编辑“手搓”AI工具,值当吗?

一位AIGC产品经理的八个工具

我主要负责AIGC前沿技术研究与AIGC体系规划，工作重点是推动构建传统出版AI赋能、数字业务AI创新两套长效机制。具体来说，就是持续研究新技术，并从产品经理的角度，结合业务需求，为有落地潜力的应用场景研究实现方法、打造相应工具，支持业务应用和内容创新。

在我的工作中，比较耗时、重复性也比较强的工作主要有三类。

一是资料的检索、核验与整理。 技术研究和业务场景分析都需要查阅大量资料。过去，从查找信息、比对来源到整理材料，主要依靠人工逐项完成。现在，可以利用智能体的能力，把任务拆分给多个子智能体，分工检索不同方向的资料、比对信息来源、辅助核验，再汇总整理。这减少了重复搜集和整理材料的时间，也提高了资料研究的效率。

二是开发文档、接口文档的阅读与测试。 开发一个智能体软件或智能体应用，往往需要先弄清楚相关工具的功能、接口参数和调用方式，再进行测试。过去，这些工作都需要自己逐项阅读、理解和尝试。遇到内容复杂、说明不清晰或外语文档时，仅仅找到并读懂需要的内容，就可能花费不少时间，影响开发进度。现在，我可以把文档链接和具体需求交给智能体，让它查找对应的说明，梳理参数和调用示例，协助开展接口测试，并解释测试结果。对于提供命令行工具（CLI）、MCP等接入方式的开发工具，智能体还可以更直接地调用相关功能，减少手工操作，降低开发的上手门槛。

三是新产品、新工具的使用调研。 AI相关软件和工具更新很快，持续了解它们的能力和适用场景，是我的一项日常工作。过去，主要靠自己逐个试用，再手工记录、撰写调研文档。有些产品刚上线时，使用体验、说明文档和支持服务还不完善，往往需要花较多时间摸索。现在，我可以让智能体放在一旁自己去使用这些工具：通过界面操作（Computer Use），或通过CLI、MCP等方式调用工具功能，结合Skills中的任务指引，必要时编写辅助程序，完成一部分体验、测试和记录工作。同时，还可以让它把操作过程、发现的问题和测试结果整理成结构清晰、便于阅读的调研文档，减少重复试用和手工整理的负担。

我最早接触到的面向大众的商业化AI工具是ChatGPT。

在当时（2022 年）主流的 AI 工具主要还是对话式的文字聊天，输入方式比较受限，处理图片、文档中的信息还需要借助额外的方法。我主要用它辅助日常学习和研究，帮助理解知识、梳理问题。

后来（2023 年上半年），我开始接触GitHub Copilot这类集成在文本编辑器里面的AI智能体工具，尝试让AI参与具体的日常工作，使用方式也逐渐从对话交流延伸到对文件的实际操作。

再后来（2024 年左右），我接触到FastGPT、Dify等工作流形式的智能体平台，开始围绕具体工作环节，把经验、规则和大模型能力组织到一起，用于数据库检索、网页搜索、以及通过检索增强生成（RAG）开展知识库问答等任务。这一阶段，AI已经能帮助完成一些相对明确的工作。不过，在我当时的实践中，这类方式比较依赖预先设计好的流程，遇到变化较多的需求，就需要反复调整，灵活性仍有一定限制。

之后（2025 年至今），我开始使用Claude Code、 Codex、workbuddy、OpenClaw等智能体工具。在harness运行框架的支持下，智能体可以围绕任务目标，结合上下文调用工具，并根据执行结果继续调整。我也开始根据工作需要，组合使用MCP、CLI、Skills等能力，让AI更灵活地参与资料研究、工具开发和日常办公，但工具和Skills并非越多越好，随着模型能力提升，一些过去需要额外指引才能完成的任务，后来已经可以直接完成，质量不高或不适合当前任务的Skills，反而干扰智能体的表现。

