从 7 月开始，我在用 AI 的过程里；

开始把自己在项目上和AI沟通的反复重复的流程，用 SOP 固化。

要么开始有意识地手搓自己的 AI Skill、工作流，以及陪跑的 IP 项目的内容中台系统，并且逐渐迭代；

要么做成skill、要么做成操作手册 SOP，保存在项目里，下次做同样的项目，不需要再给重复的沟通背景，直接引用文档，再补充新信息即可。

在这个过程里，我逐渐尝到了甜头：

当我搓出来的工具真的符合自己的品味、真的契合自己的业务场景的时候，它和我的配合会越来越丝滑、顺利，能更懂我，极大的减少沟通效率。

感觉自己的业务能力和思考深度，也在逐渐提升。

工欲善其事、必先利其器。

这个工具的作用是帮我把我平时的截图，提取文字并且整理到我的知识库。

因为我平时有高强度刷即刻、刷微博、刷公众号和群消息的习惯；看到我觉得有用的内容，我都会顺手截个图，或者保存图片到电脑里。

但是在这之前，就算刷到好内容就截图，截完也往往是石沉大海了，因为图片上的文字没办法被搜索到，也很少专门抽出来时间去把自己截的图片全部整理一遍。

就算我特地保存到了电脑里，一下子看过去，也看不出来每一条分别讲得是什么，以及里面的文字内容也没法检索。

我之前为了解决这个问题，特意购买了 cubox 的剪藏会员；但是用了一年多以来，发现 cubox 剪藏功能的实现方式，可自己需要的还是有出入，交互方式复杂、直接检索文字效率偏低、不能直接导出到本地等等；达不到自己想要的效果。

所以我做了这个非常轻巧的小 skill；

它的作用非常简单：

我只要截图之后，顺手把截图的结果复制到 claudecode 对话框，选中 skill，这个 skill 就会自动帮我实现：

 OCR 提取图片文字 → 识别图片里的观点作者 + 核心观点作为文件标题 → 生成格式化笔记 + 原图一起存入我的本地 obsidian知识库。

这个 skill 做好之后，我用它一次性批量先把我之前存的几十张文字截图，全都转化了一遍，放在我的本地 obsidian 知识库里，自动为每一张截图起好了名字，而且读取了图片上的文稿；

这样我的随手发的截图，就不会再是一次性、丢了就忘的消耗品；

可以变成沉淀在我的本地 obsidian 知识库里可搜索、可关联的知识卡片。

每一篇文稿我能够看得到名字，也更能回想起来它的主题，方便我及时回顾。

做完这个 skill，我之后也确实没必要给类似 cubox 这样的自动剪藏软件付费了。

这个 skill 帮我解决的是“花了大量 token ，但是不知道 token 花到了哪里、做了哪些任务”的问题；

每个月复盘，看着自己的 token 消耗量几个亿几个亿的涨，可能觉得很爽；

但是，消耗得多就代表产量高吗？消耗得多就代表投入的值吗？总量消耗多，那各个项目的具体分配情况如何呢？

比消耗多少 token 更重要的，是用 token 做了什么工作，创造了多少价值；

不做一遍具体的回顾和分析，是看不清楚的。

在高强度和 AI cowork 的情况下，token 花在哪里，就代表我的注意力投入在了哪里；

我希望时刻保持对我所做的任务和工作量的觉察：

让我知道我到底在用 AI 做了哪些项目、不同项目上花了多少心思、从 token 的消耗比重和结构上，能看出来我的业务目前经历了怎样的发展轨迹，等等……

它的工作原理是：

我想要回顾的时候，就对它说“帮我回顾我最近一周/一个月/两个月的我的token消耗记录”；

然后它就会读取我的本地 Claude Code + Codex 使用日志 → 统计每个会话 token 消耗 → 一句话帮我总结我在不同项目的每个会话里在做什么 → 生成 Markdown 日报 + HTML 周报看板。

