单一关税政策足以决定一家企业的生死。今日公布的一项政策可能重塑你明日的业务，而六个月后，它或许会重组你的整个供应链。关键在于，若未能及时察觉该政策，你将连回应的机会都没有。
我曾亲历同样的恐惧。作为一名海外期货交易员，在涉及标普 500 指数、原油和美国国债市场的 50 个月交易中，我每天开盘前都要手动追踪可能影响市场的政策，并花费五小时进行风险管理。一项单一的关税政策或央行公告就足以动摇市场，迫使我调整仓位。但有一个问题始终困扰着我：“如果我漏掉了什么怎么办？”
八个月前，作为一个完全不懂编程、甚至未写过一行"Hello World"代码的人，如今我构建了一个系统，将原本价值约 60,000 美元的工作量缩减至 18.42 美元，并生成了 125,332 行原始筛选日志。秘诀何在？我并未学习编程，只是让 AI 将我的担忧转化为具体需求。
为什么政策跟踪感觉不可能实现
难以跟上政策变化并非因为粗心大意，而是因为这项任务对大多数组织而言，在结构上就是不可能完成的。
来自《联邦公报》（Federal Register）、美国贸易代表办公室（USTR）、美国海关和边境保护局（CBP）以及外国资产控制办公室（OFAC）的文件洪流令人应接不暇。即使召集 20-25 名高级专家全职工作一周，设计 959 次搜索，阅读 5,755 份文件并评估未来的实施可行性，每次执行的成本也将高达 60,000 至 75,000 美元。
但真正的问题不在于成本，而在于速度。政策今日公布，组建专家团队并启动工作却需耗时一个月。届时，竞争对手早已调整了供应链。在贸易领域，反应迟缓等同于没有反应。
四大障碍使得传统方法几乎不可行：首先，招募既懂《联邦公报》复杂结构又精通半导体关税背景知识的 20-25 名专家极不现实，这类专家多为大型律所的高级合伙人；其次，即便能组建团队，数周的入职培训也赶不上每日发布的政策节奏；第三，人类疲劳会导致审阅数百份文件后的判断质量下降；第四，维持每周更新需全职雇佣该团队，年成本高达 300 万至 375 万美元。
如果还有另一种方式呢？
从担忧到需求
突破点不在于学习编程，而在于清晰地表达那些让我夜不能寐的忧虑。
在 26 周的 AI 提示词工程实践中，我深刻理解了哪些环节容易出错。当 AI 会话达到令牌限制导致工作中断时，我不再仅仅重新启动，而是告诉 AI：“我想了解进度并从断点处继续，该怎么做？”
当 API 调用随机失败时，我表达了恐惧：“如果在凌晨 3 点进行 900 次查询时失败了怎么办？”AI 随即将这些担忧转化为代码——自动保存、断点续传和错误恢复系统应运而生。
当我需要验证 AI 的判断却面对成千上万的结果时，我说：“我想直接查看 AI 的过滤理由和实际文档。”AI 便编写代码，记录验证理由、URL 及文档片段，以便直接确认。
这就是秘诀。我不需要掌握 Python 语法或调试技巧，只需向 AI 清楚解释问题。当错误发生时，我会复制错误信息并附上代码询问：“这部分为什么不起作用？”AI 会审查、解释并提供修正版本。我立即在 Google Colab 中运行测试，若有问题再次提问。通过数十次迭代，系统逐渐成型。
关键在于：我并未成为开发者。这 26 周在提示词工程上的挣扎，让我明白了哪些环节会出错，而这种知识成为了构建可验证自动化系统的基础。
三个工具如何融合为一个系统
当我向 AI 表达担忧时，发现需要三种不同的工具，每种扮演独特角色。我将这种方法称为“三位一体”。
Claude 负责规划。七个月间，我使用 Claude 设计了 15,000 行提示词，勾勒出复杂的信息结构：战略、产品、HTS 编码、关税税率和时间表。Claude 协助我思考搜索策略——查询哪些政府来源、使用哪些关键词、如何筛选出具有未来实施潜力的内容。这是一个将领域知识转化为自然语言指令的过程。
Gemini API 负责执行。一旦提示词准备就绪，Gemini API 在《联邦公报》、USTR、CBP、商务部和 OFAC 之间进行了 959 次搜索。它筛选了 5,733 份文件，利用自然语言理解判断：“这份文件是否表明具有未来实施的潜力？”Gemini 的优势在于上下文——它能读懂字里行间的意思，理解监管语言，做出纯关键词匹配无法实现的细致判断。
Python 负责控制和验证。虽然 Gemini 用自然语言进行判断，但 Python 使用精确的关键词过滤进行交叉验证。每进行 10 次搜索，Python 就会自动保存进度；若中断，可从最后一个检查点恢复。Python 记录了每一次判断——125,332 行日志详细记录了哪些文件被标记及其原因。这创建了一条审计轨迹，我可点击 URL 阅读原始的《联邦公报》片段来进行验证。
Gemini 提供了灵活性，理解上下文并做出判断；Python 提供了准确性，检查与半导体相关的关键词并过滤非半导体术语。AI 的灵活性与代码的精确性相结合，彼此弥补了对方的弱点。
每个结果都包含一个 URL 和文本片段。单击一下即可进入原始的《联邦公报》文档，验证 AI 的判断是否正确。这不是对 AI 的盲目信任，而是"AI 辅助收集 + 人工验证”的模式。
