夜雨聆风
我们公司每次开周会，提到"AI"这俩字的时候，会议室的反应特别一致——所有人下意识往后靠一点，眼神往桌面上飘，等着看谁先开口。说话的永远是那两三张固定面孔。剩下的人不是不想说，是真没什么能说的：对 AI 的认知还停在"帮我写个文案""P 一张图"那一层。偶尔领导随口问一句"你们组 AI 用得怎么样了",那种安静，懂的人都懂。说实话，这种"AI 要把一切都重写一遍"的话被轮番轰炸了两年，人已经有点麻木了——但麻木不代表它不会发生，这才是真正让人心里发慌的地方。
这画面我这两年见过太多遍了，几乎每个行业都在重演。不是大家不努力。是没人告诉他们，AI 时代真正稀缺的，压根不是"会用工具"——工具谁都点得开。稀缺的是别的几样东西，而这几样东西，恰好都能拆开来练。
我把这两年看到的归成了 6 条。说是"能力清单",其实更像游戏里的核心属性——力量、敏捷、智力那种。版本怎么更新，工具怎么换皮，这几条底层属性基本不变。往下一条一条说。
第一关：先让自己变成团队里"那个人"
"成为 AI 人"听起来像句空话，但它有一个挺具体的判断标准：你部门里要是有人带头试一个新 AI 工具，那个人是不是你？
不用是全公司第一。连"全组第一"都不用——这事是相对的，跟游戏段位一样，不需要打到大师，只要比你这个小队的人都高一档，机会自然会往你这边倾斜。
IBM 今年 5 月那份 CEO 研究的数字挺扎实：调研了 2000 个 CEO——啊不对，严格说应该是 2000 位企业一把手，85% 都说以后每个业务负责人都得变成自己领域里的"技术专家"——不只是 IT 部门，市场、销售、法务、客服，全员覆盖。报告里还有一条更直接:76% 的企业已经设了首席 AI 官，去年这个比例是 26%。一年翻了快三倍。
翻译过来就是一句话：窗口还没关，但在缩小。
我认识一个做 HR 的朋友，上个月用扣子搭了个简历初筛流程，把原来手动看 100 份简历的活压成了几分钟，顺手在部门群里说了句"这块以后我来弄"。三天后她被拉进了公司的 AI 专项小组——不是因为她技术多厉害，是因为她先伸了手。
机会不是等岗位出现之后再抢的，是在岗位出现之前，先让别人记住你的名字。
当然也有人觉得这种"主动表现"挺卷的，没必要。这话我不反驳——但至少想清楚，不主动的代价是什么。Excel 刚普及那几年，有人坚持用算盘和纸，后来怎么样了，不用我多说。这话说得有点刻薄，但现实往往就这么刻薄，不会因为谁感觉不好就放过谁。
第二关：审美和判断力，才是真正的稀缺品
第一关练好了，马上就会掉进第二个坑——而且这个坑特别容易踩。
AI 用久了，人会变懒，这是真的，不是危言耸听。刚开始用的时候，你会逐字看、逐句改，生怕哪里出岔子。用了三个月之后，大概率只扫一眼开头结尾，中间过一遍，觉得"差不多"就糊弄过去了。
破绽往往藏在最不起眼的地方。比如破折号。AI 特别爱用破折号——它被训练的语料里，白皮书和正式文档堆成山，这种文风潜移默化就学过来了。我自己写东西基本不用这个符号，所以哪天我发的东西里突然冒出一串破折号，认识我的人扫一眼就知道：这不是我本人写的。
(写到这儿我自己也乐了——这一段我用了两个破折号。打脸来得太快。)
问题不在"是不是 AI 写的"这件事本身，现在谁不用 AI。问题是，一旦对方觉得"这可能没经过你的脑子",整条消息的可信度就会跟着崩。他们会开始怀疑：数据核实过吗？这个承诺是认真的吗？这事说大不大，但真碰上一次，挺让人沮丧的——尤其是那条消息本来是认认真真写的。
那怎么练审美？三个我自己在用的笨办法。第一，去扒你这行最好的范本——做销售的去拆同行卖得最好的话术，做内容的去拆爆款标题的结构，拆到句子层面，别只看结论。第二，建一个"我喜欢"的素材库，每次看到一句让你停下来的话就存下来，问自己它好在哪、可信在哪。第三个最容易被忽略——每次改了 AI 给的东西，把改动的理由写下来反馈回去。改了 5 处，就写 5 条"为什么"——啊，准确说，不是写给 AI 看的，是写给自己看的，免得下次又在同一个地方栽。
