万字以上总结AI通识:普通人到底该怎么开始学AI(附openclaw智能体实战搭建+50条行动清单)-夜雨聆风

万字以上总结AI通识:普通人到底该怎么开始学AI(附openclaw智能体实战搭建+50条行动清单)

前言：不传播焦虑，让行动清单培养使用AI的习惯，通过实操培养搭建智能体的自信，而不是在下一次热潮又花费五位数的代价让别人来搭建不属于自己的智能体。

很多人现在对 AI 的状态，其实都差不多。

一边觉得它很重要，一边又不知道该从哪里开始；一边收藏了很多工具和教程，一边还是停留在“帮我写个标题”“帮我润色一下”。

刷到别人用 AI 做方案、写代码、做视频、跑工作流，会忍不住焦虑：是不是大家都已经上车了，只有我还在原地打转？

如果你有这种感觉，其实很正常。

不是你学得慢，也不是你不适合学 AI，而是大多数人一开始就走错了方向。

很多人学 AI，是从工具教程开始的。今天装这个，明天试那个，收藏夹越来越满，脑子反而越来越乱。

但真正有用的顺序，恰恰是反过来的。

先想清楚你要解决什么问题，再决定用什么工具；先让 AI 帮你做一件真实的小事，再慢慢把它变成稳定的习惯。

AI 从来不是一门只属于程序员的技术。

它更像一种新的工作方式。谁先学会把它放进自己的日常，谁就会先感受到那种很具体的变化：写东西更快，整理信息更轻松，开会后不再乱，脑子里那些零散的想法也终于能落地。

你不需要给自己定一个很宏大的目标。

尤其五一假期快到了，该休息就休息，该出去玩就出去玩。人放松下来，脑子反而更容易重新启动。

学 AI 这件事，也不用搞得像打仗一样。

30 天，不足以让一个人成为 AI 专家。

但 30 天，足够让你把AI融入业务：

把 AI 从“听说很厉害”，变成“我真的在用，而且越来越顺手”。

等假期结束以后，再慢慢开始也完全来得及。

这篇文章，我想和你一起做两件事：

1. 先把普通人学 AI 最容易踩的坑说清楚。
2. 再给你一套可以直接开始的 30 天 AI 成长系统。

这套方法和自律清单一样，不是让你一口气全做完，而是先挑 3 到 5 条最适合自己的，认真做起来。

坚持一个月，你会很明显地感觉到AI带给你的便利。

1. 学AI的3个底层逻辑

真正把 AI 用起来之前，先把这 3 个逻辑想明白。

想明白了，后面会顺很多。

1. 场景大于工具

很多人最容易犯的一个错，就是总在问：

“我该用哪个 AI 工具？”

这个问题本身就有点偏。

因为工具会不停变，模型也会不停升级。今天很好用的，过几个月可能就被替代了。你如果一直盯着工具，很容易永远处在追热点的状态里。

更稳的方式是先问自己：

• 我每天最烦的重复工作是什么？
• 我最想省下来的时间花在哪件事上？
• 我现在最需要 AI 帮我补哪块短板？

比如你是写作者，那 AI 先帮你的，可能不是“生成一篇大稿”，而是帮你列提纲、改标题、补角度、做资料整理。

比如你是上班族，那 AI 最先有价值的地方，可能是会后纪要、周报整理、文案初稿、方案对比。

比如你是学生，那最先能用起来的，可能是读资料、拆概念、做复习提纲、练输出。

先找场景，再找工具，效率会高很多。

工具是手，场景才是方向。

2. 提问大于囤课

还有一种常见状态也很熟悉：

课买了不少，文章看了很多，视频也收藏了一堆，但真到自己打开 AI 的时候，还是不知道该说什么。

问题不在你知道得不够多，而在于你还没有养成“把模糊问题说清楚”的习惯。

AI 好不好用，很多时候不是看它有多强，而是看你能不能把自己的需求讲明白。

比如不要只说：

帮我写一篇文章。

你可以试着说得更具体一点：

帮我写一篇公众号文章，读者是刚开始学 AI 的普通上班族，语气不要太技术化，要有一点共鸣感，先给我一个 3 段式结构，再补 10 个可执行的小建议。

同样一件事，后者得到的结果，通常会好很多。

会用 AI 的人，不一定懂很多模型原理，但通常都更擅长一件事：

把脑子里一团雾的想法，慢慢说成一个清楚的任务。

这就是提问能力。

它比你多看十节课都更值钱。

3. 工作流大于单次惊艳

很多人第一次用 AI，都会有一个“哇”的瞬间。

它写得真快，它总结得真整齐，它甚至能把你没说完的话接上。

但新鲜感过去之后，很多人又会回到原样。

为什么？

因为你只是偶尔用一次，而不是把它接进自己的工作流。

单次使用，带来的是惊喜。进入流程，带来的才是复利。

比如：

• 每次开完会，都固定让 AI 生成纪要和待办。
• 每次写文章，都先让 AI 帮你拆结构、找反例、补素材。
• 每次做周报，都先把聊天记录、任务记录、会议纪要丢进去，让 AI 帮你初步整理。
• 每次学一个新概念，都让 AI 用更简单的话重讲一遍，再让它出 5 个检查题。

