2026年9月17日上午，在承德市创业服务之家。
台下坐着的人来自很不一样的地方：有在园区做企业的经营者，有刚毕业的大学生，也有还在摸索方向的年轻人。主办方是这个城市里专门服务创业者的机构。
开场我没有讲工具。
我先问了两个问题：你是做什么的？你的客户从哪来？
回答很具体。有做国学赛道的，客户来自抖音引流和线下转介绍。有做电话销售的。有做传媒的。有做保险的。
我为什么要先问这个？
因为接下来三个小时里，我要讲的每一个操作、每一个工具、每一步搭建，都是为了一门真实的生意服务的。如果你不知道自己在卖什么、卖给谁，那后面所有的 AI 技巧都是空的。
这篇文章，是那天全程的整理。
前半段讲生意：为什么现在一个人做公司变得可行、一个人究竟能卖什么、最容易踩的坑在哪里。
后半段是完整实操：从让 AI 认识我开始，到建业务知识库、写出有你风格的文章、把成功的方法固化下来，十步走完，每一步的提示词都给你。
全文约一万六千字。如果你时间紧，可以直接跳到「实操部分：十步搭起你自己的分身」。
但我建议你至少读完前三节。因为后面所有动作，都是被前三节的判断决定的。
一、一人公司不是新事，新的是交付能力
先说一个容易被忽略的事实。
一人有限责任公司在法律上早就是成立的。2005年10月修订的《公司法》里专门规定了一人有限责任公司，2006年1月1日起施行。这里的”一人”，指的是一个股东，并不是说公司里只能有一个人干活。
我自己那家公司，就是去年年初注册的。
所以当有人问”一人公司为什么突然火了”，这个问题本身就不太成立。公司形式二十年没变过，变的是别的东西。
变的是什么？
看一张桌子。
对主要靠个人提供服务的人来说，过去的时间是被切碎的。谈客户、做交付、改方案、催款、开发票，每一件都占你自己的时间。你一天只有那么多小时，所以你的收入有一个硬上限。
想突破这个上限，过去的办法只有一个：招人。招人之后要付工资、交社保，还要投入精力去管理。一个小团队的管理成本，经常比它带来的产出增长还快。
这就是一人公司存在了二十年却没成为主流的原因——不是形式不允许，是个人的交付能力有天花板。
去年年初 DeepSeek 开源之后，国内的 AI 应用跑得非常快。但说实话，2025年整年，AI 在很多行业里的落地还是很困难。
因为我们过去用 AI 的方式是这样的：在网页上问它一个问题，得到一个回答，复制粘贴到 Word 里，再打开另一个软件去做 PPT。
这套流程的根本问题在于：AI 没法端到端地交付一个任务。
我们过去用的那类产品叫 Chatbot，对话机器人。它最大的特征就是问一句、答一句。你让 Chatbot 帮你做一份客户提案，它能从需求对齐一路做到把 PPT 排好版吗？基本做不到。
Agent 出来之后，情况变了。
Agent 是个英文单词，翻译过来是”代理”。公司注册很麻烦，你可以花钱请个代办，替你跑完整套流程。代办和 Agent 是同一个定义：都是帮你端到端地完成一件事，你只需要把需求说清楚。
这就是一人公司在这个时间点热起来的真正原因。
一个专业的人，加上多个 Agent，加上合适的合作伙伴，是可以完整交付一个高质量任务的。
但我要在这里停一下，补一句很多讲这个话题的人不会讲的话。
桌面展开了，不等于没有上限。
这个系统里仍然只有一个核心座位。客户关系、质量把关、经营责任，还是得有人承担。哪些任务能交给 AI、成果能不能用，都需要判断和检查。
所以今天真正值得关注的变化，不是”一个人什么都能干了”，而是：
从主要靠自己的时间完成交付，变成组织一套可以重复运转的交付系统。
这句话是理解后面所有内容的起点。
二、一个人，究竟能卖什么？
理解了这个变化，接下来要问的是：一个人到底能卖什么？
我给了一个判断框架，四个问题：
- 他卖的究竟是什么？
- 谁会为它付钱？
- 这些客户通过什么方式找到他？
- 他怎样把承诺的东西交出来？
软件、内容、咨询、课程，看起来完全不同，都可以用这四个问题拆开。
这里有一个细节很多人没注意：看内容的人和付钱的人，有时候是同一群人，有时候不是。
我们都习惯把做内容统称为”自媒体”，但有人通过内容吸引咨询，有人直接卖课程，还有人把自己积累的注意力卖给品牌。业务关系不同，起步方式完全不同。
而且对 OPC 来说，最难建立的其实是渠道。产品可以慢慢打磨，客户需求可以调研，只有”别人怎么找到你”这件事，没有捷径。
下面四种路径，是我当天讲的重点。每一种我配了一个真实案例，都能在公开渠道查到来源。
| 路径 | 卖什么（产品/服务） | 谁付费（客户） | 客户如何知道（渠道） |
|---|---|---|---|
| AI 博主 | 注意力与传播 | 产品品牌 | 公域自媒体 |
| 专业人士 | 咨询与服务 | 具体客户 | 私域营销 + 公域自媒体 |
| 行业小产品 | 解决问题的工具 | 同行 | OPC 圈层 + 公域自媒体 |
| 知识变现 | 经验方法与指导 | 想成为 OPC 的人 | 公域自媒体 |
第一种：注意力本身也可以是产品
先说一个反直觉的路径。
我们通常以为创业得先做出一个东西，然后找人买。但有一种经营方式正好相反：先做出让人愿意看的内容，把一群有共同兴趣的人聚起来，然后有企业愿意付钱，借你的内容让这些人认识它的产品。
案例是”西门聪明蛋”。她原来做产品经理，今年 2 月开始把 AI 自媒体当副业做，4 月离职全职投入。
根据她本人公开的复盘，以及《搞钱女孩》2026 外滩大会单集介绍里的说法，到 8 月，她的月收入达到 5 万元。
这里我把证据边界说清楚：这是采访介绍和本人复盘中的说法，不是经过审计的净利润，也不能推断每个月都稳定，更不能全部算成广告收入——因为她同时在探索知识付费和商单两条线。
那她卖的到底是什么？
她做的是 AI 编程相关的实测作品。其中一条作品，她围绕一个相亲测评工具，把开发、图文营销、商品展示组织成了一个完整过程，然后发出来。
观众来看效果，品牌来看这个工具能不能被讲明白。
一个 Demo 即使没有作为软件卖出去，也可能创造收入。它吸引了注意力，而这份注意力有另一个买家。
这里还有一个区别值得说清楚：关注过你的账号，只能说明你曾经吸引过他。品牌买的不是你拥有多少个人，而是在约定内容里接触某类人群的机会。同样是一万次观看，一条随机娱乐片段，和一条吸引了正在找 AI 工具的人的内容，对品牌的价值完全不同。
