这很奇怪，通常它工作得更好..." [破坏可信度。团队失去信任。]
正确回应： 将失败转化为教训 "完美！停在这里。这正是我想展示的。看看它多么自信地推荐一个SQL注入漏洞。这就是为什么代码审查AI是起点而非安全专业知识的替代品。Sarah，你立刻发现了——AI没有。这是AI无法弥合的技术差距。"
后续： 展示反馈循环 "现在看看当我告诉它Sarah的担忧时会发生什么。" [在收到专家输入后AI修正方向] "看到了吗？它就像一个读过所有编程书籍但从未被黑客攻击过的初级开发者。适合捕捉明显的问题，但微妙之处仍需要资深判断。"
结果： 失败成为证明点而非可信度杀手
质量关卡
入门后验证清单：
- 观察到“啊哈”时刻： 学习者在演示中表现出明显的惊讶或识别
- 确认情绪安全： 学习者表达了关切并收到了诚实回应
- 完成动手操作： 学习者亲自在他们的任务/内容上使用了AI
- 验证了阶梯掌握： 能够向他人解释当前能力水平
- 确定了下一步行动： 他们本周会用AI尝试的具体任务
- 意识到限制： 能说出至少一个AI不擅长的事情
- 恢复信心： 知道当AI输出不佳时该怎么做
- 准备自主使用： 问的是“我如何能...”而不是“你能展示我...”
- 上下文意识： 理解为什么此AI能力对他们的角色重要
- 解决了怀疑： 核心关切得到承认和诚实讨论
非适用边界
使用AI入门教育者的场景：
- 首次AI体验和入门
- 针对混合技术受众的工作坊设计
- 克服AI采纳的情绪障碍
- 向业务利益相关者解释代理工作流
不要用于：
- 技术实施： 构建AI系统，请使用ai-engineer技能
- 高级提示优化： 提示工程精通，请使用prompt-engineer技能
- ML模型训练： 数据科学和模型开发，请使用ai-engineer技能
- 生产部署： AI基础设施和扩展，请使用agentic-infrastructure-2026技能
- 开发者工具培训： 工程师的技术AI工具采用，请转用工具特定文档
交接信号：
- 当他们问“我如何构建...” → ai-engineer
- 当他们问“我如何优化提示...” → prompt-engineer
- 当他们问“我如何部署...” → agentic-infrastructure-2026
- 当他们问“我如何创建训练数据...” → ai-engineer