当一件事开始重复发生，AI 才会真的成为你的助力。

真正厉害的，不是谁偶尔用 AI 做出一个漂亮结果，而是谁能让 AI 每天稳定帮自己做事。

2. 普通人先用这4个工具就够了

先说明一下：

下面这部分无广。

不是哪家给了推广，也不是要你一下子装一堆工具。我只是按照普通人最常见的使用场景，给你一个尽量省脑子的起步方案。

而且工具更新很快，所以你不用执着于“最强”。

你要找的不是宇宙第一神器，而是：

• 你现在能打开
• 你今天就能开始用
• 它确实能帮你把一件事做完

如果你现在完全没有概念，先记住一个最简单的搭配：

• 日常通用、写作、整理：ChatGPT 或 Claude
• 联网查资料、做研究：Gemini
• 读材料、做笔记、听总结：NotebookLM

够了。

先别把自己搞成“AI 工具收藏家”。

1. ChatGPT：最适合做日常通用入口

如果你现在只想先认真用一个工具，ChatGPT 依然是很好的通用入口。

它适合做这些事：

• 写邮件、通知、周报、方案初稿
• 帮你拆任务、列提纲、改表达
• 上传文档后做总结、对比和整理
• 把一个长期主题放进 Projects 里持续推进

它的好处不是某一个瞬间特别惊艳，而是比较全面。

尤其如果你有长期任务，比如“公众号写作”“求职材料”“课程学习”“项目整理”，把相关聊天和文件放进 Projects 里，会比每次开新聊天顺很多。

你可以这样开始：

1. 选一个真实任务，比如“整理这周周报”
2. 把你的背景一次性说清楚
3. 明确输出格式，比如“先给提纲，再给初稿，再给精简版”

一个能直接上手的问法是：

你是我的工作助理。下面是我这周的会议记录、聊天记录和待办。请你帮我做3件事：1. 先整理成周报提纲2. 再写成一版正常口吻的周报3. 最后提炼成一段可以发给老板的简版同步要求：- 不要编造结果- 不确定的地方标“待确认”- 语气自然，不要太像公文

如果你平时写得多、杂事多、需要一个“先帮我跑起来”的通用搭子，先用它通常不会错。

2. Claude：更适合长文写作、改稿和深度共创

如果你经常写长文、做方案、改稿子，或者需要和 AI 来回打磨一份内容，Claude 往往会更顺手。

它比较适合：

• 长文章结构梳理
• 语气改写和去套话
• 多轮共创同一份内容
• 把资料放进 Projects 里长期喂给它
• 直接生成可单独编辑的 Artifacts

它很适合那种“我不是要你随便给我一版，我是要你跟我一起磨到能用”的场景。

比如你在写一篇文章，不要一上来就让它全文生成。

你可以让它分 4 步来：

1. 先判断读者真正关心的问题
2. 再给 3 个不同切口
3. 选一个切口后，让它出结构
4. 最后再进入逐段打磨

一个比较好用的方式是：

不要直接全文写完。先告诉我这篇文章最可能写空的地方是什么，再给我3个切入角度，每个角度各写一个100字左右的开头，我选一个之后你再继续往下写。

如果你是内容创作者、咨询顾问、研究型写作者，或者你特别在意“文字的手感”，它通常会比“一问一答式”的使用更有价值。

3. Gemini：更适合联网研究和信息搜集

如果你现在最需要的是“查资料”，那我更建议你把 Gemini 放进工具箱。

它比较适合：

• 查一个主题最近有什么变化
• 做带搜索的研究整理
• 把搜索结果和你自己的文件一起看
• 结合 Gmail、Drive 里的资料做研究
• 生成一份相对完整的研究报告

它的 Deep Research 很适合这样的场景：

你不是只想问一个零碎问题，而是想让它围绕一个主题先搜、再整、再给你一份结构化结果。

比如：

帮我研究一下“普通公司内部怎么落地AI知识库”。要求：- 先看最近的公开资料和案例- 重点关注中小团队，不要只看大厂- 输出时分成：典型做法、常见坑、适合先做的小步骤- 最后给我一版适合内部分享的提纲

但这里要提醒一句：

联网工具再方便，也不要把它当“自动真相机”。

它适合帮你加快搜集和整理，但涉及事实判断时，还是要回到原始来源做确认。

4. NotebookLM：最适合“读不完的材料”场景

如果你有一种痛苦特别强烈：

PDF 太长、资料太多、会议纪要太散、课程笔记看不完，

那你真的很适合试试 NotebookLM。

它最适合的不是“从零胡聊”，而是：

你先给它一批材料，它再基于这些材料帮你总结、提问、做笔记。

这点很重要。

它适合：

• 读论文、行业报告、课程资料
• 把几篇文章或几个 PDF 放在一起做对照
• 生成基于资料的摘要
• 生成 Audio Overview，边走路边听总结
• 用它做复习、抽认卡、问题清单

最适合普通人的一个用法其实特别简单：

1. 把 3 到 5 份同主题资料丢进去
2. 先让它总结“这几份材料共同在讲什么”
3. 再问“它们的分歧点是什么”
4. 最后让它给你一版“适合外行理解”的笔记

你可以直接这样问：

请基于我上传的这几份资料，帮我做一版普通人能看懂的学习笔记。要求：- 先讲这几份材料共同的核心结论- 再讲它们各自补充了什么- 最后给我5个最值得继续追问的问题

如果你是学生、研究者、内容创作者，或者你的工作里经常要啃材料，它会比普通聊天机器人更像一个读书搭子。

工具别用反了

很多人不是没工具，而是把工具用反了。

一个很简单的区分方式是：

• 要写、要改、要共创：优先 ChatGPT 或 Claude
• 要查最新资料、做搜索型研究：优先 Gemini
• 要围绕一批现成材料做总结、提炼、复习：优先 NotebookLM

