刚开始使用AI的时候，我很兴奋。我下载了很多AI工具，研究不同模型，还专门购买了一台高配置电脑，在本地部署了Qwen（16B）模型，经常搞到深夜。

当模型真正跑起来的那一刻，我觉得自己拥有了一套完全属于自己的AI系统：数据留在本地，不需要依赖外部平台，还可以根据自己的需要不断调整。

但实际使用一段时间以后，我发现结果与预期有不小的差距。

模型确实可以运行，也能够回答问题，但它并没有因此自动变成一个真正理解我、能够参与实际工作的助手。

它不知道我的资料存放在哪里，不了解我过去做过哪些项目，也不清楚我处理问题的方法。每次开始工作，我仍然要重新提供背景、上传材料、解释任务。

更现实的问题是，本地模型的安装、更新和维护都需要投入时间。电脑配置提高了，工具增加了，我却没有因此自然形成一套稳定的工作方式。

这段经历让我明白了一件事：

模型跑起来，不等于AI开始工作；购买了一台高配置电脑，也不等于建立了自己的AI能力。

AI最容易让人犯的错误之一，就是把购买设备、安装软件，当成了建立能力。

AI工作台，首先不是一台高配置电脑

很多人问我，使用AI需要什么样的电脑。

要不要买带高性能显卡的电脑？要不要增加内存？要不要本地部署大模型？要不要同时安装多个AI客户端？

这些问题当然重要，但不是最应该先问的问题。

对大多数律师、代理人和商业工作者来说，一台能够正常办公、稳定连接网络、存储空间够用的普通电脑，已经可以开始搭建AI工作台。

因为今天大量复杂的模型计算，可以在云端完成。真正限制我们使用AI的，往往不是电脑性能，而是另外几个问题：

自己的文件是否经过整理；

过去的经验能否被找到；

AI能不能读取与处理工作资料；

专业数据能否被调用；

产生的结果能不能核验；

工作过程是否安全、可追溯。

上一期，我建议大家先建立四个文件夹，把规则与专业资料、案件与工作成果、结果与复盘、方法与判断分别保存下来。

这些文件夹解决的是：我们拥有哪些知识和经验。

接下来还需要解决另一个问题：怎样让AI在安全、可控的前提下，帮助我们调用这些知识，参与真实工作。

知识库解决AI“知道什么”，电脑和工具配置解决AI“能不能真正干活”。

所以，我现在理解的AI工作台，不是一台昂贵的电脑，也不是一个安装了大模型的软件系统。

它是一套由电脑、模型、工具、数据、知识库和工作规则共同组成的工作环境。

一套最小可用的AI工作台

如果现在让我重新开始，我不会先下载十几个工具，也不会急着研究复杂的本地部署。

我会先搭建一套最小可用的AI工作台：

一个主模型、一个执行工具、一套个人知识库、一个专业数据入口，再加一套安全规则。

第一，选择一个自己长期使用的主模型。

它主要负责理解问题、讨论方案、分析材料和协助表达。GPT、Qwen、DeepSeek以及其他主流模型，都可以根据自己的工作需要选择。

最重要的不是不断追逐“哪个模型最强”，而是选定一个主要工具，把它放进真实工作，持续磨合。

必要时，可以再选择一个模型进行交叉验证。特别是面对专业判断、重要数据和复杂案件时，不同模型的意见可以相互检验。

但模型不是越多越好。

如果在不同工具之间频繁切换，每一个工具都不了解你的背景，每一次对话都需要重新开始，工具数量反而会增加新的工作负担。

第二，配置一个能够处理本地文件的执行工具。

大模型擅长讨论和生成，但真正的工作通常发生在文件里。

几十份判决需要分类，几百个文档需要提取信息，不同版本的法律意见需要比较，大量资料需要去重、重命名和建立索引。

这些工作如果仍然全部依靠人工复制、粘贴，AI就只是一个聊天工具。

我后来大量使用Codex，一个重要原因，就是它能够在获得授权以后进入指定的工作目录，读取文件、整理材料、生成目录、处理数据，并把结果重新保存下来。

这意味着，AI不再只是“告诉我应该怎么做”，而是开始在人的监督下完成一部分实际操作。

第三，让AI连接自己的知识库。

前面建立的四个文件夹，不能只是静静地躺在硬盘里。

我们需要让AI在完成一项具体任务时，能够找到相关规则、过去做过的案件、已经验证过的结果和自己总结的方法。

例如，处理一个商标显著性案件时，AI不仅要搜索公共信息，还应当能够找到你过去处理过的同类案件、出具过的意见、形成的判断清单，以及最终裁判结果。

这样，AI面对的就不再是一个孤立的问题，而是一个带有个人经验背景的专业任务。

第四，保留一个可信的专业数据入口。

个人知识库很重要，但它不可能包含所有最新资料。

法律法规会调整，司法政策会变化，新判决和新案件不断产生。个人知识库提供的是过去积累的经验，专业数据库提供的是不断更新的外部证据。

如果能够通过MCP等方式，让AI在授权范围内调用专业数据库，完成检索、比较和分析，AI才可能真正进入专业工作流程。

但任何检索结果都必须能够回到原始出处。

AI给出的结论，只要涉及法律条文、裁判文书、案件编号和重要数据，就应当可以核验。

AI生成答案并不困难，困难的是让答案建立在真实、准确、可以追溯的证据之上。

