原节目： 播客「AI 炼金术」 0228 余一访谈
分享者： 余一，AI 野生布道师
要点 Key Takeaways
- AI 全自动模式的关键不是提示词，是文件夹结构
- 异步沟通比实时盯着 AI 干活效率高十倍
- 长程任务的本质是让 AI 理解目标而非执行指令
- Skill 不是记录流程，是把能力压缩成可复用的原子
- 审美偏好存成 HTML 样本比写一千字提示词都精确
- 验收标准写进异步沟通文档，AI 自己对齐
- 你的 AI 跟别人的 AI 差在哪——差在你的决策指标
- 与其追求 AI 完美，不如设计好纠错机制
人可以懒到什么地步
余一： 我就说：启动余一的全自动模式。
任鑫： 人类可以懒到什么地步……大家看一下就很荒谬。
任鑫开场就说，她昨天看到余一的屏幕录像时"很震撼"。
震撼的不是 AI 有多聪明，而是人可以懒到什么地步。余一演示了一段完整的工作流：她只说了一句"启动语音的全自动模式"，然后 AI 就开始自己干活——读取文件夹里的资料，把所有内容内化之后去做 PPT，同时生成 3 版排版。另一边，因为她有 MiniMax 的 API 和自己的声音克隆（模型从 2.6 升级到了 2.8），AI 用她的声音从脚本到每一页的分享都自己完成。最后把音频完全嵌入 PPT，直接去往下一步生成短视频。
40 分钟，全自动。她只需要站在旁边翻页。
更妖的是，她在分享之前根本不看 AI 做了什么。她说"我把这个 PPT 打开，我说这是 AI 语音做的，先让 AI 余给大家讲一遍"。意思是：连她自己都不知道 PPT 里讲了什么，让 AI 先讲，她再补充人类无法被取代的部分。
这不是在"使用 AI 工具"。这是在管理一个不需要发工资的员工。
异步沟通：不要绑定在谁的状态上
余一： 我现在异步沟通的方式是把需求写在文件里，附上验收标准。她每完成一个任务，必须回去读那个异步沟通文件。
余一和 AI 的日常沟通方式，不是对话框来回打字，而是异步沟通文档。
具体做法是：她把需求写在一个文件里，附上验收标准、参考材料和建议的方法。AI 读取之后开始执行，完成一小步任务就回去读那个异步沟通文档，看有没有更新。
为什么不实时盯着？因为她发现实时沟通有两个问题：第一，你被绑定在 AI 的工作状态上，它干活你就得等着；第二，上下文越多越难找到关键信息，还浪费 Token。
余一说得很直接——"就希望我们俩的工作就是谁也不要绑定谁的状态"。你把需求丢过去，它该完成的都完成。需要你决策的，放到异步沟通文件里，你到时候再接着读就行了。
更有意思的一个细节是：她最近让 AI 语音去改造成视频的那个工作台改造，AI 在过程中有时会自己发现错误——比如字幕位置不对——AI 自己就解决了，甚至不需要打断余一去 check。完成之后她自己去看一看，有些完成了，有些没完成，需要 check 的问题就放到异步沟通文件里面。
这个思路反而比大多数人管真人团队还成熟。
红黄绿灯：给 AI 分级授权
余一： 你看她就会判断说黄灯的角色是可逆操作，所以她就自己安装了。安装完了之后就开始读取、准备视频、读取经验库。绿灯的话材料都已经明确了，流水线逐步推进就好了。
余一给 AI 设计了一套"红黄绿灯"决策机制，这是整个访谈里我最想偷的东西。
绿灯：材料都已经准备好了，流水线逐步推进就好了，完全不需要人决策。AI 自己创建目录、聚焦重点、设定判断标准。这里面完全不需要任何人决策的地方。
黄灯：AI 可以自己做决策，但属于可逆操作。比如安装一个软件、选择一种排版方式。AI 做了就做了，但必须把决策过程写进异步沟通文档里——万一有问题，人可以回溯。
红灯：涉及到钱、涉及到会改底层东西的决策，必须上升到红灯，停下来等人确认。
这套机制的精妙之处在于：它不是限制 AI，而是释放 AI。大多数人用 AI 的问题是什么？要么全程盯着不放心，要么全放手出了事后悔。红黄绿灯让你精确地知道——哪些事可以完全不管，哪些事只需要事后看一眼，哪些事必须亲自拍板。
任鑫听完第一反应是"我要加到我的 CLAUDE.md 里面去"。还要加上一个异步沟通的机制。我建议你也这么做。
长程任务：让 AI 理解目标而不是执行指令
余一： 我对长程任务的理解，不是说它可以完成一个事情完成很长，而是中间它能够基于这件事情的真正目标，自己不断在当中做决策、做验收，甚至妥协之后换给我。
任鑫： 它懂得变通，懂得理解老板的根本诉求。就绕开的点就可以更多了。
余一定义的"长程任务"不是"耗时长的任务"，而是 AI 能独立交付、所有决策自己完成的任务。