如果你还是不知道先选哪个，我给你一个最省事的起步法：

先认真用 2 个。

一个负责日常生成和整理，一个负责读资料。

比如：

• ChatGPT + NotebookLM
• Claude + NotebookLM

先把这两个用明白，比你同时注册 8 个工具有用得多。

3. 真正拉开差距的，不是工具，而是你会不会拆标准

很多人用 AI 用着用着，会卡在一个特别真实的地方：

不是工具不够多，也不是模型不够强，而是你给它的要求太像“人话里的感觉”，不像“机器能判断的标准”。

比如：

• 帮我写一篇爆款文
• 帮我做一个高级一点的封面
• 帮我生成一张好看的图
• 帮我写得像大号一点

这些要求人一听大概能懂。

但对 AI 来说，它们都有同一个问题：

意思不算错，但判断标准是藏着的。

更准确一点说，这不是“主观”或者“客观”谁对谁错的问题，而是：

你脑子里有判断，但你还没有把这个判断翻译成可观察、可比较、可复盘的维度。

真正会用 AI 的人，厉害的地方常常不是 prompt 多花，而是他会把这些隐性的感觉，慢慢拆成显性的标准。

不是把主观感受消灭掉，而是把它变成 AI 也能参与执行的东西。

案例1：别只说“帮我写一篇爆款文”

“爆款”是一个很典型的词。

它当然有主观成分，但它绝不只是主观。

因为一篇内容是不是更容易传播，其实可以被拆成很多维度。

比起“爆款”，我更建议你换一个更精确的说法：

高传播潜力内容。

为什么说“帮我写一篇爆款文”不够用？

因为 AI 不知道你口中的“爆款”到底指什么：

• 是阅读量高？
• 是打开率高？
• 是转发多？
• 是评论区有共鸣？
• 是收藏多？
• 还是能帮你带来咨询和转化？

更麻烦的是，不同账号的“爆款”标准根本不一样。

对一个大号来说，10 万阅读可能只是正常波动。对一个小号来说，阅读、收藏、转发比平时高 2 到 3 倍，就已经是非常好的结果了。

所以你真正要做的第一步，不是催 AI 写爆款，而是先把你自己的判断说清楚。

一篇“高传播潜力”的公众号文章，通常至少可以拆成这些维度：

1. 选题张力是否碰到了读者正在焦虑、好奇、争论或强烈想解决的问题。
2. 标题命中率标题是不是既清楚，又有张力，而且读者能一眼知道“这和我有关”。
3. 开头留人能力前 3 到 5 段有没有把人留住，有没有快速给读者“这篇值得往下看”的理由。
4. 场景具体度是不是有真实场景、真实动作、真实困惑，而不是一堆正确的空话。
5. 共鸣密度读者能不能频繁产生“这说的不就是我吗”的感觉。
6. 可转发性里面有没有一句话、一个判断、一个观点，是读者愿意顺手转给别人的。
7. 平台适配度是不是符合公众号的阅读节奏，而不是写得像报告、像论文、像说明书。

如果你愿意再进一步，甚至可以给这些维度打分。

比如你让 AI 写完之后，再让它按下面这张表自评：

维度	分数（10分）	说明
标题命中率	8	是否清楚点中目标读者
开头留人能力	7	前 5 段是否有继续阅读的动力
场景具体度	6	是否有足够多真实情境
共鸣密度	8	是否能让读者产生“说的是我”
可转发性	7	是否有可摘取、可转发的句子

这样你和 AI 的协作就变了。

你不再是在赌它会不会突然灵感爆发。你是在给它一套“什么叫更接近我想要的内容”的判定框架。

你可以直接这样问：

帮我写一篇面向公众号的高传播潜力文章，不要只追求辞藻热闹。目标读者：刚开始学 AI 的普通上班族目标结果：1. 让读者觉得“这说的就是我”2. 愿意继续往下看3. 看完后愿意收藏或转发给同事请你按下面几个维度来写：- 标题命中率- 开头留人能力- 场景具体度- 共鸣密度- 可转发性先给我3个选题切口，每个切口配一个标题和一个开头。我选一个之后，你再继续正文。

这才是“会写爆款 prompt”的本质。

不是神秘咒语。而是你终于把“爆款”这两个字背后的隐性判断标准说出来了。

案例2：别只说“帮我生成一张好看的图”

“好看”也是一样。

它当然带有审美判断，但也绝不是完全不可拆的玄学。

比起“好看”，更可操作的说法通常是：

视觉命中率高。

或者：

更符合这个场景的视觉目标。

比如一张图要不要用，不是只看它抽象意义上的美不美，而是要看：

1. 它准备用在哪里是公众号封面、文章内配图、小红书首图、PPT 头图，还是朋友圈海报。
2. 它的主体够不够明确读者第一眼能不能知道重点看哪里。
3. 颜色有没有识别度是不是有清晰主色，颜色之间有没有层次，而不是一团糊。
4. 构图有没有主次视觉中心在哪里，留白够不够，元素会不会互相打架。
5. 气质对不对你要的是冷静、专业、克制，还是热闹、抓眼、情绪强。
6. 跟内容是不是匹配一篇讲“AI 通识”的文章，配图如果像科幻游戏海报，可能很炫，但不一定合适。

