夜雨聆风👆 阅读之前记得点击关注 + 星标⭐️，每天才能第一时间接收到更新呦～
这次在公司内部沃土计划的分享，我想讲的并不是"最近有哪些 AI 工具值得试一试"，而是另一个更重要的问题：
AI 时代，我们到底该怎么升级自己的工作方式？
很多人一提到 AI，第一反应是去学提示词、换模型、追新工具。但如果工作方式没变，最后很容易变成"工具装了很多，效率没真正提高"。
01｜AI 时代的个人成长，不只是学会几个新工具
这一页是整场分享的总起。
我想讲的核心其实有三个层次。
第一，AI 进入组织之后，人和 AI 的关系到底是什么。
第二，AI 越来越强以后，个人能力结构会发生什么变化。
第三，也是最落地的部分：我们怎么把 AI 从"偶尔问一句的聊天工具"，变成"真正能协作干活的工作搭档"。
所以这场分享表面上讲的是 AI 工具，实际上讲的是：AI 时代，个人应该如何重新设计自己的工作系统。
02｜AI 不是责任链上的第三个人，而是组织的能力层
这一页我特别喜欢，因为它把一个很容易被误解的问题讲清楚了。
很多人会下意识把 AI 想成团队里新来的一个人，好像以后领导提需求，AI 直接干活，员工只要在旁边看着就行。
但真实情况不是这样。
AI 更像是一层可以被所有人调用的能力。领导可以用它辅助判断，员工可以用它拆解问题、整理资料、生成方案、推进执行。它像一支随时待命的数字劳动力，但它并不真正"负责"。
也就是说，AI 很能干，但 AI 不负责。
对于项目经理来说，这个认知尤其重要。你可以让 AI 帮你整理风险、汇总周报、分析项目状态，但最后对项目结果负责的，依然是人。
这也是 AI 进入组织之后最关键的变化之一：能力被放大了，责任并没有转移。
03｜AI 时代的新 T 型人才：不是专业变浅，而是结构升级
这一页左边放的是一张很有代表性的图，来自于今年 5/6 月举办的Google I/O 大会。它原本讲的是开发者能力模型，但我觉得它对所有知识工作者都成立。
这张图最重要的地方有三层：
第一层，是中间那根最粗的纵轴，也就是你的核心专业能力。AI 变强，不代表专业能力变得不重要了，反而意味着专业判断变得更重要。因为 AI 可以快速生成答案，但它不知道这个答案放到你的真实业务场景里到底能不能用。
第二层，是横向扩展出来的相邻能力。比如项目经理除了项目管理本身，还需要理解业务、产品、技术、数据、协作这些内容。AI 让跨界学习变容易了，但"看懂"不等于"真懂"，真正的理解仍然来自场景和经验。
第三层，是最上面的 GenAI usage，也就是 AI 使用能力。它已经不是一个单独的小技能，而是会逐渐变成所有知识工作的通用操作层。
所以，AI 时代的新 T 型人才，可以概括成一句话：
专业要更深，能力要更宽，AI 要成为日常工作的底层能力。
04｜用好 AI 工具，不是学提示词，而是学会配置一个队友
很多人现在学 AI，最先接触到的都是提示词。
于是大家会自然地以为，谁掌握了更多"高级提示词"，谁就更会用 AI。
但实际工作里，真正决定效果的，往往不是一句提示词写得多漂亮，而是你有没有把足够的背景、规则、标准和资料交给 AI。
换句话说，AI 效果的上限，不只取决于模型能力，更取决于你有没有把它配置成一个能工作的队友。
这也是我这次分享最想强调的一个转变：
不要把 AI 只当成一个回答问题的工具，而要开始把它当成一个需要被配置、被训练、被接入工作流的协作对象。
05｜真正的变化，是从"使用工具"到"配置队友"
这一页讲的是两种完全不同的使用方式。
第一种，是大家最熟悉的"聊天式使用"。
想到什么问一句："帮我总结一下""帮我写一下""帮我优化一下"。这当然有用，但它的局限也很明显：AI 每次都像一个第一次见面的陌生人，不了解你的背景，也不知道你的标准。
第二种，是"Agent 式协作"。
你先把你的工作背景、目标、规则、偏好、常用模板告诉它；再把高频流程沉淀下来；再让它能连接文档、任务、知识库、外部系统。这样一来，它就不只是"回答一个问题"，而是在"完成一项任务"。
这两者的区别，可以用一句很通俗的话来讲：
前者是在临时找人帮忙，后者是在培养一个熟悉你工作方式的队友。
06｜用好 AI 工具，其实可以拆成五层
这一页我把方法论整理成了五层架构。
第一层，是上下文和身份文件。也就是先让 AI 知道你是谁、在做什么、遵循什么规则。
