夜雨聆风30秒速览
上篇介绍了AI最近几个月最新的三条进化路线——搭工作环境、做完事写总结、定期自己复盘。讲完之后我回头一想：这不就是一个新人学习成长的方法吗？只不过现在被用在了最新的技术上。
这篇聊的是：这三件事跟我有什么关系？我能用上吗？用起来是什么感觉？
说实话，其中两件事我已经在做了——用的是最原始的方式。第三件事目前有了AI其实也能做到，只是我还没养成习惯。
但用得越深我越发现一件事：我以为AI是来"解放"我的——帮我干活、让我轻松。结果不是。它是来"武装"我的——逼着我练多线程、练审细节、练建默契、练快速判断。这些东西有个名字，叫管理能力。
上篇讲的那些，其实就是新人的学习方法
上篇花了不少篇幅介绍三个团队在做什么，用了不少术语——Harness Engineering、Hermes Agent、Dreaming。
但写完之后我自己回头一看：这不就是我们对一个新人的要求吗？
你去带一个新人，你会做三件事：先给他搭好工作环境——流程是什么、边界在哪、做完怎么检查。然后希望他每次做完事能总结一下——踩了什么坑、下次怎么避免。最后期待他能定期回顾一段时间的工作——找到自己反复犯的错、反复有效的做法。
AI那三条路线，拆开来就是这三件事。只不过它用了一套工程化的方式来实现——自动执行、不会忘、不会偷懒。
技术是新的，方法是旧的。 这也是为什么我在上篇结尾说"AI的进化一直在模仿人的思维"——因为它学走的那套东西，本来就是人的东西。
搭工作环境这件事——用过CodeBuddy的人其实都在做
我用CodeBuddy这几个月，做的最多的一件事就是给AI写各种"规矩"。
拿我做AI访谈举例：我给AI写了一套提示语——怎么开场、怎么追问、什么话不能说、跑题了怎么拉回来、对方情绪上来了先接住再继续。19条铁律，大半都是"禁止"开头的。
后来我在用CodeBuddy写文章的时候也是一样的逻辑：我把自己的语言风格、文章规范、读者画像整理成了一份skills文件——34条规则，从"不加署名"到"不编细节"到"推荐语不能跟标题重复"。每次开始写新文章，这份规则就自动加载进去。
这些东西我之前从没想过它们有个名字——但回头看，这就是上篇讲的Harness。工作流程、权限边界、自检规则——我用手动方式一条条搭出来的。
差在哪呢？
记忆断裂。 每次新开一个对话窗口，AI把上次的经验全忘了。20多版提示语的迭代教训，AI一个字都记不住，全靠我自己记着然后手动喂给它。所以我后来的做法是：每个项目，我都会写一个专门的skills文件，把这个项目所有对话中积累的规则、教训、偏好全部沉淀进去。 下次开新对话时直接加载这份skills——不是让AI记住，是我替它记住，然后在它"上班"前把"交接本"塞给它。
闭环验证目前只能靠系统跑。 AI自己不会检查"这次我有没有违反哪条规则"——做完就做完了。目前我的做法是让系统去跑验证，把AI的输出跟规则逐条比对，而不是我自己一条条看。但这个做法也不完美，很多需要"人的判断"的地方系统看不出来。
所以Harness这件事，靠手动加工具能做到六七成，但真正的闭环还差着。
经验沉淀这件事——我在用一个笨办法，但管用
上篇讲的Hermes Agent，核心是"做完事→自动提炼经验→存下来→下次用"。
我做了一个类似的事，但原始得多。
我给自己在CodeBuddy里做了一个对话过程抓取工具。每次跟AI完成一段协作——不管是写文章、调提示语还是做数据分析——我会触发这个工具，让AI回溯整段对话，把操作步骤、踩的坑、做的决策、没解决的问题全部抓下来，存成一份文件。
这些文件后来变成了三种东西：
第一种，下一篇文章的素材。 比如我调AI访谈提示语的全过程，被记成了一份"版本迭代全景过程还原"——后来写"教AI像人一样说话有多难"那篇文章时，直接从这份文件里取素材，每一个细节都是真实的。
第二种，下一次工作的skills。 我每次做完一个分析任务，都会让CodeBuddy把过程中产生的方法和规则整理成一个skills文件。AI要介入的每个工作细节，我都会通过抓取的内容不断迭代出对应的skills。下次做类似的事，直接加载——不用从头摸索。
第三种，离线工具。 我每次做完一个分析后，都会让CodeBuddy生成一个html格式的离线工具——导入相关数据和文档后，不需要联网、不需要再开对话，离线就能生成我想要的内容。这样我在没有网络的场景下也能继续用之前的方法和流程。
逻辑上，这跟Hermes Agent做的是同一件事：做完事→提炼经验→存下来→下次用。 但效率差在"自动"二字上。
Hermes是做完任务自动触发——我得自己记得说"抓取"。Hermes下次自动加载经验——我得自己翻文件手动贴进去。Hermes每次都执行——我忙的时候就忘了。