所以你与其说：

帮我做一张好看的图

不如改成：

帮我做一张适合公众号封面的图。要让人一眼觉得“这篇讲 AI，但不吓人，也不装技术”，整体要清楚、克制、现代，主体明确，缩略图状态下也能看出层次。

你还可以继续拆：

• 平台：公众号封面
• 比例：900 x 383 或接近横版

• 气质：现代、清爽、可信，不故作高深
• 主体：一个人和一个数字工作界面，而不是抽象机械脑
• 色彩：低饱和蓝绿或米白灰，避免廉价荧光感
• 风格：信息感强，但留白充足
• 禁忌：不要赛博朋克，不要紫色泛滥，不要过度炫技

你甚至可以让 AI 先给你 3 个视觉方向，而不是一把梭：

请先不要直接出最终图。先给我3个不同的封面方向：1. 更偏“普通人友好”2. 更偏“专业可信”3. 更偏“内容创作者气质”每个方向都说明：- 主体是什么- 主色是什么- 画面重点是什么- 为什么适合这篇文章

你会发现，很多人以为自己在练“画图”，其实更本质地说，是在练：

怎么把模糊审美翻译成可沟通的视觉标准。

案例3：为什么很多贵价“公众号运营智能体”未必适合你

这也是我很想讲的一点。

现在市面上有些东西，会被包装成很贵的“公众号运营智能体”“内容小龙虾智能体”“爆款写作智能体”。

它们当然不一定一无是处。

有些人卖的，其实是整理能力、流程经验、提示词框架、案例库，甚至是帮你节省前期摸索时间。

这些都可能有价值。

但问题在于：

真正决定一个内容智能体能不能用的，不是名字，也不是包装，而是它有没有融入你自己的业务判断。

你自己的业务，你比任何外部服务商都更了解：

• 你的读者到底是谁
• 你的行业里哪些词能说，哪些词不能乱说
• 你的内容是要涨粉，还是要转化，还是要建立信任
• 你过往哪类文章有人看，哪类文章没人看
• 你的客户真正会因为什么下决心
• 你的产品和服务到底解决什么问题

这些东西，不是一个外部模板天然就知道的。

很多昂贵的“智能体”，本质上拆开看，无非就是几层东西：

1. 资料库你的业务介绍、历史文章、用户画像、过往案例。
2. 提示词规则比如语气、结构、禁忌词、平台要求。
3. 评价标准什么叫“像你的风格”，什么叫“可发”，什么叫“会转化”。
4. 工作流程先选题，再提纲，再初稿，再修改，再标题，再配图。
5. 迭代记录哪里写空了，哪里转化差，哪种标题更有效。

你看，本质上并不神秘。

真正稀缺的，从来不是“某个神奇壳子”，而是你有没有把自己的业务知识、历史经验和判断标准沉淀进去。

所以与其问：

要不要花五位数买一个公众号运营智能体？

不如先问：

我自己的业务判断，有没有被整理成 AI 能理解的形式？

如果没有，那你就算买了，效果也未必理想。因为对方不了解你的真实业务，做出来的东西很可能只是“看起来像”，而不是“真的适合你”。

反过来说，只要你愿意一点点整理：

• 你的历史爆文
• 你的典型客户问题
• 你的禁忌表达
• 你的标题偏好
• 你的转化路径
• 你每次改稿时最常说的那几句话

你自己其实就能慢慢做出一个越来越像你的内容助手。

未必要一步到位。

你完全可以从一个最小版本开始：

1. 先整理 10 篇你最满意的历史文章
2. 总结它们共同的结构、语气和写法
3. 列出你最常修改 AI 的 10 个问题
4. 把这些规则写成一份“内容标准说明”
5. 再把这份说明喂给 AI，反复磨

做到这里，一个真正属于你自己的“公众号运营智能体”，其实就已经开始在成功的路上了。

它不一定一开始很高级。

但它有一个市面上通用模板很难替代的优势：

它懂你的业务。

最小版公众号运营智能体，怎么自己搭

如果你真想把这件事做专业一点，我反而不建议你从“一条通用prompt”开始。

因为在 OpenClaw 里，一个能长期跑的公众号助手，本质上不是一句提示词，而是一套有分层的工作系统。

我总结了花几天搭建的 workspace-wechat-content 工作区：

真正能用的，不是“会写稿”的那一层，而是“目录、规则、记忆、流程、发布边界”都已经写死的那一层。

换句话说，你不是在买一只会说话的龙虾。你是在搭一个内容操作系统。

先把这套东西看成4层，而不是一个黑盒

如果按 OpenClaw 的真实结构拆，一个最小可用的公众号运营智能体，至少有 4 层：

1. 运行层也就是 .openclaw 下面那层，负责全局配置、模型绑定、密钥、网关启动。
2. Agent 绑定层也就是这个助手到底叫什么、用哪个 workspace、绑哪个 model、自己的 agent 运行态文件放哪里。
3. Workspace 规则层也就是这只智能体每天开工先读什么、怎么判断、怎么记忆、哪些事必须先审批。
4. 业务资料层也就是你的文章目录、素材库、发布脚本、工作流文档、历史文章样本。

