换工作、做副业、接新项目、研究一个新话题，现在的人越来越频繁地要进入自己不熟悉的领域。能多快建立对新事物的认知，直接决定你能多快开始产出。
冯唐讲过一套看家本事，专门对付快速了解一个完全陌生的行业这件事。冯唐本名张海鹏，曾任麦肯锡全球董事合伙人。他根据自己在麦肯锡的经历，讲过一套快速进入陌生行业的方法，靠三步：先知道一百个关键词；找三到五个专家坐下来谈半天到一整天；找三到五本专著仔细看完。他自己补了一句：入门只是开始，进阶要靠做事、跟对人、反复磨三到五年。
这套方法我一直在用。我做企业信息化和智能化服务，客户各种各样，行业不同，发展阶段也不同。要帮他们做数字化转型，前提是先听懂他们在说什么。很多业务流程和专业话术，我接到项目之前从没接触过，但必须在极短的时间里给出专业判断和方案。以前只能靠勤奋硬啃，翻大量资料，反复约人聊。
现在有了大模型，这件事的做法变了。下面要讲的，是我自己摸索出来的一套做法，也是我一直在用的个人经验。
先说一个操作前提：整个研究最好放在一个工作目录里完成。客户给的所有资料，Word、Excel、PPT、PDF、图片，全部放进这个目录。AI 整理好的东西，也直接让它写进文件，不要只停留在对话窗口里。这个目录就是整个项目的”大本营”，从资料整理到汇报材料都在这里完成。做软件的人还能更进一步，让 AI 直接在目录里搭个 demo，截图放进汇报 PPT。我用的是 OpenCode（桌面版怎么装怎么用，我之前专门写过），商业工具里腾讯 WorkBuddy 这类产品也能做类似的事，具体用哪个不重要，关键是这个思路。还有一点：把客户资料交给 AI 之前，先确认数据分级和授权，哪些可以上传、哪些不能联网处理、哪些需要脱敏，这是企业服务绕不过去的一步。
冯唐的三步，在 AI 时代可以这样落地：第一步关键词和第三步专著都属于拉齐信息，合在一起做；第二步找专家，分成准备和现场两块。
图：冯唐三步法在 AI 时代的落地方式。①关键词和③专著合并成”拉齐信息”交给 AI；②找专家拆成准备、现场、事后三段，只有”现场对话”是人做、AI 帮不上的核心环节。整个过程放在同一个工作目录里完成。
拉齐信息：一百个关键词和三五本专著
接到一个新行业的客户，我会先把行业的轮廓让 AI 拉一遍。不是直接让它吐一百个关键词，那样得到的常常是一堆搜索热词和新闻标签的混合，准不准没人保证。更可靠的做法是分层：先让 AI 给一张行业地图（上游、中游、下游、监管方、主要玩家），再在每个节点上挖关键词，最后挑出两类词特别处理。一类是行话，外人听不懂的专有名词，比如港口的”岸桥”、医疗的”DRG”；另一类是行活，行业里人人知道、外行完全没概念的常识，比如默认的回款周期、标准毛利率。行活往往比行话更重要，因为它决定了你能不能听出客户的话里话。冯唐说的第三步看专著，也可以并到这里，让 AI 先拆一遍，帮你快速判断哪本书值得读、哪几章要重点看。
举我自己最近的例子。我在研究具身智能机器人数据采集，这个领域对我完全陌生。手上的资料是厂商提供的白皮书、产品说明，加起来大概 10 个文档几十页纸。我把这些资料交给 AI，让它自主学习、生成知识图谱，再加上我针对图谱做的校正，整个过程大概 2 个小时。产出是一个知识图谱的可视化页面和一份术语表。放在以前，光是把这几十页内容里的术语和关系理清楚，就远不止这个时间。
图：术语表，中英文对照、关联关系
做知识图谱是我个人需求，不是必须的。
用 AI 做知识图谱，主要优势是快。处理多义词和语境，人工本来也能做，但一个个查、一个个记，又慢又容易搞混。AI 能批量处理，根据上下文给一个词提出更可能的解释，还能联网把相关语义补上。但提出解释和解释准确是两回事，准不准要靠你拿原始资料或问专家来验证。更重要的是，它能把词与词之间的关系理出来，哪些是从属关系，哪些是关联关系。这些关系才是知识图谱真正值钱的地方。
图：整体，左侧是分类，右侧是图，支持力导向图和层级树状图
图：支持交互式学习，左侧菜单和右侧节点是联动的，鼠标放到节点或线上会展示术语解释和包含、依赖关系
