每天挑选一期硅谷 AI 科技值得关注的播客，让你与前沿同频。如果你现在没空可以收藏进 ，在通勤、走路或做家务时一篇篇轻松听完
“AI 做到 90%，最后 10% 由你完成。”
“别让 AI 替你做战略决定。”
“让它批评你，真的反驳你。”
AI 工具越来越多，真正拿到回报的人仍是少数。这期视频里整理了几位深度用户的做法。受访者包括 Kalshi 联合创始人 Luana Lopes Lara 和斯坦福数字经济实验室主任 Erik Brynjolfsson。独立创作者 Peter Yang、Box CEO Aaron Levie 和可汗学院创始人 Sal Khan 也给出了自己的工作流。
这些人的工具清单并不神秘，区别在于使用方式。他们让 AI 读取真实工作资料，接住每周重复发生的任务，再从使用反馈里更新流程。有人因此腾出了周日早午餐，有人一天花掉 3000 美元算力，却省下三四个月的开发时间。 AI 的效率差距，已经从“会不会打开聊天框”变成“有没有一套会持续改进的工作流”。
先看使用深度，别急着换工具
52% 已经在工作中使用 AI，日用者只有 15%。只把 AI 用在一两项任务上的人中，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 小时培养自己的 AI 能力。”
主持人描述了自己的早晨：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。这里没有特别炫的单项任务，价值来自连续使用。邮件、研究和数据整理原本分散在不同工具里，现在被接进同一套日常流程，省下来的时间每天都会重复出现。
美国已有 58% 的公司要求员工使用 AI，有些还把使用情况放进绩效考核。没有明确场景和上手训练，这种要求很容易变成打卡：员工打开工具，试几个问题，觉得复杂，然后放弃。 真正值得追踪的是 AI 已经接住多少种真实任务，以及这些任务能否稳定节省时间。
让 AI 接入工作现场，周报才会自己长出来
Luana 每到周日都要重新了解整家公司：上周答应的事情做完没有，哪些指标变化了，谁连续几周承诺过多、交付不足。Kalshi 团队把邮件、文档和各项指标接进内部 AI 系统，让 Agent 先完成收集、整理和标记。她终于能在周日吃早午餐，把时间留给真正需要判断的问题。
“每个新员工都应该有一个 Agent。”
主持人也在公司群里放了一个 Bot。她可以直接问：过去一段时间，我推翻了这个人的决定多少次，又让他重新解释过多少次？Bot 会把相关对话找出来，整理成摘要。这样的结果比一份泛泛的周报更接近管理现场，因为它保留了决定如何来回变化的上下文。
这套系统还在建设中。主持人的团队原本以创意制作人员为主，为了让 Bot 真正接进业务，他们专门招了有工程背景的人。她期待的状态是 AI 已经理解流程和公司近况，员工提问时不必临时粘贴一大段背景。做到这一点，需要持续维护数据连接，也需要有人负责系统本身。
难点也在这里。Agent 想理解工作，就得连接足够多的信息；法律、合规和监控资料又不能让所有人看到。Kalshi 正在解决权限问题，让不同员工的 Agent 只读取该读的内容。 一套成熟的 AI 工作流既要有上下文，也要有边界。连接得越深，权限设计越不能等到最后再补。
不知道从哪开始，就让 AI 先采访你
Erik 研究 AI 对工作和工资的影响，也把 AI 用进日常生活。主持人问他，如果一个月不能碰 AI，愿意付多少钱，他的回答是数万美元。研究、旅行和生活安排都已经嵌进这套协作方式，突然拿走会像少了一只手。
“告诉我你能怎样帮助我，然后不断问我问题，采访我。”
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。
Erik 过去要花几周完成一轮研究，现在很多探索变成五分钟的来回讨论。他不会把结果照单全收：AI 提出想法，他否决一部分，留下另一部分，再继续追问。对他来说，常态是共同工作，很少有任务会百分之百交给机器。
每周重复一次的事，都值得写成 Skill
Peter Yang 曾在 Meta、Reddit 和 Roblox 做产品，后来独立经营内容业务。他不会手写代码，却已经做了 16 个应用。为了重建自己的工作方式，他空出整整一天，对着 Codex 口述播客制作、Newsletter 编辑、不同社交平台的发布格式，还有每周经营数据复盘。
“我把所有工作流一股脑讲给了 Codex。”
原本每周要花一小时统计 YouTube、Substack 收入和近 30 天内容表现，现在系统会自动找出异常，生成一份经营简报。Substack 没有现成 API，Agent 就通过浏览器读取数据。它还会比较其他同类频道，提醒 Peter 哪些内容突然跑得更好。
他还做了个人顾问 Skill，背后只是一个写着业务资料和建议风格的文本文件。Peter 开玩笑说，妻子终于不用一直回答他的经营问题了。 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。