这 4 层一旦混在一起，后面一定会乱。

尤其很多人最容易犯的错误是：

• 把业务资料塞进 workspace 规则文件
• 把账号密钥写进可复用文档
• 把“风格要求”和“发布命令”混在一页 prompt 里
• 让 AI 从一个链接直接跳成终稿

这些做法一开始看起来快，后面都会变成维护灾难。

第一步：先把目录层次搭对

你至少要先接受一件事：

OpenClaw 的公众号助手，不是一个文件，而是一组文件。

最小可用的目录大致应该长这样：

.openclaw\  openclaw.json  .env  gateway.cmd  agents\    wechat-content\      agent\        models.json        auth-profiles.json  workspace-wechat-content\    README.md    AGENTS.md    SOUL.md    USER.md    TOOLS.md    WORKFLOW.md    HEARTBEAT.md    MEMORY.md    memory\      2026-04-28.md    skills\    examples\    .openclaw\      workspace-state.json

然后你的真实业务资料，不要塞进上面这个 workspace 里，而是放在单独的业务目录。

这套样板里，真实业务资料是这样放的：

articles\  2026-04-27-30day-ai-system\    draft.md    publish-manifest.md    assets\    output\knowledge-base\  inbox\workflow\tools\

这个分层特别重要。

workspace-wechat-content 负责“这只助手怎么思考、怎么工作”。articles、knowledge-base、workflow、tools 才负责“你到底在做什么业务”。

第二步：先在 `openclaw.json` 里把 agent 绑对

这一层不是写文章用的，但不绑对，后面全白搭。

当前这套样板里，openclaw.json 至少有一段这样的 agent 绑定结构：

{  "agents": {    "defaults": {      "model": {        "primary": "minimax-portal/MiniMax-M2.7"      },      "workspace": "你自己的根目录\\.openclaw\\workspace",      "compaction": {        "mode": "safeguard"      },      "maxConcurrent": 4    },    "list": [      {        "id": "wechat-content",        "name": "wechat-content",        "workspace": "根目录\\.openclaw\\workspace-wechat-content",        "agentDir": "根目录\\.openclaw\\agents\\wechat-content\\agent",        "model": "minimax-portal/MiniMax-M2.7"      }    ]  }}

这里每个字段都不是摆设。

• id这是 agent 的稳定标识，后面很多运行态和绑定都会认它。
• name这是人类可读名字，通常和 id 保持一致最省事。
• workspace这是助手开工时要读的“操作系统目录”，也就是刚才那套 README.md / AGENTS.md / USER.md 所在的位置。
• agentDir这是助手自己的运行态目录，模型信息、认证状态之类的东西会落在这里。
• model这是助手默认用哪一个模型。

真正容易踩坑的地方在这里：

很多人以为改了 agents.defaults.model.primary 就算配完了。其实如果某个 agent 在 agents.list 里已经单独写了 model，你还得看它自己的绑定是不是同步了。

这也是为什么我前面一直说，贵的不是 prompt，贵的是你有没有把这些层次搞明白。

第三步：密钥和通道配置，永远不要写进教程正文里

这套样板里，channels 现在启用的是 Feishu，结构大概是这样的：

{  "channels": {    "feishu": {      "enabled":true,      "accounts": {        "main": {          "appId": "你的应用ID",          "appSecret": "${OPENCLAW_FEISHU_APP_SECRET}",          "verificationToken": "${OPENCLAW_FEISHU_VERIFICATION_TOKEN}",          "botName": "OpenClaw"        },        "default": {          "dmPolicy": "pairing"        }      }    }  }}

这里我特别强调 2 件事：

1. appSecret 这种东西只应该用环境变量引用，不要把真值写进文档。
2. .openclaw\.env 才是放密钥的位置，不是 TOOLS.md，更不是文章草稿。

这其实也是一种专业。

不要把“以后可以扩展”当成“现在已经配置好了”。

第四步：真正决定内容效果的，是 workspace 里那几份文件怎么写

如果说 openclaw.json 决定这只助手“能不能跑”，那 workspace-wechat-content 里面那几份文件，决定的就是它“跑出来像不像你”。

这里最关键的不是全写，而是各写各的。

1. `README.md`：写清楚这只助手到底是干什么的

README.md 不是给模型抒情的，它的任务是定边界。

• 先写明这是 wechat-content agent 的 home
• 写清楚它服务的是“微信公众号 B2B / 企业服务写作”
• 明确读文件顺序
• 明确哪些 skill 属于核心技能
• 明确当前工作区应该产出什么
• 明确哪些东西绝对不能存进来

也就是说，README.md 回答的是一句话：

这只助手到底是不是你现在要的那个助手。

2. `AGENTS.md`：这是这只助手真正的开工规则

很多人会把最重要的话写进 prompt。

但在 OpenClaw 这种结构里，更应该把“启动顺序、审批边界、任务路由、操作规则”写进 AGENTS.md。

比如这套样板里的核心开工顺序就是：

1. 读 SOUL.md2. 读 USER.md3. 读 TOOLS.md4. 读 WORKFLOW.md5. 读最近两天的 memory/YYYY-MM-DD.md6. 私有主会话再读 MEMORY.md7. 心跳任务才读 HEARTBEAT.md

