AI认知测评工具
6层AI认知 · 2题测深度
不是问卷量表，而是精准的认知深度探针——通过两个开放式问题，自然判断AI认知层级 L0→L6
深度探针
6层分级
2题快测
精准定位
背景：主人需要的不是问卷量表，而是精准的认知深度探针——通过1-2个开放式问题，根据被测试者的回答深度，自然判断其AI认知层级（L0-L6）。问题设计遵循"低门槛高天花板"原则：刚入门的人能说两句，高手自然展现深度。
2个核心测试问题
问题1探测使用深度，问题2探测认知深度。两个问题交叉验证，精准定位L0-L6。
1
覆盖 L0 → L4
体验深度探针
请描述一个你最近用AI（或智能工具）解决实际问题的经历。越具体越好——你用了什么工具？怎么用的？中间遇到过什么问题吗？最后结果怎么样？
2
覆盖 L3 → L6
认知深度探针
你觉得现在的AI和人类合作做一件事，和传统软件工具（比如Excel、搜索引擎）最本质的区别在哪里？如果你来设计一个AI系统做这件事，你会怎么搭？
问题1 判断标准：使用深度
从"无法回答"到"多工具组合"，问题1覆盖L0-L4的完整判定。
| 层级 | 典型回答特征 | 判定逻辑 |
|---|---|---|
| L0 · AI未触达层 | 我没用过AI / AI是什么？ | 无法回答问题 → L0 |
| L1 · 知晓未使用层 | 我知道ChatGPT，但没用过 | 知道但零使用 → L1 |
| L2 · 浅度使用者层 | 我用过ChatGPT帮我想文案 | 用了但描述泛泛、无具体流程 → L2 |
| L3 · 主动实践者层 | 我用Claude写周报，先给大纲→让它填充→调语气→手动改 | 有完整使用流程+迭代行为 → L3 |
| L4 · 深度用户层 | 我用多个AI组合：Claude写初稿、Perplexity查资料、GPT-4o分类数据，写脚本批量处理 | 多工具组合+系统化使用 → L4 |
问题2 判断标准：认知深度
从"表面理解"到"架构决策"，问题2覆盖L0-L6的完整判定。
| 层级 | 典型回答特征 | 判定逻辑 |
|---|---|---|
| L0-L1 | 答不出/空洞形容 | 无法理解问题 → L0/L1 |
| L2 · 浅度使用者层 | AI能理解你说什么，Excel不行 | 停留在"AI像人"的表面理解 → L2 |
| L3 · 主动实践者层 | AI能理解模糊指令、能润色改写、能做总结，传统工具只能精确执行 | 从能力维度区分 → L3 |
| L4 · 深度用户层 | AI不只是工具，是可以协作的伙伴。传统工具是确定的，AI是不确定的——这既是优势也是弱点 | 本质差异+辩证认知 → L4 |
| L5 · 系统构建者层 | 我会用Agent框架：LLM做大脑+RAG做知识+函数调用做工具+记忆模块 | 能设计具体技术方案 → L5 |
| L6 · 架构决策者层 | 先考虑业务场景决定用Agent还是Pipeline，还需考虑可靠性模型、失败兜底、成本延迟的trade-off | 架构决策者视角 → L6 |
组合判读决策树
问题1判定使用深度 + 问题2判定认知深度 → 取较高层为最终结果
被测者回答两个问题
问题1 · 使用深度
L0 ← 无法回答
L1 ← 知道但没用过
L2 ← 用过但描述泛泛
L3 ← 有完整使用流程
L4 ← 多工具组合使用
问题2 · 认知深度
L0-L1 ← 答不出
L2 ← 表面理解
L3 ← 能力维度区分
L4 ← 辩证认知
L5 ← 技术方案设计
L6 ← 架构决策视角
取两题较高层级为最终结果
L0
L1
L2
L3
L4
L5
L6
L0-L6 层级总览
7个层级从"未触达"到"架构决策"，完整覆盖AI认知光谱。
| 层级 | 名称 | 问题1表现 | 问题2表现 | 典型画像 |
|---|---|---|---|---|
| L0 | AI未触达层 | 无法回答 | 无法理解问题 | 从未接触AI的普通人 |
| L1 | 知晓未使用层 | 知道但没用过 | 答不出/空洞形容 | 听说过AI但未实践 |
| L2 | 浅度使用者层 | 用过但描述泛泛 | 停留在"AI像人" | 偶尔用ChatGPT聊天 |
| L3 | 主动实践者层 | 有完整使用流程 | 从能力维度区分 | 日常工作深度使用AI |
| L4 | 深度用户层 | 多工具组合使用 | 本质差异+辩证认知 | AI重度用户，组合工具 |
| L5 | 系统构建者层 | — | 能设计技术方案 | 会用框架搭建AI系统 |
| L6 | 架构决策者层 | — | 架构决策视角 | 从业务/可靠性全局决策 |
双问题交叉验证矩阵
两题结果交叉，最终取高。此矩阵可快速定位组合判定逻辑。
| 问题1 ↓ / 问题2 → | L0-L1 | L2 | L3 | L4 | L5 | L6 |
|---|---|---|---|---|---|---|
| L0 | L0 | L2 | L3 | L4 | L5 | L6 |
| L1 | L1 | L2 | L3 | L4 | L5 | L6 |
| L2 | L2 | L2 | L3 | L4 | L5 | L6 |
| L3 | L3 | L3 | L3 | L4 | L5 | L6 |
| L4 | L4 | L4 | L4 | L4 | L5 | L6 |
设计理念
为什么两个问题就能精准判断认知层级？关键在于"低门槛高天花板"的探针设计。
主人的示范问题「请说说AI大模型与Agent的区别」为什么精妙？
低门槛高天花板
刚入门的人能说两句，高手自然展现深度。问题本身不设天花板，回答深度完全由测试者决定。
隐含对比框架
不是问"What is X"，而是问"X与Y的关系"。对比框架迫使测试者展现真实的理解层次，而非背诵定义。
术语颗粒度自动分层
L2用"理解"、L3用"模糊指令"、L5用"RAG/函数调用"、L6用"可靠性模型/trade-off"——越深用词越精细。
问题设计原则对比
好的探针问题长什么样？拆解两个核心问题的设计逻辑。
| 设计维度 | 问题1：体验深度探针 | 问题2：认知深度探针 |
|---|---|---|
| 触发机制 | 回忆具体经历 → 自然流露使用习惯 | 对比+设计任务 → 激发深层思考 |
| 入门门槛 | 极低：用过AI就能说 | 中等：需要一定的抽象思维 |
| 区分能力 | L0-L4分层清晰 | L3-L6分层清晰 |
| 防作弊 | 要求具体细节，泛泛而谈暴露层级 | 开放设计题，无标准答案可背诵 |
| 最佳场景 | 快速摸底，适合大规模筛查 | 深度判断，适合关键岗位评估 |
使用说明
三步完成AI认知层级判定，每个测试者约3-5分钟。
-
1
先问问题1，观察回答深度让测试者自由描述使用AI的经历。从描述的详细程度、是否提到具体工具、是否有迭代流程，初步判断使用深度 L0-L4。
-
2
再问问题2，进一步确认认知层次询问AI与传统工具的本质区别。从回答的抽象程度、术语使用、是否涉及系统设计，判断认知深度 L0-L6。
-
3
对照判断标准确定最终层级对比两个问题的判定结果，取较高层级为最终认知层级。参考上方的层级对照表和决策树完成判定。