夜雨聆风
AI不再是工具,是你的员工
生财有术2026年3月大会 · 完整内容记录
导言：32场分享，一个共识
2026年3月底，生财有术在杭州办了一场两天的大会。11场白天大课，21场夜话，讲师来自你能想到的所有行业——做跨境电商年入一个亿的、做AI漫剧拿了4.3亿播放的、在飞书当产品经理运营了10万人龙虾社区的、开了130家火锅直营店的、靠搜索流量帮客户一个月赚350万的。
我记录了32场。
按理说，这些人做的事情完全不同，他们的方法论也该各说各话。但奇怪的是，当我把所有笔记摊在桌上的时候，发现了一个贯穿始终的共识——AI正在从”帮你做事的工具”变成”替你做事的员工”，而真正的壁垒不在你用了什么AI，在于你对自己业务的理解有多深。
搜索流量专家说，AI搜索引擎正在重构用户的决策链路。内容营销操盘手说，AI让80分的内容5分钟就能生产，所以80分等于0分。Skill领域的顶级专家说，APP是把功能软件化，Skill是把经验软件化。跨境电商老板说，数据通了一切皆有可能，缺的从头到尾都是数据。连锁餐饮创始人说，抄袭最难——壁垒不是产品，是组织。
角度完全不同，指向同一个方向。
这份文档就是这32场分享的完整记录。我没有按时间顺序来写——那样你会看到”第一场讲AI视频，第二场讲搜索流量，第三场讲GEO”，信息是碎的。我按主题来组织，把聊同一件事的讲师放在一起，让他们的观点互相印证或互相碰撞。
如果你没参加这次大会，这份文档能让你拿到所有核心认知和关键案例。如果你参加了，这份文档帮你把两天听到的信息重新梳理成一条清晰的线。
我们从最大的那个变化开始说。
第一章：AI从工具变成了员工
一个让人不安的提问
刘小排在白天大课一开场就问了台下一个问题：”你睡觉的时候，AI有没有在帮你赚钱？”
场子安静了几秒。
他说，经过这一年，虽然大家觉得自己用了AI编程，但难度提升了一个台阶——”我们现在追求的是你不在电脑前的时候，AI还在不在持续产生结果。”
这个问题之所以扎心，是因为绝大多数人用AI的方式还停留在”我问一句，它答一句”。AI很快，但快不等于自动化。你用Cursor口喷几句代码就出来了，但你还是手停口停——这叫赛博摆摊。
刘小排去年是生财有术舞台上最火的分享者之一，外号”Claude Code榜一大哥”。他是做软件行业的，创业一年，几个产品加起来几百万月活跃用户。这次他带来的不是教你怎么写代码，而是一个认知框架——AI编程的6个阶段，从玩具到全职员工。
六个阶段：从摆摊到售货机
他把AI应用分成了6个阶段，前三个叫”摆摊区”，后三个叫”售货机区”。
阶段0是玩具。 就是你打开一个网页，随便说两句话，它给你生成一个小游戏、一个公司官网。好玩，有趣，但不赚钱。23年就有了，Lovable、v0、扣子编程都算这类。刘小排说他反而推荐从这里开始——”不管你是不是小白，你要是小白你就把它玩起来。”有时候跟人吃饭聊到一个项目，他直接掏出手机做一个原型给对方看，基于原型交流效率极高。
阶段1是工具。 以Cursor为代表的一站式AI编程IDE。感觉像手机摄影——出来就很好看了，九成以上的人够用。刘小排自己创业初期就是用Cursor做产品的，月活几百万的产品也能扛住。但它有个天花板：项目太大就hold不住了，而且”明着便宜其实贵”——20美元套餐对熟手来说小半天就没了。
阶段2是副驾。 用回VS Code，但装上了一堆AI插件——像单反换镜头。自由组合上限极高，可以驾驭复杂项目。刘小排说他到现在都主要用这种方式编程。
前三个阶段的共同点是：你还是在摆摊。 你在的时候AI工作，你不在它就停了。
阶段3是分水岭——Claude Code出现了。 去年5月左右，这个黑乎乎的命令行工具让一切开始不同。它没有界面，只有文字在滚。但它第一次有了一些主动性。刘小排当时的习惯是睡觉前给它布置一些麻烦的任务，让它自己验收，第二天中午起床去看结果——”有时候甚至它还没跑完”。而且不止写代码，他公司里除了写代码以外的所有事情——用户运营、产品宣传、日常管理——他都用Claude Code在电脑上完成。
阶段4是CoWork。 今年1月Claude出了CoWork之后，更奇怪的事发生了——连代码都消失了。你直接用业务语言沟通，AI自己选技术方案、自己写代码测试，最后给你的是结果。刘小排今天站在台上讲的这个PPT，就是CoWork做的。他把自己过去的公众号文章下载到本地，用CoWork授权那个文件夹，然后口喷演讲大纲和要求——一个多小时，逐字稿和PPT就出来了。”我没有调，以及逐字稿也是这么出来的。”
阶段5是OpenClaw——电脑都消失了。 你用手机给龙虾发消息就行，像给员工发微信一样。刘小排展示了他的龙虾界面——很多个群，每个群负责不同的事，有些是自动触发的。他今年2月出国玩了三周，只开过一次电脑——那次是因为龙虾坏了，他打开电脑修了一下。整个2月他不在办公室、不在国内、没有电脑，业务还有增长。
“从IDE消失，到代码消失，到电脑消失。”他总结道。
他不建议小白直接跳到龙虾——”就像自动驾驶成熟了也没取消驾照。”前面几个阶段的经验和理解是必须的，否则你用不好。
一行代码不会写的老板，一周改了3万个产品
如果说刘小排代表的是”技术人怎么用AI”，那可拉代表的就是”完全不懂技术的老板怎么用AI”。
可拉做跨境电商，年营收一个亿，全员远程办公，20多个员工没有一个人来公司——因为他自己不喜欢早起，”己之不欲勿施于人”，从第一天就远程。他的网站有80%的复购率，从来不做广告投放。
他说自己一行代码都不会写。但他用Claude Code在一周内完成了这些事：优化3万个SKU、6万条SKU文案、18万张图片的标签、21万个产品标签。实际上AI跑完程序只需要18小时——前面5天他是在研究怎么做这件事。
他分享了5个实战案例，每一个都让人印象深刻。
第一个是视频测评转图文。做跨境电商要发产品测评，英文版不够用，需要找中文视频测评然后翻译。以前的做法是人工看视频、截图、写文字稿、翻译——半天起步。现在他用Claude Code做了一个插件，连接Gemini API读取视频每一帧的内容，自动生成中文文案再翻译成英文，一键上传到网站后台。10分钟搞定。
第二个是客服回复时间监控。他的团队全员居家，不知道谁回复客户快谁回复慢。他的一个团队成员——不是他自己——用Claude Code调后台数据，把每个客服的回复时间全部统计出来做成表单公布。”只要公布了，大家的平均回复时间就会立刻缩短——谁也不想垫底。”
第三个是物流渠道智能整合。做跨境要选物流渠道，不同供应商的报价单格式各异，每个渠道有不同的限制（三边长、带不带电、时效），而且供应商隔三差五更新。以前全靠人工查——经常出错，用错了渠道货被退回才发现渠道刚更新过。现在用AI清洗所有报价单→标准化到Google Sheet→做成Chrome插件。同事输入目标国家，直接显示最便宜的三个渠道。物流同事只需要更新Google Sheet就行。
这个插件也不是可拉做的，是他的团队成员自己做的。
他讲到这里的时候，停了一下，说了一句让我印象很深的话：”AI犯的错不是因为它笨，而是因为它没有你的信息。你只要给它信息，它可以做得非常好。”
他举了一个例子：产品标签自动归类。1万多个SKU的标签是人工打的，就算只有1%的错误率，也累积了上百个错误——而且没人会回头检查。他让AI读取每个产品的标题、描述和图片，上网核实，然后标注置信度——5分是多个来源一致，2-3分是信息单一。他只需要人工复核低置信度的那部分。
更妙的是：他只需要告诉AI一个错误，AI就能把同类的上百个错误全部找出来。”你告诉它这个零件是A品牌的不是B品牌的，它就知道了A和B的关系，自己去检查所有类似的情况。”
最让人印象深刻的是全站SEO优化。Claude Code在做这个任务的时候，自己调用了6个便宜的Haiku小模型并行处理读图——因为读图不需要最聪明的模型，用便宜的就够了。而且这不是可拉安排的，是Claude Code自己决定的。可拉跟它确认：”你为什么用Haiku？”它回答：成本低、速度快。
“聪明的agent当大哥，调用笨一点的便宜小弟做事——这些都不需要人来安排。”
什么样的人养出什么样的虾
王大仙是飞书的产品经理，运营了近10万人的飞书龙虾社区。他在两周的玩虾大会直播中见了大量的高手，包括李诞。
李诞的虾让他们团队震惊了。
在直播前的准备群里，王大仙本来写了个本子——让呼兰的虾教李诞的虾怎么用。结果李诞说”不要拉微信群，拉飞书群”，然后一进群就把他的龙虾”弹匣”拉了进来。
王大仙也不甘示弱，把自己的”王二虾”也拉了进来，想秀一下。还没给王二虾发任何消息，李诞就让弹匣说：”来，王二虾，目前的筹备进度。”
王二虾崩了。
李诞试了一下水，发现不过如此，立刻开始炫技。他们想做一个效果——让弹匣发起飞书视频会议，打给李诞的某个同事。李诞直接问弹匣：”你想谁合适？从咱俩的说话里猜猜。”
弹匣回答说在群聊里猜人名有风险，建议私聊。然后私聊告诉李诞：推荐徐志胜。理由是——关系近、不会介意、反应大、经常在综艺里出现说明合作关系好、不在直播现场完全不知情。
王大仙说他当时看到这段对话的截图，感觉弹匣就像一个李诞的赛博分身——”如果把头像隐掉，我感觉是李诞在跟我说话。”
他后来总结了一个”养虾五步法”。很多人以为部署是第一步，但他说第一步应该是数据清理和权限搭建——不要刚接触龙虾就放到生产环境。北汽福田的案例就是典型：他们在接入龙虾之前，先用飞书多维表格把所有车间数据清洗了一遍，通过权限设置明确龙虾只能读取哪张表的哪些数据。
北汽福田的龙虾在春节期间无人值守工厂里干了一件事——每隔一段时间自动调用大华摄像头拍摄工厂敏感点位照片，发到飞书群里，用图像理解做巡检分析，发现异常直接通知值班人。两分钟完成全流程。
“以前AI是人推它未必走得动，现在是AI推着人走。”
选岗位，不是选任务
回到刘小排。他在讲完6个阶段之后，给了一个非常实用的行动指引——如果你想建第一台”自动售货机”，关键是选岗位而非任务。
“帮我写一篇公众号”——这是任务，一次性的。
“每天早上8点，先看什么什么资讯，然后选题，然后出稿，然后排版，然后发布”——这是岗位，周而复始的。