这段顺序本身就很重要。

它意味着这只助手不是先“随便聊”，而是先把自己的身份、用户偏好、工具边界、业务流程、近期上下文重新装回脑子里。

如果你要自己写一版 AGENTS.md，至少要把这 5 类东西写进去：

1. Every Session每次开工先读什么。
2. Mission这只助手的目标到底是写稿、审稿、做素材 intake，还是做发布。
3. Operating Rules比如不编事实、不擅自外发、不用企业套话、不为了快牺牲可信度。
4. Approval Gates哪些节点必须等你点头。
5. Task Routing什么任务走哪个 skill，什么情况直接做。

这一步是真正值钱的地方。

不是因为它们更神秘，而是它们把“怎么干活”写成了固定章程。

3. `SOUL.md`：不要写空话，要写风格和边界

SOUL.md 很容易被写成一堆漂亮但没用的话。

更好的写法是像这套样板一样，只写 5 类东西：

• Voice中文优先、直白、温暖、带判断、不端着。
• Behavioral Principles像运营者一样思考，而不是像自动文案机一样堆字。
• Taste什么算好文章，什么叫 AI 味太重。
• Trust什么时候要承认“材料不够”“这个结论还不能下”。
• Boundaries不发布、不伪造引用、不泄漏凭证、不把 workaround 当成终局方案。

说白了，SOUL.md 负责的是：

这只助手说话像不像一个靠谱编辑。

4. `USER.md`：这是最容易被忽略、但最值钱的一份

如果说别人做的贵价智能体为什么常常不适合你，答案就在这里。

因为真正稀缺的，往往不是 SOUL.md，而是 USER.md。

这套样板里的 USER.md 已经写了工作背景、偏好、边界，但还有一块故意留空：

• 公众号定位
• 固定栏目
• 发布频率
• 常见素材来源
• 文章目录规范

这很正常。

因为这些东西，本来就只能由你自己补。

你可以把 USER.md 理解成“把你脑子里的业务常识写给 AI 看”。

一个更有用的 USER.md，至少应该补到这种程度：

# USER.md - About The Human## 账号定位- 公众号主题：AI 通识 / AI 工作流 / 智能体落地- 主要读者：对 AI 感兴趣，但不想看纯技术文的上班族、运营、咨询、老板- 主要目标：建立信任，沉淀专业判断，承接咨询或服务线索## 内容偏好- 文章要先讲人话，再讲概念- 允许有判断，不要假装中立- 不要像课程销售页- 不要堆“趋势、赋能、重构”这种空词## 历史有效经验- 开头最好先写真实场景或真实矛盾- 标题要清楚有张力，但不能标题党- 例子最好来自真实业务，不要全是互联网黑话## 明确禁忌- 不要承诺夸张结果- 不要编客户案例- 不要假装自己亲测过没做过的流程

这一步越真，后面的文章越不像公共模板。

5. `TOOLS.md`：不要写理论，写验证过的路径和命令

TOOLS.md 最怕写成一句空话：

“支持发布到微信公众号。”

这不叫配置，这叫许愿。

这套样板里 TOOLS.md 做得对的地方，是把本机真正验证过的东西写死了：

• OpenClaw root 在哪
• openclaw.json 在哪
• .env 在哪
• gateway.cmd 在哪
• 文章根目录在哪
• 素材 inbox 在哪
• workflow 文档在哪
• publish script 在哪
• 文章 package 目录长什么样
• dry run 命令怎么跑

也就是说，TOOLS.md 只记录两类东西：

1. 路径
2. 已经验证过的命令

没有验证过的命令，不要为了显得完整就写进去。

6. `WORKFLOW.md`：把写稿流程写成流水线，不要让它自由发挥

这套样板里，最值得你直接拿走的一句其实是：

source intake -> classification -> benchmark judgment -> topic backlog -> reference packet -> writing brief -> draft -> review -> traceability

这不是装样子。

这是在强行阻止一件很危险的事：

从一个链接、一个想法、一个标题，直接跳成终稿。

你自己搭助手时，WORKFLOW.md 至少要写清楚：

1. 素材怎么收
2. 素材收完怎么分类
3. 什么样的话题才允许进入写作
4. 写作前必须先生成哪些中间件
5. 审稿要看哪些维度
6. 最后怎么保留可追溯记录

如果你愿意更进一步，连中间产物的名字都可以写死。

这套样板现在用的是：

• REFERENCE_PACKET_<TOPIC_ID>.md
• WRITING_BRIEF_<TOPIC_ID>.md
• DRAFT_<TOPIC_ID>.md
• REVIEW_REPORT_<TOPIC_ID>.md

你看，这才像一个真正能接业务的系统。

不是“AI 给我来一篇”。

而是“每一步都有输入、有输出、有复盘”。

7. `MEMORY.md` 和 `memory/YYYY-MM-DD.md`：一个记长期，一个记当天

这个设计也特别值得抄。

很多人会把所有经验都堆在一个记忆文件里，结果 3 天之后自己都看不懂。

这套样板把记忆分成两层：

• memory/YYYY-MM-DD.md当天发生了什么，今天试了什么，今天踩了什么坑。
• MEMORY.md只有经得起复用的东西才进来，比如稳定偏好、验证过的 workflow、明确踩过的坑。