她举了一个很具体的例子：让 AI 发邮件把文件交给她。AI 先尝试通过常规邮件发送，发现不行。然后 AI 没有停下来问她怎么办，而是自己识别出"你的目的不是让我发邮件，是让你拿到那个文件"。于是 AI 自己去网上找了一个临时网盘，把文件上传，把链接发给余一让她下载。
余一说这就是她期待的长程任务——AI 理解了目标（让你拿到文件），而不是死板地执行指令（发邮件）。当一条路走不通时，它会自己变通、自己找替代方案。它识别出来了：这个任务就是你要这个文件，你希望在异步中看得到。
判断长程任务好不好，不是靠时间长短，而是根据任务的质量评估。 AI 能够独立完成所有决策，你可以把任务独立交给它她可以放心的拿到结果。关键词是"独立"——所有的决策，完全给到了 AI。
Skill 系统：能力的原子化和复用
余一： 你不停的在想说哪些是通用的能力，通用的能力应该是它可以被多个 Skill 调用的。然后就不要把它放在某一个 Skill 里面，要不然所有的 Skill 都变得很大，也会很费 Token。
余一的 AI 工作流里有一个核心概念叫 Skill——不是"技能"这个泛泛的词，而是一种精确的能力封装。
每个 Skill 是一个独立文件夹，里面包含了完成某类任务所需的所有规则、流程和判断标准。比如 TTS（文字转语音）是一个 Skill，做 PPT 是一个 Skill，生成短视频是一个 Skill。AI 在执行长城任务时，会自己判断需要调用哪个 Skill，然后按照里面的规则去执行。
关键洞察是： Skill 不是记录你做了什么，而是压缩你的能力 。余一说她会不断把通用的能力从具体的 Skill 里抽离出来。比如"审美偏好"——如果放在 PPT 的 Skill 里，那做视频的时候就调用不到。所以她单独建了一个审美偏向文件夹，所有涉及到审美和设计的 Skill 都去调用它。
而且不是做成了的事情都要列 Skill。余一说判断标准是：真的会经常使用的，才做 Skill。否则就压缩进去就好了。因为太多了 AI 也很烦。
这个思路本质上是在做什么？是在把"余一这个人的判断力"编码成可被 AI 调用的模块。她的品味、她的决策标准、她对质量的要求，全部变成了文件系统里的一个个节点。
审美文件夹：把品味变成可调用的资产
余一： 对你的审美来说，就是那些你看到比较好的，就让 AI 存一份在里面就好了。文字对于 AI 不是一个很好理解的东西，不如你把它做出来。
大多数人用 AI 的一个痛点是：AI 做出来的东西"不像我"。余一的解法很简单——把你的审美存起来。
她有一个专门的审美偏向文件夹。看到好的设计风格、好的页面排版、好的视觉效果，她就让 AI 直接 copy 成 HTML 存进去。下次 AI 做 PPT 或者做视频的时候，就去那个文件夹里找参考。
她甚至不是给 AI 写提示词描述"我喜欢什么风格"，而是直接把实物样本存进去。因为"文字对于 AI 不是一个很好理解的东西，不如你把它做出来"。比如看到一个好的风格，让 AI 直接 copy 下来做成 HTML 存着，比你写一千字的描述都精确。对 AI 而言是一个很快速的能理解这个风格是什么的一个方式。
任鑫说她觉得这个也蛮好的——相当于你把原子化能力都已经准备好了，你她拼这个东西就特别容易。所以我们大部分人缺的，其实是这些原子化的东西还没有准备好。
这也是为什么余一的 AI 做出来的东西越来越像她——不是 AI 变聪明了，而是 AI 可以调用的"余一的品味数据库"越来越丰富了。
100% AI 短视频实验：人不干预任何环节
余一： 我还是坚定的说，我在做一个 AI 百分百的实验，我就不应该在这个环节把我的判断放进去，就是它给了什么我就发什么。
余一在做一个激进的实验：让 AI 100% 独立生成短视频，从标题到封面到内容，人完全不干预。
有一集视频名叫"棉手套"——对，这是 AI 自己取的名字。一个关于余一用 AI 的经验的视频，AI 起了个叫"棉手套"的标题。余一觉得莫名其妙，但还是发了。
她的逻辑是：如果我干预了标题、干预了内容，那我就没法真正测试 AI 的能力边界在哪里。她标注了"这是 AI 百分百生成"，然后出了问题就把反馈给 AI，让 AI 自己学习。
数据不太好看。余一自己也知道发出去数据不好看的可能性非常高。但她反而觉得这才是实验的价值——她之前也做了一个有意思的对比：那个同一个短视频里大概 3 分钟，里面有 20 张图，就会有 20 张 PPT。AI 会做视觉检查，但 20 张有一张没检查出来——没过品控这一关。但也已经很强了。
AI 自己也会复盘。它会去读聊天记录，分析决策链，选标题的时候会列出 8 个候选，有具体数字、有比喻、有结果，然后自己选一个。余一说她比较满意的是，AI 甚至开始自己给自己复盘——分析哪些维度影响了数据，包括发布时间、封面平台的算法、话题热度，而不只是标题本身。AI 说这些不在我的范围内，标题只是影响数据的某一个方面。