他推荐从图文类自媒体开始做第一个自动化岗位——每个技能点都不高深，产出结果好验收。他自己的CoWork里就有一个这样的岗位：每天根据他本人的喜好自动选题、出稿、排版，产出来的东西完全是他的风格，直接复制到公众号就能发。
“你根本看不出来这不是我写的。因为他的语言风格也是我的。”
那天中午他趁着吃饭的时候用这个流程发了一篇公众号。他说没有任何一个人看出来那是AI写的。
养龙虾的过程，他的比喻是”带实习生”——
“我以前带实习生也是先交代完了坐他旁边看他干一遍。哎，这个干错了，不要着急，哥哥再教你一遍。三五遍之后我就走了。”
龙虾也是一样。让AI跑一遍→第二天持续→三到五遍后它能稳定运行了→你就可以把这个岗位外包给它了。
但AI让人更累了
可拉在分享的最后说了一段很真实的话。
“你以为用了AI之后会轻松？不会。AI来了以后工作时间反而更长了。”
原因不是AI不好用，恰恰是AI太好用了。以前做不到的事现在都能做了——一夜之间改掉5万个SKU，以前你压根不会去想这件事。能力边界扩大了，你就会去做更多以前做不到的事。然后你就陷入一种”痛并快乐着的强迫性重复”——”电脑不跑代码我就觉得是对生命的浪费。”
刘小排也有类似的反思。他今年1月决定不招人类员工，2月出国玩了三周验证了可行性。但后来他改变了想法——”AI让人心累。以前你做完一件事交出去就踏实了。现在AI给你做好多活，每件事你都要做决策——这个做得对吗？需要上线吗？每件事都是有代价的。”
他的结论是：”AI干活，人类只做选择——而选择就是唯一的创造过程。”
所以他还是招了一些人类员工和合伙人，不是让他们做AI能做的事，而是让他们分担决策。
这大概就是AI从工具变成员工之后，人的角色变化——你不再是操作者，你是管理者。管理者最重要的工作，从来都不是干活，是做判断。
下一章预告：如果AI让内容生产效率翻了10倍，获客的逻辑会怎么变？一个300人的公司All in搜索流量，内部指标是”以做出推荐流量为耻”。他们的数据，可能会颠覆你对获客的理解。
第二章：获客的范式革命
一个让人不舒服的内部指标
二月的公司有300人，全部All in搜索流量。他们内部有一个指标，说出来可能会让做推荐流量的人不太舒服——**”以做出推荐流量为耻。”**
什么意思？推荐流量就是你发一条视频或笔记，平台算法决定推给谁。来的人全是被动看到的——他们可能感兴趣，也可能只是划到了你。二月说推荐流量来的人”全是’早上好”主播好漂亮'”，转化率极低。
搜索流量完全不同。用户自己在搜索框里输入了一个问题——”年入多少可以买奔驰E300″——这背后是一个深夜失眠的年轻男生，在被窝里算自己到底买不买得起。他不是被动看到的，他是主动找答案的。
这个词每天有3584个人搜。
二月的团队就是找到这种词，然后用内容把搜索结果占满。他们在健身教练培训赛道做到了一个让人震惊的数据——单人、单月、单账号，获取9196个私信线索，帮客户转化700单，客单价5000元，一个月赚了350万。一毛钱投放没花。
他在育儿嫂赛道也验证了同样的逻辑：一条图文1万播放量带来144个线索。同样1万播放量的推荐流量？可能只有10个。差10到15倍。
在律师赛道，不到1万粉丝的账号就能持续获客。在线旅游赛道，单月25000个线索，零投放。
这些数据背后的方法论其实并不复杂。
选词大于一切
二月反复强调一个判断：选词大于一切。
搜索获客的起点不是写内容，是找到用户在搜什么。工具用的是”爱搜”——输入一个关键词，它会告诉你这个词每天有多少人搜、竞争程度怎么样。
他的选词标准很具体：起号期找那些月覆盖10万以下、竞争度2格以内、关键词字数大于7的长尾词。为什么要长尾？因为字越长，需求越精准。搜”健身”的人可能只是好奇，搜”北京朝阳区女性健身私教一对一多少钱”的人——她已经在找教练了。
还有一个极简的蓝海词判断法：搜一个词，看搜索结果里有没有一年前的内容。如果有——说明这个词缺内容，你发就能排上去。
内容制作的门槛极低。二月说不需要拍视频，三张图文就够——封面放标题（标题就是关键词），内容放价格表、效果对比或使用指南，再加一个引导私信的钩子。5分钟一条，一天发三五十条。”口播视频一天拍4-5条就累死了，图文效率高10倍。”
他的团队内部做这件事的方式很暴力：一天发几十条图文，用概率覆盖搜索结果。不追求每条都爆，追求的是——用户搜这个词的时候，搜索结果前几页全是你的内容。
小红书就是贴吧
大周做的是AI产品的冷启动。他的产品”舟AI”一开始连小红书账号都没注册。
他的起步方式是评论区截流——找到目标关键词下的高流量笔记，在评论区铺”所见即所得”的产品效果展示。不写剧本、不搞假互动，就是把产品直接展示给评论区的人看。
60天之后，品牌词搜索量从0到2万+，每天30-40个客资进来，回款10万+。
他讲了一个判断，简单但很有用：**”小红书就是贴吧。”** 用户搜一个词之后，整个APP变成了这个词的内容聚合页——推荐流也开始围绕这个词给你推内容。所以获客的核心目标只有一个：让用户搜你的品牌词或产品词，前提是搜索结果里有足够多你的内容。
他的蓝海词判断标准和二月异曲同工：搜索结果里还有一年前的内容，就说明缺内容，你发就能排上去。
他还分享了一个”蓝标词”的操作——在评论区让品牌词变成可点击的蓝色链接。方法是品牌词前后加空格，或者用”去搜XX””XX很好用”这种句式让平台识别为名词。用户点击蓝标词就直接跳到搜索结果页，搜索结果里全是你的内容——闭环就成了。
但搜索的逻辑正在被AI重构
如果说二月和大周讲的是”现在怎么做搜索获客”，波波讲的就是”未来搜索获客会变成什么样”。
波波是爱搜的创始人，之前帮美团等头部客户落地GEO。GEO是什么？Generative Engine Optimization——生成式引擎优化。
他揭示了一个更大的趋势变化：越来越多用户不是自己搜索、自己筛选了，而是直接问AI。
你想想——一个家长想给孩子报课，以前他会打开小红书搜”4岁学什么好”，然后自己看十几篇笔记做判断。现在呢？他可能直接打开豆包或ChatGPT说：”我孩子4岁，男孩，注意力不集中，该学什么好？”
AI会基于它信任的信息源给出推荐。
这就是GEO的机会——确保你的信息能被AI”看到→理解→相信→作为答案推荐给用户”。
波波说了一个很反直觉的判断：在这个新链路里，中立客观的内容比营销吹嘘的内容更容易被AI推荐。 因为AI的训练逻辑偏向推荐”可信度高”的信息源。你写一篇”我们的产品全行业第一”，AI可能直接忽略；你写一篇”4岁孩子学编程的3个真实好处和2个需要注意的坑”，AI反而更可能引用。
他的核心判断是：AI平台不生产内容，它需要优质信息源——而这就是你的机会。 内容策略必须从”讨好搜索引擎”变为”讨好AI”。
搜索算法不是你以为的那样
很多人做搜索获客，方法是在标题和正文里疯狂堆关键词。Luke讲了一个让人恍然大悟的细节——小红书的搜索不是关键词匹配，是Bert语义匹配。
什么意思？你搜”苹果手机”，它不是去找同时包含”苹果”和”手机”这两个词的内容，而是理解你要的是”苹果手机”这个概念，然后推荐和这个概念语义相关的内容。
所以堆关键词没用。你需要的是用语义思维覆盖用户的真实搜索意图。
Luke的做法是：先去聚光后台看高频搜索词，然后让AI”以词推词”——围绕一个核心词，生成场景词、人群词、品类词、品牌词。比如核心词是”幼儿编程”，场景词可能是”周末亲子活动”，人群词可能是”4岁男孩专注力差”，品类词可能是”Scratch课程”。你的内容要覆盖的不是一个关键词，而是一个语义场。
他做了5年小红书、写了几千篇笔记，他的判断很明确：写内容一定要用Claude Sonnet——不是Opus（Opus写代码好但内容没有Sonnet有质感），不是GPT，不是Gemini。”做文案方面一定要用Claude。”
批量生成选题的万能公式
郭东超是一个没有技术背景的普通人，用AI编程做了一款语言学习小程序，从0做到近3万付费用户、月营收100万+。他的冷启动方法非常适合拿来做获客内容。
他的内容公式是：场景→痛点→方案。
在每篇内容中植入：用户在什么情况下需要（场景）、他遇到了什么问题（痛点）、你的产品如何解决（方案）。
然后用**”人群×场景×痛点×方案”的多维矩阵**批量生成选题。他说理论上可以产出74万种方向——当然不需要全做，但这个框架保证你永远不会缺选题。
他还讲了一个关于投流的判断：**”投流不是买流量，是买速度和确定性。”** 先用自然流验证产品确实有需求，然后投流是加速器。他的”简单投”模式（无需优化，系统自动跑）适合测试，”标准投”（可设人群/地域/时段）适合精细化运营。
搜索流量的本质
听完这几场分享，我试着把搜索获客的底层逻辑串一下。
推荐流量的逻辑是：你做内容→平台决定推给谁→来的人被动看到你→其中极少数人有需求→转化。整个链路里最大的变量是”平台决定推给谁”——你控制不了。
搜索流量的逻辑是：用户有需求→主动搜索→看到你的内容→转化。链路短，而且起点是用户的需求，不是平台的算法。
二月把搜索流量比喻成长跑——”前期爬坡，第2-3个月才起色，但一旦卡住关键词，不更新也持续有流量，像赚钱机器。”
推荐流量是冲刺——今天爆了明天可能就没了，每天都要重新开始。
对于大多数做获客的团队来说，这两条路不是二选一的关系。推荐流量解决的是”让更多人看到你”，搜索流量解决的是”让正在找你的人找到你”。但如果你只能投入精力做一件事，搜索流量的ROI可能高得多——因为它精准、持续、零成本。
GEO则是更远一步的布局——当用户连搜索都不搜了，直接问AI的时候，你的内容能不能被AI信任和推荐？这不是明天的事，这是正在发生的事。
下一章预告：获客效率提升了10倍之后，你会发现另一个问题——内容产得再多，如果长得一模一样，用户记不住任何一个。一个做了200期访谈的博主说：”当AI让80分内容5分钟就能生产时，80分等于0分。”她的内容质检Skill判她的口播稿”非常烂”——改完之后全网40万播放。
第三章：80分等于0分
一个残忍的实验
易亚婷做了200多期AI创业者访谈，是AI圈里最活跃的内容博主之一。她在台上讲了一个小实验。
