员工AI能力分级评估

要解决的问题

当团队开始引入 AI 工具后，管理者常面临一个模糊的问题：成员到底会用 AI 到什么程度？有人只会拿它聊天问答，有人已经能搭建 Agent 工作流、自研 Skill、甚至主导技术选型。如果没有一把统一的尺子，所谓的「AI 能力提升」就只能靠感觉——年终复盘说不清差距在哪，培训计划不知道该补哪一层，团队里谁该带谁也没有依据。

这个技能要解决的是能力评估的标准化缺失。它不判断「用没用过 AI」，而是沿着一条四级模型（对话用户 → 入门用户 → 中等用户 → 深度用户）把使用水平拆开来看：环境怎么搭的、Skill 是装的还是自己写的、生成的代码有没有自己跑通闭环、核心业务场景里有多少环节真正做到了「零手工」、对 Agent 的 ReAct / RAG / 记忆管理等机制有没有认知、有没有独立做过技术实验、在团队里是否承担了 AI 顾问或架构选型的角色。

技能如何工作

核心流程分四步，全程结构化输出，不回避差距：

1. 信息采集。 优先从当前环境和使用痕迹中取证，不足时再向用户追问。采集维度覆盖七个方面：

• 环境搭建：Agent 运行环境是否独立配置，Skills 和 MCP 插件安装情况
• Skills 使用与开发：预制 Skill 安装数量 vs 自研/自定义 Skill 的数量与复杂度
• 代码生成与验证：AI 生成代码后能否自行验证闭环运行，还是仍需人工拼接审查
• 工作流自动化：定时任务/自动化配置数量，核心业务场景中「零手工」交付的覆盖度
• 机理认知：是否理解 Agent 运行机制并能解释 AI 决策过程
• 实验与创新：是否独立设计执行 AI 技术实验并产出报告或内部工具
• 团队影响力：是否担任团队 AI 顾问、主导架构选型或技术分享

2. 逐级对照判定。 读取 references/ai-capability-framework.md 获取完整分级标准后，对采集到的证据逐级对照：先排除已超越的低级别，再确认当前级别的核心特征是否全部满足，最后识别是否出现向下一级别过渡的迹象。判定结果标注为 ✅已满足 / ⚠️部分满足 / ❌未满足。

3. 结构化输出评估报告。 以表格形式呈现四级对比的判定依据、每个维度的具体证据说明，以及从当前级别到下一级别的跃升路径建议——具体到行动方向和预期效果。

4. 输出约束。 全程使用中文，复杂逻辑优先用表格，如实呈现未达到的特征，不做粉饰。

适用边界与注意点

• 评估的是AI 使用与工程化能力，不是通用编程水平或业务理解深度。一个资深后端工程师如果只会把 AI 当搜索引擎用，在这里大概率只能被判为对话用户。
• 分级结果依赖 references/ai-capability-framework.md 中的标准，评估前务必读取该文件获取详细特征与识别标志。
• 采集证据时优先看实际环境和使用痕迹，用户自述容易高估；对「零手工」覆盖度这类指标尤其要核实，避免凭印象打分。
• 该技能适合个人自评、团队盘点和培训需求诊断场景，不适合作为绩效考核的唯一依据——能力分级描述的是当前快照，不等同于产出价值。