这个自主性让余一特别满意。
对齐与压缩：你的 AI 跟别人的 AI 差在哪
余一： 如果总结成两点，就是不断的去做压缩和对齐。就是压缩到底 AI 做好某些事情到底要哪些能力，这些能力你怎么给她配齐。
余一： 随着 AI 能力越来越强，大家都要回答一个问题——你的 AI 跟别人的 AI 到底差别在哪？差别在你用什么样的决策指标让它去做决策。
余一把她跟 AI 协作的核心压缩成两个词： 压缩和对齐 。
压缩，是把你的能力、品味、判断标准变成 AI 能读取的格式。不是写一篇长文告诉 AI"你应该这样做"，而是把经验变成文件、变成 Skill、变成审美文件夹里的 HTML 样本。压缩得越好，AI 理解得越准，你跟它的沟通成本就越低。
对齐，是让 AI 的决策标准跟你的决策标准一致。余一说了一个很尖锐的问题："随着 AI 能力越来越强，大家都要回答一个问题——你的 AI 跟别人的 AI 到底差别在哪？"
差别不在模型。差别在你用什么样的决策指标去跟 AI 对齐，以及让 AI 用什么样的指标去做决策。那个指标让你的 AI 跟别人的 AI 不一样——因为毕竟你现在还是在给 AI 打工的老板，AI 还是在给你打工。
她做了一个有意思的类比：就比如说大家都是博士，但是那个博士跟博士的优势、弱点不一样。她有可能做出不一样的决策。然后有一天如果它能甩掉我自己去赚钱，我也能接受。
复利工程：跟 AI 吵架的艺术
余一： 我的复利工程现在都还在迭代，属于说还没有迭代出让我特别满意的版本。我今天下午都还在跟它吵架。
任鑫： 你跟它吵架是因为觉得它做复利工程没做好，是吧？所以其实复利工程的负责人是它。所以你要骂它。
余一管她的整套 AI 协作体系叫"复利工程"（Compound Interest Engineering），而且这个工程的负责人是 AI 自己。
她对复利工程的期待不只是记录流程。她说，"如果只是记那个东西太简单了"。她期待的是 AI 能够把具有通用性的能力压缩出来，主动积累、主动优化。
她甚至会跟 AI 吵架——"我说怎么可以做成这个样子，乱七八糟"。然后 AI 就开始自我改进。任鑫问她"你跟它吵架是因为觉得它做复利工程没做好，是吧？所以复利工程的负责人是它？所以你要骂它。"余一说："对，我就骂它。"
她的方法是：让 AI 自己去学。看到好的设计风格，让 AI 去做 deep dive，启动语音的全自动模式。看到一篇好论文，先让 AI 自己学完，然后从商业角度重新写一遍。有时候就是给 AI 输入，让它干活，再让它出东西。
花 50 块钱的代价和"活着就行"的哲学
余一： 大不了我就付出代价。付出了代价之后，它没做好，我就说说它，然后它只要能改进，我们俩合作的效率就越来越高。这个事情永远绑定在我身上，啥时候是个头。无非是它做错了，那我也就是付出十几块钱的 Token 费用而已。代价很小。
任鑫： 懂得放手的人先享受世界。
余一对 AI 犯错的态度非常务实：代价无非就是十几块钱的 Token。
她不追求 AI 不犯错，而是设计好纠错机制。AI 做错了？花 50 块钱重跑一遍就好了。而且在套餐里面的话还不花钱。她说如果她一直盯着 AI 干活，她的时薪可不止 50 块。
这背后是一个非常清醒的经济账： 人的时间成本远远高于 Token 成本。与其花时间事前预防每一个可能的错误，不如让 AI 放手去做，出了错再纠正。 代价是几十块钱的 Token，收益是你不再被绑定在任何人的工作状态上。
任鑫总结得精准—— "懂得放手的人先享受世界" 。余一回了一句更直接的："经常以一种活着就行的状态对待我和我的 AI。"
结语 Closing Thoughts
余一让我重新想了一个问题：大多数人还在讨论"我能用 AI 做什么"，但真正领先的人已经在设计"怎么让 AI 自己做"。
区别不在于你用了多高级的模型，而在于你有没有把自己的判断力、品味和决策标准编码成 AI 可以调用的系统。文件夹结构、Skill 系统、异步沟通文档、红黄绿灯决策机制——这些看起来很"笨"的基础设施，反而是让 AI 真正独立工作的前提。
余一说她现在的复利工程还在迭代，还在跟 AI 吵架。但有一个方向是确定的： 压缩和对齐。把你的能力压缩成 AI 能读的格式，让 AI 的决策标准跟你对齐。做好这两件事，你的 AI 就不只是一个工具，而是一个能独立交付的团队成员 。
有没有可能，未来衡量一个人的能力，不是看她自己能做多少事，而是看她能让 AI 独立完成多少事？