枯燥。但这步才是真正在让系统理解你的审美。
AI 能生产内容，但审美决定了哪些内容配得上签你的名字。
第三关：别死磕提示词了，去喂饱你的 AI
提示词工程这个词，前两年火得一塌糊涂——给 AI 一个角色、一套规则、几个示例，效果立竿见影。但说实话，这套东西的边际收益正在快速下降，模型本身越来越聪明，不需要你把话掰碎了喂。
现在更值钱的叫"上下文工程"。说白了，提示词决定 AI 怎么"问",上下文决定 AI"知道什么"。模型再强，它也不知道你脑子里在想什么、你手头的项目进展到哪一步、你上周跟客户那场会到底吵了些什么。不喂给它，它就只能瞎猜。
具体怎么做？最简单的一步——别再每次打开一个全新对话框了。建一个项目空间，Claude 里叫 Projects，扣子和飞书的知识库也是同一个逻辑，把相关文档、过去用过的好稿子、踩过的坑都扔进去当背景资料。这样 AI 给出的东西，是基于你的真实情况，不是泛泛而谈的"最佳实践"。
这跟带新人入职是一回事。新人第一天不会指望直接上手干活，得先讲公司业务、团队分工、当前项目优先级，讲完了才能真正帮上忙。AI 也一样，没上下文的 AI 就是个特别聪明、但什么都不知道的实习生——猜对了算运气。
嗯，这部分有点像收拾屋子。枯燥，而且每次都要从头再解释一遍背景，说实话挺让人心累的——但收拾完真的会顺手很多。
还有一点容易被忽略：你喂给 AI 的这些东西，大概率是外面搜不到的——你的经验、你的判断、你团队内部的标准。这才是让输出"不撞车"的关键。大家用同一个模型问同一类问题，出来的东西自然长得差不多。垫的料不一样，产出才不一样。Garbage in, garbage out，这句老话在 AI 时代反而比以前更准。
第四关：速度本身，就是这个时代的护城河
如果第二关是"知道什么是好的",第四关就是"用最快速度抵达那个好的"。这两项是一对，但单独拎出来，它自己就能决定输赢。
练这个最好的类比是教小孩骑自行车。你不会把孩子直接放上车说"自己骑去吧"。你会扶着后座跟着跑，感觉他往哪边歪就往哪边纠正一下，跑几圈之后慢慢松手，某天悄悄撕掉辅助轮，推一下，他自己就骑出去了。做 AI agent、做自动化，本质上是同一个过程——很少有什么东西能一次调对，喂数据、看结果、再调整，一轮一轮来。教过一个孩子，教第二个、第三个会越来越快，到第十五个的时候，这件事基本已经变成本能。
具体落地有几招，说出来挺土，但真有用。键盘快捷键挨个练一遍，少摸鼠标——这不是装，纯粹是省下来的时间一天天攒出来的。语音输入也是，打字永远比说话慢，飞书妙记、通义听悟这类工具现在已经很顺手了，我身边几个写东西的朋友已经从"打字思考"切换成"说话思考"。第三招最关键：别想着憋出一个完美版本再发布，先搭一个能跑的丑版本，跑起来，看哪里炸，改，再跑。这就是"做 POC"的全部逻辑。
但这一关还有一半，容易被忽略：知道什么时候该停。做 AI 工具最大的坑是"没有真正意义上的完成态"——永远有个"再加一个功能就更好了"。见过太多项目就死在这一步，不是技术不行，是团队耗到没了耐心，干脆撂下不管了。所以动手之前，先把"完成"的标准钉死，而且必须是一个具体业务指标，不是"做得更好"这种空话。客服自动化，看每天解决的工单数;销售自动化，看约到的有效会议数。定好了，做到了，转入维护模式——不然就是个永远填不满的坑，填进去的是你的时间。
每一次迭代都是一条数据。迭代得越快，你就越快知道什么真的有用。
第五关：给自己配一个贾维斯，不是给每件事配一个智能体
这条的灵感来自《钢铁侠》。托尼·斯塔克不会坐在电脑前一句一句给贾维斯打指令——贾维斯一直在背景运行，该提醒的时候提醒，该启动的任务自己启动。这跟第三关不一样：那一条是教 AI"知道你的事",这一条是教 AI"在你不下指令的时候，主动处理你的事"。
但这条最容易用歪。很多人一听"自动化""智能体",第一反应就是给每件小事都配一个 AI agent——写邮件配一个，做周报配一个，回客户配一个。听起来很酷，代价也跟着上来了。