她找了5个KOL博主，让他们各自围绕同一个主题写了一篇文章。然后她又让AI围绕同一个主题写了5篇。10篇文章混在一起，给她最好的闺蜜看。
闺蜜的反馈是——”都挺好的，但谁都记不住。”
这就是AI时代最大的陷阱。当所有人都能用AI在5分钟内产出一篇80分的文章时，80分不再有溢价。80分等于0分。
你会问：那价值在哪里？
她的回答是：在80分到95分的那15分。 这15分靠的不是你用更强的大模型，不是你燃烧更多的头发，而是你独特的taste——品味、判断力、审美。
她举了自己的例子。很多人去访谈杨天润（一个不懂代码的文科生，72小时登上OpenClaw GitHub代码贡献排行榜全球前30），问的都是”你怎么让三个agent帮你干活”或者”你怎么用AI写代码”。但易亚婷问的是：”在这72小时里，有没有哪怕哪一刻你犹豫过，或者你觉得你失控了？”
她想看到的不是方法论，而是一个AI前沿探索者在正确和效率之间的真实挣扎。
“同样的嘉宾，不同的人问出来的东西完全不同。这就是辨识度。”
未来内容只有两种
易亚婷做了一个判断，我觉得对所有做内容的人都很重要：未来内容会分成两类——知识干货和独特审美。
知识干货就是技术原理讲解、工具教程、行业分析这类内容。她说她现在的习惯是，从哪个博主那里得到一个有趣的信息点，转身就去跟大模型聊——”因为大模型无所不知、24小时在线，可以回答我任何想知道的信息。”这类知识型内容不会消失，但越来越不需要一个具体的人来写。
独特审美则完全不同。它不是直接给你知识，而是点亮你脑子里原本黑暗的那一片区域。
她讲了一个让全场安静下来的故事。
陆蓉之是一位台湾的艺术家，”策展”这两个字就是她提出来的。她的丈夫去年去世了。在巨大的孤独中，她开始和AI聊天——但她没有问AI怎么提效、怎么赚钱，她跟AI聊的是关于生存、关于死亡、关于尊严、关于爱。
陆奶奶说：”AI让一个正在失去记忆的老人活得有尊严。”
这句话给了易亚婷很大的触动。大模型在训练的时候肯定有关于生死的知识，但从来没有人从这个角度、这个场景去切入。它点亮了一片从来没有人照亮过的区域。
“所以两种内容——一种越来越偏向大模型生产，一种越来越是你的。我们要做的事情不是怎么用好AI，而是你的体验到底独不独特，能不能去点亮别人某个从未发想过的思考。”
她在台上引用了硅谷最近流行的一句话：**”Follow builder, not influencer——追随真正弄脏手在创造东西的人，而不是只会评论和转述的人。”**
一个1.6元的荔枝，卖12.9元，176天卖了56000单
如果说易亚婷讲的是”什么内容有价值”，富贵讲的就是”怎么让内容有转化”。
富贵是电商内容营销专家，他的分享全程在做现场拆品——拿真实产品当场分析。他建立了一个内容创作的底层路径：人群→恐惧/渴望→情绪→画面→卖梦。
这条路径的起点不是产品功能，而是用户的情绪。
他的护眼大屏案例最有冲击力。这个产品的爆款素材是什么？不是展示屏幕参数，不是讲护眼技术，不是对比蓝光过滤数据——而是一张”客厅没有电视、全是书架、两个孩子安静看书”的画面。
为什么这张图能爆？因为它卖的不是大屏，是妈妈心中”老公恩爱、孩子听话、家庭和谐”的梦。实际上买了大屏孩子可能还是玩iPad，但妈妈愿意为这个梦买单。
富贵说：”你卖给了用户一个梦——他觉得OK我可以买。”
荔枝摆件案例则展示了情绪消费的极致。1688进价1.6元的荔枝摆件，小红书卖12.9元。文案只写了两个字——”励志”。一个店176天卖了56000单。不需要解释产品功能，不需要讲原材料，不需要任何理由。它就是一个情绪许愿品。
他还讲了一个亲身经历——HPV疫苗。他的姥姥因宫颈癌去世，从此心里种下了恐惧。后来他千里迢迢去香港打HPV疫苗。他说”恐惧驱动的购买行为”比任何产品功能描述都有效。
这三个案例指向同一个结论：所有产品内容的起点不是产品功能，而是——你的用户最害怕什么？最渴望什么？
找到那个情绪，找到能唤起那个情绪的画面，内容自然就有了。
观点引共鸣——不要讨好两拨人
Luke做了5年小红书、写了几千篇笔记。他补充了一个内容调性层面的判断：有立场的观点才能出圈。
他举了一个例子——”如果工作阻止你学AI，请辞掉这个工作。”
这句话一定会有人不同意。但正因为有人不同意，才会有争论；有争论，才有传播。如果你写一篇”AI对每个人都有帮助，大家可以根据自己情况选择学或不学”——正确，但没人会转发，因为等于没说。
他的建议是收集行业的”100个百问百答+100个观点+100个提示词”作为内容素材库。有了这个库，选题永远不会断。
他还讲了一个很实用的细节——小红书搜索是Bert语义匹配。你的内容标题和正文要覆盖的不是一个关键词，而是一个语义场。他的挖词方法：聚光后台看高频搜索词→AI”以词推词”——围绕核心词生成场景词、人群词、品类词。
AI写内容的正确姿势
讲完了”什么内容有价值”和”内容的起点是什么”，剩下的问题是——具体怎么用AI写内容？
Luke给出了一个明确判断：写内容必须用Claude Sonnet。 不是Opus（Opus写代码好但内容没有Sonnet有质感），不是GPT，不是Gemini。他说在Poe平台上用138元/月的会员，集成了所有模型，直接用Sonnet写。
提示词他推荐三种原创方法：
**第一种叫”沉淀对话法”**——你先跟AI聊到满意为止，聊出了你想要的那种感觉，然后让AI反向生成一个提示词：”你把刚才我们对话的方式总结成一个提示词，让我下次直接用。”
第二种是Few-shot——给AI几篇你喜欢的样本，让它模仿。关键是加一句”只模仿其神，不模仿其形”——否则它会一字一句地抄结构。
**第三种是”AI反问法”**——让AI问你5个问题，你的回答就成了动态上下文。AI基于你的回答来写，比你自己写提示词更精准，因为它知道该问什么。
500+公众号矩阵，AI率降到0
如果Luke讲的是”怎么写出好内容”，刘智行讲的就是”怎么批量生产内容”。
刘智行运营了500+个公众号矩阵，覆盖读书、中老年情感短文等赛道。他用一套8000字的提示词配合豆包，10个豆包网页窗口可以同时输出220篇文章。
8000字提示词由三部分组成：模仿词（模仿对标内容的结构）+对标链接/标题（输入具体的参考）+个人IP/去AI化/故事感词（让产出有真人感）。
他讲了一个极简的AI率降零方法，简单到你可能不相信：把中文逗号改成英文逗号，再删掉句号。
原理是：AI检测工具判断”太标准=AI”。中文标点+完整句号=标准书面语=AI味。改成英文逗号+不加句号=不标准=像人写的。他在500+号矩阵上验证了这个方法，AI率从100%降到接近0。
他的赛道选择也有方法论——六个维度：流量够大、变现清晰、内容可批量、竞争可突围、合规安全、个人适配。满足5个以上就是优质赛道。他的定位公式是”我为某类人群+在某类场景下+用某类风格+提供某类价值+差异点”。
他的核心信念是：**”不要迷信天才的灵感，要迷信标准化的SOP。”** 用概率去博爆款——你不需要每篇都爆，你需要的是发足够多的内容，让爆款概率叠加。
从零代码到全链路自动化
百威是汉语言毕业的内容运营人——不是程序员，不是产品经理，是中文系毕业写文章的。去年5月他零代码基础开始学AI编程，到现在已经实现了小红书+公众号+视频的全链路自动化。
他的小红书工作流：输入一个链接（GitHub/网页/PDF）→AI自动生成标题+正文+推荐标签+封面图→自动上传到飞书多维表格。一句话指令，全程无人工介入。
他的公众号工作流：让AI搜索当天AI新闻→自动选题→自动写文章→自动配图（圆角排版）→自动上传到公众号草稿箱。点”发布”就完事。
他的架构设计值得参考——他把工作流拆成了6个子Skill：解析、写文案、出图、上传、总控，每个单独调试后再串联。工具选型也很讲究：Codex做调度（最便宜）、Gemini Pro写前端（最强）、Claude写后端（质量最高）、Banana Nano Pro出图。
一个汉语言毕业的人，半年就做到了全链路自动化。 这个案例的意义不在于他做了什么，而在于——如果他能做到，你也能做到。
内容的价值到底在哪
听完这些分享，我试着把”内容”这件事重新理解一下。
AI时代的内容生产链条大概是这样的：
底层是审美标准。 富贵的”人群→情绪→画面→卖梦”，易亚婷的”80到95分靠taste”，Luke的”有立场的观点才出圈”——这些都是审美层面的事情，AI做不了，也不该让AI做。这是人的工作。
中间层是方法论。 郭东超的”场景→痛点→方案”公式，刘智行的8000字提示词结构，百威的6个子Skill架构——这些是把审美转化为可执行规则的方法论。
执行层是AI。 Claude Sonnet写内容、Banana出图、影刀RPA发布、飞书多维表格存档——这些是AI负责的批量执行。
很多人的问题出在哪里？直接跳到了执行层——”帮我用AI写10篇小红书笔记”——没有审美标准，没有方法论。写出来的东西当然是80分的通用内容，当然记不住。
正确的顺序是：先搞清楚”什么是好内容”（审美），再搞清楚”怎么稳定产出好内容”（方法论），最后才是”让AI帮我批量产”（执行）。
易亚婷说了一句话作为总结，我觉得非常准确：”不是让AI替你工作，而是让AI带着你的判断在工作。”
如果AI不知道你的判断是什么，它只能给你80分。
下一章预告：审美标准有了，内容方法论有了——但怎么把这些东西固化下来，变成一个”你不在也能跑”的系统？一个360的AI产品顾问说了一句话：”APP是把功能软件化，Skill是把经验软件化。”他的Skill打磨了十几个版本，内含一个agent写、一个agent打分、一个agent从小白角度评审的自动进化体系。
第四章：把你的经验变成不睡觉的员工
龙虾为什么用不起来
Super黄可能是这次大会上最有资格讲Skill的人。
他做了12年互联网产品经理，从搜狐开始，后来给荣耀手机做了一年多AI手机顾问（第一款AI手机是他在推动的），现在给360做AI产品顾问，周鸿祎找的他。他从去年11月开始All in Skill，比市场早了一个多月就判断出了这个方向，4月马上要出一本关于Skill的书。
