前一阵子无意间与人聊起AI模型，我说DeepSeek在三年前和ChatGPT差不多水平，现在对普通用户来说，使用体验已经被甩开太多了。后来聊到具体差距在哪，我仔细想了想，抛开绘图和文档处理等功能，底层差距有几点，后来还在DeepSeek上验证了一遍：
1.从对话孤岛到长期项目
从目前的使用体验来看，DeepSeek还停留在你问我答的阶段，每个对话都是一座孤岛，无法实现信息共享 (信息在用户脑子里是连着的，而在DeepSeek被对话断开了，得自己当胶水)；而GPT拥有强大的记忆体与文件之间的关联，用户可以把对话信息联动起来，把相关对话打组，变成一个可不断更新信息的项目，保持着高度的逻辑自洽与整合力。
举个以前朋友的例子，他做过APP网站的广告投放，在AI的协助下，他需要一个对话处理商务对接，另一个对话讨论投放策略，还有一个对话展开内部会议纪要，用户需要AI扮演不同的角色，不是单点信息，而是几条线逐渐连起来的(商务会议的结果会影响产品上架，投放数据也可能影响运营策略，内部会议则会推进、落实讨论成果)。这才是一个不局限于单点任务的项目，抑或个人成长需要的模式。
2.专家问答与项目伙伴
DeepSeek就像一个资深的老学究，专注于单点的垂直层面问题，有的比GPT还准确，但这一特性也成为了他的局限，提问者必须具备很强的描述能力和连贯性，才能获得想要的答案；不是说无法开展对话，而是DeepSeek的局限性拔高了用户的使用门槛，这个模式需要我知道自己处于什么认知阶段，且明确知道自己要了解哪方面的知识，如果我问了一些无效问题占用了带宽，又需要斟酌我的问题，避免透支了当前对话额度，这无疑增加了沟通难度。
假如我想要学习一个新的概念，但是不知道从哪里入手，DeepSeek会说："我是这个领域的专家，有问题吗？那就问我吧"；而GPT会说："鉴于我对你的认知结构，知识体系，以及喜好和短板的了解，我建议你从这里入手，必要的话我还可以帮你创建学习日报"。
从这里可以看到两者明显的定位差异，DeepSeek在某些场景只能服务于“已经能把问题说清楚的人”，而缺乏learning curve或引导式解答的能力，而GPT则像一个项目经理/管家，能够从用户的问题和使用记录生成一个轮廓特写，更有针对性地给出解答。加上它强大的多媒体输入/输出功能，它还可以审核工作文档，通过表格、图形和批注生成反馈报告；也可以检查视频，在关键帧截图并附上说明；还可以扮演课代表的角色，从输入的学习视频/文档/录音中提炼重点，整理成更符合用户当前程度的笔记。它不再只是回答一个问题，而是在帮助用户降低理解和执行的门槛。
3.升华解法
前阵子，我在使用GPT时，它突然冒出了这句话，让我产生了很深的印象："我现在理解你的方式，不应该只是帮你回答问题，而是更进一层，从三件事入手"。我尝试把它们归纳如下，实际已成为Agentic Workflow（代理式工作流）的雏形。它不再是“被动的问答机”，而是主动的“认知外挂”。
- 资源库：把至今收录的工作相关信息重新分层，根据需要的模式，区分主线、支线、噪音和风险 (这里我选择了四象限的方式，把事项分成播种、收割、风干与疏苗)。
- 协助判断：把过去那些直觉上可行的事项审核并转变成可执行方案，尤其是对外的文档、表格、页面方案等，等于我出idea，它来验证可行性 (仅限于plan，设计稿和数据表等，不过也很强了)。
- 减少内耗：保留思考的发挥空间，但避免过度扩散，通过我输入的日记、报告等，让我不要把时间花在那些无效的事项上。
记性不太好，我又回去翻了一下黄金三圆环的书，从这个理论来看，GPT已经从回答 What，到协助 How，再追溯 Why，最终影响 Who。帮助使用者更好地规划，进一步重塑“自我定义”，而DeepSeek仍是在帮我“解决当下问的事”。
后来DeepSeek让我按照他提供的信息分层表填写信息，帮我"把架子搭好"，这不算决策者，但至少是“陪着你把乱的东西摆上桌”的那个人。我默默地说了句："GPT已经录入了我一年的信息，这个时候再换AI模型，对我来说成本太高了，而且也不实际，由奢入俭难"。 说到这里，也只能希望未来DeepSeek能够迎头赶上吧。
由此，我意识到一点，那就是普通人更需要"全家桶"类型的AI模型，把大大小小的事情都扔进去，然后让它建立一个信息框架，应对每天的工作与生活，也就足够了，我们似乎很少会用到AI解决垂直性的复杂问题，若是在更高一层的工业领域，或许DeepSeek也有大放异彩之处。
4.Work：把工作节点压缩到一次对话
