如何在30天内把AI从“零散提问”升级为“持续改进的工作系统”

具体的SOP操作步骤

阶段一：第1-3天——诊断使用深度与选定任务（目标：评估当前AI使用状态，找到第一个值得系统化的场景）

步骤①：先看使用深度，别急着换工具（解决什么：用“任务数量”代替“工具数量”衡量AI使用效果）

• 背景与目的：52%已经使用AI的人只把AI用在一两项任务上——其中45%感到生产力明显提升。当任务增加到七项以上，这个比例升到90%。工具没有换，交给AI的工作种类变多了。真正从AI得到价值的人，每周至少花8小时培养AI能力。真正值得追踪的不是“开了几个AI工具”，而是“AI已经接住了多少种真实任务”以及“这些任务能否稳定节省时间”。

• 具体操作：

  • 花1小时，写下本周所有你觉得“重复”“耗时”“有规律”的工作任务（至少10项）

  • 标记出哪些任务已经交给了AI，哪些还在手动

  • 如果标记出的AI任务少于5项，说明还停在“零散提问”阶段

  • 目标设定：未来30天，把AI处理的任务从当前数量扩展到7项以上

  • 输出：一份“AI使用深度评估表”（当前任务数/目标任务数）

步骤②：让AI先采访你——找到第一个高频低风险场景（解决什么：不知道从哪开始时，让AI帮你找到切入点）

• 背景与目的：Erik Brynjolfsson研究AI对工作的影响，也把AI用在日常生活中。他的入门方法很简单——别先研究提示词大全，直接让ChatGPT或Claude询问你的工作、家庭、上周最头疼的事。聊完以后，AI通常能给出十个可尝试的场景。遇到医疗等高风险问题，他会让AI帮忙准备问题，最后仍由真人做决定。先用一次访谈找到任务，再挑一个高频、低风险的场景开始，比漫无目的试工具更容易看到回报。

• 具体操作：

  • 打开AI工具，输入：“告诉我你能怎样帮助我，然后不断问我问题，采访我。我想让你了解我的工作、我的日常流程，以及上周最让我头疼的事。”

  • 让AI向你提问至少10个问题，你逐一回答

  • 回答完毕后，让AI基于对话生成10个可尝试的AI应用场景

  • 从这10个场景中，选一个最重复、最耗时、错了成本最低的场景作为第一个切入点

  • 输出：一个“第一个AI工作流”的任务定义

阶段二：第4-14天——构建第一个Skill并完成首次迭代（目标：让AI从“问一句答一句”变成“按流程完成整项任务”）

步骤③：把每周重复的事写成Skill——即使一开始很乱（解决什么：把零散提示词固化为可反复调用的工作流）

• 背景与目的：Peter Yang把播客制作、Newsletter编辑、不同社交平台的发布格式、每周经营数据复盘——所有工作流一股脑讲给了Codex。原本每周要花一小时统计各平台数据和内容表现，现在系统会自动找出异常，生成一份经营简报。Skill的起点通常很乱，就是那些仍在手工复制、改格式和查数据的麻烦事。先动手写，不要等完美再开始。

• 具体操作：

  • 针对步骤②选定的任务，执行以下操作：

    1. 手动做一遍：完整执行一次任务，记录每一步做了什么、用了什么工具、花了多少时间

    2. 把流程讲给AI听：用口语化的方式描述这个任务的目标、步骤、输入来源和输出格式

    3. 让AI生成第一个版本：让AI把这个描述转化成一份可重复调用的Skill（可以是一个提示词模板、一组指令，或一个Agent配置）

  • 第一次不用完美：Peter的Skill很少一次做对——先跑起来，再改

  • 输出：第一个可运行的Skill（哪怕不完美）

步骤④：用完别关掉——用反馈让Skill记住这次修改（解决什么：让Skill“越用越准”，而不是每次都从零开始调整）

• 背景与目的：Peter的Skill很少一次做对。真正有用的动作发生在任务结束后：他把刚才的来回沟通交回给AI，请它更新Skill，下次更接近一次完成。修改仍要人工检查，避免一次偶然偏好变成长期规则。AI做到90%，最后10%由人完成；这10%的反馈又会成为下一版工作流的材料。

• 具体操作：

  • 执行完一次Skill后，执行以下“反馈循环”：

    1. 回顾执行过程中你手动修正了哪些地方

    2. 对AI说：“根据我们刚才的对话和修改，更新这个Skill，让它下次更快做对。”

    3. AI会根据修改记录更新Skill

    4. 人工检查更新后的Skill：确认改动是否合理，避免一次偶然偏好变成长期规则

  • 重复这个循环3-5次后，Skill会变得越来越接近“一次完成”

