AI工具选型方法论
不是工具越多越好，而是匹配你的认知层级。先学会怎么选，再决定用哪个。
看到别人推荐就装，装完用两次就放着，收藏夹里躺着20个AI工具，但没有一个真正用深。这不是你的问题，是你缺一套选型逻辑。
工具的价值不在于"新"和"全"，而在于"匹配"——匹配你当前的认知层级、匹配你最高频的场景、匹配你能投入的学习成本。
L1阶段不要碰复杂工具，L3阶段不要满足于只用聊天工具。工具是能力的延伸，能力没到，用高级工具只会增加挫败感。
选你每周至少用3次的场景工具。低频场景用通用AI临时解决就行，不值得专门学一个新工具。
一个工具如果需要花超过2小时才能上手做第一件事，就先放一放。学习成本本身就是门槛，大多数人卡在"学"而不是"用"。
优先选能导出数据、能换工具的。不要把你的工作流绑定在一个工具上，工具会迭代会收费会消失，但你的数据和方法是自己的。
一个能聊天、能写东西、能回答问题的通用AI。目的不是提效，而是建立"AI能做什么"的手感。
不要碰即梦AI、Cursor、Agent平台。这些工具需要前置认知，L1阶段用只会觉得"AI也就那样"。
通用AI继续用，再加一个能处理长文档、PDF、表格的工具。开始把AI放进真实工作流，比如读报告、整理资料。
固定一个场景（比如"每周读3份行业报告都用AI总结"），连续用两周，形成习惯。
根据你的核心场景选一个专业工具：做内容选设计/视频工具，做开发选编程工具，做研究选搜索/分析工具。通用AI继续作为基础能力。
把专业工具用到"能稳定产出"的程度，而不是"能做出一个demo"。比如用AI写文案，要做到每周产出10篇以上，质量稳定。
不再是单个工具，而是工具之间的串联。比如"AI搜索→AI整理→AI写作→AI发布"的完整流水线。需要一定的自动化能力（API、Make/n8n类工具、简单脚本）。
把你最成熟的一个场景做成"半自动化流水线"，减少人工干预环节。目标是一个人能产出过去一个团队的量。
不再依赖现成工具，而是根据自己的业务需求定制工作流和Agent。可能需要技术团队或低代码平台支撑。工具是基础设施，你的方法论才是核心。
把你的方法论沉淀成可复用的系统，而不是每次都从头来。工具会变，但你的系统不会变。
看到一个新工具，先问自己这5个问题：
收藏了50个AI工具，每个只用过两次。工具的价值在于用深，不在于用多。把1个工具用100次，比把100个工具各用1次强100倍。
每天关注"最新AI工具"，但从来没有把任何一个用到产出稳定结果。新工具层出不穷，但你的核心场景就那几个。把老工具用深，比追新工具有价值。
以为装了好工具就能变厉害。工具只是杠杆，杠杆的另一端是你的判断力和方法论。没有思考能力，再好的工具也只是高级玩具。