Hermes Agent对人来讲，最大的价值就是把"自动化"这一步补上了。 它补的不是能力——你知道该沉淀、知道该复用——它补的是自律。每个人都知道应该做，靠自觉总是做不到。把这件事变成自动的，才是真正的解法。
定期复盘这件事——其实有了AI可以做到
上篇讲的Dreaming，核心是"定期回顾过去一段时间做过的所有事，找规律"。
Dreaming的产品本身目前还在研究预览阶段，普通用户用不上。但它背后的思路——把所有积累的内容放在一起做交叉验证——其实有了现在的AI工具已经可以做到了。
比如我的工作区里有二三十份过程稿、十几份输出稿、好几份过程还原文件。以前这些文件是各管各的——这份记的是调提示语的经验，那份记的是某篇文章的写作过程，另一份是某项技术的学习笔记。我从来没有把它们放在一起看过。
但现在，我完全可以让AI把整个文件夹的内容读取进来，做一次全面的交叉分析——"这些文件之间有没有规律？有没有反复出现的问题？有没有'这个方法在A场景有效、在B场景也有效、但我一直没意识到'？"
技术上能做到。差的只是一个习惯：定期去做这件事。
从HR的角度想，这件事特别有感触——
组织每年做一次调研，发现一些问题，出报告，推改善。明年再做，同样的问题还在。不是没发现过、不是没改善过——是改善的东西没有被持续跟踪，问题换了个马甲又冒出来了。
如果组织能从"年度快照"变成"持续复盘"——在问题还在萌芽的时候就看到苗头——HR的介入时机会完全不同。
每个做HR的人都知道"应该持续跟踪"。问题从来不是"不知道应该做"，是"做不到持续做"。 Dreaming的思路有意思的地方在于：它不靠人的自律——它是自动的、定期的。我们虽然还用不上它的产品，但它的思路——定期拿出所有积累做一次全面回顾——今天就可以自己动手做。
用AI越深，越觉得自己是在做管理
写到这里，我想多说一个感受。
上面三件事我做下来，有一个越来越强烈的体感：用AI的过程，本质上就是在培养传统的管理能力。 不是比喻——是字面意思。
第一，精力消耗是管理者级别的。
以前做执行类工作是线性的——一件事做完做下一件，脑子里只装一件事就行。
用AI之后完全不是这样。我一个下午可能同时在干这些事：让AI跑一份数据分析、同时在另一个窗口让它帮我写文章、中间突然想到上次那个skills规则有个漏洞要补、补完又要回去看数据分析的结果出来了没有、出来了发现有问题要追问……
每个任务之间不停切换。你脑子里同时装着三四条线，每条线的进度不同、状态不同、下一步不同。这不是执行者的工作节奏——这是管理者的工作节奏。
这也是为什么很多人用了AI之后反而觉得更忙了——"不是说AI帮我干活吗？怎么我更累了？"不是AI不好用。是你的角色变了：你从"自己做事的人"变成了"盯着别人做事的人"。后者的精力消耗不是更少，是更多——因为你要同时盯多条线，而且每条线都需要你判断。
第二，必须深入到细节——越细的越要看。
这一点我是被坑了好几次之后才真正明白的。
AI交给你的东西，表面上看起来永远是"完成了"——格式整齐、逻辑通顺、该有的都有。你要是只看个大概，觉得"嗯不错"，就直接用了——很大概率里面埋着雷。
我现在的习惯是：AI给完东西之后，我会逐段、逐条、逐个数字地过。特别是那些"具体的东西"——引用的来源存不存在？数据是它算的还是编的？这个因果推导有没有跳步？
这跟管理者带团队是一回事。新人交给你一份东西，你不能只看结论觉得"还行就行了"。越是关键的交付物，你越要钻进细节里看过程。 结果看起来好，不代表过程没问题。过程有问题的结果，迟早出事。
第三，一句简单的话，会被AI放大成你根本没要求的东西。
这个体验太真实了。
我有一次只是说了一句"帮我分析一下这份数据"。AI给我搞出了什么？铁三角模型、Spearman相关系数矩阵、P0/P1优先级排序、因果链条图、行动建议分级……我看完之后的反应是——"我就让你分析一下，你搞这么大阵仗干嘛？"
这跟带人一模一样。 你跟下属说"帮我看看这个问题"，他可能花了三天做了一份20页的PPT——你根本不需要这个。但他以为"领导交代的事要做得漂亮"，就自我发挥了。
管理的基本功之一就是：怎么让对方准确理解你的意图，不多做也不少做。 你得学会把指令说清楚——不是"帮我分析"，是"帮我看看这三个维度的同比变化，列个表就行，不需要做模型"。
跟AI建立这种默契需要时间。你得慢慢摸出来：什么话它会过度理解、什么话它会偷懒理解。这个过程，跟你跟一个新人磨合的过程一模一样。
第四，它特别会说话、特别快认错——但就是总做错。
AI的表达永远是流畅的、自信的、让你觉得"嗯这个人很专业"的。你给它指出一个问题，它的回应永远是："你说得对，我确实做得不好，现在我重新来。"