最终成果显著：Google API 成本仅为 18.42 美元，执行时间 7 小时，生成 125,332 行原始筛选日志，标记出 245 份候选供人工审查的文件。“三位一体”之所以奏效，是因为每个工具都发挥了其所长，而我从头到尾无需编写任何代码便协调了它们。
为什么 AI 仍然需要你
尽管有这些机制，AI 仍不完美。标记出的 245 份文件不是最终信息，而是需要人工判断的候选项。有些文件在一条目中涵盖多个行业，这是一种我必须接受而非消除的结构现实。
在项目第 29 周，我了解到完全过滤是不可能的。《联邦公报》的文件结构造成了不可避免的极端情况。当一份文件同时宣布半导体关税和钢铁关税时，AI 该如何分类？若将其加入黑名单过滤，可能会错过类似多行业文件中宣布的合法半导体政策；若保留，则会产生误报。
精度和召回率之间的权衡是根本性的。增加更多黑名单规则可提高精度但降低召回率——过滤掉噪音的同时也可能错过重要信号。这个问题不可预测，新的文档结构不断出现，维护针对每种极端情况的黑名单变得不可能。
因此，人工验证至关重要。当 AI 识别出 245 份可能相关的文件时，我不会盲目相信它们都是仅关于半导体的公告。我会点击每个 URL，阅读片段，并判断：“这实际上是否与半导体和未来实施有关？”对于涵盖半导体和其他行业的复杂案例，由我决定是否将其纳入。
协作模式清晰明了：AI 以人类无法企及的速度和一致性收集并筛选海量原始文档；你基于领域专业知识进行验证，并对模糊案例做出最终判断。AI 的速度与你的判断力相结合，建立了信任。
我在这个项目上投入了八个月，它仍不完美，仍有改进空间。但这正是关键所在——这并非关于 AI 取代专业知识，而是关于 AI 放大专家在理解工具能力与局限后所能取得的成就。
超越投资回报率的真正价值
这不仅仅是为了节省成本。AI 将以前属于“不可能领域”的事情转变为只需点击按钮即可执行的任务。
回顾此前使全面政策追踪变得不可能的四个障碍：首先是专家招聘。理解《联邦公报》复杂结构及半导体关税细微差别的专家全球罕见，且多为高薪资深合伙人，召集 20 到 25 名这样的专家工作一周极不现实，而 AI 随时待命，无招聘延迟。
其次是时间障碍。政策今日公布，组建和培训专家团队至少需一个月，届时政策窗口已关闭。AI 能在六小时内交付结果，使原始发现具有可操作性而非过时。
第三是质量一致性。人类会疲劳，即便是专家团队，在面对数千份文档审查时也难以维持一致的判断标准。Gemini API 成为一个不知疲倦的大脑，从第一次搜索到第 959 次搜索都保持坚定不移的标准。125,332 行日志不仅记录了结果，还记录了 AI 的七维验证理由，使用户能够加强和验证判断依据。
第四是年度可持续性。政策每周都在变化，需要每周更新。25 名专家全年工作的成本约为每年 300 万至 375 万美元，而一个 AI 系统用于 52 次每周执行的成本约为每年 2,600 美元，投资回报率约为 1,200 至 1,500 倍。
但更深层的价值在于：AI 并没有取代专业知识，而是使以前无法实现的任务变得可行。它让"25 位专家大脑工作一周”的服务以 50 美元的价格、随时随地、可重复地提供，将组织甚至无法尝试的任务转化为可随时运行的工作流程。
对于知道如何正确使用这些工具的人来说，AI 不是泡沫；对于善于规划的人来说，它是放大器。自 2025 年 5 月以来，我每月继续支付相关服务费用便是证明。
这对你的意义
你已经拥有了最重要的东西：领域专业知识。
作为一名贸易专业人士、供应链经理或物流领导者，你知道哪些政策对你的业务至关重要。你理解关税变化的影响，能识别出关键信息。这种知识是不可替代的。
AI 的角色很简单：它是一个将你的领域知识转化为大规模数据收集和组织的工具。它处理人类无法应对的规模——阅读数千份文档，在数百次判断中保持一致性，记录每一个决策以供验证。
协作模式如下：AI 以机器速度和规模进行收集和整理；你基于专业知识和商业背景进行验证和决策。你的专业知识乘以 AI 的规模，使以前不可能的事情突然成为可能。
这不仅限于半导体行业。供应链经理可以跟踪 USTR 和 CBP 的监管变化；合规团队可以仅筛选未来生效的政策；物流领导者可以监控港口和海关法规的更新。相同的“三位一体”结构适用，只是行业焦点不同。
这一学习过程产生的结果是透明的：959 次搜索，筛选 5,755 份文档，确定 245 个候选对象供验证，生成 125,332 行日志，成本 18.42 美元，执行时间 7 小时。这些不是主张，而是任何人都可以复现的测量数据。
谦逊的真相
八个月的工作，仍有成长空间。关于更好过滤方法的研究仍在继续。这不是完成，而是进步。
但对于正确使用工具的人来说，这代表了革命；对于仔细规划的人来说，这是专业知识的放大；对于严格验证的人来说，验证变得可能。
核心信息是：你的规划决定了 AI 输出的质量，你的验证确保了可信度，你的领域专业知识使 AI 有用而非危险。
AI 不是魔法，它是一种强大的工具，放大你已经知道的内容。它不会取代你的判断，而是扩展了你的影响力；它不会消除对专业知识的需求，而是放大了专业知识所能完成的成就。
本文捕捉到了构建 AI 使用能力的八个月学习之旅的精髓。信息映射策略、提示执行技术、验证框架——包含了可能帮助他人避免我所犯错误并发展自身 AI 使用能力的经验教训。
还有更多内容要分享，希望它能帮助贸易社区。