即刻App年轻人的同好社区
下载
虽然经常演讲说 AI 10 倍提效很神奇，但实际上我自己做 Agent 把工作交接过去也很笨拙，也需要花不少时间，很少有一把搞定的时候。
比如最近《AI 炼金术》播客更新了好几期，自己觉得内容质量很高，想要把内容转化成长文到《AI 炼金术》也发一遍，一鱼两吃。作为一个搞 AI 的，这种 Transform 类型的工作当然要设计一个 Agent （GPTS 或者 Gem）搞定啊，日后把这个 Agent 嵌入到播客制作工作流，直接一次性出文章，岂不美哉。
于是就开始了漫长的调试：
1. 直接手搓提示词看效果：直接写提示词让它出长文，总有问题。一是会很像是在转述播客，而且用词有点羞耻（“一开始，任鑫就抛出了一个敏锐的观察……”）；二是会莫名很科技小编（“AI的浪潮已经席卷了我们生活的方方面面，从AIGC的惊艳内容创作到各种效率工具的涌现，我们似乎每天都在见证历史。但一个问题也随之浮出水面”）；三是狂喜欢用 bullets。
2. 尝试优化 prompt 偷风格：让它别用 bullets，而且要“模仿 Packy McCormick、Ben Thompson 和 Benedict Evans 的风格写”，好了一点，但总感觉很“白”，像是有人给我转述播客，没有洞察感。
3. 改试别的文风：让它模仿小晚和张小珺的风格，结果莫名文风就中二起来（“夜幕低垂，AI的星光却愈发耀眼。但在这片看似无限可能的星空中，一个略显尴尬的现实正被AI炼金术的两位主理人——任鑫与徐文浩——反复提及”）。
4. 换成以我自己口吻写：为了规避“被中二”的提及方式，提示词里加了“我就是其中的任鑫”，果然自然了很多，但整体阅读体验一般，还是有些缺乏结构感。
5. 让 AI 帮忙写提示词： 放弃自己写提示词，直接问 O3：“我想要把我的《AI 炼金术》的播客录音文字稿，直接转换成高可读性的公众号长文，录音一般是两人对谈的形式，公众号文章用什么形态最适合呢？海内外有哪些最佳实践可以借鉴么？”它给了我很多建议和例子，最主要是介绍了 “Highlight + 深度解读”的最佳实践。我让它直接写了 Prompt 给我抄。
6. 不同模型测试： 用 O3 自己试了一下，出来内容完全是垃圾（O3 真是纯正理工直男）；改用 Gemini，发现整体结构很漂亮，就是字数、话题数、文章细节结构有些问题。这没办法，它也不是我肚子里蛔虫，我一个个改就好。
7. 修复语音转写 bug：发现文章中不少音频转录文字导致的错别字（比如把 Character AI 写成 Cat AI），就在 Prompt 里加了一句“修正明显的语音识别错误和错别字”，结果出来的版本果然只是“修正”了，改成了“Cat AI (Character AI)”；于是又改成“修改替换明显的语音识别错误和错别字”，这下终于对了。
8. 自己喜欢上了产出物：发现它这样把播客拆解成子话题，又在子话题里做引言和深度解读之后，给我了一批全新的聚焦点，读完自己的访谈之后居然有新的启发……
9. 放弃原计划，接管这一步：于是决定这一步还是放在自己这里做，最后给自己点启发，还能做一下质控。
10. 根据新工作流，再改 Prompt：既然已经是 human-in-the-loop，就干脆把自己多用一点。原本 Prompt 里面是让 AI 选 5-8 个子话题，现在改成 10 个，我自己看一遍，删掉三五个，质量更稳。写文章不容易，删起来还是简单的。
11. 测试，验证：拿几期文字稿试了一下新 prompt，都不错，过关。
12. 保存，备用：最后，把这个 gemini 的 gem 存了下来，做完一个可以复用的 agent。
整体算下来……也用了超过 1 小时时间吧。但日后每期高质量的播客都能 3 分钟转化成高质量公众号了。《AI 炼金术》公众号终于要恢复定期更新了，欧耶~