第二种：专业内容，带来专业客户
第二种路径，内容的作用不是卖内容本身，而是带来专业服务的客户。
案例是湖南衡阳的张籍之律师。根据 LegalMVP 整理、搜狐转载的一篇公开活动分享，他执业大约三年，起点非常具体：从朋友圈发普法小卡片开始。
他转型的动机很有意思。他一开始是质疑 AI——觉得它会编造法律条文。后来他发现一件事：客户已经在用豆包、DeepSeek 搜法律问题了。
与其质疑，不如让客户搜到的东西是自己写的。
做法是：AI 帮他整理资料、形成初稿、配图，他负责修改和专业判断。最初的图文不好读，生成的文字也会出错，他根据客户和同行的反馈反复改。
持续发布之后，咨询有所增加，也让更多人清楚了他的专业方向。
这里同样要划边界：这篇公开分享支持到”咨询变化”，没有披露可核对的成交金额，所以我不会把它讲成确定的收入提升。
但这条路径最关键的判断在这里：内容负责让客户发现你、判断你适不适合，最后付费买的是专业服务。
所以对做专业服务的人来说，追求爆款没有意义。少量真正匹配的咨询，比十万个不相关的阅读更有价值。
第三种：把行业里的小问题做成产品
第三种路径，把自己熟悉的问题做成小产品。它可能是一个软件，也可能是一个围绕具体任务工作的智能体。
案例是李永海。根据新华财经的报道（转载于新建元网站），他在大宗粮油贸易行业做了 15 年，非常熟悉中小贸易商在采购、销售、记账、物流协作中的具体麻烦，同时具备编程能力，后来借助 AI 开发了相关软件。
产品出来后，有同行主动联系安装，客户推荐成了主要传播方式。他后来迁移到苏州的 OPC 社区，借助产业资源进一步拓展。
我们不需要把整个系统复制到自己的行业。真正值得借鉴的是发现问题的方式：
从自己长期做的工作里，找到一群人共同需要的东西，再把经验组织成产品。
所以如果你说”我懂某个行业，但不懂怎么创业”，可以先从一个具体问题聊起：你手里已经有什么材料？能不能做出最小可用的结果？谁愿意试用？由谁判断好不好用？
这些问题，比一开始就画一个大平台规划更容易推动行动。
第四种：把自己跑通的方法教给别人
第四种路径，我讲的是自己的经历。
今年年初，我把自己使用 AI 分身系统的一些方法整理成了一门课程。起初定价 299 元，后来调整到 499 元，累计卖出接近 100 份。
有一个现象让我印象很深：购买者里，律师是一个身份特征非常明显的群体。
这说明一件事：有些人已经具备专业能力，他们愿意学 AI，是想更好地组织自己的资料、表达自己的经验、持续产出内容。
那为什么免费内容已经讲过了，还有人愿意付费？
我的理解是：公开内容帮他发现方法，教学产品帮他系统学会。 中间差的是经过整理的学习顺序、可以照着练的示例，以及知道自己卡在哪里的指导。
顺便说一个我自己的观察。为什么我把课程从 299 调到 499？因为一个人一天卖十份，就意味着要交付十个人。当交付能力有限时，价格必须匹配你能承担的服务量。
把这几条路径放在一起，你会发现 OPC 没有一条固定路线。
做 AI 博主，要考虑内容吸引了什么人。做专业服务，要考虑读者是不是真的需要你的服务。做小产品，要看用户会不会持续使用。做教学产品，要看别人能不能理解并用起来。
它们都要做内容，但内容在生意里的位置完全不同。
所以，不能拿同一个涨粉目标去要求所有人。
三、最大的坑：先做产品，再找客户
这是当天我讲得最重的一段，也是我认为大多数想做 AI 生意的人最容易摔的地方。
很多人的思路是这样的：现在 AI 这么厉害，我先快速做个产品出来，然后再去推市场。
结果做出来发现，这个产品是个伪需求。
正确的顺序是反过来的：
先想清楚我的客户到底是谁，他有什么问题，我交付一个什么东西，对他来说算解决了。
我当场用自己服务过的一类教育客户做了示范。
（说明：以下是对客户需求的抽象描述，不涉及任何具体机构信息。）
学校的痛点在哪儿？非常具体：老教师陆续退休，新教师接不上，青黄不接。
从这个痛点往回推，能推出的东西是什么？是面向新教师的备课实操训练，加一套他们能马上用起来的备课流程。
而不是”一套通用的 AI 教学工具”。
这就是从结果往回推的方法。
再往下问几步，会问出更有用的东西：具体是哪一类学校？是公办还是民办？他们现在为什么需要这个东西——是备课效率问题，是找资料的问题，还是写教案的问题？
然后把交付说清楚：最后交出来的是三份可以直接用的教案模板，还是一套能在教研组里跑通的流程？哪些内容必须准确？由谁确认？做完之后放在哪里用？
这些问题说清楚，才能判断 AI 适合参与哪一段工作，人需要补哪些专业能力。
最后一步，也是最多人跳过的一步：
看对方是不是真的采用。
对方觉得新鲜、夸一句”挺好看”，和愿意持续购买，是完全不同阶段的反馈。
这段话我说的不只是产品判断，也是我当天给本地的一个建议。
我在现场提了一个看法：现在最稀缺的不是供给，是真实需求。
会做 AI 的人越来越多，优质的供给持续在增长，但业务量还是那些。所以真正稀缺的，是”有明确交付标准、有人验收、有人付钱”的真实需求。
如果一个地方真的想把这件事做起来，需要有人去把需求整理出来、翻译清楚，再交给有能力的小团队去做。
我当时举了一个很具体的切口：本地卖土特产的实体商家，普遍缺产品手册、缺官网、缺门店物料。这件事完全可以交给一个 OPC 加 AI 来做。
四、我的业务，是怎么长出来的
讲完别人的案例，我讲了自己的。
因为我要让大家看到，这不是一套理论，是我自己正在用的东西。
我上一份工作在南京，一家叫运满满的货运平台——你可以理解成”卡车版的滴滴”，我在里面做数据分析师。
后来我回到承德。
回来之后发现一个问题：这里没有对口的工作。
那我怎么办？
我做了一件事：去年一整年，我给承德的政府机构、学校、企事业单位做免费培训。
一年，免费的。
我当时的目的很简单：我需要真实的案例，需要在真实场景里把能力练出来。
这一年下来，我手里有了一批可以讲出来的东西。
然后，我的所有业务，都是我自己的内容带来的。
我持续在公众号和推特上分享真实的实践和判断，包括我怎么做项目、我踩过什么坑、我怎么判断一件事值不值得做。
人在承德，是可以连接更大市场的。
现在，入口除了搜索、朋友转发，还多了一个：AI 搜索。
我现场放过一张真实的搜索结果截图。当时的问题大意是”找能讲 WorkBuddy 备课的讲师”，结果里出现了”智见AI—大鹏”。
