别再把 AI 当搜索框了：1 小时搭出行业操作系统，再把它封装成自己的 Skill

我越来越确定一件事。

大多数人虽然已经开始用 AI 了，但用法其实还停留在上一代。

问一个问题。

拿一个答案。

当下觉得很有启发。

过几天再遇到类似问题，再重新问一遍。

这样当然也有帮助。

但它解决的，本质上只是一次性的「信息获取」，并不能帮你积累真正可复用的认知资产。

今天这个时代，真正稀缺的不是信息。

信息早就过剩了。

真正稀缺的是：你能不能把零散的信息，整理成一套自己以后还能继续调用、继续扩展、继续自动更新的结构。

很多人进入一个新行业的方式，其实都差不多：搜一堆链接，看几篇报告，刷几个大号，收藏几十篇文章。忙了三天，感觉自己看了很多，但脑子里还是糊的。头部玩家是谁，不清楚。谁在赚钱，不清楚。产业链怎么跑，不清楚。真正的机会在哪，也不清楚。

问题不在于你不够勤奋。

问题在于，这套工作方式从一开始就没有设计成「会沉淀资产」的样子。

放在以前，这件事通常要一个研究员花几周时间慢慢拆。

但现在不一样了。

你手里那个 AI 编程工具，不管是 Codex、Claude Code，还是别的 agent，本质上都不只是一个会回答问题的聊天框。用对了，它更像一个不会下班的行业研究员、知识库维护员、情报分析员。

而且我觉得，这恰恰是它最被低估的能力。

下面这套方法，是我现在进入任何陌生行业时，都会先跑一遍的底层流程。需要的东西很简单：一个能联网、能写文件、能持续执行任务的 AI agent，加一个 Obsidian 当仓库。

第一步：别急着问结论，先让它把骨架搭出来

大多数人一上来就问结论。

比如你想了解美国减肥补充剂行业，就直接问：「这个行业怎么样？」「现在值不值得做？」AI 很快就能给你一篇几千字分析。你看完当下会很爽，觉得自己好像懂了。

但这种懂，往往只是一种短暂的错觉。

因为你拿到的是一块一块的信息切片，而不是一个能长期复用的结构。你只能靠大脑临时记住它。过几天，一散就没了。

所以我现在会反过来：先不让它下结论，而是先让它建数据库。

我通常会直接丢一句：

帮我建立一个「美国减肥补充剂行业」数据库。先输出完整目录结构，再为每个目录创建对应的 Markdown 文件，全部适合导入 Obsidian。

它先做的，不是分析，而是搭一棵树。比如：

Weight-Loss-Supplement/├── 品牌├── 产品├── 关键词├── 社区├── 红人├── 竞品├── 商业模式├── 供应链├── 政策法规├── 趋势

这一步特别重要。

因为你其实是在给整个行业建一套「信息索引」。只要骨架立住，后面的信息就不再是乱飞的碎片，而是都有地方可挂。

接下来怎么填？

先填品牌。

让它去整理头部品牌，统一字段：品牌名、官网、主打产品、价格带、渠道、体量、核心卖点、创始人背景、社媒账号。这样以后你遇到一个新品牌，不是临时去搜，而是直接往已有结构里补。

再填产品。

让它按市场规模给产品类型排个序，比如 Fat Burner、食欲抑制、GLP-1 辅助、代谢加速、纤维类、肠道健康。然后每一类继续往下拆：成分、用户评价、优点、缺点、爆款品牌、市场空间。拆到这里，AI 才算真正开始理解这个行业的供给侧。

再填痛点。

这一块往往最值钱。

因为用户的钱，很多时候就藏在抱怨里。你让它去扒 Reddit、社区评论、平台讨论，把高频抱怨、高频需求、高频疑问、用户目标都归出来。像「减肥反弹」「没效果」「副作用大」「太贵」「很难坚持」这种，一旦整理出来，很多机会其实已经摆在桌面上了。