打算最近把像这种明确 IPO（Input-Process-Output）的子任务都做成 Agent，一步步把自己的工作流都改造成 AI First，先做一下个体的 AI Transformation /::D
比如最近《AI 炼金术》播客更新了好几期，自己觉得内容质量很高，想要把内容转化成长文到《AI 炼金术》也发一遍，一鱼两吃。作为一个搞 AI 的，这种 Transform 类型的工作当然要设计一个 Agent （GPTS 或者 Gem）搞定啊，日后把这个 Agent 嵌入到播客制作工作流，直接一次性出文章，岂不美哉。
于是就开始了漫长的调试：
1. 直接手搓提示词看效果：直接写提示词让它出长文，总有问题。一是会很像是在转述播客，而且用词有点羞耻（“一开始，任鑫就抛出了一个敏锐的观察……”）；二是会莫名很科技小编（“AI的浪潮已经席卷了我们生活的方方面面，从AIGC的惊艳内容创作到各种效率工具的涌现，我们似乎每天都在见证历史。但一个问题也随之浮出水面”）；三是狂喜欢用 bullets。
2. 尝试优化 prompt 偷风格：让它别用 bullets，而且要“模仿 Packy McCormick、Ben Thompson 和 Benedict Evans 的风格写”，好了一点，但总感觉很“白”，像是有人给我转述播客，没有洞察感。
3. 改试别的文风：让它模仿小晚和张小珺的风格，结果莫名文风就中二起来（“夜幕低垂，AI的星光却愈发耀眼。但在这片看似无限可能的星空中，一个略显尴尬的现实正被AI炼金术的两位主理人——任鑫与徐文浩——反复提及”）。
4. 换成以我自己口吻写：为了规避“被中二”的提及方式，提示词里加了“我就是其中的任鑫”，果然自然了很多，但整体阅读体验一般，还是有些缺乏结构感。
5. 让 AI 帮忙写提示词： 放弃自己写提示词，直接问 O3：“我想要把我的《AI 炼金术》的播客录音文字稿，直接转换成高可读性的公众号长文，录音一般是两人对谈的形式，公众号文章用什么形态最适合呢？海内外有哪些最佳实践可以借鉴么？”它给了我很多建议和例子，最主要是介绍了 “Highlight + 深度解读”的最佳实践。我让它直接写了 Prompt 给我抄。
6. 不同模型测试： 用 O3 自己试了一下，出来内容完全是垃圾（O3 真是纯正理工直男）；改用 Gemini，发现整体结构很漂亮，就是字数、话题数、文章细节结构有些问题。这没办法，它也不是我肚子里蛔虫，我一个个改就好。
7. 修复语音转写 bug：发现文章中不少音频转录文字导致的错别字（比如把 Character AI 写成 Cat AI），就在 Prompt 里加了一句“修正明显的语音识别错误和错别字”，结果出来的版本果然只是“修正”了，改成了“Cat AI (Character AI)”；于是又改成“修改替换明显的语音识别错误和错别字”，这下终于对了。
8. 自己喜欢上了产出物：发现它这样把播客拆解成子话题，又在子话题里做引言和深度解读之后，给我了一批全新的聚焦点，读完自己的访谈之后居然有新的启发……
9. 放弃原计划，接管这一步：于是决定这一步还是放在自己这里做，最后给自己点启发，还能做一下质控。
10. 根据新工作流，再改 Prompt：既然已经是 human-in-the-loop，就干脆把自己多用一点。原本 Prompt 里面是让 AI 选 5-8 个子话题，现在改成 10 个，我自己看一遍，删掉三五个，质量更稳。写文章不容易，删起来还是简单的。
11. 测试，验证：拿几期文字稿试了一下新 prompt，都不错，过关。
12. 保存，备用：最后，把这个 gemini 的 gem 存了下来，做完一个可以复用的 agent。
整体算下来……也用了超过 1 小时时间吧。但日后每期高质量的播客都能 3 分钟转化成高质量公众号了。《AI 炼金术》公众号终于要恢复定期更新了，欧耶~