我要说清楚这张图的边界：它说明我在这次搜索中被看见了，它不是一张客户订单，里面的评价也需要使用者自己去核实。
但它说明了一件事：公开内容正在变成一个新的被发现入口。
这里有个新概念值得记住：GEO——不是 SEO，是”生成式引擎优化”。
它说的是同一件事的升级版：当客户用豆包、DeepSeek 去问”谁能帮我做某件事”的时候，AI 会不会把你的内容推荐出来。
这件事的门槛比传统推广低得多。它看的不是你能花多少钱投广告，而是你有没有在公开渠道上，认真讲过自己在做什么。
完整讲一遍那单生意是怎么来的
这是那天现场我拆得最细的一个案例，因为它整个过程都能复盘。
第一步，我给承德应用职业技术学院做了一场”WorkBuddy 赋能老师备课”的培训。
第二步，我把这场培训的详细内容写成文章，发到了公众号、腾讯云开发者社区，以及所有我能发的平台。学校官网也做了报道。
第三步，河南一家私立高中的校董，在 DeepSeek 上问了一个问题：“WorkBuddy 究竟怎么赋能教育？”
第四步，DeepSeek 把我那篇文章推荐了出来。
第五步，这位校董顺着文章找到我的官网。
第六步，他在官网上找到联系方式，加了我的微信。
第七步，我们通电话、线下见面、签单。
第八步，培训做完之后，校董的满意度很高，他拉上了两位清华 EMBA 的同学，和我一起组建了一个团队，很快拿下了 WorkBuddy 的代理资质。
整个过程里，我没有主动找过任何一个客户。
我把这条链路总结成了一句话，这也是我那天反复强调的一句话：
我的内容让客户发现了我，我在交付的过程中建立起了信任，信任带来了接下来的合作，合作又带来了新的资源。
这是一个可以循环的飞轮。
内容不是消耗品，是资产。
五、最累的不是干活，是每次重新交代
讲完怎么找方向，我让现场学员想一件更日常的事。
做业务真正累的地方，到底在哪？
不是交付本身。是每次都要重新交代。
我当时列了三个具体的痛：
第一个是背景。 每开一个新对话，你都要重新说一遍：我是谁、我的客户是谁、我做的业务是什么。
第二个是标准。 你的表达方式、你的交付标准、哪些事不能替你决定，这些要反复说。
第三个是资料。 以前做过的项目、写过的方案、积累的经验，每次都要重新翻找、重新上传。
这三件事加起来，就是你做业务时最隐形的成本。它不产生任何价值，但每天都在消耗你。
而这恰好是 AI 现在最擅长解决的问题。
分身系统：一个概念，四个模块
我那天后半场全部在做的事情，就是搭这套系统。
先给一个定义：分身系统是一个概念，不是某一个软件。 它由四个模块组成。
| 模块 | 作用 | 承载方式 |
|---|---|---|
| Context（上下文） | 交代本次任务的信息 | 工作空间 + 本次提示词 |
| Memory（记忆） | 留住已有经验 | 身份文件 + 记忆工具 |
| Skill（技能） | 沉淀可复用的方法 | Skill Creator 固化 |
| Agent（代理） | 推进执行 | WorkBuddy |
把资料、判断标准和做事方法组织起来，让 AI 在任务中调用。不同业务可以共用一套基础积累。
这套系统跑起来之后，分工是这样的：
我负责方向、专业判断和验收，AI 负责执行和整理。
我自己用这套系统做过什么
我举一个自己的例子。
前一天，我刚给市政府做了一场关于 OPC 的分享。那份 PPT 四十多页。
我先花了一个多小时跟分身对齐需求：听众是谁——有领导、有大学生、有创业者，这三种人关心的东西完全不同；要讲什么；故事线怎么走。
然后让它从我自己积累的课程、书稿和文章里检索相关概念。
确认故事线之后，让它出每一页的脚本：主标题是什么、核心观点是什么、支撑内容是什么。
再出几页样片，确认风格对不对。
确认完风格，我把最后一段提示词交代清楚，它自己开始跑。
第二天早上，我收成品。
这个过程里，我做的事情只是判断：这个方向对不对、这份材料能不能用、这一页表达准不准确。
我那天讲了一句让现场安静了一下的话：
当某种检查反复有效的时候，就把它留下来。下次相似任务开始之前，让 AI 知道这些要求。
这个”留下来的东西”，就是 Skill。后面我会用完整的一节讲它怎么固化。
还需要补一句边界。这套流程里，人不能消失。我在现场说过一个我自己踩过的坑：
AI 在整理企业资料时，会把没有提供的数据补成一个看起来合理的数字。 这份初稿即使格式再完整，也不能直接交出去。
正确的做法是明确要求它：缺失项保留待补。然后回到原资料核对。
发现问题以后，反馈也要具体。 只说”不好”，它不知道往哪改。说清楚哪里不符合要求、为什么不适合、希望突出哪一个关系，下一轮才更容易接近目标。
六、AI 写不出你的东西，是因为上下文给得不够
进入实操之前，我先把三个概念讲清楚。
不然后面你只是在照抄步骤，换个场景就不会用了。
第一个概念：上下文
很多人跟我说过同一句话：“我觉得豆包和 DeepSeek 写出来的东西太泛了。”
我一般会反问一句：你是怎么问的？
大多数人的用法是这样的：在对话框里打一句”帮我写一篇关于企业用 AI 的文章”，然后等结果。
结果当然泛。
因为它根本不知道你的客户是谁、你的业务是什么、你遇到过什么问题。
这里有一个特别值得说的现象。我们过去用 AI 的时候，真实的工作流是这样的：
先在电脑里人肉找资料 → 复制粘贴上传给它 → 再写一大段提示词解释背景。
这本质上是我们手动在给 AI 搬上下文。
而这个搬运的过程，恰恰是最累、最容易漏的部分。
我现场画了一个图，叫”AI 乔哈里视窗”。
横轴是”我是否知道”，纵轴是”AI 是否知道”，画出四个象限。
最容易被忽略的是右下角那一格：我知道，但 AI 不知道。
你的客户是谁、你以前怎么做这类事、你有什么偏好、哪些承诺你不能做——这些信息全在你脑子里，AI 一开始完全不知道。
而这一块，正是决定任务质量的关键。
所以从今天开始，你要养成一个习惯：在交代任务的时候，主动把”我知道但 AI 不知道”的那部分补上。
第二个概念：工作空间和上下文窗口
这两个词很容易搞混，我用一个比喻讲清楚。
工作空间是房子，上下文窗口是房子里的那张书桌。
房子可以放很多材料——你的资料、你的历史文章、你的项目文件，全都存在房子里。
但桌面的大小是有限的。做哪件事，就从书架上挑相关的材料摆到桌上。
