很多人一提到用 AI 搞自动化，第一反应就是满世界找工具。今天搜一个插件，明天收藏一个智能体，后天到处求一段神级提示词。总觉得只要找到现成的神器，就能一键把脏活累活全甩掉。

我做产品快二十年，看来看去，绝大多数人的自动化跑不起来，根本不是缺工具。

自动化不是从工具开始，而是从手工步骤清单开始。

只要你脑子里对业务的动作还是糊的，再聪明的大模型到你手里，也只是一个高智商的无头苍蝇。

前几天我看了内容创作者 Peter Yang 的一个视频。他在视频里分享了自己怎么用三层 Skill 链，彻底改造整条播客生产线。

他每周日都要更新一期播客。在没有这套系统之前，他的流程极其折磨。从前期调研、写提纲、录制，到给剪辑师提要求，再把音频拆成视频、长文、社交短帖和切片。他在视频里说，自己把整条链路扒拉出来，整整有 15 个手工步骤。哪怕当时他手里早就有 AI 工具帮忙，做完一期依然要耗费好几天。

后来他没有再去死磕什么大一统提示词，而是把逻辑倒了过来。他在视频里说，跑通这套三层 Skill 体系之后，每周至少帮他省下了 5 个小时，把 90% 的播客生产工作自动化了。

但我看完整个案例，最触动的根本不是省下几个小时。而是他拆解这件事的逻辑，跟我们做产品搭建系统的底层思考完全一致。

多数人平时是怎么用 AI 的？习惯性打开对话框，把一堆未消化的想法倒进去，期望模型一秒钟把十几个环节全办妥。一旦跑出来的结果缺斤少两，就觉得是提示词不够玄妙，又到处抄模板。

「这不是提示词问题，是管理问题。」

Peter 做的第一件事，极其朴素。他没有立刻去找新工具，也没有急着写长提示词。而是拿出一张纸，把做播客的每一个真实手工动作全部摊开。研究嘉宾、准备问题、挑开场金句、清洗转录、拟定标题封面、写通讯、做切片。15 个手工动作，清清楚楚，一个不落。

然后他把这份清单丢给 AI，让 AI 帮他梳理。到底哪些动作可以被机器接管，哪些动作必须保留给自己决策。

这一步并没有立刻帮他省下时间。但它干成了一件最关键的事。把深藏在脑子里的隐性经验，变成了一份摆在桌面上讨论的实体清单。只有当步骤全部浮出水面，你才能看清，到底哪些是重复体力，哪些才是不可替代的判断。

在我自己的内容工作流里，我一直严格遵循这个原则。筛选、写稿、生图、分发各管一条泳道。

我绝不会让一个 Agent 从头胡子眉毛一把抓地跑到尾。因为 APP 是功能的软件化，Skill 是经验的软件化。

当年做传统软件，是把具体功能写成固化代码，点一下按钮就执行。现在做 Skill，是把你多年在行业里摸爬滚打出来的专业审美、踩坑教训和取舍标准，转化成让大模型稳定运行的规则。

所以，Skills 在精不在多。

很多人一做就想做几十个小工具，看着热闹，遇到真实交付全趴窝。你不需要那么多玩具。你只需要把业务里两三个最折磨人的瓶颈，用清晰的规则固化下来。

在 Peter 的系统里，那 15 个步骤被他收拢成了三层。第一层是播客准备，第二层是剪辑交付，第三层是全网包装。最外层再用一个编排 Skill，按严格顺序依次调用。

每一个环节在运行的时候，都必须牢牢卡住五个要素。目标、证据、边界、迭代、停止。

AI 替代的是手，不是脑子。

比如在做访谈准备时，AI 负责读遍嘉宾的历史公开资料，提取结构化问题草案。在与 OpenAI 的 Ethan 录制个人财务节目时，AI 先给出了第一版问题，Peter 又要求它重新核对文档与帖子，重组出三段式采访框架。整个过程不是靠模型一次撞大运，而是人在给边界，AI 在跑腿执行。

整个系统里真正拉开差距的，是第三层。

任何跑过真实工作流的人都清楚，初稿一定会有瑕疵。Peter 在实操中也遇到了同样的问题。AI 自动写出来的播客文章，第一版偏偏漏掉了嘉宾分享的那 6 条核心提示词。给出的标题和封面候选，哪怕有 AI 帮忙，Peter 依然要花上 30 到 40 分钟去挑选测试。

遇到这种摩擦，普通人通常怎么做？要么觉得 AI 太笨，骂一句就彻底放弃。要么叹一口气，自己默默在电脑前把文章改好，顺手点个发布。到了下一周，AI 依然在同一个地方漏掉关键信息，你依然要在深夜继续手动返工。

Peter 的思路打破了这个死循环。

人工修改不应消失，它应变成下一轮 Skill 的训练材料。

他在改文章的时候，会特意先保存一份 AI 初稿快照。然后亲自上手修改，把要点补齐，把表达调顺，把不符合调性的词句删掉。改完以后，他并不急着关掉窗口，而是把改前和改后的两套文本同时喂回给 AI，让系统做一次差异对比。

AI 会把所有修改痕迹整理成清单，列出人类作者调整了哪一段、删除了什么语气。Peter 逐条扫过清单，确认哪些改动代表了他对内容的长期标准。确认完毕之后，他把这些优化要点，直接写回进那一套包装 Skill 里。

这一步的价值太大了。

平时我自己带项目，也是完全一样的打法。每次剪辑后看看有哪里需要优化，优化好了就把优化要点固化到 Skill 里。

如果你每次都在后台默默替机器收拾烂摊子，机器就永远感知不到你的品味长什么样。只有把每一次人工修改前后的落差，提炼成清清楚楚的业务规矩，你的个人经验才算真正沉淀进了系统。下一次系统再跑的时候，它就不会在同一个坑里跌倒第二次。

Peter 在视频里说，这套三层体系帮他自动化了 90% 的播客生产。但他紧接着补了一句非常真实的话。他说自己依然深度参与每一步，修改文案，亲自挑切片，时刻判断什么内容才真正值得发布。甚至在这套系统跑顺之后，他依然觉得自己可能还需要雇一个人，专门帮他盯着并驱动各个 AI 工具往下推。

你看，90% 的自动化，从来不是为了把人彻底踢出局。那些需要反复倒带重听、机械搬运数据、来回清洗格式的脏活，确实可以全交出去。但最后的品味、选题的方向，以及对交付结果的把控，权力必须死死留在人手里。

下周一上班，如果你真想让 AI 帮你扛掉繁琐的工作，先别急着去翻各种工具推荐。腾出半个小时，安安静静拿出一张白纸。把你上周做过的每一个手工动作，一笔一笔全写下来。哪怕是机械地复制一个表格，也别嫌丢人，原原本本列在纸上。

然后拿起笔，圈出两样东西。一个圈，圈出那些纯粹在消耗你手速的重复动作。另一个圈，圈出只有凭借你的经验，才能做出权衡的决策。

人机协同的第一步，就是从画出这两个圈开始的。