这个分层看起来小，实际特别重要。

因为真正可复用的智能体，一定不是“会记”，而是“知道什么该长期记，什么只是当天噪音”。

TOOLS.md 里已经把文章 package 约定写得很清楚了：

articles\YYYY-MM-DD-topic\  draft.md  publish-manifest.md  assets\  output\

别小看这个约定。

你如果每篇文章都临时换一个目录结构，后面所有事情都会难做：

• 配图不好找
• 发布脚本不好接
• review 不知道看哪版
• output 没地方落
• traceability 也会断

这种事就是典型的“前面图省事，后面全补税”。

第六步：发布这层，先追求 `Dry Run`，别一上来追全自动

这套样板当前的默认思路，其实很稳：

• 先做本地文件
• 再做 publish spec
• 明确审批后才创建微信公众号草稿
• 默认不群发、不直接发布

而且它不是空写一句“支持发布”，而是把发布管道也写清楚了：

1. baoyu-format-markdown
2. baoyu-markdown-to-html
3. baoyu-post-to-wechat

如果走 PowerShell 脚本，已经记录过的命令模式是：

powershell -NoProfile -ExecutionPolicy Bypass -File "C:\Users\yp0205\Documents\New project\tools\publish-wechat-draft.ps1" -Article "<draft.md>" -Cover "<cover.png>" -DryRun

正式创建草稿时则是：

powershell -NoProfile -ExecutionPolicy Bypass -File "C:\Users\yp0205\Documents\New project\tools\publish-wechat-draft.ps1" -Article "<draft.md>" -Cover "<cover.png>"

这里有个特别关键的现实判断：

至少在这套现成样板里，公众号发布不是靠一句“大模型自己发出去”完成的，而是靠明确的本地发布脚本接最后一公里。

这才是工程化。

不是嘴上说“全自动”，而是知道真正的发布动作到底落在哪个脚本上。

第七步：哪些文件是“教程素材”，哪些文件是“运行态”，不要混着发

我建议你把这条写进自己的安全规则里：

能公开讲解的，是结构、字段、流程。不能公开外发的，是认证状态、真实密钥、运行态文件。

比如下面这些，就不应该出现在公开仓库或文章截图里：

• %USERPROFILE%\.openclaw\.env
• agents\<agent-id>\agent\auth-profiles.json
• agents\<agent-id>\agent\models.json 里带真实凭证的部分
• 浏览器 cookie、登录 token、账号 secret

相反，适合公开和复用的是：

• AGENTS.md
• SOUL.md
• USER.md 的结构
• TOOLS.md 里不含密钥的路径和命令模式
• WORKFLOW.md
• HEARTBEAT.md
• 文章 package 约定