这里有几个很关键的推论：
第一，文件存在房子里，不等于已经摆在桌上了。
你还需要让 AI 能找到它、读到它、并且用对。这就是为什么”把资料丢进文件夹”之后，AI 还是答不好——它只是知道房子很大，但不知道书在哪一层。
第二，桌子大小是有上限的，而且会被无用的东西占满。
如果目录乱，AI 会先乱翻一遍，把不相关的材料都搬到桌面上。这些材料一上桌，就已经占用了上下文窗口，等于把资源浪费了。
第三，长对话会被自动压缩。
这个机制很多人不知道。当上下文占用到一定程度（大约八成左右），系统会自动压缩前面的内容。
压缩的弊端非常明确：它会丢掉大量细节，只保留”刚才做了什么、关键决策是什么”。所以后面的任务表现，很可能会明显变差。
我的建议是：如果是长任务，一开始就选大窗口的模型。
那文件夹到底要怎么整理？
我给了一个很好用的标准：文件夹名和文件名，就是书架上的标签。
标签清楚，AI 就能靠标签快速定位，不需要先读全文。标签混乱，它就只能一本一本翻，翻完桌面也满了。
另外，不只是目录要清楚，“什么放在哪个目录”这个规则本身也要写下来，交给 AI。
顺便说一个我自己的判断，我叫它”AI 原生”：
你电脑上配的工具，是给 AI 配的；你的文件夹，是给 AI 准备的。
这个说法听起来有点怪，但它会改变你整理文件的方式。
过去我们整理文件夹，是为了自己找东西方便。现在你要同时考虑一件事：AI 能不能靠这些名字找对东西。
这两条很重要，第 2 步会讲到它们具体写在哪。
第三个概念：Agent Loop
我讲了一个自己的判断，这句话我讲了很多次：
这个世界上任何智能的本质，都是一个 loop。
你拿到一个目标，你会想办法、找工具、采取行动，然后看结果怎么样。结果不对就修正，信息不够就补信息。一直循环到目标达成。
Agent 也是这个循环。
拆开来看是这样几件事：模型负责判断下一步做什么，工具负责行动，任务记录保存做到哪儿了，反馈决定后面怎么走。
理解了这个循环，你就明白为什么”一次交代清楚就撒手”往往不行——因为它需要反馈，你需要在中间给它反馈。
同时你也会明白，为什么有些任务它做得很好，有些做得很差：差别通常不在模型，在于这个循环里有没有足够清晰的反馈和停止条件。
那么，提示词还要不要学？
要。但重点完全变了。
过去我们学提示词，学的是”怎么把话说得足够详细、足够完整”，恨不得把所有限制条件都堆进去。
现在不一样了：
提示词的重点，变成了把事情交代清楚。
我把这个交代拆成三个部分：
| 字母 | 含义 | 要交代什么 |
|---|---|---|
| S | State（现状） | 现在是什么情况、对象是谁、手里有什么材料 |
| G | Goal（目标） | 我想得到什么结果 |
| P | Process（过程） | 怎么推进、在哪里停下来让我判断 |
但这里有一个反常识的点：大多数情况下，你不需要交代 P。
因为 Process 是 Agent 的强项。你只要把现状和目标说清楚，它自己会规划路径。你只需要在它规划完之后看一眼，觉得不对就调整。
我在现场教了一个具体做法：打开计划模式。
交代完需求之后，让它先列一份任务清单，你只负责评估这份清单合不合理。合理就执行，不合理就改。
SGP 掌握好了，你就能用好任何一个 Agent 工具。
而这个过程中，最有价值的一句话是
讲到这里我说了一句自己非常有信心的话：
现在提示词不用写得太复杂。没有人能把提示词写清楚——但你让 AI 问你就行了。
为什么？因为人很难把自己的需求表达清楚。很多时候我们连自己到底要什么都不知道。
所以整场讲座里，我认为最值钱的一句提示词是这个：
在正式开始任务之前，请通过提问的方式与我对齐。先不要做成品，
每轮只问两三个真正影响结果的问题，等我回答后再继续。
信息足够之后，复述我的需求，给出方案，等我确认再执行。这句话，接下来所有的步骤都会用到。
它不是让你偷懒，而是换一种方式把需求说清楚——让 AI 来问，你来答。
因为答问题，永远比凭空描述需求容易。
好，概念讲完了。下面是完整的十步。
实操部分：十步搭起你自己的分身
下面是完整的十步。
先说一下时间预期：走完一遍大概需要两三个小时。
提示中间如果卡住，第 3 步的记忆配置可以先跳过，它不影响后面任何一步。
每一步我都按同一个结构写：为什么需要这一步 → 怎么做 → 做完你会看到什么 → 现场踩过的坑。
第 1 步：采访，让 AI 认识我
分身系统的第一步不是配置，是让 AI 认识你。
人跟人互相了解，靠的是交谈和提问。AI 也一样。
所以这一步，我不让你写需求文档，而是让 AI 来采访你。
准备工作：打开 WorkBuddy，先选好一个文件夹作为你的”个人分身文件夹”。这个文件夹以后就是你这套系统的工作现场，所有成果都沉淀在里面。
放在哪都行，但建议放在路径好找、不在系统盘的位置。
然后复制下面这段提示词。
请通过采访认识我，为我建立一个长期合作的 AI 分身。先问我的名字或称呼，
以及希望 AI 叫什么，再按四个阶段逐轮采访，每轮只问 2—3 个问题，等我回答
后再继续，不要一次发完整问卷。
第一阶段：我是谁——职业、经历、主要职责、服务对象、日常高频工作，以及
当前最想解决的问题。
第二阶段：我想往哪里走——当前目标、正在推进的项目、优先级、成功标准、
现实资源与限制。
第三阶段：我们怎么合作——AI 的身份与职责、主动性、决策权限、什么时候
问我、什么事不能替我做；我喜欢的表达、交付形式和反感的做法。
第四阶段：我的判断方式——重视的价值、做事原则、典型选择、希望你坚持或
提醒我的事情。
必要的话，根据我的回答追问具体例子；已经回答的不要重复问，不替我编经历。
采访完成后，整理一份完整底稿，先不要写身份文件，区分我的背景、AI 的身份
职责和协作原则。现在开始第一轮。做完你会看到：AI 分几轮问清你的情况，最后给你一份完整的个人画像。
现场的坑：
第一，打字太慢是这里最大的瓶颈。 我现场给学员的建议是用语音输入法（微信输入法、豆包输入法都支持）。那天我说了一句话，很多人记住了：
AI 很快，这里面最大的慢的地方，其实是在人这边。
第二，权限先放开。 默认权限设成”完全访问”，否则它每次越界访问或者要做危险操作，都会弹窗问你，会打断整个流程。
第三，如果你还没有业务、没有客户、没有产品，也没关系。
