一个人到底能做成多少事?我用 AI 试了三个月

0 评论 110 浏览 0 收藏 21 分钟

从“我想要”到“我得到”,一个零基础产品人如何用三个月搭建个人AI工作系统?本文完整拆解了Agent、记忆、工具与技能的组合方式,并分享从写文章到做产品的真实落地流程,为你提供一套可复用的AI工作流搭建思路。

这次想聊聊,我是怎么把 AI 一点点接进自己的日常工作里的。

先说一个我自己很喜欢的变化:对于一些已经跑通的任务,现在我只需要告诉 AI 想要什么,在关键位置审核和调整,就能拿到可以继续使用、或者交出去的结果。

比如,把 Notion 里的草稿整理成文章,配图、排版,再完成发布和归档;或者把一个产品想法,推进成别人可以打开、可以操作的版本。

“我想要,我得到”,开始在一些具体的事情上发生了。

但这句简单指令背后,有提前整理的资料、明确的要求、接好的工具,也有我在过程中作出的判断。

我没有编程基础,搭建和实践这套东西,前后大概用了三个月。这篇就把它怎么组成、怎么跑起来,以及为什么值得我继续投入,完整地分享一下。

01 用了 AI,为什么事情还是要自己一点点往前推

从聊天问答,到协助完成某个步骤,再到围绕目标连续执行任务,AI 参与工作的方式,已经有了很多选择。

我比较期待的,是它能接手越来越多明确的执行工作,让我把精力放在方向和关键结果上。

AI 工作方式的变化:从回答问题,到协助执行,再到围绕目标推进任务。

但工具多了,工作也未必就顺了。

有时候,问完 AI,拿到一段回答,后面的事情还是要自己做。

有时候,这次终于调整到满意了,经验却没有留下来。下一次换个任务、换段对话,又要重新解释。

还有时候,时间都花在追新工具、研究配置上,最后想做的东西反而没交出来。

三种常见的 AI 使用困境:停在问答、每次从零、忙于工具。

所以我开始关心:能不能把这些环节接起来,让一件事真正走到结果,并且下次还能接着用?

这也是我搭建个人 AI 工作系统的出发点。

02 我的个人 AI 系统,到底是什么

我习惯把它理解成一个工作台,下面配着几个“部门”。

信息部负责资料和知识,产品部记录想法与需求,设计部处理视觉和原型,开发部把东西做出来,通知部把进展和结果送到我手上。

这些部门是我对工作职责的划分,实际由不同的软件、资料库和工具来承载,再通过 Agent 调用和衔接。

我的个人 AI 工作系统:由 Agent 串联记忆、工具和各部门,把想法推进成结果。

用白话讲,这套系统里有几块东西:

LLM,也就是大模型,提供理解、生成和推理能力。它需要结合任务背景,判断接下来怎么做。

Agent 围绕目标推进任务。它借助模型安排步骤、调用工具,再根据工具返回的结果继续执行或调整。

Memory 提供可以延续使用的背景。项目资料、个人偏好、之前确认的结论,都需要保存下来,在合适的时候读回来。

Tool use 让 AI 能够动手。查资料、修改文档、操作设计文件、运行代码,都需要对应的工具和权限。

Skills 保存常用的做法。我可以把要求、步骤、参考资料和必要的脚本整理进去,让 Agent 按需读取,减少反复交代。

这些东西配合起来,我提出的需求,才有机会一路推进到结果。

理解这个过程,可以参考下面这张 Agent 原理图:模型结合记忆、规划和工具来完成任务。实际落到我的工作里,还要明确哪些地方由我审核、什么结果才算完成。

Agent 工作原理|来源:Lilian Weng《LLM Powered Autonomous Agents》

03 分工明确以后,工具就好选了

我个人很在意使用体验。自己每天要接触的地方,一定要顺手;交给 AI 执行的部分,则要能连通、能检查、出了问题能调整。

最后留下来的,大致是下面这些。

模型和工作台

模型像这套系统的能源。对于复杂任务,我更愿意选择在实际使用中表现稳定、能让我少返工的模型。模型能力很重要,任务背景和要求也要给清楚。

我构建了个人的AI中转站cli proxy,管理不同工具的模型调用。它解决的是接入和转发问题,这样就只需要购买一个GPT套餐,实现一个api,养活一批Hermes/openclaw/workbuddy 之类的 Agent的壳

workbuddy连接本地代理,免去积分消耗以及付费

工作台目前主要用 Codex,承担复杂任务和日常协作。Hermes、OpenClaw、WorkBuddy 、Deepseek Harness等工具,我也在继续尝试,看它们适合接住哪一类工作。

