夜雨聆风大家装好AI后，发现有一个常见的卡点：很多人"不知道下一步做什么"，工具就静静躺在电脑里，偶尔问侯一下，慢慢就吃灰了。
一、写脚本——让AI写给AI的说明书
这里说的"写脚本"，不是你自己写代码，而是让 AI 帮你写，这个脚本也不是给你用的，是给 AI 用的。
所谓脚本，主要包括Markdown说明文档、一段Python、一份json配置文件，关键是AI能读懂就行，人不一定能看懂。
这东西有什么用？有两个真实场景：
场景1：让AI帮你装AI工具
大部分同学都能自己装WorkBuddy，但不一定装得上Claude Code、OpenCode这些coding工具——需要配置环境，配置API等等，每一步都能劝退。
我的经验是，只要你会用WorkBuddy、豆包，你就使劲的让它们去安装你想要的AI工具。
提示词可以极简到：帮我安装xx工具。
如果AI帮你装上了，你就它写一份「xx安装指南」，即使它没有装上，也让它写一份「xx踩坑总结」——哪一步报错、到底是什么原因。
下次你的AI工具坏了、需要重装，你就让任何一个AI回读上面的文档，AI马上满血复活，不用再求人了。
下图，是我用Qwencode在电脑安装Claudecode，让Qwencode总结的md脚本，只要你有DeepSeek API，让其他AI读这个脚本，Claude Code几分钟就装好了。
场景2：让AI写交接脚本
用AI时间长了，有一个真实的痛点：你让AI跑一个长任务，比如下载几千份资料，清洗几百条数据，聊着聊着，你发现对话框显示上下文90%+了。
一旦你的上下文100%，有的AI会自动压缩、逐渐失忆，也有AI直接报错、卡死。
这时候你别硬撑，在上下文90%的时候，记得让对话中的AI写一份交接文档：任务进展到哪了、已经产出了什么、下一步要做什么、有哪些注意事项，再配上必要的脚本。
然后，你开开心心打开一个新对话/窗口，让它先读交接文档，任务衔接会非常丝滑，像一个靠谱的同事交接了工作。
下图，我正用AI下载上海地区几千份劳动裁判文书，发现上下文即将溢出，让AI写的交接文档。
一句话总结：脚本是AI的"SOP和操作手册"。让AI把脚本写下来，它下次就能照着重做一遍，你的经验，从此可以复制。
二、抓数据——建立你自己的数据资产
这两天，我在直播谈到淘天集团、小米、百度等构建AI Native组织的经验，他们都提到一个非常高频的词——知识底座。
基本共识是，一个AI Native团队的理想形态：是以一个完整业务单元为边界的“知识底座＋Agent＋人”三层闭环——人定目标、做判断，Agent负责串联和执行。
知识底座——除了业务知识（产品知识+经验知识等），还有一个非常重要的部分，数据（内部运营数据+外部市场数据）。
网上随手搜的二手信息，谁都能喂给AI，产出自然平庸，只有你自己抓回来的一手数据，才是你和别人拉开差距的东西。
以外部数据为例，大概有两类：
1、垂类数据
聚焦大厂的招聘数据抓取，包括岗位名词，岗位需求、岗位分布，招聘人数、发布时间等，你可以用来做人才供给分析、画岗位地图。
之前我们扒过80多家大厂的招聘网站，攒了36万+条岗位数据——竞品在招什么人、HC往哪个方向倾斜、岗位JD里开始出现什么新技能要求，你可以全部自动抓回来，变成你个人的私有数据资产。
当你做招聘策略、写人才报告、跟业务对话，底气完全不一样。
下图，根据美团招聘岗位提炼的AI高频技能。
2、全域数据
除了招聘数据，外部值得抓的数据还有很多：
📊 地区统计年鉴
区域经济情况、在校学生、消费指数——做区域人才趋势。
📈 上市公司财报
标杆公司的人效、高管薪酬、研发强度——做薪酬对标、行业研究。
⚖️ 当地政府最新数据
社保基数、最低工资、最新劳动仲裁判例——做用工合规、风险预警。
🏆 当地最佳雇主 100 强
纳税、就业、区域布局——做雇主品牌和竞品格局分析。
以前这些数据要靠手工一点点收集，一个课题做两周。
现在触手可及。你只要学会跟你的AI敲出提示词："帮我去抓xx的全量数据……"
剩下的，让AI去干。
三、搭系统——让你的工作被看见
按AI工具使用熟练程度，建议分三步走：
第一步：搭看板
先把你的工作成果结构化、可视化。以前你工作汇报用Excel、Word、PPT来回倒腾，现在一步到位生成一个HTML页面：有数据、有图表、随时可以打开。
第二步：搭工作台
所谓工作台，你的页面开始嵌套各种表单、绑定工作流，当你底层数据更新后，页面自动刷新，页面还可推送到不同的人。
第三步：建系统
当你的页面接入不同的API入口，或跟公司内部的数据接口打通、或对接外部的数据源，你的系统有稳定的服务器支持。你的逐步从半自动走向全自动。
这套方法，我们自己是完整跑过的：
之前给游戏公司搓出14个HR子系统（校招、社招、干部、绩效、薪酬、培训、员工关系）
后来，又给科技公司搓出来12个HR子系统。
关键的心得是：所有子系统共享同一份数据底座，组织架构、职级、薪酬、绩效都来自同一份档案，系统才不会各说各话。
写在最后
这三个技能是有递进关系的：
写脚本，是让AI按你的规矩干活；抓数据，是给AI备好干活的一手原料；搭系统，是把活儿固化成能持续运转的工具。
当然，这三个技能，看文章，你能看清的只是思路。
要想动手，还是建议你跟跑得比较快的同学学——他们踩过的坑、调好的脚本、跑通的流程，都是一手经验。
线下活动，我们提供现成的案例、脚本，想抄作业，来线下吧。
最近，线下活动日期：8月22日上海，8月23日深圳，8月29日北京，8月30日是杭州，9月5日广州。
✅ 扫码咨询，请备注："城市+AI活动"