那天现场有不少人属于这种情况——还没想好方向的大学生、还在探索的年轻人。
我给的方式是：先用一个练习身份跑一遍完整流程。
现场用的是一个人物设定——一位准备在本地做企业 AI 培训的从业者，有明确的客户对象（中小企业负责人和行政运营人员）、明确的问题（客户学过工具但用不进工作）、明确的边界（不编造客户和收入）。
用这个身份跑一遍，你会发现整套流程完全跑得通。等你有了真实业务，把身份文件换掉就行。
这套系统跟业务内容无关，它跟”你有没有清楚地说出自己”有关。
证明这一点的是接下来的验收动作。
第 2 步：生成四个文件，让分身真正接上
采访结束之后，AI 手里有一份关于你的完整信息。但这份信息现在还在这一次对话里。
下一步是让它变成每次都自动加载的东西。
这就是四份文件的作用。
| 文件 | 记录什么 | 放在哪里 |
|---|---|---|
| USER.md | 你是谁、你的业务、你的客户 | 用户配置目录 |
| IDENTITY.md | AI 是谁、它的职责和边界 | 用户配置目录 |
| SOUL.md | 你们怎样合作、什么风格、什么不能做 | 用户配置目录 |
| AGENTS.md | 这个工作文件夹的长期规则 | 个人分身文件夹最外层 |
前三份叫身份档案，解决”AI 认识你”。第四份解决”在你这个工作现场里，它要守什么规矩”。
这里有一个关键点，理解它你就不会做无用功：
三份身份档案会在每一个新对话里自动加载。所以 AGENTS.md 里不需要重复它们的内容，更不需要写”去哪里读取这三个文件”。
很多人第一次做的时候，会在 AGENTS.md 里把所有信息又抄一遍，结果是三份文件加两份重复的人设，越用越乱。
复制下面这段。
我们已经完成采访，我希望以后每次打开 WorkBuddy，它都了解我，也知道怎样与
我合作。
请以这次采访为唯一依据，找到 WorkBuddy 的用户配置目录，完整覆盖 USER.md、
IDENTITY.md、SOUL.md，分别记录我的背景、AI 的身份职责和我们的协作原则。
同时，在当前个人分身文件夹最外层生成一份新的 AGENTS.md，只写采访中已经
明确、适用于这个工作区的通用约定。三个身份文件会自动加载，不用在这里重复
内容或写读取路径；还没遇到的业务规则以后再补。做完你会看到：四份文件生成好了。
验收方法（这一步一定要做）：
新开一个对话，问它：“你知道我是谁吗？你准备怎样帮助我？”
看它是不是认得你。
现场的坑：
第一，文件在哪。 AGENTS.md 在你的个人分身文件夹最外层，一眼就能看到。另外三份在用户配置目录里——Mac 和 Linux 是主目录下的隐藏文件夹，Windows 是用户目录下的对应位置。Mac 上按 command + shift + . 可以显示隐藏文件。
第二，新建对话有两个入口，行为不一样。
从顶部新建任务，会丢掉你当前的工作空间，需要重选。在同一个目录下新建，工作空间会继承。
这个差别我在现场专门强调过，因为它直接决定”为什么我新建了对话它就不认识我的项目了”。
第三，“永久生效”是分范围的。
这套身份文件之所以每次都能用上，是因为宿主会在对话启动时自动装配它们。而 AGENTS.md 是项目级的规则——你换了项目，它就不生效了。
这个区别很重要：别把该写在项目规则里的东西，写进全局身份档案里。
第四，为什么叫”系统提示词”。
我用了一个比喻解释它：它就像政务服务大厅里那个业务员手里的员工手册。
你去办事，前台业务员被员工手册规范着——哪些能办、哪些不能办、要什么材料。系统提示词就是这个作用：它不是给用户看的，是给 AI 看的规则。
而你在对话框里输入的，是这次的具体业务请求。
你输入的提示词解决”这一次”，写进文件的规则解决”以后每一次”。分清这两件事，你的系统就不会乱。
第 3 步：接上记忆，让它记住一个新细节
四份文件解决的是静态认知：你写进去什么，它就知道什么。
但它还缺一层能力：合作过程中新发生的事，它记不住。
比如你昨天做了一个决定、今天纠正了它一个错误、这周你换了一个新客户——这些都不在身份文件里。
这就需要动态记忆。
这里要区分清楚一件事，我在现场专门讲过：
| 记录什么 | 怎么来的 | |
|---|---|---|
| 静态档案 | 你是谁、你的业务、你的规则 | 你采访、你写进去 |
| 动态记忆 | 合作中产生的细节、决定、观点变化 | 从对话中自动沉淀 |
两个都要有。档案负责”认识你”，记忆负责”记得你”。
安装方式非常简单，把下面这段交给 WorkBuddy 就行：
读取 https://mem.nowledge.co/SKILL.md，按其中说明为 WorkBuddy 安装或更新
Nowledge Mem。用 nmem status、Context Bundle 或 Working Memory 检查验证连接，
然后跑一小段会话，并用 nmem t list --source workbuddy 确认线程已出现。装好之后，用三个动作分别验收三件事：
- 告诉它一个采访里没提过的新细节。比如：“请记住：我给企业做分享时，喜欢先演示一个实际任务，再讲原理。”
- 新开一个对话，问它：“我喜欢怎样开始一场企业分享？“——看它有没有用上。
- 打开记忆工具，看能不能找到那条记录——看它有没有存下来。
这三步分别检验：连接成不成功、记住了什么、下次有没有用上。
现场的坑：
第一，这一步可以跳过。 我那天明确说了：这个工具的安装很简单，我不会等所有人装完。装不上就先继续往后走，用身份文件把主线跑完。
第二，记忆是两层结构。 底层是原始的对话记录，上层是从里面提炼出来的记忆。
线程里出现了记录，只说明会话同步成功了，不等于那条长期记忆已经提炼出来。
第三，后台提炼需要另外配置。
它需要单独接一个模型来做分析和提炼。不配也能用，只是你要主动告诉它”记住这件事”，而不是等它自己总结。
（延伸说一下这个东西的价值：它不止能记住事实，还能追踪你的观点是怎么变的。比如同一个话题，你半年前怎么判断，现在怎么判断。这一层我现在用得最多。）
第 4 步：按卡帕西的方法，建好业务 Wiki
到这一步，AI 认识你了，也记得你了。但它手里还没有你的业务知识。
所以接下来是把散落的资料，变成它随时能调用的知识库。
先回答一个很常见的疑问：