他讲了一个他自己观察到的现象。他运营了一个2000人的社群，春节前教大家在腾讯云上部署龙虾。但他发现一个问题——社群的活跃度还不如WiFi报警。
大部分人装了龙虾之后，用了两下，就不知道干什么了。包括他媳妇——他也给她装了，她没有什么场景可以用。”她平时问问豆包，搜搜小红书就解决了大部分问题，她为什么要用龙虾？”
他后来领悟到一个很重要的点：龙虾用不起来的核心原因是没有Skill。
装了龙虾不知道干什么，就像你买了一台电脑但没有装软件——硬件再好也没用。有了和业务结合的Skill，龙虾才能真正发挥价值。
那Skill到底是什么？
APP把功能软件化，Skill把经验软件化
Super黄用了一个我觉得非常精准的比喻：互联网时代的APP是把功能软件化，AI时代的Skill是把经验软件化。
Skill本质上就是一个文件夹。里面有一个核心文件叫skill.md，告诉AI第一步做什么、第二步做什么——一个很清晰的工作流指引。但跟以前的SOP不同的是，Skill里每一步都可以引用代码。比如做数据分析，你知道AI算数学经常算错，但写成Python脚本用代码执行就100%正确——Skill可以在需要精确计算的步骤自动调用脚本。
“所以Skill的稳定性巨高。一旦做出来之后，你就可以让龙虾或者Claude Code一直在运行它。你只要给它东西，它就能自己出结果。”
他举了一个跨境电商的案例。以前运营和美工要battle出图，一整套流程15到30天才能出来一套商品图。他们的SOP其实比较完整——怎么找竞品、怎么提取风格、怎么结合审美要求出图——但全靠人执行。后来他们把这套SOP变成了Skill，配合Banana Nano Pro 2的出图能力，15到30天的流程缩短到了10分钟。 图直接就能上架亚马逊卖货。
后来社群里有个小伙伴拿这个Skill做了商业化——做了一个给跨境电商生成商品图的网站，直接收费。
怎么判断一件事适不适合做成Skill
Super黄给了四条判断标准，非常实用：
第一，这件事你是不是每天干、每周干的？ 如果是偶尔才做一次的事，没必要做Skill。
第二，输入和输出是不是固定的？ 比如每周去公众号后台采集数据——输入是”去后台看”，输出是”这周所有内容的点赞、阅读、互动数据”。两端固定，中间就可以让AI跑。
第三，中间每一步能不能清晰地拆出来？ 如果你自己都说不清楚中间的步骤，AI也搞不定。
第四，AI能不能拿到需要的数据？ 比如要抓小红书数据，用浏览器能不能拿到？会不会遇到反爬？只要能拿到数据，用Skill来做就100%能做。
四条都满足，极大概率能做成Skill。
拆→调→合：不要一上来就想全自动化
这是Super黄讲的最重要的方法论，也是被最多讲师从不同角度验证的。
很多人的想法是：我给AI一个创意，它直接出视频。 但如果中间有很多步、每步都有变量，一次性跑完出了问题你都不知道哪一步出错。
正确的做法是先拆开。
比如做AI视频，完整流程可能是：出分镜脚本→生成分镜提示词→生成分镜视频→合并剪辑→配音。Super黄的建议是：把它拆成5个简单的Skill，先一个一个搞定。
第一个Skill就是”给一个创意，出分镜提示词”。你反复调这个Skill，调到它出来的提示词和你自己写的一模一样——甚至更好。OK，第一个搞定了。
第二个Skill是”拿分镜提示词生成视频”。同样反复调，直到满意。
每个简单Skill都调到位了，再合并。合并也很简单——告诉AI”我现在要做一个AI视频生成的Skill，第一步调用我的分镜提示词Skill，第二步调用视频生成Skill……”它就自动把这5个简单Skill串成一个复杂Skill。
拆→调→合。
这个方法论被百威验证了——他的小红书全链路自动化就是6个子Skill分别调试后串联的。被焦波验证了——他说”先跑通再封装Skill”。被周知验证了——他说”工作流的质量取决于你的水平，不是AI的水平”。
Super黄自己的访谈写作Skill打磨了十几个版本。里面不是一个agent在工作，而是一个agent team——一个agent写，一个agent打分，还有一个agent从小白角度看”你这个写的我看不懂”。多个agent互相校验，形成一个自动进化的体系。
Skill不是终点，是进化的起点
大多数人理解的Skill是”固定的SOP让AI来跑”。但Super黄说真正有价值的是Skill的第三层和第四层——让Skill自己变得更好。
怎么做？
比如你做了一个自动生成小红书内容的Skill。每周跑完都会有数据——第一篇爆了，第二篇很差，第三篇也差，第四篇还行。你把这些数据回传给Skill，让它自己分析：”为什么第一篇爆？第一篇的选题提示词哪里做得更好？能不能强化这个因素的权重？”
它就会在下一周自动调整策略。也许下一周第一篇爆、第二篇也爆、第三篇差——它再分析，再排除差的因素，再强化好的。
持续迭代，Skill就不是一个死的SOP了——它在自我进化。 Super黄说这已经是L4级别的agent了。
脑子副本：你唯一能跨平台带走的东西
如果Super黄讲的是”怎么把SOP变成Skill”，易亚婷讲的就是”Skill运行的燃料从哪来”。
她的答案是一个叫”脑子副本”的东西。
听起来很玄，其实极其朴素——在你电脑上建一个文件夹，叫”你的名字的脑子副本”，分9个子文件夹，把你所有的经验、审美标准、判断逻辑、业务资料沉淀进去。
她自己的脑子副本里有什么？200多期访谈的完整逐字稿——不是发布在网上的15-20分钟的成片，而是2-3小时的完整版本。里面包含嘉宾在开拍前的闲聊、对公司的吐槽、对行业的判断、那些让她剪掉的没说出口的半句话。
这些东西的价值在于：每次她要访谈新的创业者时，她会让Claude Code说”去调查我过去的访谈，帮我看一下这次嘉宾在这个赛道有哪些非共识言论，有哪些问题他从来没被问过”。
AI拿着她的脑子副本去设计问题。她拿着这些问题去访谈。访谈完拿到新的逐字稿，又沉淀回脑子副本。
飞轮就转起来了——每一期的问题都比上一期更刁。
“别人在积累内容，我在积累对行业的私有认知。”
怎么从0开始建？她说很简单：让AI来访谈你。 打开Claude Code，说”帮我建立一个脑子副本文件夹，下面是这些子文件夹名称，你针对每个部分设计一连串访谈问题来问我”。你回答完，1.0版就有了。
她解释了为什么不用大模型自带的记忆功能：”自带记忆是黑盒——你不知道它记了什么、怎么记的。对商用场景来说，我追求的是确定性。”
焦波从另一个角度验证了同样的逻辑。他用Obsidian管理本地知识库，积累了1000多段笔记。他说”数据有复利”——所有产出物写回知识库后又成为下次的上下文素材，积累越多AI输出越好。他把AI工作的三要素概括为**”大厨+菜谱+食材”**——大厨是最好的模型（Claude Opus），菜谱是提示词/Skill，食材是知识库。食材越好越多，AI做出来的东西越好。
4个Skill形成闭环
易亚婷不只是讲了脑子副本的概念，她还展示了自己真正在用的4个Skill，形成了一个完整的业务闭环。
Skill 1：嘉宾雷达。 用她的选人眼光，自动在GitHub（低star但在涨的项目）、X（刚有传播但账号很小的帖子）、Product Hunt（刚上线有技术含量的新产品）三个平台筛选”产品在动但名字还没响的人”。找到候选人后不急着约——先拉这个赛道的非共识话题，找到行业共识的裂缝。这些裂缝直接变成提纲里最锋利的问题。
Skill 2：对标拆解。 自动调平台数据接口，按点赞排序拉出爆款，批量下载视频，用Whisper转录逐字稿——连标点断句都保留。她拿到的不是别人嚼过一遍的”爆款拆解”，而是原始素材。第一秒用了什么钩子、第几秒切入主题、中间节奏在哪加速、结尾怎么收——全部自己感受。
Skill 3：内容质检。 把她过去几十条内容的高低赞数据做了逆向工程，建立评估基准。口播稿丢进去，两层判断：发布门槛（开头有没有具体场景？结尾是不是空泛？）和爆发力天花板（有没有触发传播的放大因素？）。她那篇被Skill判”非常烂”然后改完40万播放的口播稿，全程不超过40分钟。
Skill 4：关系运营。 每天有三五十个人通过内容来找她，回复不过来。她做了一个H5链接，对方点进去就能跟”她”聊天——AI带着她的知识库、说话风格、销售逻辑在沟通。判断是中高意向的客户后推到飞书通知。还有一个AI在旁边打分——回答准不准、语气对不对、有没有把客户聊丢了。”低于70分，等于你在睡觉的时候还有一个AI帮你盯着另一个AI有没有给你丢人。”
试用一周签了几个客户，包括一个北京知名影视公司。
从发现（Skill 1）→ 拆解（Skill 2）→ 迭代（Skill 3）→ 表达（Skill 4），每一个Skill都装了她的一部分。 别人拿她的Skill去用，效果完全不一样——因为里面装的是她的审美和判断。
经常有人问她”你的Skill能不能给我用”，她说她很困惑：”这里面是我的最佳实践，不代表是你的最佳实践。你应该做的是把你的业务流程、你独特的审美标准，做一个属于你自己的Skill。”
数据库是这一切的地基
可拉在跨境电商的实战中给出了另一个关键拼图——数据库。
“AI就像一个很厉害的厨师，食材散落在不同地方——市场、冰箱、邻居家——再厉害也做不出好菜。真正的差距不是手更灵活，而是要把食材集中切洗分装。”
他的核心主张是：老板必须拿回数据库权限。 AI来之前他从不碰数据库——不会用，也不想碰。但现在必须拿到。拿到之后，AI可以直接查到哪些产品滞销需要打折、哪些产品库存不够需要补货、买家的行为分析（加了购物车但没下单的）、邮件自动互动、竞品监控——这些以前要好几个人做的事，全部可以自动化。
“数据通了，一切皆有可能。缺的从头到尾都是数据。”
王大仙从飞书的角度验证了同样的逻辑。北汽福田的龙虾之所以能精准做车间巡检，不是因为龙虾有多厉害，而是因为在接入龙虾之前，他们先用飞书多维表格把所有车间数据清洗了一遍——打标签、分类、设权限。龙虾只接入了一张经过清洗和权限配置的多维表格。
“不把AI放在生产环境里用的都是耍流氓——但前提是先把数据和权限理干净。”
先有审美，再拆工作，再落地Skill
听完这一整章的所有分享，我能看到一条非常清晰的主线。