第二层，是记忆系统。把那些你已经反复纠正过的偏好、决策和经验留下来，不要每次重讲。
第三层，是技能包和工作流。把那些高频、重复、可标准化的工作，沉淀成一套固定流程。
第四层，是工具接入。让 AI 能直接访问文档、任务、会议纪要、业务系统，而不是每次都靠人手动复制粘贴。
第五层，是任务表达方式。也就是你如何把目标、资料、边界和完成标准交代清楚。
如果只记一句话，那就是：
先让它懂你，再让它记住你，然后教会它做事，最后给它接上工具。
07｜用一个项目经理最熟悉的场景，把这五层串起来
为了避免方法论太抽象，我在 PPT 里用了一个很具体的例子：项目周报与风险跟踪。
这是很多项目经理每周都要重复做的一件事。信息通常分散在会议纪要、项目群、任务系统、计划表、沟通记录里。真正花时间的，往往不是思考，而是在不同地方来回找、来回复制、来回整理。
如果用前面那五层方法，这件事就能被重构。
先把项目目标、里程碑、分工、风险规则、周报模板交给 AI，这是上下文。
再让它记住领导关注点、历史决策和表达偏好，这是记忆。
接着把"收集进展、比对计划、识别风险、生成行动项、输出周报"沉淀成固定流程，这是技能。
再把会议纪要、任务系统、项目文档接进来，这是工具。
最后明确验收标准，比如每个风险都必须写影响、责任人、动作和截止时间，这是任务表达。
这样一来，AI 处理的就不只是"写一份材料"，而是在协助完成一套完整的项目动作。
08｜第一层：先把"说明书"放对地方
这一页讲的是最容易被忽略，但其实最基础的一层。
不管是 Codex、Claude Code，还是 WorkBuddy，它们都有一类很重要的文件，本质上都是在干同一件事：给 AI 一份"工作说明书"。
它里面要写的，不是空泛的口号，而是非常具体的内容，比如：
你是谁，你做什么工作。
你常用什么风格和模板。
哪些事情可以直接做，哪些事情必须先确认。
你的工作目标、交付标准、禁区和边界是什么。
很多人用 AI 效果一般，不是模型不够强，而是因为根本没给它足够的上下文。对 AI 来说，没有说明书，就只能靠猜。
09｜以 WorkBuddy 为例：三个文件，决定它到底懂不懂你
这一页我专门放了 WorkBuddy 里很典型的三个文件：IDENTITY.md、USER.md、SOUL.md。
你可以把它们理解成三个不同层面的配置。
IDENTITY.md 解决的是"它是谁"。也就是 AI 应该用什么身份、气质和口吻跟你协作。
USER.md 解决的是"你是谁"。也就是你的工作方向、背景、偏好、交付要求、常用目录和长期目标。
SOUL.md 解决的是"它应该怎么做事"。这里面放的是你的原则、边界、行为方式和判断标准。
这三个文件看起来像配置，实际上是在帮 AI 建立稳定的协作人格和工作方式。
很多人抱怨 AI "不懂我"，本质上不是 AI 不够聪明，而是你从来没有系统地把这些信息告诉它。
10｜第二层：把重复纠正，变成长期资产
很多团队在使用 AI 的时候，会掉进一个低效循环：
这次说"汇报先讲结论"，下次又忘了。
这次说"不要写空话，要给动作"，下次又来一遍。
这次说"数据没确认不要乱写"，下次还是一样。
如果每次都靠嘴提醒，那 AI 永远像刚入职第一天的新人。
所以第二层的重点，就是把这些反复出现的纠正沉淀下来，形成长期可复用的记忆。
我建议重点记三类内容：
第一类是偏好，比如喜欢什么表达风格、什么结构、什么呈现方式。
第二类是决策，比如项目为什么这样做、什么事情已经定了、哪些方向不能变。
第三类是教训，比如什么坑踩过、什么地方容易错、哪些环节必须提前确认。
一个很实用的判断标准是：
同一件事，如果你已经纠正了两次，就不要准备纠正第三次了，直接写进记忆。
11｜第三层：把高频流程，封成技能包
这一页右边我放了一个很适合拿来讲的 Skill 制作流程。
步骤一，先发现场景和需求，用一个比较宽泛的提示词，让 AI 先把这项任务做一遍。
步骤二，基于你自己的标准和审美，不断给反馈、不断迭代，直到它达到你的要求。
步骤三，再让 AI 把刚刚这整轮迭代过程，整理成一个可复用的技能包。
步骤四，最后设计上手引导，上传到 GitHub 或团队空间，分享给其他人。
这套流程的价值很大，因为它把"个人的一次性调教"，变成了"团队可以重复使用的能力资产"。
换句话说，Skill 不是一句提示词升级版，而是把一个成熟做法封装成一个可复制的工作方法。