AI 已经会联网搜索了，为什么我还要自己建知识库？
我那天给了一个判断，这句话我认为是整个下午最重要的一句：
知识在 AI 时代是不稀缺的。真正稀缺的，是经过你认证的知识。
网上搜到的东西，你不知道它对不对、适不适合你的客户、是不是你认可的立场。
而 Wiki 最大的区别在于：所有进去的素材，都是经过你人为认证的。
第二个判断是：Wiki 本身是一个极度结构化的知识库，知识模块之间是相互关联的。
这句话什么意思？就是它不只是”存了一堆文章”，而是把知识拆成了概念和框架，并且标出了概念之间的关系。
当你问它一个概念的时候，它可以沿着关联链条把周边的话题一起带出来。
这也是它比”文件夹里放一堆文档”强的地方。
怎么做
我用的是卡帕西（Andrej Karpathy）公开的 LLM Wiki 方法。核心就四条：
- 原始资料原样保留，一个字都不动
- 知识页之间相互链接，形成一个网
- 有一个索引，帮助快速找到入口
- 有更新记录，方便持续积累
具体结构交给 AI 按这套方法自己设计。
把你要用的资料文件夹交给它，复制下面这段：
这里是我积累的一批 AI 培训资料，我以后会用它们备课、准备企业分享和写文章。
我想把这些资料变成一个持续积累、随时能用的业务 Wiki。请先读
"00-卡帕西LLM-Wiki方法.md"，按其中的方法，在当前个人分身文件夹里新建一个
"AI培训Wiki"仓库，用其余全部素材完成第一版，不用分批等我确认。
具体结构由你设计，保留原始资料，把相关知识组织和链接起来。这个仓库里用
deliverables 子文件夹保存以后生成的分享大纲、文章等成果；把这条保存约定写
进仓库的 AGENTS.md，并在个人分身的 AGENTS.md 中记录这个 Wiki 的位置和用途，
方便下次继续用。（注意：把”AI培训Wiki”换成你自己的业务名称，把资料名称换成你自己的资料。）
做完你会看到，产出的目录大致分成四类：
| 目录 | 放什么 |
|---|---|
| raw | 原始文件，一字不动 |
| 概念 | 拆出来的知识点，每个标注来源、标签和相关概念 |
| 框架 | 由概念组织成的方法论结构 |
| 来源 | 每条知识的出处 |
现场的坑：
注意不要在原始资料上改。让它基于参考资料生成新页面——改着改着，你就不知道原始长什么样了。
第二，Wiki 根目录会自动多出一份 AGENTS.md。
这是 AI 自己写的，用来告诉以后每一次对话：这个仓库是干什么的、什么放在哪里、成果存到哪。你可以理解成”让 AI 成为守规矩的 Wiki 维护者，而不是一个通用的聊天机器人”。
第三，AI 会自己找到文件。
现场演示的时候，我没有告诉它方法文件在哪个路径，也没有告诉它有哪些素材。它自己就找到了。
这是工作空间这个概念真正的价值——你给它一个现场，它自己去探索。
反过来说，这也解释了为什么第 6 节要强调文件夹结构：结构越清楚，它找得越准。
第四，一个真实的故障，值得记下来。
现场有学员举手说：“我的工作空间里文件怎么是空的？”
排查出来的原因是：那个压缩包是在苹果系统里打包的，用系统原生解压会解出空目录，改用 WPS 解压就正常了。
这是个工具链问题，不是模型问题。但它说明一件事：遇到问题先看是不是文件本身没到位，再怀疑 AI。
第五，Obsidian 只是查看工具。
你可以用 Obsidian 打开这个仓库，链接是能点、能跳转的，看起来像一张知识网。
但在 WorkBuddy 里这些链接不渲染。这不影响使用——Wiki 是给 AI 用的，不是给你做笔记用的（当然你想看也完全可以）。
第 5 步：用 Wiki 做一次真实的交付
Wiki 建完之后，必须马上用它做一次真实任务。
不然你不知道它是真能用，还是一堆好看的文件。
我那天设计的任务是：用它准备一场 30 分钟的企业 AI 分享。
注意，只做大纲，不做 PPT。这一步的目的是验证知识库，不是完成一场培训。
新开一个对话，只讲清对象、目标和交付要求，不用再介绍你的所有材料。
我要面向中小企业负责人和行政运营人员做一次 30 分钟的 AI 分享，他们用过
聊天工具，但还不知道怎样让 AI 帮自己完成工作。
我希望他们听完能选出一项适合交给 AI、而且能验收的工作。主题是"企业用 AI，
先选一项能验收的工作"。
请根据我的 AI培训Wiki 准备一份 6 页的分享大纲，写出每页讲什么、用什么例子、
讲多久，并安排一个小练习。先做大纲，不制作 PPT，成果保存在这个 Wiki 仓库的
deliverables 里。做完你会看到：AI 先去读 Wiki 的索引，然后按主题把相关材料取出来，最后形成一份大纲。
那天现场它给出来的东西，我念出来之后自己在台上停了一下。它给出了三个核心主张：
- 不问该买什么 AI 工具，问公司哪个流程最值得被 AI 重做
- 选工作的标准是能验收，不是看起来用 AI 很高级
- 交给 AI 的，是一段活，不是一整件事
这三句话，每一条都有它从 Wiki 里找到的依据。
我当时在现场说了一句：这里面所有东西都是有据可查的，都是基于我的 Wiki 讲的。
验收标准（这才是重点）：
不要只看它有没有给你一份大纲。要看三件事：
- **大纲是不是针对这批听众的？**换一批听众，内容应该不一样。
- **总时长对不对？**30 分钟就是 30 分钟，不是随便写个”大约”。
- **例子是不是来自你的 Wiki？**如果它举的例子你自己都没讲过，说明它在编。
记住这个验证方法：知识库有没有用，不看你存了多少东西，看你拿它能不能做出一次别人能验收的交付。
第 6 步：用它写出有你个人风格的文章
这是整个流程里，我自己最看重的一步。
因为宣传里承诺的成果就是这一句：让分身写出符合业务逻辑的内容。
而大多数人用 AI 写作的体验是这样的：写得挺顺，读起来不像自己。
为什么？
因为你只给了它知识，没给它你的表达方式。 这两件事要分开供给：
| 供给什么 | 提供什么 | 从哪来 |
|---|---|---|
| 业务知识 | 事实、依据、观点 | Wiki |
| 表达风格 | 怎么开头、怎么判断、怎么举例、怎么收尾 | 你的历史文章 |
我那天强调了一句：不要只说”专业一点”、“接地气一点”、“有深度一点”。
这种描述等于没说。要让 AI 从你的文章里找出具体证据。