图：层级树状图，这个看依赖关系更直接
注意：这些产出不是一次定型的，是活的。AI 不是你问一次就给你最终答案，它需要反复交互。第一版出来的东西一定会出错，有些结构不对，有些概念搞混了。结构不对的，通过对话调整，给它约束和方法论；事实搞错的，要回到原始资料核实，或者问专家。随着你的信息不断完善、认知不断变化，知识图谱和术语表都会有不同的版本长出来。你要敢于一次次刷新它。这套词最终长成什么样，是你决定的，不是 AI 一次给定的。
用 AI 准备专家座谈
在真的坐到专家面前之前，准备功夫做得有多深，决定这场座谈能挖出多少东西。
最值得做的准备，是先研究专家本人。以我最近要交流的一位大学教授为例，他在学校官网和个人网站上都有介绍，GitHub 上有主页，发表过很多论文，还出过书。很多专家都类似，除了论文和书，还可能有访谈视频、博客。这些以前要人工一份份翻，现在可以让 AI 做初筛和整理，但论文观点、专家的倾向和关键表述，还是要保留来源、人工确认。梳理完之后，团队可以一起快速学习他的研究成果，真正交流的时候，不用让教授从头给我们上基础课，时间省下来聊深入的、有争议的东西。
有了底子，再让 AI 帮你准备问题。一份是基于行业基础面的，用来补齐硬知识；更关键的一份，是把你自己当前的业务输入给 AI，让它站在你的业务角度，生成一些和这位专家研究方向相关的深度问题。准备问题之外，AI 还能做一件以前不太好做的事：模拟对练，让 AI 扮演这位专家，你先过一遍问题的顺序和追问节奏。
高价值的问题，往往来自矛盾点。比如这家公司公开宣传说自己是技术驱动，但你翻它的招聘信息发现研发岗占比很低。这些反常的地方，才是专家愿意深聊的入口。你可以把客户的真实情况喂给 AI，让它帮你把数字和叙事对一遍，找出对不上的地方。但哪个矛盾点值得追问，最后还是得你拿主意。
和专家对话，人和 AI 怎么配合
专家脑子里装的不只是知识，还有他踩过的坑、没有写进公开资料的经验和判断。这些东西不会写在任何资料里，只在真人对话里才慢慢渗出来。能不能接住、能不能追问到，全靠你当场反应。这一部分，AI 帮不上。
但访谈的过程可以用工具帮上忙。不管面对面还是在线，都可以用腾讯会议这一类的方式。征得专家同意后，通过录音或实时转写把会议纪要提炼出来，供后续交流使用。
访谈一结束，就可以把录音或纪要交给 AI：把碎片化的对话整理成结构化的要点；把几位专家的说法放在一起比对，找出共识和分歧；把没消化透的段落拎出来，追问 AI 补背景。语音转写会有错别字和误差，需要人工过一遍，最终的确认要回到原始录音或直接问发言人。
还有一步值得做：把这次访谈的总结反馈给专家本人。专家看到你的总结，往往会帮你修正理解偏差，补充你没听出来的东西。冯唐说问完三到五个专家，他们回答的共同点就是行业入门最重要的东西。但真正值得深挖的，往往不是那些共同点，而是分歧最大的地方。分歧背后，往往是这个行业真正的难题和争议。AI 可以帮你把分歧列出来，但判断哪个值得追，还是得靠你。
那套方法之外
冯唐讲的那三步，是他根据自己在麦肯锡的经历分享的方法，不是麦肯锡的官方方法论。麦肯锡顾问能做到快速了解一个行业，除了个人勤奋和方法，背后还有整套机器在支撑：行业数据库、全球专家网络、按行业划分的专家小组、从入职第一天就训练的假设驱动思维。普通人加一个 AI，能复制的是那三步方法本身，复制不了的是那套机器。
对超级个体来说，这其实是个好消息。过去那三步是少数人的看家本事，因为执行成本高。AI 把这些准备和消化的成本压下来，相当于把这套入门方法平民化了。但平民化的只是入门。冯唐自己说得很清楚，进阶要靠做事、跟对人、反复磨三到五年。这部分 AI 替不了你，它要你自己一脚踩进行业里，做几个真实的项目、犯几次真实的错、和几个真实的人建立信任。
AI 把信息处理的体力活接走之后，人反而被还原到最根本的事上：思考、沟通、做判断、和人建立关系。这些能力一直都在，只是在过去被埋在信息处理的工作底下。现在它们被释放出来，你要做的，就是让它们在实打实的实战中慢慢长出来。
