夜雨聆风
真正的自动化不是“问 AI 一个好问题”，而是给 AI 一个清楚的岗位。
很多人用 AI 的方式，仍然停留在聊天窗口时代。
打开 Claude。
问一个问题。
复制答案。
粘贴到文档、表格、代码或公众号后台。
明天再来一遍。
这当然有用，但它本质上还是“使用工具”。
最近看到 Khairallah 的一篇 X Article，《How to Turn Claude Into a Full-Time AI Employee in 7 Days》。标题有点营销，里面也有一些夸张表达，但有一个判断非常值得拿出来：
AI 的下一步价值，不是回答问题，而是承担岗位。
注意，不是“替代员工”。
而是把一类稳定、重复、有输入输出、有质量标准的工作，设计成一个可以长期运行的岗位系统。
这个区别很重要。工具是你想起来才用。岗位是它有职责、有节奏、有边界、有复盘。很多人以为自己缺的是更强模型。其实缺的是岗位设计。
一、不要先写 prompt，先写岗位说明书
Khairallah 的 7 天方法里，第一天不是选工具，也不是调提示词。
而是写一页文档。这页文档要回答五个问题：
这个 AI 负责什么具体领域？
它一天的完美工作节奏是什么？
它能自己做哪些决策？
哪些事情必须升级给人？
什么叫“做得好”？
这听起来不像 AI 教程，更像管理教程。
但这恰恰是重点。
如果你对一个真人员工说：“你帮我处理一下所有事情”，他也会崩溃。
AI 也一样。“帮我做内容”太空。
“每天早上 8 点读取 5 个竞品账号、10 个行业关键词，提取过去 24 小时高互动主题，按 hook、观点、证据、可写角度输出 Markdown 简报，保存到固定文件夹”，这才是岗位。
很多所谓 prompt 不稳定，不是模型不听话。
是人类自己没有把职责、权限和质量标准说清楚。
二、AI 员工不是人格，是 workflow
“AI employee”这个说法容易让人误会，好像 AI 真的成了一个同事。
我更愿意把它理解成四个东西的组合：
Role。
Workflow。
Context。
Review loop。
Role 定义职责和边界。
Workflow 定义输入、过程和输出。
Context 让它知道你的历史、偏好、标准和工具。
Review loop 让它每周变好。
这比“给 AI 起个名字”重要得多。
一个内容研究 AI，不是因为它叫“研究员”才有价值。
它有价值，是因为它知道每天看哪些源、如何判断高价值内容、如何写入 clippings、何时触发公众号选题、如何引用历史文摘、什么时候不要写。
这正是我们这个 Obsidian 项目正在形成的东西。
抓取链接是 workflow。
摘录和翻译是 workflow。
补全双链是 workflow。
判断是否生成公众号文章，是更高一层的判断 workflow。
生成封面、检查比例、嵌入文章顶部，也是 workflow。
当这些步骤连起来，它就不再是“我问 AI 帮我写一篇”。
它开始像一个内容岗位。
三、Context 决定它像不像“老员工”
一个新员工刚来公司，最难的不是不会做事。
而是：
不知道你们以前怎么做。
不知道哪些表达你喜欢。
不知道哪些坑踩过。
不知道什么材料已经写过，什么观点还没展开。
AI 也是这样。
如果每次都从零开始，它只能给你通用答案。
如果它能读取你的历史文章、文摘、风格、判断标准和工具规则，它才会越来越像一个“老员工”。
这就是为什么 Claude Managed Agents 的 memory、Claude Code 的 CLAUDE.md、Perplexity 的 Agent Skills、Garry Tan 说的 fat skills，都在指向同一个方向：
上下文不是临时塞进去的背景资料，而是组织能力的一部分。
对个人来说，这个组织就是你的知识库。
它应该问：
这篇和过去哪几篇有关？
它补上了哪个空白？
它会不会让旧观点更强，或者需要修正？
它适合单独写，还是合并进一个更大的主题？
这时，知识库才真的活起来。
四、连接工具之前，先画权限边界
Khairallah 文章里说，每接入一个 connector，AI employee 的能力就会被放大。
这句话是对的。
接 Gmail，它能读邮件。
接 Google Drive，它能保存文档。
接 Slack，它能发简报。
接 GitHub，它能看 PR。
接 Linear，它能更新任务。
但能力被放大的同时，权限也被放大。
所以 AI 岗位设计里，最容易被忽略的是边界。
它能不能发外部邮件？
它能不能删除文件？
它能不能改生产配置？
它能不能代表你做承诺？
它生成的内容是否必须人工确认？
它的运行日志保存在哪里？
它犯错以后，怎么复盘？
这也是为什么前一篇文章我们说，Agent 上生产前，先管住它的会话。
AI 岗位不是给它越多权限越好。
而是给它完成职责所需的最小权限。
如果工具连接是手脚，权限边界就是骨骼。
没有骨骼，手脚越多越危险。
五、真正的复利来自每周复盘
很多自动化项目失败，不是因为第一版跑不起来。
而是因为第一版跑起来以后，没人维护。
Khairallah 的第七天安排很有意思：
不是继续加功能，而是 review。
每个 workflow 都要问：
它是否产生了预期输出？
它漏掉了什么？
它产生了哪些噪声？
边界情况处理得好吗？
prompt 或流程应该怎么改？
更进一步，可以让 AI 每周 review 自己的输出，找出最弱的两个结果，分析失败原因，提出修改建议，保存到 Weekly Reviews。
这才是自动化的复利。
不是一次性搭好一个系统，然后期待它永远正确。而是让系统每周吸收反馈。
每周少一个模糊规则。
每周补一个边界情况。
每周沉淀一个更好的标准。
六、从使用 AI，到管理 AI
这篇文章最后有一句话：
从 “using AI” 到 “managing AI”。
我觉得这是一个很重要的转折。
使用 AI，是把它当工具。
管理 AI，是把它当岗位系统。
工具逻辑问的是：
我现在能让 AI 帮我做什么？
岗位逻辑问的是：
这类工作能不能被定义成一个稳定职责？
它的输入在哪里？
它的输出交给谁？
它的质量怎么判断？
它什么时候必须停下来问人？
它怎么从每周反馈里变好？
这也是 AI 自动化最容易被误解的地方。它不是把人从工作里彻底移除。
而是把人从重复执行，移动到岗位设计、质量判断和方向选择。
AI 去跑 routine。人来决定 routine 是否还值得跑。
AI 去处理信息流。人来判断哪些信息值得变成观点。
AI 去生成初稿和封面。人来判断它有没有气质、有没有立场、有没有必要发布。
所以，别急着问“我该用哪个 AI 工具”。
先问：
我现在最想设计出来的第一个 AI 岗位是什么？
一旦这个问题清楚了，工具只是实现路径。真正的系统，才刚刚开始。
参考链接
How to Turn Claude Into a Full-Time AI Employee in 7 Days (Full Course) How to Build AI Workflows That Run Your Entire Business on Autopilot Built-in memory for Claude Managed Agents New in Claude Managed Agents: dreaming, outcomes, and multi-agent orchestration Thin Harness, Fat Skills