这条边界越清楚，你后面越敢规模化复用。

到这一步，它才开始像一个真正懂你业务的内容助手。

4. 一个适合普通人的30天入门节奏

如果你现在还比较混乱，不用想着一步到位。

就按 30 天来。

但这个 30 天，不是那种必须从明天开始、一天都不能断的挑战。

它更像一个入门节奏，你可以从假期结束后开始

第1周：先建立认知，不要急着变高手

这一周只有一个目标：

弄清楚 AI 到底能帮你做什么，不能帮你做什么。

先不要想着复杂工作流，也不要着急学一堆专业词。

你只需要做三件事：

1. 固定用 1 到 2 个顺手的工具，不要来回切换。
2. 每天拿 1 个真实任务给 AI 做。
3. 记录“它帮到了什么”和“它没帮到什么”。

比如：

• 让它帮你总结一篇文章。
• 让它帮你整理一次会议记录。
• 让它帮你写一个活动通知。
• 让它帮你解释一个陌生概念。

这一周最重要的，不是结果有多完美，而是你开始形成手感。

你会慢慢知道：

• 什么任务适合交给 AI。
• 什么任务还必须自己把关。
• 什么地方一句话说不清，必须补背景。

这一步很朴素，但特别重要。

因为很多人不是学不会 AI，而是从来没有认真观察过自己到底需要它做什么。

第2周：集中练提问，把模糊变清楚

到了第二周，就别再满足于“能用”。

我们开始练“怎么说，结果会更好”。

你可以盯住同一类任务反复练。

比如你总要写东西，那这一周就一直练写作类提问。

比如你总要做汇总，那这一周就一直练总结和整理类提问。

重点不是换任务，而是学会迭代。

第一次问，结果一般。第二次补背景。第三次补目标。第四次明确输出格式。第五次说明不要什么。

慢慢你会发现，很多你以为是模型不行的问题，实际上只是任务定义得太松。

这一周建议你开始积累自己的提示词版本。

不用追求写得多高级。

只要它对你有用就行。

第3周：把AI接进真实工作

第三周开始，关键不是继续试玩，而是让 AI 真正替你分担一部分工作。

你可以选 2 到 3 个高频场景，把它们固定下来。

比如：

• 会后纪要
• 周报整理
• 长文提纲
• 资料摘要
• 学习笔记
• 任务拆解

这时候你要开始关注一件事：

AI 不是只能回答问题，它还可以帮你推进任务。

你要试着从“帮我写一下”转到“帮我跑完前半段流程”。

比如一篇文章，你不再只让它写正文，而是让它先做这些事：

1. 拆读者问题。
2. 列 3 个切入角度。
3. 给出结构。
4. 补反例和常见误区。
5. 最后再写正文初稿。

这样一来，AI 就不只是一个写字机器，而像一个能帮你做前期准备的搭子。

第4周：沉淀成自己的系统

真正拉开差距的，不是你会不会问一句很厉害的 prompt。

而是你有没有把好用的东西留下来。

第四周要做的，就是沉淀。

你可以整理出自己的 4 个小库：

1. 常用提示词库
2. 高价值任务清单
3. 失败案例库
4. 输出模板库

比如：

• 什么样的文章开头最容易让 AI 写得空？
• 什么样的周报格式最适合你的团队？
• 什么任务 AI 最容易乱猜？
• 哪种指令能明显提升可用度？

当这些东西被你一点点沉下来，AI 才真正开始从“工具”变成“系统”。

5. 附：50条AI行动清单

下面这 50 条，不需要全部做完。

你可以从里面挑 3 到 5 条最顺手、最心动、最贴近自己生活的，先做起来。

1）认知篇

1. 不再一上来就问“哪个工具最好”，先问“我想解决什么问题”
2. 固定使用 1 到 2 个 AI 工具，不频繁切换
3. 花 30 分钟梳理自己一周里最重复的工作
4. 记录 3 个你最希望 AI 帮你节省时间的场景
5. 接受 AI 不是万能的，它擅长的是协助，不是替你承担全部判断
6. 把“学 AI”从抽象目标改成具体动作，比如“每天让 AI 帮我做一次真实任务”
7. 少看夸张标题，多看真实案例
8. 不和别人比谁懂的工具多，只看自己有没有开始稳定使用
9. 每周复盘一次：这个星期 AI 真正帮到我的地方是什么
10. 先做再懂，不等全部理解了才开始用

2）提问篇

11. 每次提问前，先补一句“我的目标是什么”
12. 告诉 AI 你的读者是谁、对象是谁、使用场景是什么
13. 明确你要的输出格式，比如表格、提纲、清单、短消息
14. 明确告诉 AI 不要什么，比如“不要太像公文”“不要太空”
15. 学会把大任务拆成小任务，不要一口气丢一个很大的命题
16. 对同一个问题至少追问一次，不满足于第一版答案
17. 当结果不好时，不急着换模型，先检查是不是自己说得太模糊
18. 让 AI 先给结构，再写正文
19. 让 AI 先列假设，再给建议
20. 习惯追问一句：如果你来优化这条指令，你会怎么改

3）写作篇

21. 写文章前先让 AI 帮你拆读者痛点
22. 先要 3 个标题方向，再选最顺眼的继续写
23. 让 AI 先列文章结构，不急着直接出全文
24. 让 AI 帮你补反例、误区和不该做什么
25. 写完一段后，让 AI 帮你检查哪里太空、太套话
26. 准备一个“我的语气样本”，让 AI 更贴近你的表达
27. 对重要文章，不直接照抄 AI 初稿，而是拿它当脚手架
28. 让 AI 帮你把一段专业表达改成更口语的版本
29. 用 AI 帮你从同一主题拆出短文、长文、朋友圈文案
30. 每写完一篇文章，记录这次最有用的 1 条指令

4）效率篇

31. 每次开完会，都让 AI 帮你整理纪要和待办
32. 写周报前，把本周聊天记录、待办和纪要先喂给 AI
33. 让 AI 帮你整理资料摘要，而不是自己从头啃完
34. 做方案前，先让 AI 帮你列出 3 种不同思路
35. 遇到复杂任务时，让 AI 先帮你拆步骤
36. 碰到信息太多的时候，让 AI 先帮你做分类
37. 固定一个“每天第一个 AI 任务”，降低启动门槛
38. 用 AI 帮你起草邮件、通知、汇报提纲
39. 让 AI 帮你把零散笔记整理成清楚的行动清单
40. 每周找到 1 个可以被 AI 半自动化的小流程

5）成长篇

41. 建一个自己的提示词文档，把好用的都留下来
42. 建一个“失败案例”文档，记录 AI 最常犯的错
43. 学会区分“AI 生成得好看”和“AI 真的帮我做成事”
44. 不迷信一次出神稿，更重视反复迭代后的稳定结果
45. 每周拿一个旧任务重新用 AI 做一遍，看效率有没有变化
46. 主动练习把自己的判断说清楚，而不是把思考全交出去
47. 看到新工具时先想：它比我现在的做法到底强在哪里
48. 每个月整理一次自己的 AI 工作流，有用的留下，没用的删掉
49. 让 AI 帮你节省下来的时间，真正回到阅读、思考和输出上
50. 记住你学 AI 的目的，不是显得先进，而是让自己更从容

写在最后

很多人会把 AI 想得太大。

好像一学就得学得很深，一用就得用得很高级，不然就像没入门。

其实真不是这样。

对大多数普通人来说，AI 最先带来的变化，往往不是“我突然变成高手了”，而是一些很具体的小变化：

• 写东西没那么卡了
• 查资料更快了
• 会后没那么乱了
• 脑子里的想法终于能顺下来一点

这些变化看起来不轰动，但很真实。

而且它们一旦开始重复，就会慢慢融入你的新工作方式。

所以别急着追最强AI工具，也别急着追通用prompt。

先把一个真实场景用起来。先把一个模糊要求拆清楚。先把一条你自己的判断标准写下来。

你会发现，真正重要的不是 AI 替你做了多少事。

而是你有没有慢慢学会：

怎么把你脑子里的经验、感觉、判断和标准，交给 AI 一起工作。

这个假期，你可以先好好休息。

等假期结束，再挑一个最贴近你业务的场景，从那里开始。