最后填关键词。

这一步特别容易被忽略，但后面做 SEO、内容、广告都会用到。让它把 Google、Amazon、Reddit、YouTube、TikTok 上的关键词捞回来，分成商业词、信息词、对比词、测评词、购买意图词。以后你做内容和投放，不是重新想，而是直接调用。

跑完这一轮之后，你原来脑子里那团模糊的印象，才第一次开始长成系统。

我现在越来越喜欢用一句话来概括这一步：

数据库解决「存得住」，地图解决「看得懂」，流程解决「能复用」。

这三件事，缺一不可。

第二步：不要猜行业怎么赚钱，直接拆已经赚到钱的人

很多人进入新行业以后，第一反应是找产品、找供应链、找素材、找流量入口，从零开始摸。

但更快的方式，往往不是自己重新摸，而是先看那些已经跑通的人到底怎么跑的。

说白了，同行已经替你交过学费了。

你不需要再完整重演一遍摸索过程。你真正要做的，是把他们的增长路径、转化路径、内容路径拆出来。

如果你研究的是 Shopify 独立站，我一般会直接把头部品牌的网址丢给 AI：

分析这个 Shopify 站，输出导航结构、产品分类、Collection 结构、商品标签体系、Footer、Blog 结构、SEO 结构、Landing Page 结构，并整理成 Markdown 报告。

很多人觉得这类分析很细碎。

但真正有价值的，恰恰就是这些细节。

导航栏很重要。

因为导航栏不是装饰，它通常就是老板脑子里的经营顺序。用户先进来看什么、再看什么、最后被推向什么，这里面常常藏着利润款、引流款和转化款的排序逻辑。

Collection 也很重要。

因为 Collection 往往比单个产品更能反映成交路径。你把几个头部品牌的 Collection 摆在一起，会发现很多结构非常相似。相似不是巧合，而是因为这些路径已经被验证过。

商品标签更值得看。

这个地方很多人根本不会碰，但价值极高。标签其实是在告诉你：用户是怎么搜索的，平台是怎么理解产品的，推荐系统是怎么组织和分发内容的。你如果把足够多商品标签整理出来，其实拿到的是一个行业级标签体系。

SEO 结构也一样。

很多人做 SEO，上来先写文章。其实顺序经常反了。应该先研究头部玩家在写什么。把他们的标题和选题结构归一遍，你会很快发现：真正能带流量的主题，高度集中；真正能带订单的词，也高度集中。

把几个竞品拆完之后，你看到的就不再是某一家公司的运营方式，而是整个行业的一套赚钱结构。

很多人都知道「要研究竞品」，但大多数人没有真的把竞品研究变成结构化资产。

差别就在这里。

第三步：把内容也当成数据库，而不是当成灵感池

很多人研究行业时，还是更习惯盯产品、盯供应链、盯网站、盯广告。

但今天这个时代，内容本身就是供给系统的一部分。

流量决定订单。

内容决定流量。

而内容结构，决定了流量能不能稳定复现。

所以进入一个行业之后，我一定会做的一件事，就是建内容库。

关键不是研究一个账号，而是一次性研究足够多账号。

如果你只是盯着几个大 V 刷，每天看，看半年，最后大概率也只是形成一些模糊印象。你会觉得某些内容好像总在爆，但你说不清到底是什么在重复发生。

真正有效的做法，是让 AI 一次性整理一大批账号。比如 YouTube、X、TikTok、Instagram、Newsletter 各抓一批，统一整理出：账号名、粉丝量、更新频率、主内容方向、变现方式。