我一直是AI相关工具的重度用户，也持续体验国内外不同的大模型平台和工具。如今，遇到问题先和AI讨论，已经成为我的习惯，AI几乎贯穿了我的日常工作。最明显的帮助，是减少了大量繁琐、重复的事务性操作，让我有更多精力放在思考、评价、判断和分析上。

对我来说，理想的人机协作状态是：AI能够充分理解我已有的文档、资料、交流背景、个人经验和工作流程，同时又能带来我尚未掌握的信息和视角。

我理解的“手搓”，包括基于已有模型和工具，把业务经验、工作流程和具体要求组织起来，做成自己和同事能够顺手使用的工具。所以当任务进入非常垂直、非常具体的业务场景时，我开始自己做工具，因为工作中有些需求，现成的AI平台没法直接满足。比如我们自己组织的运营活动，需要什么功能、工具怎么用，都要结合活动实际情况来考虑。我就会借助AI把需要的功能做出来，再根据实际使用的反馈调整，让自己和同事用起来更顺手。

这种认识是在不断尝试中形成的。最初，我更多关注一个模型或平台能做什么，尝试把已有能力用到工作中。后来，随着接触的具体需求越来越多，我开始更多地从任务出发：我们究竟要完成什么，需要哪些资料、规则和工具，现有能力能够解决到哪一步，还有哪些部分需要补上。通用模型可能已经具备相关能力，但要让这些能力按照我们的业务要求协同工作，仍然需要做一些组合、调整和开发。比如，图书共读活动的群管理、共读群运营小程序，以及电子书运营数据的获取和查看，都是围绕具体工作需求开展的工具探索。这些需求有各自的业务背景和使用方式，直接使用通用平台的现成功能，往往还需要进一步适配。

是否值得去“手搓”一个工具，需要对解决的问题进行判断。AI模型和工具更新很快，不同时期的模型和工具都有各自的能力边界。有些问题需要我们结合业务需求、经验和数据去解决，这些短期不会被模型和工具内化的，值得“手搓”；有些问题，一些通用能力和核心功能上的存在的共性局限，则可能随着模型或工具的下一次更新得到改善，这些就没有“手搓”的必要了。

开展技术探索时，需要同时观察这两方面，避免在很快可能被通用能力覆盖的地方投入过多时间。判断一个问题是否值得做一个工具、做到什么程度，本身也是工作的一部分，尽量把时间用在对业务有实际帮助的地方，要能做到谋定而后动。比如模型上下文长度，模型的多模态理解、智能体记忆，智能体工具调用，生图模型的画质及准确性，视频模型的表现能力及生成时长等，都是不需要我们介入来解决的。

主要是我们AIGC协同创新小组自己做，根据工作中的实际需求开发、调整工具。我们也会从网上寻找一些现成的工具，先试用、验证，再按自己的需求修改，或者整合到已有的工具中。工具做出来后，我们也会请合作的技术公司协助，进一步规范和优化，并做专业检查。

目前我们经手的相关工具主要有8个，形式包括网页平台、小程序，以及基于Skills、MCP等能力搭建的辅助工具，主要解决数据获取与分析、活动运营、内容创作等工作中的具体问题。