用完别关掉，让 Skill 记住这次修改
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。
“根据我们刚才的对话，更新这个 Skill，让它下次更快做对。”
视频团队也把九个重复环节写成 Skill，包括嘉宾评分、包装、资料准备、分发和数据追踪。每个 Skill 最初都很乱，材料来自 SOP、40 多期完整逐字稿和表现追踪表。随着使用次数增加，规则才逐渐稳定。 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。
Peter 的系统由两部分组成：一组可重复调用的 Skills，加上他亲手维护的记忆文件。Skills 规定任务怎么做，记忆文件保存业务背景和个人偏好。流程发生变化时，他更新对应文件，不必每次重新解释整家公司，也不会把一段临时聊天误当成长期规则。
先给 AI 固定资料，再要求它像你
Aaron Levie 每次会写很长的提示词，并把它们存起来重复使用。他没有维护一份精致的“个人宪法”，更多是按流程提供明确指令和相关文档。对非技术用户，他建议直接拿 Codex、Claude 或 Perplexity 处理一个真实问题。观察它怎样连接邮件和其他数据源，就能逐渐理解 Agent 的工作方式。
做市场研究时，他会让 Agent 同时分析上百家公司，再打开底层来源核对可疑结论。这类工作以前需要逐家公司搜索，现在先让 Agent 铺开调查，人把精力放在核验和判断上。做原型和设计也相似，AI 先完成 75% 到 90%，专业人员接手余下部分。
“给它一个疯狂的问题，看看会发生什么。”
主持人给出的基础资料更固定：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。
AI 花费贵不贵，要和省下的时间一起算
可汗学院约有 200 名工程师，每年的 Anthropic 账单已经达到 120 万美元。Sal Khan 看到某位工程师一天花了 3000 美元算力，第一反应也是震惊。团队复盘后发现，这名工程师用几小时完成了过去需要三四个月的工作，他随即说：“花得值，继续用。”
“这 3000 美元花得很好，继续花。”
另一个工程师在黑客松里用一天做出功能原型，设计师随后参与调整，一个月后产品上线；按过去的节奏，这项需求可能要等到下个学年。视频也提醒普通团队别盲目追求 Token 消耗。 成本判断要回到具体任务：花了多少钱，替代多少工时，产出能否真正投入使用。
Sal 观察到，最积极的工程师会同时运行五到十个 Agent，让它们写代码、检查代码。算力账单因此快速上涨，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。
让 AI 起草和追问，把发送键留给人
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 每天都会问一个或多个 AI：“什么事情正在掉到缝里？”它们读取消息和邮件，发现久未回复的事项后先写好草稿，再等他确认。他也用长期对话串代替一部分新闻阅读，晚上追问自己关心的话题有什么新变化。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。
“别让它发送邮件，让它起草，然后由你检查。”
Sal 还发现，AI 很喜欢附和人。他讨论市场判断时，模型会夸他看到了别人没看到的东西，这种反馈很有诱惑力。现在他会明确要求：“批评我，真的反驳我。”即便如此，模型有时仍会顺着他说。 最稳妥的分工是让 AI 做研究、整理和反方追问，人负责承担决定的后果。
主持人会反过来检查自己的使用记录：根据过去两周的查询，我还应该自动化什么？AI 会给出一批建议，她只挑真正会执行的部分。有些研究可以自动跑完，但生成五份拍摄脚本也可能毫无价值，因为那天根本不打算拍摄。工作流最终要服从人的节奏。
写在最后
如果你还停在零散提问，可以从一件每周重复的工作开始：让 AI 采访你，写下原流程，跑一次，再把修改沉淀回 Skill。先把一个闭环做顺，比不断收藏新工具更容易看到真正的时间回报。
内容来源：“The AI Workflow That Puts You in the Top 1%”丨 Silicon Valley Girl（受访者：Luana Lopes Lara、Erik Brynjolfsson、Peter Yang、Aaron Levie、Sal Khan）
原视频：https://www.youtube.com/watch?v=Y854KRfONAU
相关文章
- 《好用的 Agent Skill 到底怎么构建？丨 AI Engineer》
- 《OpenAI Codex 负责人：产品工作的新形态是什么丨 Lenny》
- 《Granola 创始人：一家 15 亿美元 AI 公司，押注下一代工作方式丨 Every》
如果你现在没空，可以收藏进晚点再听，通勤、走路或做家务时一次性听完⇣