  • 输出：经过至少3次迭代的成熟Skill

阶段三：第15-21天——给AI固定上下文并建立边界（目标：让AI“懂你”且有明确的权限）

步骤⑤：给AI固定资料——语气、策略、目标和原则（解决什么：让AI给出“像你”的回答，而不是平均化的通用答案）

• 背景与目的：主持人给出的基础资料很固定：语气、业务策略、个人目标、决策规则和个人原则。这里不用追求一次写全，先放入真正影响输出的文件即可。AI之所以显得“懂你”，通常因为它拿到了稳定上下文；没有资料，换再强的模型也只能给出平均化答案。

• 具体操作：

  • 建立一份“AI上下文文档”，包含以下内容（先写能写的，不用一次写全）：

    • 语气和风格：你希望AI用什么口吻表达（正式/亲切/专业/活泼）

    • 业务策略：你的产品/服务是什么，目标客户是谁

    • 个人目标：你希望在什么时间点达成什么结果

    • 决策规则：什么情况下你倾向于做什么决策（如“低价单不接”“优先考虑长期客户”）

    • 个人原则：你在工作中不妥协的原则是什么

  • 把这个文档放入AI工具的内存/知识库，告诉AI“这是关于我的背景信息，每次对话都参考它”

  • 每次AI给出的答案不像你时，更新这份文档，加入更具体的偏好

  • 输出：一份“AI上下文文档” + AI首次使用后的校验

步骤⑥：建立使用边界——让AI起草和追问，把发送键留给人（解决什么：让AI成为“幕僚”而非“决策者”）

• 背景与目的：可汗学院允许AI连接Slack、Gmail和文档，用它寻找“哪些事正在被漏掉”，再像助理一样起草回复。边界写得很清楚：AI可以写邮件草稿，不能自行发送；可以准备社交内容，不能直接发布；涉及医疗和战略的决定，需要真人确认。Sal每天都会问AI“什么事情正在掉到缝里？”AI读取消息和邮件，发现久未回复的事项后先写好草稿，再等他确认。AI在这里像一位随时待命的幕僚，但没有发送和拍板的权限。他还发现，AI很喜欢附和人——现在他会明确要求“批评我，真的反驳我”。

• 具体操作：

  • 在建立AI工作流的同时，明确以下三条边界：

    1. 起草权：AI可以起草邮件、内容、方案，但发送键必须由人按下

    2. 汇报权：AI可以发现问题、标记异常、提出建议，但重要决定必须由人确认

    3. 反驳权：要求AI在执行分析任务时，主动提供3个反例或反驳理由，避免“附和”陷阱

  • 在每次AI返回结果时，检查是否越过了边界——如果越过了，调整提示词或Skill，明确哪些动作不允许

  • 输出：一套AI边界规则 + 第一次“起草+人工检查”的完整流程

阶段四：第22-30天——扩展系统并建立长期习惯（目标：把第一个Skill扩展到多个任务，让AI系统持续运转）

步骤⑦：扩展任务数量——从第一个Skill到多个Skill（解决什么：从一个能用的工作流，扩展到7项以上的AI任务）

• 背景与目的：当AI处理的任务从1-2项扩展到7项以上，生产力提升的比例从45%升到90%。这种提升来自连续性使用——不同任务被接进同一套日常流程，省下来的时间每天都会重复出现。主持人描述了她的早晨：让AI写邮件，用Perplexity做投资研究，再把经营数字汇进一个仪表盘。没有特别炫的单项任务，价值来自连续使用。

• 具体操作：

  • 用步骤③-④的方法，为更多任务建立Skill：

    • 第4周：在第一个Skill的基础上，新增2-3个高频任务

    • 使用场景参考：邮件起草、周报汇总、数据采集、内容初稿、客户回复、会议整理、资料归档

  • 检查：当AI处理的任务达到7项以上时，每周省下的时间应该有明显感知

  • 输出：至少3个可运行的Skill + 一个包含7项AI任务的工作流清单

步骤⑧：算清楚时间和成本账（解决什么：用真实数据判断AI投入是否值得）

• 背景与目的：可汗学院约有200名工程师，每年Anthropic账单120万美元。有位工程师一天花了3000美元算力——团队复盘后发现，他用几小时完成了过去需要三四个月的工作。Sal说：“花得值，继续用。”成本判断要回到具体任务：花了多少钱，替代了多少工时，产出能否真正投入使用。管理者不能只看总额，也不能只鼓励“多用”——一笔成本是否合理，要看它对应了什么交付，以及这次提速能否在真实产品里重复。

• 具体操作：

  • 每周记录三组数据：

    • AI花费：API费用/工具订阅费（按周估算）

    • 省下时间：原来手动完成这些任务需要多少小时

    • 质量差异：AI辅助后的结果与纯手动相比，质量更高还是更低

  • 判断标准：如果AI花费 < 你每小时时间价值 × 省下的小时数，这笔投入就是值得的

  • 输出：一份“AI投入产出周报”