97天、430次对话、60万字产出，一位产品经理全面开源他与AI协作的17条实战经验。从反向梳理需求到量化交付，从审美规则化到进化系统，这套方法论让AI从工具变成真正的协作者，一个人也能撑起内容工厂。

从2026年5月9日第一次让AI帮我正儿八经干活儿，到今天8月13日，97天。

这97天里，我在Claude Code和Codex，这两个AI工具上跑了大概430次对话，手打了1300多条消息，产出超过60万字的正文内容，沉淀了14个生效的SKILL、3个AI智能体，跑了三个客户项目和我自己的全部内容业务，消耗了40多亿Token。

所以我想把这97天里实践出来的AI协作经验全部开源。

01.碰到陌生任务，先让AI反向梳理需求

我也不是一开始就能写出完整的提示词，比如：碰到不熟悉的任务的时候，我一般会先问问AI：“我需要给你提供哪些信息？你会怎么帮我完成？最终会输出哪些内容？”让AI自己梳理需求清单，我根据清单来准备，这比我闷头想高效得多。

02.编号任务书

我给AI的提示词或者任务指令几乎全是“01. 02. 03.”的编号结构，素材、要求、约束、存放路径各归其位，一条消息就是一份完整的Brief。

最长的一份540行、11个大节，从工作边界、读者画像、内容目标一路写到完成标准。

所以，有时候AI不是不聪明，而是你不说清楚它只能猜。

03.完整阅读铁律

“请完整读取，禁止跳读”是我和AI协作里出现频率最高的开场白。AI有时候为了偷懒，会默认用搜索和摘要代替通读，所以我习惯每次都明令禁止。

04.量化交付

我跟AI协作的时候，不会说“多给几个标题”，而是说：

• 10个标题备选，每个不超过20个字符
• 10个封面文案
• 正文不超过900字符
• 话题不超过10个……

全部量化，量化的好处是可校验。

05.给学习参考，同时划定学习边界

我会一次给AI投喂好几篇参考内容，但是会补充“请学习这几篇的留资引导逻辑，不需要学习参考其他的”。

如果参考内容不划定学习边界，AI就会全盘模仿，连缺点一起学走。

06.先做样板，再扩大生产

无论是做项目、写内容、开发工具还是生成图片，我都倾向于让AI先做一个最小样板。比如：先写两三篇内容验证Brief和审核链路，再放量。

先把一个闭环跑通，比一开始就批量做几十份更省时间。

07.给资料标注角色

不要把所有附件无差别地丢给AI。哪个是项目背景、哪个是风格参考，哪个是反例，哪个已经失效……标注清楚。

角色越清晰，AI越不容易把资料弄混。

08.AI产出验收三段式

先给整体结论（你如：我看完啦，这版没什么太大的问题），再列编号纠偏清单，最后抽查执行情况（比如：笔记在撰写的时候，有进行卖点匹配、卖点分级和卖点翻译嘛？）。

注意，每轮反馈之前我是真的把全部内容读完了，如果AI的产出你自己都不花时间精力读完，那就没办法精准纠偏。

09.审美规则化

不满意的时候，不要亲自改稿，而是把“为什么不好”翻译成可复用的规则反喂回去，比如：嫌它写得没有感染力，那就反喂示例“描述‘舒服’，不要只说‘舒服’，可以说‘像陷在云朵里’；描述‘效果好’，可以说‘连用一周，脸颊的痘印从深红变到淡粉’。”

亲自改稿只能挽救一篇，但修改规则以后，挽救的就是每一篇。

10.五段式返修公式

高质量返修可以写成：具体问题 + 为什么有问题 + 只修改什么 + 什么保持不变 + 怎么样才算修改好，比如：“正文现在像参数说明书，因为开篇没有真实生活场景。这一轮只重写开篇三段，从用户的实际纠结切入。产品事实、标题、图片规划和评论区方案保持不变。验收标准：普通消费者读完能立刻知道这跟我有什么关系。”

11.先归因自己，再沉淀规则

我给AI的反馈里高频出现的一句话是：“可能是我之前没有表述清楚诉求。”这不是客气，大部分返工确实是因为指令模糊造成的。

所以每一条重要反馈，最后都要沉淀进SKILL或者记忆文件，目标是同一个错误不允许犯第二次。

12.我的AI协作铁律

有几条铁律，是我在和AI协作里重复的次数多到AI已经把它们写进了长期记忆，开源给你：

12.1.文件安全铁律：禁止覆盖、移动、删除任何已有文件，只允许新建文件；同名的加版本号v2、v3。

12.2.完整阅读铁律：禁止跳读、禁止用搜索摘要代替通读，读不完就分批读。

12.3.反编造铁律：不确定的直接写“不确定”，资料不足写“资料不足，无法判断”，素材没覆盖到的宁可留空标注“素材缺口”，禁止编造数据、案例、来源和客户反馈等。

12.4.中文铁律：全程中文、全角标点。

12.5.唯一真源：所有SKILL的真身放在桌面的SKILL文件夹里，生效目录只放软链接。一份内容一个源头，改一处处处生效，不会出现两份副本各改各的。

12.6.项目隔离：客户项目的SKILL和我个人的SKILL完全拆分，不允许合并、互相调用。

12.7.划定工作边界：布置项目任务先说“请只在这个文件夹里工作”，别的文件夹不许碰。

12.8.默认保留旧稿：除非我明确要求覆盖，否则保留原始资料和历史版本，新建带日期或者版本号的新文件。保留过程不是怕误删，而是为了保留学习链路：原始资料 -> AI初稿 -> 人工修改稿 -> 终稿 -> 修改规律 -> 反哺SKILL……