这个 skill 是我目前觉得非常有希望持续迭代，并且最终产品化的一个 skill。

它来源于我要在目前的项目上做短视频 IP 选题；

除了做常规的选题策划以外，我还需要基于当下最流行的热点，来去帮我找到一些目前比较时兴的有流量的话题，策划当下的流量型爆款、热点选题；

传统的方法找流量热点选题，要靠手动一个一个翻，不光效率低、容易遗漏，而且还要投入不少的时间；

于是我设计一套我想要的【挖掘对标流量爆款选题】的工作方法，然后把这套工作方法搭成了 claudecode 每周一早上 8 点定时启动的工作流：

1. 每周一早上 8 点，claudecode 自动启动定时工作流，开始检阅我在【飞书】搭建的【对标账号库】里的十几个账号最近一周的内容更新；

2. claudecode 会自动抓取我的这批对标账号的新视频数据，包括标题、数据、封面、文案；

3. 通过分析新产出视频的流量属性、以及与我所在的项目的选题关联度；

4. 从中选取和我目前做的项目本身相关的选题，制作选题创作卡，作为给我本周的选题提报建议。

这一整套爆款流量选题挖掘流水线，在每一周开始都能帮我推送我当下适合去做的爆款选题作为参考，让我的选题始终能够跟得上当下的热点；对我的帮助还是比较大的。

基于我目前的一个短视频 IP 项目，从选题到交付到复盘的完整内容生产线，搭了一个本地工作台（浏览器打开即用）。

整套工作台的逻辑，复刻我自己在这个项目上操盘的思路、方法、和完整的步骤。

除此以外，这段时间还自己自制了不少大大小小的工具；

比如给我 IP 选题建议的自媒体顾问、帮助我回顾知识库的知识管理卡片、打通我的 Notion 和 ClaudeCode/Codex 的日程管理工具，等等；

也在用最新版的 gpt 5.6 模型和 fable 5，把我之前搭建的智能体工具，一个个升级提示词后，再 skill 化。

比如，我的带货直播拆解助手。

不少工具还在迭代和试错版本，后续有机会再具体分享。

阶段性总结一下我目前的收获和心得：

一、从业务里具体的痒点、痛点出发，实用是最大的目标

真实业务里具体的痒点、痛点，往往都是手搓出一个工具的好的出发点。

不要自上而下地想着，我要搭一个特别牛的系统，来怎么怎么样；

而是直接从我真实会用到的工作场景里找到可以固定化的流程，尝试用 AI 去搭建工具，把它标准化地解决。

这样的工具才是真实根植于业务土壤里的，而不是虚浮的空中楼阁。

实用价值是第一要义。

二、第一版只求"能跑"

第一版的目标不是"完善"，是"验证这条路走得通"。

第一版自用版本，能用就行，我不追求普适化，也不追求界面一定要好看。

如果第一版我就要求特别高，想要普适于更多人、想要能够产品化、想要有好看的可视化界面，那说明我的心思并不在于“解决我的问题上”；而是在“表演性努力”。

三、把业务逻辑翻译成产品逻辑——整个过程里最值钱的一步

搭建 Skill/工作流，本质上是我在做一件事：

把针对于具体某部分业务的经验，先 SOP 化；

然后把这个流程翻译成 AI 能理解的明确规则、逻辑、机制、边际。

而这个翻译过程，会逼我想清楚很多没有细想业务细节，能进一步夯实我的业务逻辑。

举个例子。我

做短视频选题，对标十几个同赛道账号。以前每周翻一遍，凭感觉判断"这条数据不错"。

但当我要把这个判断写给 AI 的时候，我必须要让他明白："数据不错"、“爆款”到底是什么意思？

一个 1 万粉的账号视频拿到了 5000 赞，这是爆款。

一个 100 万粉的号，视频拿到了 5000 赞，这只是它的日常水平。

看绝对数没有意义，真正需要看的是：

"相对于这个账号的正常水平，这条视频的相对水平"；

“这条选题，是不是其他人发，数据也都更好？”

“这条视频的数据，是不是自然流数据，有没有人为的数据投放或者灌流量？”

搭建 skill 的过程，我就需要把这条业务认知，传达给 AI ，它才能帮我拿到更靠谱的业务结果。

所以，基于业务手搓 skill 和工作流的过程，也很像“费曼学习法”的践行；

 AI 就像是一个能和我切磋交流的对手，写 Skill 的过程，就是在倒逼我需要把我的业务梳理一遍，然后用清晰的逻辑、机制，表达给 AI；

对我对业务的理解，本身也是一个补足、精进的实践。

四、优先定纪律，而不是堆功能

搓到中期最容易犯的错是"加功能"：这也能做、那也能做，恨不得什么都塞进去。

有好几次，我都想过在一个 skill 上增加几个不同的功能，让它能更加“全面”；

但是越搭，越容易出错，不同功能之间的规则越来越容易碰撞；反而连最开始的功能都不好用了。

最后我想明白了：真正让系统靠谱的不是功能多，是纪律清晰。

如果有好几个功能相互独立，我宁可用不同的 skill 分别实现，也不要把它堆到一个 skill 上面。

任何一个产品，最优雅的版本一定是刚跑通 MVP 的小而美版本，随后一旦开始往上堆功能，就会变得越来越臃肿。

所以我也会提醒自己，要避免熵增，要时刻对抗自己的“贪欲”，克制自己对“大而全”的偏好。

回头看，这段时间手搓工具的过程教会了我一件事：

手搓 Skill，就是要让我先作为需求的发起方，把平时模糊的业务判断、经验、方法论、习惯翻译成明确的业务 SOP，然后让 AI 作为这个需求的接收方去执行。

对我最大的约束，是需要我理清自己的业务和需求，否则，AI 的执行只会一步错、步步错。

以及，不要一上来就想搓一个多复杂的系统，最好的方式，就是从我最重复、最烦、最想固定化的一个小环节开始。