我现在想这个问题，会用一个老掉牙但很管用的类比：自动贩卖机和老虎机。贩卖机是确定的——投一块钱，按 E4，出来一罐可乐，每次都一样。老虎机不是，拉一下杠杆，有时候赢，有时候输，有时候什么都没有。AI agent 本质上更接近老虎机：给它合适的框架和上下文，大概率给你不错的结果，但你永远不知道这一次会不会卡壳。
所以真正的问题不是"这件事能不能用 AI",是"这件事到底需要老虎机，还是贩卖机就够了"。每周一早上 9 点，把上周的营收数字从财务系统拉出来发到群里——这是贩卖机的活，一个简单的定时工作流就能搞定，几乎不会出错，成本低到能忽略。但要是处理客户发来的、措辞五花八门的咨询邮件，理解意图、判断情绪、生成有针对性的回复——这才轮到 AI agent 上场。
国内这块选择不少——啊，"不少"这个词太轻了，准确说，光是叫得上名字的工作流平台就有七八个，挑选本身都快变成一门功课。扣子背靠抖音和飞书的生态，模板多、上手快，适合不想折腾代码的人;n8n 是开源的，插件多到 1000+,适合想自己部署、对数据掌控要求高的人。具体选哪个不重要，重要的是先做一次"审计":把你每周重复做的事列出来，问自己两个问题——这事必须由我来触发吗？这事真的需要"理解"和"判断",还是写几条 if-then 规则就够了？
见过不少团队反过来做——智能体堆了一大堆，到头来没一个真正跑起来，纯粹烧钱。真正赢的那批人，不是在炫技，搭一堆带着上百个工具调用的复杂智能体。是在后台悄悄跑着一堆几乎不花钱、出错率极低的小工作流——你不在的时候，它们照样在干活。
第六关：用 AI 给自己上一份"失业保险"
压轴这条，我第一次听到的时候，反应是"这算哪门子技能"。但越想越觉得，这可能是 6 条里最被低估的一条。
它说的不是真去买一份保险，是给自己造一份。具体说，就是用 AI 搭建不止一份收入来源，这样任何一个老板、任何一个客户，都没办法单方面把你清零。
老一套的职业模型是：一份工作、一份工资、一个五险一金，鸡蛋全在一个篮子里。一旦被裁，从头开始——改简历、海投、等回复，那种煎熬，经历过的人都不想再经历第二次。新的模型更像"叠职业"(job stacking):主业之外，叠加一两条 AI 驱动的副业收入。我身边已经有不少人同时做着几份远程兼职、side project，叠起来的收入比单一份全职工作还高。
但有个误区必须先说清楚——不是让你同时在 5 个完全不相关的领域硬撑，那是在给自己挖坑，大概率累垮也赚不到钱。更好的版本是"一个主线任务，多条支线"。主业是根基，围绕你最熟悉的那个领域，衍生出课程、垂直 newsletter、咨询、小型工具产品——形式不同，内核是同一套专业积累。
怎么落地？最朴素的答案是"公开记录"。在小红书、视频号上，把你用 AI 做的小实验、踩过的坑、学到的东西记下来发出去。发的那一刻，你就开始"可被发现"了——机会、客户、合作邀约，基本都是这么来的。世界正在变成"人用 AI 搜信息",如果你在 AI 能检索到的地方完全不存在，以后被发现的成本只会越来越高。
几个扫兴但必须说的提醒：翻翻自己的劳动合同，看有没有竞业条款;该报备的跟公司报备;别拿公司数据练副业的手。这些事一旦出问题，代价比"没有副业"大得多。
总结
• AI 人是相对位置，不是头衔——在你的圈子里先迈出第一步，机会会找上门 • 审美和判断力是 AI 时代最贵的稀缺品，破绽往往藏在一个破折号里 • 提示词会过时，上下文不会——把背景资料喂给 AI，而不是每次从零开始 • 迭代速度本身就是壁垒，但先定好"完成"的标准，不然永远填不满 • 别给每件事都配智能体，先分清这事是贩卖机还是老虎机 • 副业不是不务正业，是给自己叠一份"失业保险",但记得守住合同红线
这 6 关里，我自己最近正在补的是第五关——后台那个"贾维斯",还停在贩卖机水平，离老虎机差得远，说出来挺丢人的。剩下五关，你打到哪一级了？