然后继续往下拆：最近 90 天点赞最高的、评论最高的、转发最高的、播放最高的内容各是什么。

这时候你会发现一个特别有意思的现象：

爆款往往不是随机事件，而是重复结构。

同样的选题会反复爆。

同样的内容框架会反复爆。

同样的标题模式会反复爆。

一次爆，可能是运气。

十次爆，大概率就是规律。

但光统计还不够。

更重要的一步，是给内容分类。

我自己一般会分成五类：

• 曝光型内容
  ：观点强、争议大、容易传播，适合抢注意力。
• 涨粉型内容
  ：清单型、资源型、推荐型，适合建立“以后还值得关注”的预期。
• 收藏型内容
  ：SOP、模板、工作流、步骤拆解，生命周期长。
• 转化型内容
  ：结果展示、案例展示、收益展示，不一定最爆，但最接近变现。
• 人设型内容
  ：故事、经历、踩坑、复盘，让用户记住你这个人。

你一旦按这个方式去看内容，就会慢慢从「刷内容的人」变成「研究内容结构的人」。

这两者看上去只差一点点，结果差得非常远。

第四步：把数据库往上提一层，长成知识地图

很多人学不会一个行业，不是因为信息太少，而是因为信息太多。

今天一个新工具，明天一个新案例，后天一个新模型。收藏夹越来越大，脑子越来越乱。因为这些信息彼此之间没有位置，也没有连接。

数据库只能解决存储。

真正解决理解的，是地图。

也就是说，你得让 AI 帮你把一个行业画成一张能解释结构的图。

比如你研究 AI 行业，不应该只是一串工具清单，而应该先长成这样：

AI/├── 基础模型├── 编程├── Agent├── 工作流├── 视频├── 语音├── 搜索├── 基建 / GPU

这张图一旦出来，很多原本看起来毫不相关的产品，就有了位置。

接着再往下拆。

Agent 可以继续拆成记忆、规划、工具调用、RAG、评估、多智能体。

编程 可以继续拆成 Cursor、Claude Code、Codex、Cline 等具体方向。

你拆到第二层、第三层，才会真正开始看懂：这些产品为什么存在，解决什么问题，属于哪个赛道，未来会往哪里走。

然后再给每个节点建立知识卡片：overview、公司、工具、趋势、机会。

以后你研究到一个新东西，不再是随手收藏，而是直接挂到对应节点下面。

这一步带来的变化非常大。

因为从这一刻开始，你不是在积累「知识点」，而是在建立「知识坐标系」。

更进一步，当地图建起来以后，你还可以让 AI 基于这张图继续扫描：哪些领域竞争最激烈，哪些领域增长最快，哪些领域内容供给不足，哪些地方有创业机会。

到这里，你研究的已经不是信息，也不是知识点，而是机会分布。

第五步：把一次性调研，改造成持续进化的情报系统

如果你只做前面四步，其实已经很厉害了。

但还不够。

因为行业是会持续变化的。

今天有效的信息，三个月后可能已经过时；今天的头部账号，半年后可能没了；今天的热门产品，一年后可能已经没人买。

所以真正重要的，不是建出一个静态资料夹，而是让这套库自己长大。

这里最关键的一步，是把工作方式从搜索模式切到订阅模式。

搜索模式是：有问题再去搜，搜完关闭，下次重来。

订阅模式是：先把信息源建立起来，让新信息持续进入数据库，再自动归类、自动汇总、自动沉淀。

所以我现在进入任何行业，第一件事不是急着看内容，而是先问：这个行业的核心信息源到底有哪些？

比如：

• 哪些 YouTube 频道最值得盯
• 哪些 X 账号最值得盯
• 哪些 Newsletter 最值得订
• 哪些 Reddit 社区最值得跟
• 哪些 Blog 最值得长期看

把这些源头整理好之后，后面很多事情就可以自动化了。

比如让它：

• 每周统计竞品新增了哪些产品、页面、关键词、博客内容。
• 每天整理哪些内容涨得最快，自动归档到趋势库。
• 每周输出一份行业周报，汇总产品变化、爆款内容、融资动态、趋势信号。
• 定期更新行业地图，把新节点、新机会补进去。