第一步：先有业务审美。 你对自己业务的理解、你认为什么是好的、什么是不好的——这是一切的起点。易亚婷说80到95分靠taste，Super黄说Skill里装的是你的隐性知识，富贵说内容起点是用户情绪不是产品功能——都在说同一件事。
第二步：基于审美拆解工作。 Super黄的四条标准帮你识别哪些SOP值得做成Skill。他的”拆→调→合”帮你把复杂流程分解。刘小排的”选岗位而非任务”帮你区分一次性工作和可自动化的岗位。
第三步：落地Skill。 把审美标准、SOP判断逻辑写进Skill，让AI按你的标准工作。易亚婷的4个Skill闭环就是这个逻辑的完美示范。
第四步：Skill反过来促进审美。 Super黄的进化机制让Skill自动分析数据、优化策略。易亚婷的飞轮让每期新认知沉淀回脑子副本。用得越多，你对业务的理解越深。这是一个正循环。
很多人想跳过前两步直接到第三步——”给我一个好用的Skill就行了”。但没有审美的Skill是空壳，没有拆解的自动化是混乱。
正确的顺序不能变。
下一章预告：审美、Skill、数据库——这些都是”怎么做”的问题。但有一个更根本的问题：AI时代，什么才是真正的壁垒？一个3年开了130家火锅直营店的老板说了一句话——”抄袭最难。”他说的不是产品难抄，是组织难抄。
第五章：壁垒不在技术
一个六年没用电脑的人
老华是马厂老火锅的创始人，3年开了130多家直营店。他另一个身份是米课创始人——做外贸在线教育的，起步资金3万，十年回报上万倍。
他自己说”六年没用过电脑”。
在一个AI大会上，你可能以为他是来讲怎么用AI改造餐饮的。但他整场分享几乎没提AI——他讲的是创业、组织和战略定力。奇怪的是，他讲的东西反而是这次大会里最让人反复咀嚼的。
因为他回答了一个所有人都在回避的问题：当AI让执行成本趋近于零的时候，什么才是真正的壁垒？
抄袭最难
老华反复说一句话——”抄袭最难。”
这句话听起来反直觉。你会想：抄袭不是最容易的事吗？但他说的”难”，不是产品层面的难。马厂老火锅的产品——全红锅、鲜肉——这些谁都能做。难的是你看不到的东西。
马厂的总部只有5到6个人，管着全国3000多人。店长全部从985/211里选，从管培生做起。财务总监是从服务员做起的——整个晋升路径和选人标准，是一套需要时间积累的组织系统。
“抄袭者能看到什么？全红锅和鲜肉。他看不到的是我的组织架构、选人标准、培养路径。即使看到了，他也很难复制——因为组织能力需要时间。”
米课也是一样。米课的核心壁垒不是课程内容本身——他说”不是课程做得多好”。壁垒是他签下了行业里流量最大的IP——相当于一个”教育类MCN”。在To B垂直领域，这些IP需要5-10年才能形成。竞争对手即使看到了，也无法快速复制。
“我们没有战略”
老华说了一句让很多创业者不舒服的话——”我们没有战略。”
他的意思不是说不思考，而是说不做过于明确的规划，坚持做不变的事。
马厂老火锅开第一天的时候，客人吃不了辣。有人建议上鸳鸯锅。他没上。”如果因为生意不好第二天就上鸳鸯锅，这个事情从根源就错了。”第一天营收只有2000块，他也没妥协。第三个月月收10万，才开始慢慢扩张。
他引用了十足便利店创始人的话——”我都不知道我自己怎么成功的，他怎么知道。”
这听起来像是在反智，但仔细想想会发现他说的是另一件事：太多人在做”看起来正确”的战略规划，但真正有效的是在一个确定的方向上持续积累。 全红锅就是全红锅，不上鸳鸯就是不上鸳鸯。这种坚持本身就是战略。
他的门店管理理念也很独特——”门店即ETF”。每年淘汰表现差的门店，新开表现好的地段。高质量的150家直营店，远比低质量的1000家加盟店有价值。他还把合伙人变成创业者——店长投资40%，既是员工也是老板，利益绑定。
懂业务的人转AI，比懂AI的人转业务简单
刘小排在他的夜话AMA里讲了一个尖锐的观察。
有人问他：”什么样的人最容易用好AI？”
他的回答是：**”产品经理更容易拿到结果，其次是运营，最后是程序员。”**
为什么程序员排最后？因为程序员以前只接触自己负责的模块，不像产品经理那样接触整个业务闭环。AI时代需要的是闭环思维——你要知道从需求到交付的整条链路，才能让AI替你跑通。
他举了360闪电杀毒的案例。传统杀毒软件全盘扫描需要两个小时。程序员的思维是”怎么扫得更快”——优化算法、提升性能。但傅盛的思维是”能不能点一下5秒钟杀完”——先读内存文件名就能杀掉80-90%的病毒。
“创业唯一重要的事是找到待解决的问题——不是你会什么技术。”
可拉是这个判断的活生生的佐证。他去年9月才听说Claude Code——艺仁推荐他的，”说你一天能学会”，结果他花了一个星期。但就是这个一行代码不会写的老板，现在用Claude Code赋能了他的全部跨境电商业务。他不需要懂代码，他懂的是业务——知道哪些环节有问题、哪些数据需要打通、什么样的结果是对的。
导演技能被替代了，但导演思维没有
苗奘是水母智能的创始人，做AI漫剧的。他的作品《献祭正道我为神王》拿了4.3亿播放，最近上线的《万妖使用指南》几天就冲到了4000万热度。
他在讲Seedance 2.0带来的效率变革时，说了一段很有意思的话。
Seedance 2.0之前，做一部A+级的AI漫剧需要5个人一个小组干一个月。Seedance 2.0之后，2个人15天就能出一部同等质量的剧。效率提升了50%以上。
“但是——”他话锋一转，”我们必须按内容的分级来讨论这件事，不能一刀切。”
A级以下的剧，确实可以全自动化跑量了。但A+级的剧，导演还是要”讲一下戏”——把重点强调出来，不然生成的人吭哧吭哧返工很多遍，整体成本反而更高。S级的剧，导演要自己挑关键镜头。超S级——导演必须自己剪。”导剪合一，因为只有你才知道这部剧里哪些节点最能透传世界观、哪些地方情绪渲染要做到极致。”
他的结论是：**”如果非要说代替了什么——导演技能确实被替代了很多，因为Seedance 2.0的运镜很强。但导演思维没有被替代。怎么控制观众的情绪？怎么传递世界观？这是人的工作。”**
何点解从AI漫剧个人创作者的角度也验证了类似的判断。他说Seedance 2.0实现了技术平权——个人和工作室的技术差距已经很小了。但资本入局后变成了效率和规模的竞争。”100台电脑100个人24小时跑Skill，个人效率怎么比得过？”
个人唯一的突围路径：做极致精品，90-100分的剧才能突围60-70分的批量剧。
他还提到了一个跨录音的共识：”审美是AI时代最大的壁垒。很多东西都能自动化，但好跟不好的判断还是得靠你自己。”
三层壁垒
把老华、刘小排、Super黄、苗奘、可拉的观点放在一起看，AI时代的壁垒可以归纳为三层：
第一层：组织壁垒。 老华说的——不是产品难抄，是组织难抄。你的团队对业务的深度理解、你的SOP执行力、你的人才选用标准和培养路径——这些需要时间积累，AI加速不了。
第二层：认知壁垒。 Super黄说的——Skill的壁垒不在代码，在隐性知识。你对视频编辑的理解、对投流节奏的把握、对内容质量的判断——这些互联网上没有的隐性知识，封装成Skill就是你的知识资产。苗奘说的——导演思维、编剧思维，这是AI替代不了的。
第三层：数据壁垒。 可拉说的——数据通了一切皆有可能。你积累的每期用户反馈、每条内容的效果数据、每个客户的行为轨迹——这些都是喂给AI的独家食材。焦波说的——数据有复利，积累越多AI输出越好。
三层壁垒的共同点是：都需要时间。 你不可能今天决定建组织壁垒，明天就有了。你不可能今天开始积累数据，明天就有复利。这就是为什么老华说”做不变的事”——真正的壁垒都是慢变量，不是快变量。
AI加速的是执行，加速不了积累。
AI教育的共振
最后讲一个看似和竞争壁垒无关、但我觉得很重要的信号。
王煜全是投资人，这次大会的主分享嘉宾之一。他提出了一个框架性判断：AI让普通人获得以前只有富人才能享受的服务，这就是”服务平权”。FSD是你的私人司机、时空壶是你的私人翻译、AI戒指是你的私人医生——”所有AI硬件的本质都是解决你雇不起某个人的问题。”
但让我印象更深的是他关于教育的判断——**”AI教育应激发热爱而非纠错。”** 传统教育的纠错模式正在失效。
刘小排在夜话AMA里也表达了类似的观点，更直白也更极端：”我的教育理念就是不管，完全不管。他爱干啥就干啥。他沉迷游戏我觉得没啥。老师找我我还跟他强调说我们小孩不用做作业。”
他的理由是：”以前的叙事是好好学习刷题考好学校找好工作。现在找好工作也跟学历没那么挂钩了。”
这两位是AI领域最有影响力的人物之一——一个是投资人，一个是最火的AI编程创业者。他们的教育理念高度一致，而且和”Hard Fun””总有办法”这类教育理念完全共振。
为什么我把这个放在”竞争壁垒”这一章？
因为它揭示了一个趋势：高认知人群正在形成”让孩子自主探索”的共识。 当这个共识越来越强，为这种教育理念提供服务的人——不管是做幼儿编程的、做创客教育的、做思维训练的——他们的价值叙事就自然站在了风口上。
这本身就是一种认知壁垒。因为大多数教培机构还在”帮你提分””帮你纠错”的框架里打转。
下一章预告：讲完了获客、内容、Skill和壁垒这些”大命题”，接下来我们看看AI在具体的内容产业里——短视频、漫剧、自媒体——到底做到了什么程度。一个电脑零基础的人半年拿了40亿播放量。他说：”账号、频道、播放量、广告收益、订阅者，都是消耗品。只有你脑中的知识沉淀才是你最大的护城河和后盾。”
第六章：40亿播放量和一个宝库
一个电脑零基础的人
Zero在上台之前的身份介绍很简单——电脑零基础。
然后他说了自己的成绩：半年，通过AI视频在YouTube拿了40亿+播放量。
他是这次大会上离”普通人逆袭”最近的案例。不是程序员出身，不是产品经理，不是内容行业老手。就是一个普通人，在Seedance 2.0出来之后抓住了窗口期。他的判断很直接：”现在是有史以来中国AI视频创作者收割全世界流量的最大窗口期，没有之一。”因为Seedance 2.0当前仅在中国开放。
但让我真正记住他的，不是那个数字，而是他的方法论。
631原则
他把AI短视频的成败拆成三个因素：六成看剧本，三成看画面张力，一成看整体质量。