13.我的SKILL生产方式

我的路径是：先在对话/任务里把一件事儿跑通、跑好，然后询问AI“能不能把这次对话执行的任务流程封装成一个SKILL，让它可以稳定产出？”再走完一个完整的生命周期：创建 -> 实测 -> 反馈迭代 -> 真实发布验证 -> 让它自检有没有前后矛盾 -> 改完让它“自行调用测试一下” -> 最后确认触发条件。

SKILL不是写出来的，是从跑通的对话/任务里蒸馏出来的。

14.SKILL的触发条件需要治理

SKILL多了会互相误触发，所以我后来给所有SKILL全部加上了“只有明确提及调用这个SKILL的时候才触发，其他时候不触发”。

15.进化系统：让AI越写越像我

第一步，语料库工程。我把110篇公众号文章、过去一整年的朋友圈，分二次全量投喂给AI，让AI提炼“我写出来的东西读起来是什么感觉、长什么样子、哪些东西绝对不能出现”，各自封装成风格SKILL。注意是全量，不是挑几篇代表作，因为协作风格一般隐藏在统计规律里，样本少了提炼出来的可能是刻板印象，也可能是偶然表达。

第二步，修改规律飞轮。我在本地维护两个目录：AI原稿、手搓终稿。每篇文章AI先出初稿，我再手改发布，两个版本都存档。然后定期执行“写作进化学习SKILL”，让AI逐一对比：我删除了什么、修改了什么、添加了什么、结构怎么调整的、语气怎么变化的……跨篇提炼成修改规律库。

这个规律库有几条硬规则：同一条规律必须在至少2篇文章对比里出现才能入库，只出现1次的记为“单篇观察”不算数；每条规律带验证次数（比如：“抽象判断必须落到具体：13次验证”）；支持增量模式，分析过的文章不重复读；合并更新，永不覆盖删除。

于是就形成了一个飞轮：AI出稿 -> 我手动修改 -> 差异回流成规律 -> 规律更新SKILL -> 下一篇AI稿件更像我 -> 我需要改的地方越来越少……

16.质检：不检查的交付不接受

自循环自检。所有内容SKILL都内置自检清单（比如公众号风格SKILL的自检清单有80条），要求AI改完自查、查完再改、直到全部通过才交付。中间过程不需要停下来等我确认，我只验收终稿。

程序化校验。主观自检会有偏差，硬指标必须用脚本，比如：标题必须10条且每条不超过20字符（emoji按平台显示宽度计数）、正文不超过900字符、封面文案10条、正文具体数字至少3个……笔记模板里埋了HTML注释作为计数标记，脚本靠标记解析，校验不过就打回重改，改到全绿为止。内容和代码一样，是可以跑测试的。

17.规模化：一个人的内容工厂

单会话跑得再好，也只是一个工人，真正把产能拉起来的是这些：

17.1.多会话并行

我最忙的一天开了11个会话，最密的时候两分钟连开3个：一个撰写文章、一个梳理知识库、一个制作配图，互不干扰。

17.2.子代理矩阵

大批量任务让Claude Code/Codex自己派子代理并行，比如12个子代理同时读取197份资料；批量生产笔记，一篇笔记分配一个子代理独立创作，每个代理自己跑校验脚本改到全绿，并且明确规定“不要改动分配范围之外的文件，总览文件由主流程统一登记”，避免并行冲突。

17.3.层级搭配

日常任务用默认模型跑，重要任务用最强模型。

有时候产出不满意，更换模型重跑一次，有时候比修改提示词管用。

18.从个人到团队：能力下沉三层

自己用得好只解决了我的产能，团队和客户不用Claude Code/Codex，怎么办？

我的答案是按照受众能力降维交付：

第一层，自己用：Claude Code/Codex + SKILL体系，全功能。

第二层，团队用：SKILL正文在写的时候就兼作提示词包，直接复制粘贴给豆包、DeepSeek、Kimi……就能用。团队小伙伴不需要懂Claude Code/Codex，拿到的就是一段详细、清晰、结构化的系统提示词。

第三层，小白用：直接在扣子（Coze）上搭建成智能体。

搭建过程本身也是Claude Code/Codex干的：我让它通过浏览器插件直接操作我的Chrome，在扣子后台从零创建bot、输入9000字系统提示词、上传知识库、配置开场白、发布、自测、修复Bug……

我只在两个节点介入：登录和验收。

19.把内部创作稿和外部发布稿分开

一项内容任务一般会有两种产物：

• 内部稿件：保留来源、证据、冲突、风险和待确认事项；
• 外部稿件：语言自然、结构顺畅，只呈现读者需要的信息；

这样既不会牺牲真实性，也不会把内部工作痕迹泄漏到外部内容里。

上述就是我和AI协作的全部实践经验，希望于你而言，有所价值。