具体看六个维度：
| 维度 | 看什么 |
|---|---|
| 观点表达 | 判断的力度、人称关系、怎么处理疑问 |
| 开头方式 | 是从场景进、从故事进、还是直接下判断 |
| 结构推进 | 主张怎么展开，原因和例子怎么排 |
| 句式节奏 | 长句还是短句，怎么断句，怎么停顿 |
| 用词口吻 | 书面还是口语，术语怎么解释 |
| 举例收尾 | 举什么例子，结尾是判断、行动还是留问题 |
先让它写出一份短的表达画像给你核对，确认之后再开始写。
我准备通过写文章，让中小企业负责人和行政运营人员了解我的 AI 培训业务。
这里是我过去写的文章，AI培训Wiki 里是我积累的业务知识。
我想写一篇"企业用 AI，先选一项能验收的工作"，大约 800—1200 字，既能帮读者
解决问题，也有我自己的表达风格。
请先从历史文章里学习我的观点表达、开头方式、结构推进、句式节奏、用词口吻
和举例收尾；再从 Wiki 找适合这个主题的素材。先与我确认文章 brief，也就是
写给谁、解决什么问题、核心观点是什么、准备怎么展开。我确认后再写，和我一起
改到满意，并把文风总结与文章保存在 Wiki 仓库的 deliverables 里。那天真正发生的，是这一段
这是我认为整场讲座里最有价值的一个细节。
AI 学完文章样本之后，它没有直接开写。
它反过来问了我四个问题：
- 开头用哪种切入点？
- 主线收多紧？——它自己算了一笔账：800—1200 字装不下你想讲的两套方法，要不要扩？
- 例子落在哪个行业场景？
- 结尾留什么钩子？
我当场做的选择是：开头用一次真实培训现场切进去；篇幅扩到约 2000 字，两套方法都要；例子用通用办公场景，因为读者不来自同一个行业；结尾留最小动作和培训入口，因为这篇文章最终是要服务业务的。
这四个问题说明什么？
说明它已经把”写文章”当成一件需要对齐的事，而不是一个执行动作。
而这四个问题本身，就是一套人类作者才会问的问题——写给谁、篇幅多少、什么例子、什么目的。
（顺便说一个判断：这一步是整场讲座里，我最推荐你重点学的部分。不是学它怎么写，是学怎么让它先问你。）
它写出来的开头是这样的（这是 AI 按我的文风写的示范稿，不是事实陈述，是给你看效果的）：
七月十号下午，我在双滦区讲完一场 AI 赋能培训，台下是一百多家规上企业的负责人，以及行政运营岗的同事，主办方是区委组织部。散场前，有位企业负责人走上来，问了我一个问题：老师，我们到底先让 AI 干什么？
这个问题比”该买什么 AI 工具”难回答得多。那场分享，我没有把时间花在讲概念上，两个小时里我只想解决一件事：你回去以后，第一件交给 AI 的工作是哪一件？怎么算做完了？
我当时的评价是：短句、节奏快、很少废话、反问转句，完全用了我的风格。而且不是现搜现编，是基于我业务的 Wiki。
它满足了我大部分需求。
验收标准：不要只看文笔顺不顺。要看四件事——观点是否明确、内容是否服务你的业务、依据是不是来自你的材料、读起来像不像你。
现场的坑：
第一，样本里的经历，不会自动变成你的经历。
用别人的文章学风格的时候要讲清楚：你是在学表达方法，不是在把作者的身份和故事搬到自己身上。
现实写作中，事实和你的个人经历，永远需要你自己确认。
第二，生成的内容不能直接当事实发。
AI 写出来的第一人称故事，是它根据风格仿写的，不是事实核验过的。这一点我在现场专门提醒过。
第三，改到满意再往下走。
不要急着固化 Skill。先有一次真正满意的成果，才有资格被固化。
第 7 步：请 Skill Creator，把成功流程留下来
到这一步，你已经完整跑通了一遍：有 Wiki、有风格样本、写出了满意的文章。
现在的问题是：下一次，你还要不要从头再来一遍？
这正是 Skill 要解决的事。
Skill 到底是什么
我那天用了一个最直白的解释，现场效果很好。
想象你要装一张桌子：
- 工具：你有电钻，就有完成”打孔”这个动作的能力
- 说明书：说明书告诉你，怎么用这个电钻
- 最短成功路径：如果有个木匠师傅手把手教你装过一次，你就知道了什么顺序有效、哪里必须停下来检查
Skill 就是这三样东西合在一起：工具 + 说明书 + 做成功某件事的最短成功路径。
翻译成工作场景：
它不是一个更长的提示词，而是把”一次成功”变成”下次直接能用”。
这里有一个前提句，我在现场专门强调了：
先带着 Agent 成功把一件事干成，再来创建 Skill。
顺序不能反。没有跑通过的方法，固化下来只是把无效流程抄了一遍。
怎么做
复制下面这段：
我们刚刚已经完整跑通了一个流程：基于我的 Wiki，写出有我个人风格、服务于
我业务的文章。
我想把它固化成一个写作 Skill。以后只要我给出主题，你就能根据 Wiki 的内容
和我的风格，全流程写出一篇文章。
请调用 Skill Creator 来创建这个 Skill。正式设计之前，先通过提问与我对齐；
流程里要先确认文章 brief，再写正文，并设计必要的人工决策点，让我确认核心
观点、修改方向和最终成稿。把我们刚才已经验证有效的方法和我的反馈保留下来。那天它做了一件我很意外的事
Skill Creator 被调用之后，它先把整件事复盘了一遍。
它自己识别出流程里真正起作用的七个动作：
- 先读历史文章、学文风，但不动手
- 从索引找路
- brief 先行——先确定写给谁、解决什么问题
- brief 里主动列出”我不替你拍板的选择”
- 正文按文风的六个维度去写
- 引用纪律——哪些是本人的真实经历，要标明当时的表述
- 最后把文章落到一个具体路径
注意第四条和第六条。
这两条是它自己总结出来的，而它们恰恰是”人和 AI 分工”最关键的两个人性化设计：
- 该由人拍板的地方，它明确不替你决定
- 涉及真实经历的地方，它标出边界，不编造
复盘完之后，它又反过来问了我四个对齐问题：
- 覆盖哪些产出形态？（我选：只做文章，不做口播脚本）
- 文风资产怎么放？（我选：内置精简版，因为文风是可以提炼的）
- 设几个必须停下来的确认点？（我选：三个，另加一个快速模式，赶时间的时候不被反复追问）
- 收尾自动化到什么程度？（我选：全自动归档）
最后生成了一份文风规范，落在用户级——也就是任何项目里都能调用，不只是这个文件夹。
现场的坑：