这些工具更新太快,我自己的选择标准就很直接:能不能接进现有流程,能不能稳定帮我把事情做完。

信息部和产品部:让 AI 有资料可用,也让我能顺畅思考

信息部里,我主要用飞书和 Obsidian 沉淀资料。

Obsidian 对我很有吸引力的一点,是笔记可以保存为本地 Markdown 文件。我能直接阅读和修改,Agent 在具备访问权限时,也能读取这些文件。

它比较像我一直想做的“大脑外挂”:项目背景、有效经验、个人偏好,都有一个可以继续积累的地方。

Codex 存储记忆到 Obsidian 中的指令

当然,存进去只是第一步。还得安排好:做任务时去哪里找资料,做完以后把哪些新结论存回去。

资料多了,也要挑出这次真正用得上的内容,及时更新旧结论。这样,下次协作时才有机会少解释一点。

本地知识库的使用方式:用 Markdown 保存资料,在 Obsidian 中整理,并让 AI 按需调用。

对于飞书,我还是有点又爱又恨。配置的时候需要花精力,但它承载资料、协作和对外分享比较方便,所以我把它当作一个能让自己、AI 和协作对象共同使用的信息入口。

产品部则主要放在 Notion。

我习惯在里面记想法、打草稿、整理需求,也和 AI 一起做调研、推敲定位。选择它最直接的原因,就是记录和编辑比较顺,不容易打断我的思考。

设计部、开发部和通知部:把结果做出来,再送到我手上

设计部我还是用自己熟悉的 Figma。AI 可以参与出图、整理和修改,需要精细调整时,我也能继续接手。

开发部承担的是把产品做出来。在我的分工里,GitHub 保存代码和版本,Vercel 承载部署,Supabase 支持数据存储等后端需求。需要持续运行的任务,我还配了云服务器,给它们一个独立的运行环境。

这些基础连接好以后,产品就有机会交给真实用户试用。在这之前,核心功能、数据权限和基本稳定性都要先检查,再根据使用反馈继续完善。

通知部是移动消息入口。比如通过自己常用的微信接收进展、确认事项和结果,让我可以离开电脑,也知道工作推进到了哪里。

Skills:把反复有效的做法留下来

Skills 是我会继续积累的一部分,我习惯把它们叫作“专家团”。

比如写文章的结构和语气、配图的要求、排版和检查步骤,都可以逐渐整理成可重复使用的做法。我也会参考别人分享的 Skills,试过之后,再留下适合自己的部分。

封装好了,下一次就有了起点。实际能自动完成到哪一步,还要看任务、工具和执行结果。

不同任务可以使用不同组合。下面这张图,是我整理出来的一些搭配方式,具体选哪些,还是从要交付的东西往前推。

按任务搭配工具:写文章、做产品、画原型、搭知识库、做复盘、发简报。

04 写文章:从一个草稿,到发布和归档

拿这篇文章来说,我先在 Notion 里记录想法,想清楚自己要表达什么,再交给工作台继续推进。

后面的过程,我会按几个阶段来看。

第一步,我提出需求。把草稿、参考资料和想表达的重点交代清楚,包括写给谁看,希望对方看完获得什么。

第二步,AI 读取相关资料。结合已有笔记和要求整理内容,需要补充的信息继续查找,有来源的地方保留来源。

第三步,AI 协助编辑和配图。帮我调整表达、梳理结构,再调用设计工具制作相应的图。

第四步,我审核。看观点有没有跑偏,事实是否准确,图文是否对应,读起来是不是我想表达的那个意思。不合适的地方,退回去继续修改。

第五步,确认后再执行发布和归档。在已经接通的渠道里,让 AI 完成排版、填表投稿、发布和保存,把文章及相关记录存进知识库,最后把结果链接通知给我。

写文章的实际操作:从 Notion 草稿,到配图、润色、人工审核,再到发布和归档。

写文章的任务流转:Agent 串联知识库、草稿、配图和发布环节,由我审核后执行。

这意味着什么?

配图、排版、复制粘贴、归档、填表,这些原本需要我挨个操作的环节,开始可以交给系统衔接。我把更多精力留给观点和内容,也在关键位置检查成品。

05 做产品:从一个想法,到别人真的能用

所以,所谓“一句话启动”,背后其实已经有了资料、规则和工具的准备。对于跑通的任务,我可以少交代一些、少操作一些;遇到新的情况,还是要一起调整。

做完以后,有用的修改也可以留下来。下次写同类文章时,继续调用这次确认过的要求,才有机会减少重复返工。

做产品也是类似的思路。

我会先在 Notion 里记录想法,和 AI 一起梳理用户、需求、竞品和定位,把要解决的问题说清楚,再整理成一份可以执行的需求说明。

接下来,还是同样的几个阶段:

第一步,我提出需求。说明为谁解决什么问题,先做哪些功能,做到什么程度可以拿给别人试。

第二步,AI 读取资料、明确任务。结合项目背景和已有结论,梳理需要实现的流程与功能。

第三步,推进设计和开发。需要设计时调用设计工具,需要实现时编写和修改代码,逐步做出可以运行的版本。

第四步,我审核和体验。检查功能是不是符合需求,流程有没有问题,实际操作时是否顺畅。发现问题,继续调整。

第五步,确认后上线和归档。完成部署,保存代码、需求和相关记录,把可以访问的结果交到我手上。之后再根据真实使用反馈迭代。

做产品的任务流转:提出需求 → 明确任务 → 设计开发 → 人工审核 → 上线归档。

我的第一个通过 AI 辅助开发的产品,就是这样一点点做出来的。

没有编程基础的我,能参与把一个想法推进到可体验的产品,这在过去确实是很难想象的事情。

不过,过程中仍然要学习、测试和判断。一个可以打开的页面,后面还需要检查它是不是好用,数据能不能正确保存,出错时怎么处理。

如果之后要收费,接上支付解决的是收款这一步。它能不能成为一门生意,还要看有没有解决真实问题,以及用户愿不愿意付费。

对我来说,最有价值的变化,是想法终于可以拿出来让别人用,再根据反馈决定下一步。很多讨论,也因此有了具体的对象。

06 每完成一次,能不能让下一次更省心

用到现在,我越来越觉得,这套系统值得继续投入的地方,在于做过的事情能够留下来。

文章、产品、资料会留下来,跑通的方法和确认过的要求也可以留下来。下一次做类似的事情,就有了可以继续使用的基础。

这次花的精力,能帮下一次少走一点弯路。

这些基础又可以重新组合。准备汇报时,调用资料和设计能力;写文章时,调用资料、编辑和发布能力;做产品时,再加入开发和部署。

工具也可以逐渐替换。把资料、规则和流程整理清楚,能让以后换工具时多一些主动权。新的工具出现了,我会先看它能改善哪一段工作,再决定是否接进来。

再往前想一步,这套系统带给我的,是更多把想法做出来的机会。

有些事情原来受限于不会做,有些受限于没时间,还有些是中间环节太多,一想到就觉得麻烦。现在其中一部分变得可以推进,也更有可能持续做下去。

这也是我最想分享的变化。

07 这套东西花了我三个月,也还在继续调整

搭建这一套,并不轻松。

我没有编程基础,很多东西都是一边问 AI、一边实践。从电脑环境、工具连接,到部署、版本管理,再到实际任务里反复检查,前后花了大概三个月。

这期间会碰到 API、CLI、SDK、部署、PR 等以前不熟悉的概念。任务卡住了,还得判断是资料没给够、要求没说明白,还是工具连接出了问题。

所以,如果你现在只需要解决一项简单任务,完全可以从手边已经顺手的工具开始。先把那一项做好,需要更多能力的时候再加。

三个月的搭建,以及之后的维护和返工,都是要花时间的。所以值不值得继续投入,最终还是看它有没有帮我把重要的事情往前推进。

接下来,我比较关心的是注意力怎么管理。任务多了以后,哪些可以并行,哪些需要我判断,失败了怎么及时知道,结果在哪里统一查看,都会继续往下打磨。

系统要持续有用,这些细节也得跟上。

08 如果你也想试,可以先从一件事开始

我个人的建议是:从交付结果往前推。

先选一件经常要做、确实重要,又让你觉得有点费劲的事。比如一篇文章、一份周报,或者一个想让别人试用的小工具。

把最后要拿到什么写清楚:结果放在哪里,有哪些内容,做到什么程度算完成。

接着准备需要的资料和要求,让 AI 帮你推进其中一段。中间留下自己的审核,先完成一次,再把有效的步骤和修改整理下来。

下次继续做的时候,看看是不是少解释了一遍,少搬运了一次,或者少返工了一轮。

连着做几次,如果确实更省心了,维护起来也不费劲,再考虑把下一段接进来。

我想要的工作方式,是自己想清楚要做什么、为什么做,把已经明确的执行工作交出去,在关键位置作出判断,再让经验回到系统里。

这样,今天做成的一件事,就能为明天多留下一点基础。

希望这套个人 AI 工作系统,能给你一些参考和启发。如果你也在做类似的尝试,欢迎交流。

本文由@玄清 原创发布于人人都是产品经理,未经作者许可,禁止转载。

题图来自Unsplash,基于CC0协议。

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
海报
评论
评论请登录
  1. 目前还没评论,等你发挥!