1. 电子书运营数据获取工具：采集电子书重点发行渠道的图书阅读数据、排名等信息，并辅助核对版本和版权信息。

2. 电子书运营数据看板：通过网页展示图书阅读数据和变化趋势，为运营复盘、营销和选题分析提供参考。

3. 图书共读活动群管理工具：辅助处理共读活动中的日常入群管理工作。

4. 自媒体文案编写及自动化推送工具：目前主要用于自媒体运营平台，辅助准备图文内容，并在人工确认后完成发布、排期等操作。

5. 图书共读打卡小程序：用于共读活动的记录提交、截图审核、积分和排名等管理，减少人工收集、核算的重复工作。

6. 书童文本创作平台：基于harness架构，为漫剧剧本内容创作提供支持。

7. 音频生成平台：调用音频生成模型，用于辅助AI 视频制作过程中的音色设计，音色克隆，音频生成等。

8. 发行数据库检索工具：帮助用户通过智能体使用自然语言查询发行相关数据。

电子书运营数据获取工具：

做这个工具时，我先确定了最后要得到哪些数据：用一个检索词搜索，排在第一位的是哪个版本、阅读表现如何、出版方和品牌方是谁；我们指定跟踪的本社版本排在哪里、阅读表现如何。再围绕这些结果，把原来需要逐本搜索、辨认版本、查看版权、抄录和整理数据的工作拆开，确定哪些交给程序，哪些交给AI，哪些仍需要人来确认。工具主要分成五个部分。

第一部分是书目和任务管理，维护检索词、指定版本的页面地址，以及参与采集的书目。这里要把“检索词”和“具体版本”分开：同名书可能有多个出版社、多个译本，不能因为书名相同，就认定是我们要统计的那一本。

第二部分是数据采集。程序读取当天真实的搜索结果，记录顺序，找到指定的本社版本，取得阅读数据和链接。提前维护的版本链接用来明确跟踪对象，排名仍然要从当天的搜索结果中取得。

第三部分是版权页识别，也是AI发挥作用的主要环节。程序提取相关页面中的版权信息并保存图像依据，再交给视觉模型识别。版权信息的版式并不统一，因此要先取得清晰、完整的图像，再让模型读取其中的信息。同一版本涉及的页面和识别结果可以复用，减少重复操作。

第四部分是规则核验和人工复核。出版业务经验主要体现在字段定义、判断规则和提示词里，组织好各个字段之间的关系，优先级，判断逻辑，特殊情况的处理等。例如，“某机构授权该发行渠道制作与发行”可以支持授权方信息，不能据此填成出版方。

提示词中反复打磨的一项要求是：“只读取同一组完整版权信息，不从相邻正文或外部资料补字段；有明确字段时，要同时给出标签、内容和原文依据；看不清或没有依据时，如实说明。”这样，识别结果就有了可以检查的依据。实际使用中，模型曾将一个品牌名称中的字识别成近形字。针对这类问题，我增加了自动复核；仍然不能确认的，就保留截图交给人处理。人工确认和修订的结果优先保留，后续自动运行不能覆盖。

第五部分是保存和输出。采集数据、截图依据和人工修订统一保存在服务器上，再生成分析页面、Excel和在线协作文档。每本书完成后就保存结果，某一本失败不影响后面的书继续，中途异常也可以继续未完成的部分。

截至2026年10月底，系统保存了110条书目记录、170个采集任务和15000条采集记录，已有百种量级书目的管理和批量采集积累。一次批量测试约19秒完成，实际耗时会随网络、页面、模型响应和异常情况变化。它主要替代了逐本搜索、辨认版本、查看版权、抄数和整理表格这一段重复工作，让人更多地处理异常、分析数据变化。

自媒体文案编写及自动化推送工具：

这个工具目前主要用于自媒体运营平台，由我们共同开发。我们希望把“准备内容—人工修改确认—执行发布—查询结果”串起来，减少一篇图文从成稿到发布之间的重复操作。

开发时先从一个小任务开始：让一个账号使用指定图片，发布一篇经过确认的图文。我们借助AI编码助手编写代码、测试和排错，底层操作复用了现有的浏览器自动化组件，先检查登录、图片处理、内容填写、发布和结果核验能否走通，再逐步补齐后台执行等功能。

首先要把流程拆清楚：选择账号、准备文案、人工修改、核对图片、确认版本和时间、执行发布、核验结果。准备好内容后，仍然要经过人工确认；创建发布任务后，也要继续查询执行结果。

围绕这些步骤，我们整理了两个Skills。一个负责成稿，根据主题、已有事实和图片，准备标题、正文、话题及配图顺序，供人修改；另一个负责发布流程，规定登录检查、账号核对、内容确认、任务提交和异常处理。查询账号、准备图文、发布、取消及查询结果等操作，通过MCP提供给智能体调用，再由浏览器执行器完成页面中的实际操作。