前几天GPT推出Work模式后，最吸引我的反而是一个与工作毫不相关的功能 - 桌面精灵。我把邻居的猫变成了GTP窗口的吉祥物（让我想起了小学时玩的电子宠物）。每次打开Work模式的窗口，或是处理文件/数据的时候，都会看到这只猫在我的屏幕上忙忙碌碌，也算是极致的个性化了，不过GPT本来的意义就是记录并形成每个人独一无二的数字资产，随着时间的推移，越来越难转用其他AI模型了(制图、做视频、设计等某些专精的模型除外)。
言归正传，我对比了一下普通对话与Work，似乎没发现什么差别，因为我早已习惯把对话按照项目打组，也可能是我对它研究的还不够深入。继续了解后，我才意识到Work的价值不在与取代项目，而是把数个项目的处理节点压缩到一个对话完成，是近似于扣子工作流的一种玩法，像工作站那样处理信息，形成一个强大的智能体。
例如：
读取表格和资料 → 查询信息 → 分析数据 → 编写报告 → 校对内容 → 检查格式 → 重新验证。
Work可以自主组织工具、文件和步骤，连轴转地运行，让没有编程基础的用户也能够搭建自己的工作站。不仅如此，它还颠覆了我对工作模式的认知，此前从未想过把各事项的信息放到一个多维度的空间里，再统筹起来，使用一套逻辑自洽的模式，整合出更全面的解决方案，或许将来能整出更复杂的"打法"。
5.Skill：专属操作手册
不仅如此，Skill导入功能也是Work的一大亮点，我把它理解为一种稳定发挥的"提示词模板"。比如我有时会拿邻居的猫做梗图，GPT强大的修图能力可以为它提供百变造型，但在和AI对话的过程中，我也渐渐总结出一套修图的规律：
- 必须沿用原有的角色母版；
- 猫可以拟人化，但不能过于像人；
- 画面不能过度卡通，也不能完全变成真实摄影；
- 姿势和服装可以变化，但脸型、毛色和整体气质必须保持一致。
过去的普通对话虽然有记忆体和互相的信息联动，但有时会在实操中产生细节偏差，这是由于对话中存在摸索和纠正过程的"杂质"，若是使用多个对话串联，还会存在信息污染。现在让AI把萃取后的规律整理成Skill，就可以形成我专有的成像规则了，我只需输入idea，AI便可以稳定输出，不用再重复之前纠错，重订边界等步骤。
继续使用后，我发现Skill不仅仅是一个提示词模板，他更接近一份操作手册。它l可以把我们日常对话中反复使用的操作规律，判断标准，执行步骤和交付模板需求等，提炼成一套可以重复调用的专业SOP；以产品设计为例，它可以帮助使用者固化这些信息：
- 审核维度，包括视觉风格、目标人群、信息层级与交互逻辑；
- 问题优先级和验收标准；
- 截图、箭头、批注和报告的呈现方式；
- 第一轮审核、修改和复查的执行顺序；
- 不同角色对应的职责与交付要求。
有了Skill，用户就可以把这些多维度的事项用一句话启动："使用我们的....Skill完成第一轮验收"。
与普通对话的多项目运行相比，Skill可以处理更为精确、复杂的任务，不是沿用记忆体的经验，而是通过一个既定的"操作手册"来执行工作。更完整的 Skill 还可以包含脚本、参考文件、模板和多媒体素材。它未必真的能取代一个团队，但确实可能让个人第一次具备接近小型团队的执行能力。目前只了解到Skill的皮毛，但是多学一点就多一点乐趣，或许在以后能用它做稍微复杂些的项目。
6.普通用户需要的AI
我仍然希望未来的 DeepSeek 会变得更强大。这里所说的强大，并不只是解决更难的数学题、写出更复杂的代码，或在某些评测中超过其他模型，而是能够真正贴近普通人的使用方式。
大多数人并不会每天拿 AI 去处理高度垂直的工业问题。我们更常做的，是把工作里的杂事、生活中的困惑、读书时的念头、尚未成形的计划，一点点交给它。我们需要的，也不是一个永远等着被提问的专家，而是一个能够记住背景、串联信息、降低表达门槛，并陪着我们逐渐把生活整理清楚的助手。
作为一个普通用户，希望 DeepSeek 未来追赶的，不只是模型能力，也包括这种长期协作的能力。它未必需要成为另一个 ChatGPT，但可以找到一种更符合中文用户、更普惠，也更贴近普通人实际需求的道路。我还不自量力地给DeepSeek客服发去了我的建议，他们没有回复，但是DeepSeek AI说，下一次更新会具备对话信息共享与记忆体的功能了，也是一件好事。
据我有限的认知来看，AI 工具终究会像水和电一样，越来越便宜，也越来越接近，以后的主流AI模型或许会大同小异。真正会长期积累价值的，是用户自己的信息库：日记、文档、项目复盘、阅读笔记，以及一次次判断与选择留下来的痕迹。工具是水和电，个人信息库则更像土地。水电供应商可以更换，但这块经过长期耕作的土地，会随着时间变得越来越肥沃。