态度好极了。比大部分下属态度都好。
但它下次还犯同样的错。
因为它没有真正的"理解"——它只是在当前这个对话里接受了你的反馈。下次开一个新对话，或者同一个对话里换了个上下文，它又会犯一模一样的问题。它的"认错"不是真的"改了"——是那一刻它的输出顺着你说了，但底层什么都没变。
这在管理中是最难处理的一种人：态度永远没问题，沟通永远很顺畅，但结果就是不达标。 你不能因为对方"认错很快""态度很好"就放松——你只能看结果。结果好才是好。
所以我现在跟AI协作的习惯是：不听它说什么，只看它做什么。 它说"好的我理解了"不算数——要看下一次输出的时候它到底改了没有。没改就再提，再提就加进rules里。
第五，你要能瞬间跳出一个任务，进入另一个完全不同的领域，并且快速判断。
这个能力在用AI的时候被逼出来了。
我可能上午在跟AI写一篇关于幻觉的文章——沉浸在学术论文、研究逻辑、引用格式里面。下午突然要切换到一份数据分析——完全不同的思维模式，要看数字、看趋势、看推导有没有问题。晚上可能又要检查一个离线工具的逻辑——这又是另一种思维。
每次切换的时候你不能说"等我缓缓"。你得快速把上一个任务的思维放下，快速进入下一个任务的上下文，快速判断AI做得对不对、问题在哪。
这跟管理者开会的感觉一模一样——上一个会是招聘、下一个会是绩效、再下一个是预算。每个议题完全不同，你得在30秒内切换完毕，进入状态，给出判断。
你不可能等自己"准备好了"再切换。你得练出"随时能切"的能力。 用AI协作的过程中，这个能力会被不断逼着练。
所以我现在觉得，"用好AI"跟"做好管理"，底层要求其实是同一套东西： 多线程处理、关注细节、建立默契、不被态度迷惑只看结果、快速切换判断。
这也是为什么我说AI的进化在模仿人的思维——因为你管它的方式，本质上就是人管人的方式。 只不过它不会闹情绪、不需要你哄、不会因为你批评它就摆脸色。从这个角度讲，它其实是最好的"管理练习对象"。
所以如果你觉得自己未来想往管理方向发展——现在就可以先把AI用起来。 不是用它来"帮你干活"那么简单——是把它当成你的第一个"下属"来练。练怎么把意图说清楚、练怎么审结果不被表面糊弄、练怎么在多条线之间切换、练怎么对一个"态度好但活儿不行"的人保持标准不降低。
这些能力不用等到真的带团队才开始练。你每天跟AI协作的过程，就已经在练了。等哪天你真的开始管人——你会发现这些习惯早就长在身上了。而且你会比那些没用过AI的新任管理者，适应得快得多。
对非技术背景的初学者说几句
讲到这里，可能有读者会觉得：听起来好像很方便，我也试试。
我得说实话——如果你是非技术背景的初学者，这些东西目前上手是有门槛的。
| 搭工作环境（写skills、定规则） | |
| 经验沉淀（做抓取、存skills） | |
| 定期复盘（让AI读取所有文件做分析） |
对于懂技术的人来说，这些东西上手很快。 但这个公众号的读者大部分是HR——我自己也不是技术出身。所以要诚实地说：入门有成本，不是打开就能用，需要耐心摸索。 但一旦跑通了第一次，后面就会越来越顺——因为你积累的每一份skills、每一份抓取文件，都在让下一次变得更快。
回到标题：AI的进化，为什么说是在模仿人的思维
搭工作环境——这是人带新人的第一步。沉淀经验——这是人自我成长的核心方法。定期复盘——这是人保持进步的关键习惯。
AI把这三件事学走了，用工程化的方式做到了"每次都执行、不打折扣"。
但这些方法不是AI发明的，是人发明的。 结构化流程、经验沉淀、反思复盘——人类用了几千年。AI做的只是把它们从"需要自律才能坚持"变成了"系统自动执行"。
而你在用AI的过程中，这些方法又从AI身上"长"回了你自己身上——你被逼着学会了多线程、审细节、建默契、不被表面态度糊弄、快速切换判断。
所以AI到底是来干嘛的？
它不是来"替代"你的——你的活没少，反而多了。它也不是来"解放"你的——你没更轻松，反而更累了。
它是来"武装"你的。 用了几个月之后回头看，我发现自己的工作方式、思维方式、判断习惯，跟半年前完全不是一个人。这些变化不是"AI帮我做了什么"——是"我在管AI的过程中被逼着长出来的"。
对不起，我之前错怪它了。我以为它是来帮我干活的。它是来练我的。
不过话说回来——当AI学会了从经验中学习、学会了自己复盘改进之后，一个新问题也跟着来了：它从经验中"学到"的东西，一定是对的吗？ 它自己整理的记忆、提炼的规律，有没有可能是错的但它自己不知道？
这就是AI领域另一个很重要的话题——幻觉。AI有时候会非常自信地告诉你一个完全错误的东西，而且它自己真的"以为"自己是对的。
这个问题以后有机会专门聊。
写于2026年5月