先给AI划定一个工作区

建立AI工作台，并不意味着把整台电脑都开放给AI。

更稳妥的方法，是先建立一个专门的AI工作区，只把当前需要处理的材料放进去。

这个工作区可以先设置几个简单目录：

00_工作规则；

01_待处理材料；

02_项目工作区；

03_AI生成结果；

04_人工确认成果；

05_归档进入知识库。

“待处理材料”存放准备交给AI分析的文件，尽量使用副本，不直接操作原始资料。

“项目工作区”用于完成具体任务，可以按照客户、案件或者研究项目分别建立目录。

“AI生成结果”保存机器整理、分析和生成的中间成果。

经过人工核验并确认可以使用的内容，再进入“人工确认成果”。

项目结束以后，真正具有长期价值的规则、结果和方法，才归档到个人知识库。

这样做的意义，不只是让目录整齐。

它在AI生成内容与人工确认成果之间，建立了一条明确的边界。

建AI工作台，不是把整台电脑交给AI，而是为AI划出一块可以工作、可以监督、也可以随时停止的空间。

工具决定AI能做什么，规则决定AI不能乱做什么

我越来越重视“00_工作规则”这个文件夹。

在这里，可以放一份专门写给AI的工作说明。例如：

未经确认，不得删除、移动或者覆盖原始文件；

AI生成的内容必须另行保存，不得替换人工确认的最终版本；

引用法律、案件和数据时，必须标明来源；

无法核实的内容，要明确标注“不确定”，不能自行补充；

发现材料矛盾或者证据缺口时，应当单独列出；

涉及重要判断时，应同时寻找支持和反对两方面的依据；

客户秘密、商业秘密和个人信息，不得擅自上传到外部平台；

所有重要结论，都必须回到原始材料进行人工复核。

这些规则看起来很基础，却决定了AI进入专业工作以后是否可靠。

人类同事在长期合作中，会逐渐理解一家公司的习惯、边界和要求。AI不会自然形成这些认识，必须把规则明确写出来，并在工作中不断修正。

工具决定AI能够做什么，规则决定AI不能乱做什么。

对律师、代理人和企业法务来说，安全问题尤其重要。

哪些材料可以使用云端模型，哪些内容需要脱敏，哪些项目应当在本地环境中处理，谁可以访问哪些文件，数据如何备份，都需要提前确定。

本地部署的价值，也应当放在这里理解。

当工作涉及高度敏感的信息，任务类型相对稳定，使用频率足够高，并且有能力持续维护系统时，本地模型会有很大的价值。

但本地部署并不是所有人的第一步。

模型安装在自己的电脑上，只能说明数据处理环境发生了变化，并不意味着它已经理解了你的知识体系，更不意味着它能够自动完成专业判断。

硬件决定模型能不能跑，工作流决定AI能不能用。

从一个已经结案的项目开始测试

AI工作台搭建以后，不要急着让它处理最重要、最紧迫的案件。

可以先选择一个已经结束、自己熟悉结果的项目，对涉及客户身份和敏感信息的内容进行脱敏，然后让AI完成几项任务：

为全部材料建立目录和索引；

提取案件时间线和主要争议焦点；

整理各方观点以及相应依据；

分析证据与待证事实之间的关系；

发现材料中的矛盾、遗漏和重复；

比较最初判断与最终结果之间的差异；

把项目经验提炼成下一次可以使用的工作清单。

因为案件已经结束，自己知道正确结果，所以更容易发现AI在哪些地方理解准确，在哪些地方出现遗漏和错误。

这一步非常重要。

我们不能只在AI回答正确时感到惊喜，还要有意识地寻找它的错误，了解它在什么条件下容易误判。

只有经过这样的测试，才能逐渐知道：哪些任务可以交给AI，哪些环节需要人机配合，哪些判断必须由人完成。

一次测试结束以后，还应当把新的发现重新写入工作规则和个人知识库。

这样，电脑里的文件、AI参与的过程和人的最终判断，才会逐渐形成一个可以持续改进的闭环。

电脑不必一步到位，工作方式需要开始改变

回头看，我并不后悔购买高配置电脑，也不后悔研究本地模型。

那段经历让我更清楚地理解了AI能力的边界，也让我意识到，真正有价值的不是安装过多少模型，而是这些模型有没有进入自己的工作流程。

如果没有整理好的资料，没有可以调用的知识库，没有明确的任务分工，也没有结果核验和安全规则，那么再贵的电脑，也只是运行AI的设备。

相反，一台普通电脑，只要文件有秩序、知识能够调用、任务可以执行、过程能够追溯、结果有人负责，就可以逐渐成为一套真正的AI工作台。

所以，我给大家的建议是：

不要先问应该购买哪一台电脑，也不要先问应该安装多少个AI工具。

先整理自己的工作区，选择一个主要模型，配置一个执行工具，接入自己的知识库，从一个已经结案的项目开始测试。

在真实任务中发现问题，再决定是否需要增加硬件、部署本地模型或者引入更复杂的系统。

AI工作台不是一次购买完成的设备，而是在持续工作中逐渐形成的一套能力。

模型跑起来，只能说明机器准备好了。

当AI能够在人的监督下，调用你的知识、遵守你的规则、处理真实任务，并把新的经验重新沉淀到知识库里，你的AI工作台才真正开始运行。

下一期，我来介绍一下我的AI工作台，看看到底能干什么。