做到这一步，你的 Obsidian 就不再是一个堆笔记的地方，而是一套真正活着的情报系统。

大多数人获取信息的路径是：搜索 → 阅读 → 遗忘。

而你建起来的路径是：信息源 → 数据库 → 地图 → 情报系统 → 机会发现。

这才是我觉得 AI 编程工具最被低估的一面。

它不只是帮你快一点，而是帮你把一次性的输入，变成长期复利的认知资产。

真正拉开差距的一步：把整套流程，封装成你自己的 Skill

讲到这里，前面的思路其实已经完整了。

但如果只做到这一步，每进入一个新行业，你还是得重新敲一大串指令：帮我建库、帮我输出目录、帮我建 Markdown、帮我整理竞品……

一次两次没问题。

十次之后，你一定会烦。

所以我觉得真正拉开差距的一步，不只是会用这些工具，而是：把你最常重复的流程，封装成你自己的 Skill。

以后不用再打一大串 prompt。

一句 /industry-db 减肥补充剂，整套流程就能跑起来。

这件事听上去很像高级玩法，但实际上比很多人想象得简单。

一个 Skill，本质上就是一个文件夹，里面放一个核心说明文件。

最常见的结构大概是这样：

212223industry-db/├── SKILL.md├── scripts/

其中真正必须的，通常只有 SKILL.md。

放哪儿呢？

• 如果你用 Claude Code，一般放在 ~/.claude/skills/，或者项目里的 .claude/skills/。
• 如果你用 Codex，一般放在 ~/.agents/skills/，有些环境也兼容 ~/.codex/skills/。

更重要的是：SKILL.md 已经不只是某一个工具私有的小功能，而是跨工具的开放标准。 这意味着你写出来的很多能力，不一定只能绑定在某一家工具上。

SKILL.md 里，最关键的其实就两件事

它本质上是一个带 frontmatter 的 Markdown。

最小版本可以写成这样：

# Industry Database Skill当用户给你一个行业名时，按下面步骤执行：1. 输出完整目录结构。2. 创建对应 Markdown 文件，适合导入 Obsidian。3. 至少包含：品牌、产品、痛点、关键词、竞品、内容、趋势、机会。4. 所有结论都附来源链接。

你会发现，它并不复杂。

真正关键的，主要就两个字段：

• name
  ：对应你以后要触发它的命令名。
• description
  ：这是整个 Skill 最值钱的部分，它决定 AI 在什么场景下会自动想起该调用它。

换句话说，description 不是可有可无的简介，而更像一段「调用说明」。

你写得越清楚，AI 越知道什么时候该用它。

而 --- 下面的正文，其实就是把你原来每次都要重打一遍的长 prompt，正式固化成了一套可长期复用的工作流说明。

原来你是在反复临时调用能力。现在你是在把能力资产化。

如果你今天就要开始，先做这 3 个 Skill

我不建议一上来就做十几个。

先做三个最有价值，也最容易复用的就够了：

• 行业建库 Skill
  ：给一个行业名，自动产出目录树、品牌库、产品库、痛点库、关键词库。
• 竞品拆解 Skill
  ：给一个网站或品牌名，自动输出导航、Collection、标签、SEO、内容结构分析。
• 周报汇总 Skill
  ：每周把新增产品、爆款内容、融资新闻、趋势变化汇总成一份 Markdown 周报。

这三个一旦跑顺，你其实已经不只是「用 AI 提高效率」，而是在搭一套最小可用的行业情报基础设施。

Skill、slash command、AGENTS.md，到底怎么分

很多人刚接触这些东西的时候，最容易混在一起。

你可以先记一个最粗暴但很实用的区分：

• Skill
  ：封装一整套可复用工作流。重点是「这类任务以后会反复出现」。
• slash command
  ：封装一个你想手动点一下才触发的动作。重点是「它像按钮」。
• AGENTS.md / CLAUDE.md
  ：放长期规则。重点是「每次都要遵守」。

