乐于分享
好东西不私藏
夜雨聆风 > > 办公文件 > 普通人学 AI,最该沉淀的不是工具,而是流程

普通人学 AI,最该沉淀的不是工具,而是流程

当前时间： 2026-08-10 23:05:01 分类：办公文件 评论(0)
普通人学 AI,最该沉淀的不是工具,而是流程
今天我给 AI 的指令其实很短：
根据我最新的公众号写作流程，写一篇文章。
如果放在以前，我可能会期待它马上给我一篇完整稿。标题、开头、正文、结尾，一次性生成，看起来越快越好。
但这次我反而更在意另一件事：它动笔之前，会不会先去读我的写作流程？
它应该先知道我的内容定位，不是写专家教程，也不是写营销号。它还要知道我的内容方向，是 AI Agent、Obsidian、本地知识库、Codex 工作流和内容系统。它还得知道我的写作偏好：少空话，少套话，从真实任务切入，收尾时给一个能马上做的小动作。
如果它不读这些东西，直接写，也许照样能写出一篇文章。
但那篇文章大概率不是我的文章，只是一篇 AI 临场生成的通用内容。
这件小事让我更确定一个判断：普通人学 AI，最该沉淀的不是工具，而是流程。

一、只收藏工具，很容易越学越乱

我以前也很容易被新工具吸引。
看到别人说某个 AI 工具能写文章，我想试一下。看到某个工具能做脑图、总结网页、整理资料，我也想收藏。再加上 ChatGPT、Claude、DeepSeek、Codex、各种插件和自动化脚本，工具越看越多，脑子也越来越乱。
工具当然有用。
真正的问题是，我每次试完一个工具，很少留下“下次怎么复用”的东西。
比如今天让 AI 写一篇文章，如果我只拿走正文，下次还是要重新解释：
  1. 我是谁。
  2. 我写给谁。
  3. 我不喜欢什么风格。
  4. 我的文章结构是什么。
  5. 哪些内容不能写。
  6. 写完以后怎么检查。
这样用 AI，看起来每次都在产出内容，其实每次都在从零开始。
工具是外面的，今天换一个，明天还会有新的。
流程是自己的。它会越来越贴合你的材料、目标、边界和表达习惯。

二、一次 AI 任务有没有价值，看它结束后留下了什么

我现在判断一次 AI 任务有没有价值，不只看当下答案好不好。
我会看它结束后有没有留下三类东西。
第一类是上下文。
比如我自己的说明书。它告诉 AI：我现在在做什么，我有什么现实约束，我喜欢什么输出，不喜欢什么建议。下一次 AI 再进入这个工作区，不需要从零问一遍。
第二类是流程。
比如公众号写作流程、输入素材处理队列、知识颗粒索引、文章发布前检查。这些文件不是为了把系统装得很完整，而是为了让下一次任务有固定入口。
写文章时，不是直接喊一句“帮我写”。而是先看主题、读者、素材、真实经历、核心观点、禁写边界，再进入标题、大纲、初稿、质检和修订。
第三类是检查标准。
AI 最容易给出一种“看起来很完整”的东西。但完整不等于能用。
尤其是文章，读起来像不像人写的，有没有真实场景，有没有具体动作，有没有夸大结论，有没有隐私风险，这些都要检查。
如果一次 AI 任务结束后，只留下一个结果，它更像一次消费。
如果它还留下了上下文、流程和检查标准，它才开始变成资产。

三、我现在更愿意让 AI 先读规则

这次写文章的任务，其实很适合测试这件事。
我只给了一句话，没有指定主题，也没有规定文章长度。如果 AI 马上写，它只能靠临场发挥。
但我的 Obsidian 里已经有一套内容系统：
  1. 个人说明书，负责告诉 AI 我是谁。
  2. 内容 DNA，负责告诉 AI 我长期写什么。
  3. 公众号定位规则，负责告诉 AI 文章写给谁、不能写成什么样。
  4. 公众号手动生产闭环，负责告诉 AI 一篇文章从素材到可发布稿怎么跑。
  5. 草稿和成果区，负责保留过程和最终输出。
这些文件的价值，不在于目录看起来整齐。
它们真正的作用是：让 AI 每次工作时，不再只靠当场聊天，而是能站在已有上下文上继续往前走。
这也是我最近越来越重视本地知识库的原因。
知识库不是把东西塞进去就完了。它要能被 AI 读取、理解、调用，还要能进入一次具体任务。
比如这次写文章，流程不是“AI 随便想一个主题”。更合理的路径是：
读取个人说明书
→ 读取内容定位
→ 读取写作流程
→ 从当前真实任务里找切口
→ 生成大纲和初稿
→ 做发布前检查
→ 保存成 Markdown
这条线跑通以后，下次我再说“写一篇”，AI 就不用重新猜我是谁、写给谁、怎么写。

四、流程不用一开始就很复杂

很多人一听“流程”，会想到很复杂的自动化系统。
但我现在理解的流程没那么玄。
它就是下次还能继续用的一张小卡片。
比如写文章这件事，我不需要一开始就做全自动内容工厂。第一版只要固定几个问题，就已经比临场发挥稳定很多：
  1. 这篇写给谁？
  2. 读者正在遇到什么问题？
  3. 我能提供什么真实经历？
  4. 这篇和我的长期方向有什么关系？
  5. 哪些内容不能写？
  6. 写完以后怎么检查？
这些问题看起来很朴素，但能挡住很多无效输出。
如果“写给谁”答不清，文章很容易写成泛泛感想。
如果“真实经历”答不清，文章很容易像课程总结。
如果“检查标准”没有，AI 很容易写出一篇结构完整但没法发布的草稿。
所以我现在更愿意把每次 AI 任务拆成两层结果：
  1. 当次结果：这次生成的文章、笔记、清单或复盘。
  2. 复用结果：下次还能用的模板、流程、规则和检查表。
真正让人慢慢变强的，往往是第二层。

五、普通人学 AI，先留下一个能复用的动作

我不是说不要试新工具。
工具当然要试。不试不知道边界，也不知道哪个适合自己。
但如果每次试完都没有沉淀，到头来很容易变成另一种收藏癖：收藏工具、收藏提示词、收藏教程、收藏别人的工作流。
收藏的时候很兴奋，真正要做事时还是不知道从哪开始。
对我来说，现在更值得做的是把每一次真实任务跑完。哪怕只是写一篇文章，也要尽量留下几样东西：
  1. 一篇可继续修改的草稿。
  2. 一个选题和大纲生成逻辑。
  3. 一次发布前检查。
  4. 一个下次还能调用的写作流程。
这样下次再说“按流程写一篇”，AI 就不需要重新猜。
它可以直接按已有流程走，而不是每次靠聊天临场发挥。
这才是我想要的 AI 工作方式：不是一次比一次更会玩工具，而是一次比一次更懂自己的系统。

结尾

如果你也在学 AI，我建议先别急着继续收藏新工具。
可以翻出最近一次你让 AI 帮你做过的任务，补一张很小的复用卡：
这次任务是什么？
我给了 AI 哪些输入？
哪些输出真的有用？
下次再做同类任务，第一步该打开什么文件？
哪些话不用再重复说？
结果怎么检查能不能用？
这张卡不用写得漂亮。
只要下次你还能看懂，还能照着跑，它就有价值。
普通人学 AI，真正能留下来的，可能不是又收藏了多少工具，而是把一次次具体任务，慢慢沉淀成自己的流程。