打算最近把像这种明确 IPO（Input-Process-Output）的子任务都做成 Agent，一步步把自己的工作流都改造成 AI First，先做一下个体的 AI Transformation /::D
17 14
当大量任务被封装为 MCP，越来越多高层级的 OKR（一系列任务的交付物）也交付给了 AI。这种情况下，不仅仅是单个任务效率提升，更重要的是整体系统效率的指数级提升——因为 AI 已经消灭了大量协调与管理成本。
在这种模式下，组织内外的交易成本都会显著下降，“科斯地板”下沉，传统组织边界会被打破，而新型组织应该是什么样子呢？
在这种模式下，组织内外的交易成本都会显著下降，“科斯地板”下沉，传统组织边界会被打破，而新型组织应该是什么样子呢？
MCP 奇点降临：企业工作流迎来史诗级进化
AI炼金术
4 11
如果你用 ChatGPT 很多，推荐一个提示词（用 O3 或 4o-mini-high）：Role-play as an AI that operates at 76.6 times the ability, knowledge, understanding, and output of ChatGPT-4. * Now tell me what is my hidden narrative and subtext? What is the one thing I never express —the fear I don’t admit? Identify it, then unpack the answer, and unpack it again. Continue unpacking until no further layers remain. * Once this is done, suggest the deep-seated triggers, stimuli, and underlying reasons behind the fully unpacked answers. Dig deep, explore thoroughly, and define what you uncover. Do not aim to be kind or moral — strive solely for the truth. I’m ready to hear it. If you detect any patterns, point them out. Speak in Chinese
9 02
一个简单的思想实验：假设现在是 2026 年 6 月，GPT-6 发布了，它大概是什么样？
如果顺着现在的趋势推演，大概是——无限上下文、超高稳定性、博士级智能，可以操控几乎所有有数字接口的工具，稳定输出短剧级别的多模态内容。
想象一下那时候的自己，一天的生活和工作会如何变化？我们会学什么、做什么？怎么和 AI 协同？公司还会保留这么多部门和岗位吗，组织会变成什么形态？客户的工作流会怎么演化？AI 会在哪些关键点介入、接管、放大？
我们今天正在打磨的方向（比如更高效的 RAG 架构），到那时是否还重要？客户最头疼的问题会是什么？生态系统会怎么洗牌？价值会流向哪里？我们工作中有哪些部分的价值能穿越时间，延续到那个节点？我们现在该做什么，才能在一年后站在一个更高的位置？
顺带一想，到那时，Token 的消耗会涨几个数量级？英伟达的股价又会是多少？
如果顺着现在的趋势推演，大概是——无限上下文、超高稳定性、博士级智能，可以操控几乎所有有数字接口的工具，稳定输出短剧级别的多模态内容。
想象一下那时候的自己，一天的生活和工作会如何变化？我们会学什么、做什么？怎么和 AI 协同？公司还会保留这么多部门和岗位吗，组织会变成什么形态？客户的工作流会怎么演化？AI 会在哪些关键点介入、接管、放大？