说白了：

如果你定义的是能力模块，用 Skill。

如果你定义的是手动按钮，用 slash command。

如果你定义的是长期规则，用 AGENTS.md 或 CLAUDE.md。

这个边界一旦想清楚，你后面搭工作流会顺很多，也不容易越配越乱。

附录：如果你真想自己搭，Claude Code 和 Codex 分别怎么做

讲完思路，最后补一点真正能落地的实操。

很多人看到这里会问：那我今天到底从哪开始？

其实分三层就够了。

1. 长期规则，放进 AGENTS.md / CLAUDE.md

这类文件适合放「每次都要遵守」的东西，比如：

• 文章默认存到哪个目录
• 配图默认放到哪个目录
• 输出格式、命名规范、写作风格
• 你的固定流程和注意事项

如果你用 Claude Code，项目级规则一般写在 CLAUDE.md。

如果你用 Codex，项目级规则一般写在 AGENTS.md。

它们的作用都很像：不是帮你完成某一次任务，而是让工具长期按你的工作习惯做事。

2. 高频流程，放进 Skill

如果一套动作你每周都要跑很多次，就不要每次重写 prompt 了，直接做成 Skill。

Claude Code 常见路径：

~/.claude/skills/industry-db/SKILL.md

项目内也可以放：

.claude/skills/industry-db/SKILL.md

Codex 常见路径：

~/.agents/skills/industry-db/SKILL.md

有些环境也兼容：

~/.codex/skills/industry-db/SKILL.md

最小模板可以直接抄这个：

---name: industry-dbdescription: |  为某个陌生行业搭建结构化调研数据库。  当用户说要研究行业、梳理赛道、盘点竞品、整理关键词或建立行业地图时使用。---# Industry Database Skill当用户给你一个行业名时，按下面步骤执行：1. 先输出完整目录结构。2. 创建对应 Markdown 文件，适合导入 Obsidian。3. 至少包含：品牌、产品、痛点、关键词、竞品、内容、趋势、机会。4. 所有结论都附来源链接。

这已经足够做出第一版。

后面你再慢慢往里加字段、加脚本、加模板就行。

3. 手动动作，放进 slash command

不是所有东西都适合做 Skill。

像「生成周报」「发布草稿」「统一改标题」这种你希望明确手动点一下再执行的动作，更适合做 slash command。

在 Claude Code 里，项目级自定义命令通常放在：

.claude/commands/

比如：

.claude/commands/weekly-report.md

最小示意可以这样写：

---description: 生成行业周报---

它更像一个你自己做的按钮。

一个最实用的起手顺序

如果你今天就要开始搭自己的系统，我建议顺序是这样的：

1. 先在 CLAUDE.md 或 AGENTS.md 里写清目录、命名和输出规则。
2. 再做第一个 Skill，把最常重复的长 prompt 固化掉。
3. 最后补 1 到 2 个 slash command，把高频手动动作按钮化。

这个顺序比较稳。

因为你先把规则层定住，再把能力层和按钮层补上，系统不会乱。

最后

这篇文章真正想说的，其实只有两层。

第一层：别再把 AI 只当成问答工具。

让它替你建数据库、拆竞品、整理内容、画地图、做周报。这样你得到的，就不再是一堆零散答案，而是一套越来越厚的认知系统。

第二层：别停在“会用”，要走到“会造”。

把你最常重复、最有价值的那几套流程，亲手封装成自己的 Skill。这样你积累的，就不只是笔记，不只是提示词，而是一套真正属于你的工作流资产。

未来真正的竞争力，可能不在于你比别人多知道了多少信息。

而在于：你有没有一套别人没有的认知结构，以及一套能持续帮你维护这套结构的工具。

如果你现在还把 AI 当成高级搜索框，我很建议你试一次：别先问结论，先让它替你搭骨架。

等你把第一套流程封成自己的 Skill 之后，你会明显感觉到，自己和工具的关系已经变了。