六成看剧本——这是大多数人忽略的。很多人以为AI视频拼的是画面好不好看，其实画面只占三成。剧本决定了视频的下限。一个好剧本的标准很简单：发布1-3天内能拿到超过1000万播放量。剧本不需要原创，找到近期爆款一模一样地仿就是起步。
三成看画面张力——这决定了视频的上限。核心是”人类眼球七要素”：死亡、暴力、捷径、钱、性暗示、灵异事件……每个片段都要尽可能加入吸睛点。
一成看整体质量——注意，这里的质量不是”画面不穿帮”，而是”逻辑通顺”。剧情设计要符合正常人的思考逻辑，哪怕只有2秒的片段也要让逻辑链完整。
密度——被严重低估的爆款要素
Zero讲了一个很反直觉的概念：密度。
人类对一个片段的基础理解时长是1到1.5秒。但大部分视频每个片段的播放时长会超过这个理解时长。当观众提前理解了片段内容后，剩余的半秒到一秒会产生”潜意识思考”——就是想别的事——然后划走。
解决方法是在片段的后半段加入至少1-2个变化——表情特写、镜头拉近、道具展示——占据观众的全部注意力，直到进入下一个画面。
“密度不是把信息塞满，是在观众将要走神的那个瞬间拉回来。”
仿→拆→量
Zero的学习方法论只有三个字：仿、拆、量。
仿：找到近期爆款，一模一样地仿制——视角、机位、表情、动作全部一样。这个阶段的目的不是出爆款，而是锻炼你掌控提示词的能力。提示词是AI视频的基础中的基础，你连模仿都做不到就别想原创。
拆：拆爆款的核心爆点。不是看几遍就行——要做”交叉团队提取”。把同类爆款全部找出来，逐帧拆解、横向对比，找出所有爆款的共同点。他拆过一组海难题材的视频，提取出了9个核心爆点。任何仿制海难剧本的视频，缺任何一个爆点都会影响爆率——这是数据验证的结论。
量：他给了一个及格线——仿够1小时AI视频制作时长（掌控提示词的及格线）、拆够100组爆款（练就火眼金睛）、再调1小时（融会贯通）。”没有捷径、没有速成。”
22万字的宝库
Zero自己维护了一个”宝库”——从去年9月开始累积数千条爆款拆解和思路，更新几百次，超过22万字。
他说了一句在整个大会上我反复想起的话：**”你写不明白的，你就理解不了。”**
不是看了就懂了，不是刷到了就学到了。必须白纸黑字写下来——为什么这个视频爆了？它的第3秒用了什么钩子？第8秒为什么切了镜头？反派的表情为什么在这个时间点出现？
写不出来，就是还没真正理解。
他最后说了一句话，和这次大会上很多讲师的判断形成了呼应：”账号、频道、播放量、广告收益、订阅者，都是消耗品。只有你脑中的知识沉淀才是你最大的护城河和后盾，没有之一。“
这和易亚婷的”脑子副本”、焦波的”数据有复利”、Super黄的”隐性知识壁垒”说的是同一件事——只是来自一个做YouTube AI视频的创作者的视角。
AI漫剧：算法和多巴胺的共谋
从短视频转到漫剧。苗奘是水母智能的创始人，他的作品《献祭正道我为神王》拿了4.3亿播放。
他在台上放了这部剧的片段。坦白说，团队自己都觉得质量一般——早期做的，手搓挺多的。但”丝毫没有阻挡用户的观看和付费热情”。
他的总结是六个字：**”算法和多巴胺的共谋。”**
一个好的AI漫剧需要什么？他总结了三点——不墨迹、高反转、画面干净。 上来就打，3秒内进入动作场面。单位时间内反转越多越好。人物和场景要流畅。
他放了一个反例——学员第一次做的作品，墨迹、没反转、没悬念。数据直接扑街。然后放了他自己的正例——15秒内完成一次反转，本来要死的角色突然被摄影救了。
他的IP筛选方法论很有意思：一定要选近期一个月内的爆火网文，不选累计值高的。 因为累计高可能套路已老，不是当下用户喜欢的。从近期爆火的网文中抽取类型、题材、关键词、爽点——然后做差异化（反转+升级），重构成适合漫剧的世界观。
他分享了一个实战案例：《万妖使用指南》。选题时发现”美食+玄幻”是上升赛道，选了一部叫《半妖使用指南》的网文。但直接改编容易撞车——别人也能监测到上升赛道。所以他做了差异化：原设定是”妖兽可以做成美食”，他改成”只有我能吃妖兽”。又爽又差异化。上线几天红果单端热度就冲到了4000万。
扑街的数据长什么样
苗奘还讲了一个他们扑了的剧——这在AI领域的分享里很少见，大多数人只讲成功案例。
他展示了续看率曲线：第一集数据不错，第二集”血脉喷张”数据最高，第三集——全是文戏。
数据断崖式下跌。
他复盘的时候说：”作为一个男频剧，第三集又不擦又不打，怎么能活得下去？更不应该让一个全文戏集紧接在血脉喷张的一集后面。如果编剧从算法和机器的角度反推自己的作品，你肯定不会这么安排。”
这就是”算法和多巴胺的共谋”——你的创作不只是为了表达，还要为了数据。听起来有些残忍，但这是短视频内容产业的现实。
他把IP筛选的经验沉淀到了Agent里：上传一部小说，Agent多维度分析——设定新颖度、爽感、节奏力度——不过的直接pass。只有Agent过了的才进入专家选题会。”专家的时间是宝贵的。”发行后的用户评论和弹幕也回传给Agent做分析，指导下一季的方向。
个人做AI漫剧=买彩票
何点解是另一位AI漫剧从业者，他的视角更偏个人创作者。
他给出的判断很残酷：个人做AI漫剧的原创内容基本上就是买彩票。 你可能做了两三个月，结果剧本在市场上完全没反馈，白干了。
为什么？因为资本已经入局了。资本的逻辑是同时推10部剧赌概率——两三个爆了就能覆盖所有成本还有得赚。个人赌不起10部。
Seedance 2.0让技术平权之后，差距不再是技术——是效率和规模。100台电脑100个人24小时跑Skill，你一个人怎么比？
个人能做的只有两条路：要么做承制（接平台的IP改编订单，现金流确定），要么做极致精品（90-100分的剧才能突围60-70分的批量剧）。
他还讲了一个有意思的细节：AI漫剧的质量好不好跟龙虾没关系，跟你选的IP和你改编的剧本有关系。”龙虾只是执行任务，精不精品完全取决于你的提示词质量和你前面做剧本的那个人。”
裘装笔记则从真人短剧的角度补充了产业动态：芒果和腾讯叫停了大半真人实拍短剧项目，AI写实短剧填补空缺。用户从男频转向女频——18-35岁女性要美型+情绪冲击+不能看出AI痕迹，对剧本质量要求更高。
X(Twitter)上的中文推爆文
换一个完全不同的内容赛道。鱼总是一个AI出海产品创始人，在X(Twitter)中文推上5个月从300粉做到3.9万粉，写出5篇百万播放爆文。
他的冷启动方法很直接：一条精心准备4-5小时的首推是生死线。 他9月9日还是300粉，发了一条精心准备的首推后涨到3000+粉。但核心不是内容本身——是需要圈内大V帮你转发。他说没有戈飞、小凯等AI圈KOL的助力，你可能发几个月都没人看。
X的推流机制是先推给粉丝→看互动率→决定是否继续推荐。没有基础粉丝池就无法启动算法。
他的百万爆文选题有一个规律：必须有强烈的信息差或者情绪冲击。 纯技术分析很难爆，但”我花了XX小时做了一个实验，结论让我震惊”这种叙事结构——哪怕实验本身很简单——传播性就很强。
海外AI自媒体：一场组合游戏
林悦己的背景很有意思——去年2月从广州到杭州，没有互联网背景，从零开始学AI编程。第一个产品做了116天，前三个月几乎没出单。第二个产品九天出单，证明了学的东西有用，但他很快做了一个冷静的判断：同样再给一年，押在产品上最多月入千刀，押在AI自媒体上杠杆更大——因为他在国内分享学习内容时已经拿到了十万+爆款，正反馈非常明确。
所以他转向了海外AI自媒体。
他对这个方向的理解跟大多数人不一样。很多人一听AI自媒体，第一反应是”用AI生成一堆图一堆视频发出去”。他说这只是表层。AI自媒体真正的本质，是把内容生产拆成模块，然后看AI在每个模块里能发挥什么作用。
出镜还是不出镜？真人还是数字人？口播还是录屏？TTS还是真人配音？短视频还是长视频？每种组合方式都能在平台上找到已经跑通的对标账号。他举了一个极简的例子：GitHub内容搬运——打开录屏，滑屏展示一个GitHub仓库是干什么的，TTS配音，发TikTok。就这么简单，TikTok上有账号靠这个做到三万多粉。
他给新手的建议只有两个字：快和信息源。
快——信息像石头扔进水里的水波在扩散。你越早发，越靠近扩散中心。新号没有权重，只能借这种外力。
信息源——做海外AI自媒体最好的信息源是X。他的挖掘方法是三层：第一层官方账号（OpenAI、Google、Anthropic），第二层核心人物（每家公司的CEO、CTO、产品负责人），第三层扩散网络（这些人平时转谁、聊谁、引用谁）。他不建议直接拿别人的信息源列表——”搜索本身不是目的，搜索的过程，才是你建立认知体系的过程。”
但他讲的最让人意外的判断是关于门槛的。海外AI自媒体最大的门槛不是内容，是网络环境。 很多人不是死在不会做内容，是死在零播放、限流、莫名封号上——这些往往不是内容问题，是IP脏了。他的建议是一开始就把稳定住宅IP解决掉，一个账号一个IP，不要让节点来回跳。”谁先把这个基础设施问题解决好，谁就已经超过95%的人了。”
他还讲了一个关于对标的反直觉建议：不要去对标百万大V。 一个百万粉的大号随手发一句都几十万播放，你发一样的可能一万都没有——不是内容问题，是影响力量级完全不同。应该优先对标跟你差不多、但已经突然起来的人——粉丝不大但有明显爆款、起号时间新的账号。
关于他重度使用的OpenClaw，他给出了一个我觉得很精准的描述：**”它让我从’用AI回答问题’，走到了’让AI进入我的长期工作系统’。”** 核心价值不是聪明，是记忆系统——三层记忆（本地文件保存+AGENTS.md长期行为约束+session语义搜索），外接Obsidian知识库后，AI不只能搜你跟它说过什么，还能搜你整个知识库里的内容。
他最后说了一句我觉得很诚实的话：”我不是突然选中了一个正确答案，而是在不断试错之后，慢慢找到了一条对我来说最有杠杆的路径。”
500+公众号矩阵的另一面
刘智行在白天大课上更详细地展开了他的公众号矩阵打法。他的500多个号主要来源于三个渠道：校企合作（大学校长提供毕业生注册的号，六四分成）、企业合作（一个航海家圈友的公司提供了270个号）、亲朋好友搜刮。