定时任务由独立后台处理，队列保存账号、内容版本、计划时间和状态。只要电脑及相关服务保持运行、联网，就不必一直保持聊天连接。工具还会保存确认时的内容版本，避免之后修改草稿，影响已经排期的内容。遇到超时或发布结果不明确的情况，先核验已有任务，防止重复发布。

提示词反复打磨的，主要是一些具体、可以检查的要求。例如，“不能虚构亲身体验、数据、价格、资质或用户评价”，要求AI依据已有事实起稿；“修改任何文案、图片、话题、账号或可见范围都要重新准备版本”，要求修改后重新确认；“入队不等于已经发布”，则要求它准确区分任务状态。素材真实性、账号核对、人工确认和结果检查等操作经验，就这样逐步进入了工具流程。

真实测试中，曾出现过图文内容已经发布、本地任务却仍停在“待核验”的情况，后续任务因此一直等待。我们据此补充了队列诊断信息，让工具能够说明被哪条任务阻塞、为什么阻塞，再继续核验或交给人检查。这个过程也促使我们把“已经提交”和“已经确认发布成功”分开记录。

它主要减少了内容确认后的填写、上传、排期和结果记录等重复操作。选题、事实核对、文案修改、图片选择和最终确认仍由人承担。目前还没有做正式的前后计时，能够明确感受到的变化，是重复操作减少了，发布任务和执行状态也更容易集中查询。

这些工具已经经过多轮迭代，平时也会随着业务需求不断调整。借助智能体辅助开发，日常修改变得更灵活，有了新需求或发现了问题，就可以及时调整、测试和改进，不必把每次小改动都安排成一轮完整的软件开发项目。

迭代主要围绕三方面展开：一是解决模型在新的业务场景中出现的问题，让它更准确地理解和完成任务；二是优化性能，提高运行效率；三是根据同事的使用反馈调整流程，让操作更方便、更符合实际工作习惯。

别人能否直接复用，也要看具体工具。我们做的是可以实际运行的工具或平台，提示词只是其中一部分，还需要业务规则、执行程序、相关数据和运行环境配合。别人拿到提示词，可以借鉴其中的方法；要完整使用工具，还需要做好相应的配置，并根据自己的业务需求调整。

目前主要是部门内负责相关业务的同事在使用，大约7人。我们也已经开始和其他部门分享这些工具及使用经验。

有。比如，我们曾尝试让智能体采集一些公开数据，但执行时受到所用智能体工具和模型服务的安全策略限制，采集任务没能完成，原定方案也就没有走通，最后只能改用其他方式获取数据。

这次经历让我意识到，做工具时，除了考虑技术上能否实现，还要了解所用平台允许执行哪些操作。有些方案在设计时看起来可行，实际运行时却会受到产品规则的限制，因此需要尽早通过小范围测试，确认关键步骤能否执行。

我主要负责电子书运营、社群运营、自有新媒体渠道的搭建和原创数字选题的开发。

最费时费力的事情在于盯榜后各种截图、记录数据的过程或者是外部种草的时候，帖子的文案撰写、排版、批量发布的流程。在效果复盘时，各类数据的查询及综合分析以往也需要花费很大的人力来处理。另外就是在社群运营时，用户参与活动记录的收集、复核以及解答用户问题的时候。

外部平台或者通用大模型只能给出最基础的标准方案，实际工作中，有很多生产、运营环节所需要的信息和数据，都是需要结合市场现状以及部门和产品实际情况来提出相关策略和解决方案的。这时候就发现外部平台没有办法满足这些特定需求，有时候训练AI配合自己工作所花费的时间甚至比自己从头开始做的时间还要长。

我们自己做了电子书运营数据看板：

我们日常需要跟踪电子书重点发行渠道中本社图书的阅读表现，以及与领先图书的差距，为选题规划和营销动作提供参考。原来每天拿到“电子书运营数据获取工具”采集数据后，还要用表格函数计算、整理，再制作文字和图表，截图发到工作群里。这个过程比较费时间，重复操作也容易出错。