12｜第四层：别再复制粘贴，给它接上外部工具
这一页想讲的是一个很现实的问题。
很多人觉得自己已经在用 AI 了，但实际大量时间还花在手动搬运信息上：从文档复制一段，从群里复制一段，从任务系统再复制一段，然后贴给 AI，AI 做完以后再复制回去。
如果流程还是这样，效率提升其实很有限。
所以第四层的重点，就是给 AI 接上外部工具和业务系统。不同平台叫法不同，有的叫 MCP，有的叫 Connector，本质上都是让 AI 能直接读和用有权限的数据。
当 AI 可以连接会议纪要、任务系统、知识库、项目文档、邮箱、日历之后，它处理的就不只是文字，而是真正的工作流。
对项目经理来说，这一步的意义尤其大。因为项目管理里最耗精力的，往往不是"写"，而是"找""对""汇""跟"。
工具一旦接上，很多基础搬运工作就能被自动化掉。
13｜第五层：会提问，不如会交付任务
很多人总在研究怎么"提问"更高级，但真正会用 AI 的人，往往不是在提问，而是在交付任务。
一个好的任务描述，至少要讲清四件事：
目标是什么。
资料范围是什么。
边界和限制是什么。
什么叫完成。
比如"帮我写个项目周报"这种说法，AI 只能靠猜。
但如果你说："请基于本周会议纪要、任务状态和项目群进展，输出一份风险周报；每个风险必须写明影响、责任人、处理动作和截止时间；不确定的信息必须标记待确认，不能自行补造。"
这时候，AI 才真正有机会交出一份可用结果。
所以，好的提示词不是辞藻高级，而是任务定义清楚。
14｜换工具时，真正应该看什么
这一页我没有想把它讲成工具测评，而是想提醒一个判断标准。
无论是 Codex、Claude Code，还是 WorkBuddy，名字不同、界面不同、主打卖点也不同，但真正值得看的，其实还是那几件事：
它有没有稳定放上下文的地方。
它有没有记忆能力。
它能不能把流程复用成技能。
它能不能接外部工具。
它能不能稳定进入你的真实工作流。
所以选工具时，不要只问"哪个模型更聪明"，而要问：
哪个工具更适合沉淀我的工作方式，更适合接入我的工作环境。
15｜新项目开始时，先搭一个最小 AI 操作系统
这一页给的是一个非常实操的起手式。
面对一个新项目，不需要一上来就做一整套很复杂的 AI 体系。更可行的方式，是先搭一个最小版本。
先写一份项目说明，让 AI 理解项目背景和基本规则。
再把边界讲清楚，哪些内容不能外发，哪些动作必须人工确认。
然后把高频纠正顺手记下来，不要等以后再整理。
接着先接两三个最常用的系统，优先解决复制粘贴最严重的部分。
最后挑一个最高频的流程先做成 Skill，比如周报、纪要、风险检查、需求梳理。
这一步的重点不在"大而全"，而在"先能用"。先跑起来，再在真实使用中不断补齐。
16｜很多人看起来在学 AI，其实还停留在工具层
这一页总结了三个特别常见的误区。
第一个误区，是只追新工具。今天试这个，明天试那个，看起来一直很忙，但工作方式没变。
第二个误区，是 AI 没有进入高频工作流。偶尔问一句当然不难，但只有当它稳定进入周报、纪要、分析、复盘这些高频工作，才算真正产生价值。
第三个误区，是没有沉淀经验。每次都重新解释、重新纠正、重新给资料，相当于每天都在培训一个新人。
所以真正该积累的，不是提示词收藏夹，而是你的模板、规则、记忆、流程和知识资产。
AI 用得越久，这些沉淀越重要。
17｜最后一句：不要只学工具，要重构自己的工作系统
这一页是整场分享的收束。
我最想传递的一句话是：
真正的竞争力，不是"我用过多少 AI 工具"，而是"我能不能用 AI，把自己的专业经验变成一套可复制的工作系统"。
这句话背后，其实对应的是三个很现实的问题。
你的核心专业，够不够深？
你的相邻能力，够不够宽？
AI，是否已经真正嵌入你的工作流？
AI 一定会越来越强，工具也一定会不断更新。但对个人来说，真正能形成长期差异的，不是追工具，而是把自己的经验沉淀成系统，把自己的专业能力和 AI 结合起来。
说到底，AI 时代最值钱的，不是"会不会用几个新工具"，而是：
你有没有开始把自己的工作方式重做一遍。
结语
如果把这篇文章压缩成最短的一句话，我会这样说：
专业判断留给自己，重复劳动交给 AI，做过的经验一定要沉淀下来。
这可能比学会任何一个新工具，都更重要。
最后记得⭐️我噢，如果觉得文章还不错的话可以点赞转发推荐评论，😘😘😘～