那天这一段跑得比较快，有学员当场喊”已经完全跟不上了”。
我的处理不是重讲，而是降维：
你现在只要知道我在做什么、为什么做，就可以了。回去照着手册能跑出来。
这句话我觉得值得分享给每一个学新东西的人：第一次看长流程，不要试图记住每一步操作，先记住它在解决什么问题。
第 8 步：新开对话，只给主题
这是整个流程里，最能让人体会到 Skill 价值的一步。
操作：新建一个对话，在技能列表里选中你刚做好的那个写作 Skill，然后只说一句话。
帮我写一篇"AI 写的内容，为什么总像通用稿？"的文章。就这一句。
不用重新交代你的业务，不用再说一遍风格要求，不用解释 Wiki 在哪。
如果你需要把整套流程再贴一遍，那说明 Skill 没有做对。
接下来发生的事，很值得看
它做了三件事：
第一，主动去读文风文件。
第二，主动去 wiki 里找相关概念。（“我是谁""我的业务是什么”这类实体它都查了）
第三，也是最有意思的：它发现 Wiki 里没有”OPC”这个概念，于是自己联网去补充了。
这一点在现场引起了不少讨论。我的解释是：
这说明它不是死的模板，它会在你的知识边界之外找材料。但同时也说明——它从外部补进来的东西，是需要你自己核实的。
所以我在现场又强调了一句：
Wiki 要持续培养。
因为它自己联网找的东西，质量取决于外部来源。你的 Wiki 越厚，它跑偏的概率越低。
一条很重要的边界
现场有个学员提议：能不能用这个 Skill 写一份登山活动方案？
我当场拒绝了，并且解释了原因：
我这个 Wiki 是关于 AI 的。跟 AI 不相关的主题，它肯定没法好好回答你。
这就是一条很实用的判断：Wiki 的边界，就是 Skill 的边界。
Skill 固化的不只是流程，它也继承了你的知识范围。换个完全不相关的领域，你需要的不是换主题，是换 Wiki。
那天换题之后，全流程只做了两件事：给一个主题，回答四个选择题。
耗时大约两分半。
它产出的开头是这样的：
今年五月份，澎湃新闻做了一场叫 OPC 实战者的访谈，请来三位一人公司创业者：一位在做 AI 科技自媒体加高客单服务，一位在做出海企业的工具订阅和产品定制，一位做垂直行业的 AI 方案。三个人的赛道完全不同。
（注意：这段里提到的访谈是 AI 自己联网查到的材料，引用到公开文章前需要自行核实。）
两句话我当时单独挑出来表扬了：
- “AI 加自媒体不是一个渠道选择，而是 OPC 唯一一套边际成本递减的信任生产系统。”
- “OPC 的瓶颈不是产能，是信任的半径。”
验收标准：看它是不是主动确认 brief、是不是用了你的 Wiki 和文风、是不是在该由你决定的地方停下来。
你不需要重新交代完整流程，这就是 Skill 的价值。
第 9 步：给文章配图，先确认再生成
文章定稿之后，再做配图。
我给了一个很简单的分类，先搞清楚一张图是干什么用的：
| 类型 | 作用 | 例子 |
|---|---|---|
| 氛围图 | 传达感受，让读者愿意读下去 | 开头的场景图 |
| 信息图 | 讲清步骤、结构或关系 | 流程图、对照表 |
这篇文章已经定稿。我希望配几张合适的图，让读者更容易读下去，也更容易理解重点。
请调用 ImageGen Skill，先给我一个配图方案：准备插在什么位置，是氛围图还是
信息图，每张图想表达什么、为什么需要它。画面简洁，风格统一。
等我确认方案后，再生成图片并插入文章的合适位置，把配图后的文章和图片保存在
这篇文章所在的 deliverables 子文件夹里。现场的坑：
不要把”每段配一张图”当目标。
看的是这张图有没有帮助理解、适不适合正文、风格是不是统一。
图是为了让读者读懂，不是为了显得内容多。
第 10 步：有余力，再把配图方法也做成 Skill
这一步可以课后做，也完全可以不做。
但如果配图效果你满意，那就值得固化下来——方法和第 7 步一样：
这次文章配图已经完成，效果符合我的要求。
我希望以后给你一篇文章，就能按同样的方法完成配图。
请调用 Skill Creator，先通过提问和我对齐，再把刚才成功的流程做成配图 Skill。
保留"先说明位置、类型和目的，等我确认再生成"的人工决策点。注意最后那句话：人工决策点要保留。
这不是流程的累赘，这是流程质量的一部分。
最后：不同起点的人，第一步该做什么
十步讲完了。但这套东西不是所有人都要从同一个地方开始。
我那天把起点分成了四类：
| 你的情况 | 建议的第一步 |
|---|---|
| 已经在经营业务 | 先挑一个交付环节，用 AI 改善它 |
| 有专业能力 | 从日常被别人问到的问题出发，把经验表达出来 |
| 愿意动手做作品 | 做几个小演示，积累真实反馈 |
| 还没有明确方向 | 先完成一个有指导的小任务，看自己能不能理解要求、按时交付、按反馈修改 |
第四类人我特别想说一句：完成这些基本动作本身，就是能力成长。
它不是”还在准备阶段”，它就是你现在的进度。
另外，判断一个人适不适合起步，我建议不要问”你会不会用某个软件”。
问这三件事更有用：
- 你最近帮谁解决过什么问题？
- 你手里有什么能用的资料？
- 有没有一个人，愿意看你的第一份成果？
暂时答不上来也没关系。这三件事都可以在做的过程中慢慢积累。
最后补一句边界：这不要求每个人都要去独立经营。
在岗位上把工作做好，同样有价值。等你发现了稳定的需求，再考虑要不要向外提供服务。
把起点选得合适，比选得早更重要。
写在最后
这场课我讲了三个小时，但其实只讲了一件事：
把你脑子里那些别人拿不走的东西——你的判断、你的标准、你的经验、你踩过的坑——留下来，让 AI 能接着用。
AI 这一轮真正的变化，不是它变聪明了，是它开始能接手一整件事了。
而一个人能不能借上这个力，取决于一件很朴素的事：
你能不能把自己说清楚。
那天散场前我做了个总结，也是这篇文章想说的全部：
一人公司这个词不新，AI 也不新。新的是——一个人第一次可以用一套自己搭的系统，把交付做到过去一个团队的量级。
这套系统不需要一次搭完。
今天只需要做第一步：找一个文件夹，把采访那段提示词复制进去，然后开始回答问题。
你会发现，当你认真回答完那几十个问题之后，你对自己的业务，也会清楚一大截。
我是大鹏，我会在这里持续分享 AI 培训&落地、一人公司和 Agent 工作流的真实实践。