做看板时，我们让AI协助把这些计算、汇总和展示工作写成代码，安排程序每天自动运行，再把结果放到一个固定网页上。这样，大家可以直接查看更新后的数据。网页分成四个页面，每个页面对应一类实际工作中要看的问题。

第一个页面展示本社图书的排名和阅读数据，便于掌握每本书的动态。

第二个页面汇总本社图书的每周数据，观察一周内的变化，为营销复盘和选题讨论提供参考。

第三个页面根据电子书重点发行渠道的热门图书数据，分析图书表现和热点选题，帮助我们及时了解市场变化。

第四个页面跟踪本社图书的整体排名表现，更新频率更高，便于及时配合营销动作。

页面怎么划分，依据的是我们日常分析数据的需要：既要看到单本书的变化，也要看一段时间内的整体表现，还要把本社图书放到平台榜单中比较。我们把这些要求告诉AI，再让它协助实现相应的计算和展示，并在使用中不断调整。

目前，程序约8秒就能生成展示网页。它主要替代了拿到数据之后的抄数、计算、拼表、排版和截图汇总等重复操作。数据汇总得更直观以后，我们可以把更多时间用来分析一本书为什么上涨、下一步推什么，以及哪些选题值得进一步关注和推进。

我觉得这是值得尝试的方向。把专业经验整理成别人可以使用的工具，帮助使用者少走弯路、减少重复劳动，本身就有价值。不过，是否值得付费，最终还是要看它能解决什么问题、实际效果怎么样，以及后续能否持续维护。模型更新很快，一些简单、通用的功能也可能很快被替代。

目前，我们主要围绕内部业务需求做工具。是否进一步做成收费产品，还要看其他使用者有没有类似需求，以及我们能否提供稳定、方便的使用体验和后续支持。

这些费用全部由部门承担，主要包括软件与模型服务、多模态平台及插件，以及算力和服务器投入。

软件与模型服务方面主要包括各类通用智能体工具和模型服务的订阅费用。

多模态平台及插件方面主要包括各类多模态生成平台的订阅费用。

对我来说，AI带来的一个明显变化，是人可以少做一些重复操作，把更多精力放在思考和判断上。像固定口径的数据统计、资料初步整理、常规排版，以及已经验证过的批量操作，都可以逐步交给AI和程序完成。遇到目标不清楚、要求还在变化的任务，则更适合人与AI一起讨论、尝试和调整。

人仍然需要判断什么问题值得解决、结果是否可靠，以及最终采用什么方案。选题、内容创作和营销策划中，AI都可以参与，帮助提供思路、比较方案，但对读者需求的理解、对内容质量的评价，以及具体工作中的取舍，仍然需要人持续参与。

一些过去依赖熟练操作、记忆知识和套用模板的工作，门槛正在降低，单独依靠这些能力形成优势会越来越难。更有价值的，是懂业务、能提出准确的问题、掌握可靠的资料，也能看出AI的结果哪里有问题。专业经验还需要进一步整理成AI能够使用的方法和规则，让它真正帮助自己和同事完成工作。

如果把想象放开，我觉得未来会出现一些很难再用传统“图书”来定义的出版物。

作品，可以延伸为家庭体验、书店和图书馆里的主题空间，以及文旅项目。

围绕同一个IP，可以形成小说、动画、互动剧、游戏和线下体验，并探索订阅、篇章付费、共创和衍生授权。

把专业知识、可靠的仿真系统和AI结合起来，读者就能亲自提出假设、验证和比较。这类产品可以按实验主题、训练项目，或者面向学校和企业的服务来组织。

出版社可以把经过编辑、审核的知识，做成有明确出处、版本和更新记录的内容服务，供不同的智能体使用，并围绕授权、调用和持续更新探索收费。这样，出版内容就能进入更多具体的工作和生活场景。