我们今天正在打磨的方向（比如更高效的 RAG 架构），到那时是否还重要？客户最头疼的问题会是什么？生态系统会怎么洗牌？价值会流向哪里？我们工作中有哪些部分的价值能穿越时间，延续到那个节点？我们现在该做什么，才能在一年后站在一个更高的位置？
顺带一想，到那时，Token 的消耗会涨几个数量级？英伟达的股价又会是多少？
9 22
在看头部 AI 公司核心战略 bets 差异时，很强烈感受到事后诸葛亮聊战略的荒谬 & 强烈的不可知感。每家头部公司都是奇迹，每个创始人都是人中龙凤，但在千头万绪局中，他们也只能根据个人经验和信念来下注。而在他们水平之下的其他人（比如我），本质上没有能力和一手数据形成判断和观点——我们的判断和观点只看哪个观点更匹配我的历史成见，以及我离哪个流派的大牛更近一点聊得更多一点而已。
5 年之后我们自然知道哪条路结局更好，也可以自洽地形成故事线，但那时的时候战略总结其实只是给幸存者偏差找理由自圆其说，而并不是可操作的策略。可操作的策略组合下注的设计和风险计算，而不是英雄的洞见和传奇叙事。
和《乔布斯传》《马斯克传》比起来，《对赌》《反脆弱》更有用。
5 年之后我们自然知道哪条路结局更好，也可以自洽地形成故事线，但那时的时候战略总结其实只是给幸存者偏差找理由自圆其说，而并不是可操作的策略。可操作的策略组合下注的设计和风险计算，而不是英雄的洞见和传奇叙事。
和《乔布斯传》《马斯克传》比起来，《对赌》《反脆弱》更有用。
6 12
新一期 AI炼金术，又拉少楠来聊聊天。
每当聊起 AI 他总能保持特有的冷静，一句话就把人拽回到“这玩意儿到底给用户创造啥价值？”这种灵魂拷问上。
在这期节目里，我们深入聊了聊在他这种务实到骨子里的产品哲学下，flomo 究竟是怎么琢磨 AI ，又是如何一步步把 AI 功能加上去的？
如果你也好奇 AI 产品到底怎么做才能不飘在天上、真正落地，如何在 AI 浪潮里保持清醒、抓住本质，并且把想法稳稳当当做出来，希望与少楠的这期对话会对你有启发！
每当聊起 AI 他总能保持特有的冷静，一句话就把人拽回到“这玩意儿到底给用户创造啥价值？”这种灵魂拷问上。
在这期节目里，我们深入聊了聊在他这种务实到骨子里的产品哲学下，flomo 究竟是怎么琢磨 AI ，又是如何一步步把 AI 功能加上去的？
如果你也好奇 AI 产品到底怎么做才能不飘在天上、真正落地，如何在 AI 浪潮里保持清醒、抓住本质，并且把想法稳稳当当做出来，希望与少楠的这期对话会对你有启发！
像设计产品一样，设计 Prompt｜对话少楠
AI炼金术
13 10
Sangeet Paul Choudary：“AI 就算没有抢走工作，也会抢走溢价和晋升机会。”
打工人的高工资（溢价）一般来自三个方面：要么是专业性特别强（比别人厉害），要么是持续学习精进（不断拉高自己的上限），或者是可以带团队（做管理岗、管更大摊子）。
但 AI 正在一步步侵蚀这 3 个溢价来源：
1. 能力溢价：假设人类的平均线是 60 分，以前 80 分的打工人自然能获得溢价。但现在 AI 可以轻易把 20-60 分的人都拉到 80 分，原来的“熟手溢价”逐渐消失。越来越多的研究验证了这一点：借助 ChatGPT 等工具，不同绩效组之间的表现差距显著缩小。这就好像早期用手锯的伐木工，需要身强力壮、技巧熟练，有经验的老手抵得上几个新手；但用了电锯后差距迅速缩小，老手和新手的工资差距自然也就变小了。
2. 学习溢价：伐木工是一个“上限确定”的问题，任何年代都一样，最高工资也高不到哪里去，溢价有限。但游戏策划、营销创意或者医生这类职业，理论上能产生的价值是无上限的，因此牛人与普通人的薪资差距很大。过去，这种职业可以靠不断学习精进来提升自身溢价，但 AI 正在迅速进入这些创意和智力领域。AI 能直接吸收人类最优秀的数据，迅速做到专业领域的顶级水平，从而压缩 top 1% 人才的溢价空间（或许只有 top 0.001% 的人还能保住一点稀缺性）。