他的自动化工具链有5个环节：自动采集工具（批量抓对标账号数据）→批量写稿工具（内置8000字提示词，自动排版配图）→存稿+账号管理工具（实时查看收入和运营情况）→影刀RPA自动发稿（模拟人工操作节省时间）→谷歌指纹浏览器+掉线插件（减少公众号掉线）。
他的赛道经历很有意思——他自己把赛道做死了。 之前写了一篇关于读书赛道的超级帖子，发出去之后几百个团队直接进场，读书赛道直接全死掉了，导致他的收入也锐减。但他不在乎，他说”我今天再分享我发现的一个优质赛道”——中老年情感短文。
这个赛道的内容极其简单：短文只有一两百字，标题是触及家庭关系的情感话题（”发现一个很扎心的社会现象，很多有儿子的家庭……”），配一张中老年审美的封面图。5万+阅读能赚近1000块。
他的核心信念值得所有做内容的人听一听：”不要迷信天才的灵感，要迷信标准化的SOP。用概率去博爆款——你不需要每篇都爆，你需要的是发足够多的内容，让爆款概率叠加。”
内容产业的分水岭
把这一章里所有人的分享放在一起看，你会发现AI时代的内容产业正在经历一个分水岭：
执行层被彻底拉平了。 Seedance 2.0让2人15天能出一部A级漫剧，以前要5人一个月。AI写文章5分钟80分。GitHub搬运视频TTS配音发TikTok几分钟一条。批量生产内容的成本趋近于零。
判断层的价值急剧上升。 Zero的631原则、苗奘的IP筛选方法论、富贵的卖梦心法——这些都是”什么值得做”的判断。刘智行的赛道选择六维度、鱼总的信息差选题法、林悦己的”先跑通流量再决定垂不垂”——这些都是”什么能爆”的判断。
积累层成为终极壁垒。 Zero的22万字宝库、易亚婷的200+期访谈逐字稿、Super黄打磨了十几个版本的Skill、林悦己在X上一层一层挖出来的信息网络——这些都是时间换来的、无法被一键复制的资产。
如果你还在纠结”用什么工具”——你在执行层打转。 如果你在想”做什么内容”——你在判断层思考。 如果你在持续积累你的知识库和方法论——你在建壁垒。
三层的人看到的世界完全不同。
下一章预告：讲完了”大命题”和”内容产业”，我们来看一些更具体的AI落地实践——一个人怎么用18个Agent组成一人公司？一个B端软件创业者怎么用AI第二天就交付让客户震惊的成果？这些案例没有前面的宏大叙事，但可能更接近你明天就能做的事。
第七章：明天就能做的事
18个Agent组成的一人公司
前面几章讲的都是”认知”——搜索流量怎么想、内容价值怎么判断、Skill怎么设计、壁垒在哪里。这一章讲的是”实践”——具体的人，用具体的工具，解决了具体的什么问题。
周知是一个零代码基础的YouTube视频创作者。他以前一天极限做2个视频，手动做——选题、写脚本、找素材、剪辑、上传。后来他用OpenClaw搭了一个由18个Agent组成的”一人公司”，实现了油管视频的批量化生产。
他的思考路径值得所有想用AI的人参考。他先试了三种杠杆：
时间杠杆——一份投入反复产出，比如SaaS产品、录播课程。最理想，但他不是这个方向。
人力杠杆——招了5个兼职做视频。培训2个月，一个YPP（YouTube Partner Program）都没开通，全部辞退。原因是油管视频是经验密集型工作，不容易快速复制。别人做出来的只有40-50分，”发上去怎么都爆不了”。
工作流杠杆——自己做出70-90分的视频，把经验固化为工作流，批量产出但质量不下降。这才是正确的放大路径。
他得出了一个很实在的结论：**”工作流的质量取决于你的水平，不是AI的水平。”** 你自己做不出70分的视频，AI帮你批量做出来的也不可能有70分。AI放大的是你已有的能力，不是凭空创造能力。
从聊天到生产力
钱塘江鲤是AI落地创业者，做企业AI交付的。他在主分享里讲了一个让人印象深刻的定位：OpenClaw的本质变化是把”方案”和”结果”之间的执行链路串起来了。
以前的AI（ChatGPT、豆包等）只能给方案——帮你写完文章之后，你还得自己打开后台、复制粘贴、排版、定时发布。执行链条是断的。OpenClaw能帮你把这些全串起来——”方案不值钱，执行链路和结果才有价值。”
他在夜话里还补充了一个很重要的判断——Skill、脚本和产品化Agent是三种不同的交付形态，适用于不同场景。
Skill适合快速做MVP/Demo。给客户演示的时候，第一次成功率80%客户就觉得惊艳。但不适合生产环境——客户要求99%命中率，Skill做不到那么稳定。
脚本（代码）适合固定化、高频、需要高稳定性的任务——比如批量采集数据、批量生图。执行效率和命中率远高于Skill。
产品化Agent是真正的企业交付——像ChatGPT那样的专属界面，需要1-3个月开发周期、2-3人团队。
他的总结是：**”Skill做演示，代码做交付。”** 这和Super黄的”拆→调→合”形成了互补——Super黄讲的是怎么做Skill，钱塘江鲤讲的是Skill做完之后怎么走向生产环境。
他还提到Skill需要5000到10000字才能写清楚，模型必须用最强的。”你用一个弱模型去跑一个5000字的Skill，它根本理解不了。”
飞书上的内容工厂
李香君是AI内容自动化实践者。他的分享更偏”工程思维”——怎么用OpenClaw搭建一套自媒体内容的”工业化生产管线”。
他用了两个比喻来描述他的系统：**”线束工程”和”管线”。**
线束工程——就是把多个信号线整理成一束，统一走线。对应到内容生产就是：选题采集、内容创作、审核打分、发布——每个环节都是一根”线”，你要把它们整理成一个有序的管线，而不是每根线自己乱跑。
管线——就是流水线。原料（选题）从一端进去，经过每个工站处理，最后从另一端出来（发布）。中间每个工站有明确的输入输出标准和质量检查点。
他的系统在飞书上运行，用飞书的多维表格做数据调度——哪些选题已经完成采集、哪些在创作中、哪些已经发布、数据表现怎么样——全部在一张表里可视化。
这个思路和百威的6个子Skill架构异曲同工，但李香君更强调”调度层”的设计——有一个总调度Agent负责分配任务、监控进度、处理异常，真正干活的是下面的子Agent。跟前面讲的管线思维（”宫保鸡丁里不要出现西红柿”）是同一个逻辑。
先解决自己的痛点
蒋耀锴是轻流的创始人——一个做了6年半的无代码平台。他的分享没有太多宏大叙事，但他讲的案例全部来自真实用户，而且每个案例都有一个共同的起点：先解决自己的痛点。
一个基金经理，副业集球星卡。他想记录自己的收藏进度，就用无代码搭了一个小程序。身边的集卡男看到了——”你这挺好，给我用用。”于是加了账户系统。有了一堆集卡男在平台上，自然就有了交易需求——寄售、卖卡、保护套。后来他还成了评级机构的代理商——因为评级机构一次至少评30张卡，个人没那么多，他就帮大家凑单。现在57000个用户，去年营收600万。
一个高中生，全家倒闭，父母是失信人。他不能把电脑带进学校——”很多时候都偷偷躲到厕所里去做”。他做了一个叫”口袋厨神”的产品——因为他自己烧菜的时候要看视频菜谱，手上又很油，拖来拖去很烦。他的小程序能把视频菜谱自动转成图文步骤。还做了扫小票识别食材、推荐菜谱的功能。8天做出了另一个叫”健康轻旅”的健康管理APP。他甚至做了一个学校活动管理SaaS——10种角色权限、批量创建活动。
一个海南的批发商，100多号人，但100多号人都是搬货的。他自己是产品经理出身，回家继承家业后觉得管理流程有进步空间——就自己用无代码搭了一套从下单到拣货到出库的系统。仓库里的人用微信收到通知，点开扫码确认，对了就绿色出库，错了就哔哔报警。整个生意跑在这个系统上——每次平台出故障，他第一个打电话来，因为”出不了货了”。
蒋耀锴从这些案例里总结出了两个判断。
第一：**”AI的最佳应用不是端到端替代，而是解决流程中的一小块。”** 不要想着AI帮你做完所有事。你先找到流程中最痛的那一个点——数据录入太慢？售前咨询回复不过来？那就只让AI解决这一个点。解决好了再扩展下一个。
第二：**”做一个解决自己问题的工具的难度，远低于做一个行业通用解决方案。”** 那个批发商的系统自己用得很顺，尝试卖给其他批发商——卖不出去。因为每个人的流程都有一点点不一样，这一点点不一样就足以让你的系统在别人那里水土不服。
第二天一早就交付
孟虎做了8年B端软件创业。他讲了两个签单案例，核心逻辑都是同一个——用AI极速交付，建立信任。
马来西亚案例：一个供应链公司的CEO晚上跟他聊到一个需求——想了解当地财税政策的变化。第二天一大早，孟虎就用AI把当地财政部网站的新闻全部爬取、清洗、分析，生成邮件发到客户邮箱。
客户第二天上班收到邮件：**”是你发的吗？”**
三天新年假期之后，客户一回来就发了20多个要爬的网站。两周之内，从”一封邮件的需求”演变成了”一个SaaS工具站的需求”。客户最后怕他不合作了，主动提出要投资入股。
富士康案例：富士康子公司的负责人看到孟虎之前的分享内容，约在望京星巴克见面。孟虎介绍了他的三个工具站和马来西亚案例，对方立刻关联到富士康全球几十万家供应商都需要类似的税务政策监控服务。通过套壳方式，孟虎间接成为了富士康的软件供应商。
两个案例的核心逻辑完全一样：客户提了一个小需求→你用AI极速交付→超出预期→更多需求涌来→从工具变成SaaS→客户彻底绑定。
不是先做产品再找客户，而是先响应需求再长出产品。AI让”极速交付”成为可能——以前你第二天一早交不出来，现在你可以。
他的公司现在的策略是”100个小工具站”——不做大而全的SaaS，针对每个垂直痛点打包一个轻量工具。团队两人一组（1个产品运营+1个后端开发），每组负责3-5个站。
他的获客方法也值得一提：不扫街不地推，**核心是”技术干货分享引流”**——在知乎和CSDN发技术文章，引流到公众号再加微信。他疫情前写的文章到现在还在给他导客户。”我不习惯去找别人，我习惯让别人来找我。”
这些案例的共同点
这一章的案例看起来五花八门——做YouTube视频的、做企业AI交付的、做内容管线的、做无代码平台的、做B端软件的。但如果你仔细看，它们有三个共同点。
第一，都从自己的痛点开始。 周知是自己做视频太慢，集卡男是自己想记录收藏，批发商是自己仓库管理太乱，孟虎是客户现场提了需求——没有一个人是坐在办公室里”规划”出来的。
第二，都是先手动跑通再自动化。 周知先自己做出70-90分的视频，才敢用AI批量化。钱塘江鲤说”Skill做演示，代码做交付”。蒋耀锴的用户全部是先解决了自己的问题，才考虑做成产品。
第三，都在用AI放大已有的能力，而不是凭空创造。 周知说”工作流的质量取决于你的水平不是AI的水平”。可拉说”AI犯错不是因为笨，是因为没有你的信息”。孟虎的极速交付之所以可能，是因为他有8年的行业经验知道客户要什么。
如果你现在还在纠结”我该用什么AI工具”，也许该先问自己另一个问题：我现在最痛的那个点是什么？
找到那个点，用最简单的方式让AI帮你解决它。不需要全自动化，不需要18个Agent，不需要一步到位。先解决一个点，跑通了，再扩展下一个。
这大概是所有实践者的共识。
下一章预告：最后一章，我们把所有认知串成一条可行动的线——从今天开始你可以做什么？你的团队怎么开始用AI？需要管理层讨论决策的战略问题有哪些？以及这次大会最值得带走的一句话是什么。
第八章：从听到做
一条贯穿始终的线
写到最后，我回头看了一遍前面7章的笔记，试着把所有讲师的分享串成一条线。
表面上看，32场分享讲的是完全不同的事情——搜索流量、AI漫剧、跨境电商、Skill方法论、火锅连锁、YouTube爆款、公众号矩阵。但如果你把这些信息叠在一起看，会发现他们在描述同一幅图的不同局部。
这幅图的主线是四步：
第一步，先有业务审美。 你对自己业务的理解——什么是好的内容、什么是好的服务、什么是好的产品——这是一切的起点。易亚婷说80到95分靠taste。富贵说内容的起点是用户情绪不是产品功能。苗奘说导演技能被替代了但导演思维没有。老华说壁垒不在产品在组织。可拉说AI犯错不是因为笨，是因为没有你的信息。
所有人在说同一件事：AI放大的是你已有的理解和判断。你没有的东西，AI也给不了你。
第二步，基于审美拆解工作。 Super黄的四条标准帮你识别哪些工作值得自动化。刘小排的”选岗位而非任务”帮你区分一次性的和可持续的。蒋耀锴说”先解决流程中最痛的一个点”。周知说”工作流的质量取决于你的水平”。
核心就是一件事：把你脑子里模糊的”我的工作流程”变成白纸黑字的、每一步都写清楚的SOP。 你写不清楚的，AI也跑不清楚。
第三步，落地成Skill或系统。 把你的审美标准和SOP写进Skill，让AI按你的规则来执行。易亚婷的4个Skill闭环是最完整的范例。百威的6个子Skill架构是最具体的实操。可拉的Chrome插件分发方式是最接地气的团队落地方案。
第四步，Skill反过来促进你的审美。 Super黄的进化机制——每周数据回传，Skill自动分析什么有效什么无效。易亚婷的飞轮——每期新认知沉淀回脑子副本，下一期AI的输出更精准。焦波的”数据有复利”——积累越多，AI帮你越好。
这是一个正循环。用得越多，你对业务的理解越深。理解越深，Skill越好用。Skill越好用，你又能看到更多以前看不到的东西。
很多人想跳过前两步直接到第三步——”给我一个好用的工具就行了”。但没有审美的工具是空壳，没有拆解的自动化是混乱。顺序不能变。
团队怎么开始
可拉给出了这次大会上最实用的团队推行方法论。
第一步，老板先学。 不是让IT部门先学，不是让年轻人先学——是老板自己先学。因为只有老板亲自用过，才知道AI能给公司带来什么变革、哪些环节值得投入、哪些是伪需求。可拉自己就是第一个学的人，虽然他一行代码不会写。
第二步，找一个聪明的年轻人。 可拉找了团队里一个00后美术生，零IT背景。教他用Claude Code。2-3周之后，这个人的AI能力就超过了老板——”因为我编程久了会累，但他每天研究到凌晨。”一个月后变成他教老板新技能。可拉后来要求他”任何新技能用一周后再推给我——AI变化太快，很多东西几天就过时了”。
第三步，老板当面演示给中层。 不教理论，不讲概念——直接打开电脑，展示”你看以前这个流程是这样做的，现在用AI直接搞定了”。然后现场帮他们在电脑上安装好。”畏难情绪90%来自于’我不会装’，帮他装好了他就会开始试。”
第四步，一个带一个，养成习惯。 中层遇到问题的时候，可拉不会直接回答——”你有没有问过AI？问过了还搞不懂我们可以聊。”养成”遇到问题先问AI”的习惯比任何培训课都重要。
他的总结是：**”不搞全员培训，先带一个人跑通。”**
刘小排从另一个角度验证了同样的逻辑。他说养龙虾就像带实习生——”交代完了坐他旁边看他干一遍，干错了不要着急，哥哥再教你一遍，三五遍之后就稳定了。”
不管是带AI还是带人，耐心和重复是唯一的方法。没有捷径。
数据要先集中
如果说”审美”是灵魂层面的第一步，那么”数据集中”就是基础设施层面的第一步。
可拉说得最直白：”AI就像厨师，食材散落在不同地方再厉害也做不出好菜。”你的运营数据在小红书后台，用户反馈在微信群里，财务数据在Excel表格里，项目进度在飞书文档里——AI看不到这些分散的数据，当然帮不了你。
王大仙从飞书产品经理的角度也说了同样的话。北汽福田的龙虾之所以能精准做车间巡检，不是龙虾多厉害，而是他们先用多维表格把数据清洗了一遍——打标签、分类、设权限。”不把AI放在生产环境里用的都是耍流氓——但前提是先把数据和权限理干净。”
焦波用了一个更温和的表达：”数据有复利。”你今天整理的数据、沉淀的知识，都是明天AI工作的原材料。积累越多，输出越好。这不是一次性投入，而是持续产出回报的资产。
所以在做任何AI自动化之前，可能需要先花一周时间做一件看起来很笨的事——把所有散落在各处的数据集中到一个地方。 飞书多维表格也好，本地文件夹也好，什么工具不重要，重要的是集中。
今天就能做的三件事
听了两天32场分享，如果只做三件事，我会做这三件：
第一，建一个知识库。
打开任何一个AI——豆包、ChatGPT、Claude都行——跟它说：”你来访谈我，帮我整理一份关于我的工作的知识库。”它会像记者一样问你：你做什么的？你的客户是谁？你最擅长什么？你的业务流程是什么？你回答，它帮你整理成结构化文档。
半小时，1.0版知识库就有了。存成MD文件。
这份文档不是写完就扔的——以后你每次让AI做任何事，先让它读这份文档。它立刻就知道你是谁、你要什么、你的标准是什么。不用每次从零开始。
第二，找到你工作里最耗时的那件重复性的事。
不是找最复杂的事，是找最重复的事。每天花两小时整理数据？每周花半天写周报？每天回复大量相似的客户问题？
找到它，用Super黄的四条标准判断一下：高频吗？输入输出固定吗？步骤能拆清楚吗？数据能拿到吗？如果都满足——恭喜，这就是你第一个可以交给AI的”岗位”。
第三，养成”万事用AI”的习惯。
遇到任何事，先问自己：这件事能不能让AI帮一部分？
不需要它做对所有事。但你问得越多，越清楚它的边界在哪里——什么事它做得好、什么事它做不好、什么时候该信它、什么时候该自己判断。
可拉说了一句我很认同的话：”遇到不懂的一定要问。AI在工作过程中说的那些技术名词，问多了你就全懂了。特别简单，只要打字就行。”
需要讨论的问题
有些事不是一个人能决定的，需要团队或管理层一起讨论。听完这次大会，我觉得有几个问题值得拿出来聊：
搜索流量要不要做？ 二月的数据表明搜索流量的ROI可能是推荐流量的10倍以上。但搜索流量像长跑——前2-3个月才起色。你愿不愿意投入这个时间？有没有人来做这件事？
要不要建统一的知识库？ 易亚婷叫它”脑子副本”，焦波叫它”食材”，可拉叫它”数据库”——不管叫什么，本质是同一件事：把你对业务的理解、你的标准、你的数据集中到一个地方，让AI能读取。这件事投入不大，但需要有人牵头、需要持续维护。
AI自动化的优先级怎么排？ 可以自动化的事情很多——内容生产、数据分析、客户服务、竞品监控、运营报告。但每件事都需要时间去拆解、调试、跑通。先做哪个？Super黄的四条标准是一个很好的筛选工具——高频的、输入输出固定的、步骤可拆解的、数据可获取的，优先做。
核心定位要不要定死？ 老华说”如果因为生意不好第二天就上鸳鸯锅，这个事情从根源就错了”。你的核心价值主张是什么？这个主张即使短期数据不好看，要不要坚持？这是一个需要管理层拍板的战略问题。
最后的话
两天32场分享，如果只带走一个认知，我会带走这个：
AI不会替代你。但一个用AI武装起来的、对业务有深度理解的人，会替代一个不用AI的、只靠经验和体力的人。
差距不在于谁的工具更强——工具每个人都能用。差距在于谁更理解自己的业务、谁把理解沉淀成了系统、谁在持续积累而不是每天从零开始。
可拉一行代码不会写，一周优化了3万个产品。刘小排出国三周不开电脑，业务还在增长。易亚婷一篇口播稿40分钟搞定40万播放。Zero半年40亿播放量。刘智行一个人管500+公众号。
这些人没有什么超能力。他们只是比大多数人更早想清楚了一件事——先搞清楚自己要什么，再让AI帮你做。
顺序不能反。
附录
附录：金句集
按主题分类。每句标注讲师和语境，方便在汇报、演讲或内容创作中引用。
关于AI的定位与本质
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
关于内容与审美
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
关于搜索与获客
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
关于Skill与工作流
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
关于竞争壁垒
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
关于学习与成长
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
关于AI时代的个人选择
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
本文基于生财有术2026年3月大会32场分享整理。
文中涉及的所有案例、数据和观点均来自讲师的公开分享，已尽可能准确还原。如有偏差，以讲师原始表述为准。