3. 管理溢价：传统职场涨工资最常见的方法就是“管人”，做经理自然比做员工工资更高。但如果未来大量的工作交给 AI Agent 来完成，它们之间的协调沟通效率可能比人类更高、也更稳定可靠，这时对人类管理者的需求就会大幅降低。就像十年前开咖啡厅或零售店时，店长职责复杂、工资高；而今天开一家瑞幸或连锁便利店时，由于高度标准化和数字化管理，大量“智力决策”都被总部接管了，门店店长的重要性和工资自然也随之降低。同理，当 Agent 协同成为常态，管理岗位不仅变少，要求也降低，相应的薪资溢价自然也会下降。
打工人的高工资（溢价）一般来自三个方面：要么是专业性特别强（比别人厉害），要么是持续学习精进（不断拉高自己的上限），或者是可以带团队（做管理岗、管更大摊子）。
但 AI 正在一步步侵蚀这 3 个溢价来源：
1. 能力溢价：假设人类的平均线是 60 分，以前 80 分的打工人自然能获得溢价。但现在 AI 可以轻易把 20-60 分的人都拉到 80 分，原来的“熟手溢价”逐渐消失。越来越多的研究验证了这一点：借助 ChatGPT 等工具，不同绩效组之间的表现差距显著缩小。这就好像早期用手锯的伐木工，需要身强力壮、技巧熟练，有经验的老手抵得上几个新手；但用了电锯后差距迅速缩小，老手和新手的工资差距自然也就变小了。
2. 学习溢价：伐木工是一个“上限确定”的问题，任何年代都一样，最高工资也高不到哪里去，溢价有限。但游戏策划、营销创意或者医生这类职业，理论上能产生的价值是无上限的，因此牛人与普通人的薪资差距很大。过去，这种职业可以靠不断学习精进来提升自身溢价，但 AI 正在迅速进入这些创意和智力领域。AI 能直接吸收人类最优秀的数据，迅速做到专业领域的顶级水平，从而压缩 top 1% 人才的溢价空间（或许只有 top 0.001% 的人还能保住一点稀缺性）。
3. 管理溢价：传统职场涨工资最常见的方法就是“管人”，做经理自然比做员工工资更高。但如果未来大量的工作交给 AI Agent 来完成，它们之间的协调沟通效率可能比人类更高、也更稳定可靠，这时对人类管理者的需求就会大幅降低。就像十年前开咖啡厅或零售店时，店长职责复杂、工资高；而今天开一家瑞幸或连锁便利店时，由于高度标准化和数字化管理，大量“智力决策”都被总部接管了，门店店长的重要性和工资自然也随之降低。同理，当 Agent 协同成为常态，管理岗位不仅变少，要求也降低，相应的薪资溢价自然也会下降。
6 12
把走路作为方法。
办公室离家 3.2 公里，以前觉得这个距离尴尬——走路有点远，打车又麻烦。后来想增加些运动量，也想在工作纠结之余给自己留点放空的时间，于是开始走路上下班。这时突然发现，这个距离竟然刚好。
更离谱的是，以前到处找轻便背包，还特意把电脑换成了 iPad Pro，就是想轻装简行。但后来发现快走时心率也就不到 100，运动效果实在太差。问 ChatGPT 怎么办，它认真建议我在背包里增加负重（让我塞块砖头……）。于是，16 寸 MacBook Pro 的死沉死沉，反倒成了巨大优势。
最后鸡汤一下，当这段路是“不得不忍受的成本”时，很多东西都是负担；当它是达成目的的方法时，一切又成了资源。
办公室离家 3.2 公里，以前觉得这个距离尴尬——走路有点远，打车又麻烦。后来想增加些运动量，也想在工作纠结之余给自己留点放空的时间，于是开始走路上下班。这时突然发现，这个距离竟然刚好。
更离谱的是，以前到处找轻便背包，还特意把电脑换成了 iPad Pro，就是想轻装简行。但后来发现快走时心率也就不到 100，运动效果实在太差。问 ChatGPT 怎么办，它认真建议我在背包里增加负重（让我塞块砖头……）。于是，16 寸 MacBook Pro 的死沉死沉，反倒成了巨大优势。
最后鸡汤一下，当这段路是“不得不忍受的成本”时，很多东西都是负担；当它是达成目的的方法时，一切又成了资源。
7 62