AI原生五层级进阶指南：30天从入门到精通
原创 Capihom 2026-06-17 20:50 北京
"当我把 AI 接进工作的每一个环节，感觉几乎像作弊。"
"最后 10%，你还是得加上人的手感。"
"别再只用 chatbot，去用 Codex 或 Claude Code。"
说出这几句话的，是 Peter Yang。他在 Reddit、Meta、Roblox 做了十年产品，如今一个人运营着拥有 14 万订阅者的 newsletter，身边只有视频剪辑和零散 contractor，没有一个全职团队。过去一年，他把内容生产、分发、复盘、业务判断一项项接进了 Codex 和 Claude Code。对于产品、增长和内容方向的团队而言，这期对话提供了一条非常实在的迁移路线：先把聊天式 AI 升级成能读文件、调 API、把结果写回工具的工作台，再把每周重复的动作拆成 skill、memory 和 integration。而他反复强调的核心观点始终如一：机械劳动可以先交给 AI，但最后的收口、原则和手感，仍然得留在人手里。
Peter 的经历之所以有代表性，是因为他横跨了大公司产品管理、内容创作和独立经营三种截然不同的场景。在大厂，最常见的是跨团队对齐、文档流转、排期推进；而在独立创作中，最耗人的是改写、分发、复盘和商务跟进。一旦 AI 能够同时触碰这两类工作，它的影响就不会停留在"写快一点"这个层面，而是会直接落地到团队分工、岗位边界以及个人时间表上。
他先停掉一天会议，把手工流程全倒给 Codex
Peter 说，自己过去一年最有决定性的一步，不在于换了哪款模型。他专门空出了一整天——不见人、不参会——坐下来把所有重复工作一条条讲给 Codex。他先用 Whisper Flow 把流程口述出来，再补上自己平时怎么做、要什么格式、哪些地方最容易翻车。最先被拆进去的，有播客后期、newsletter 编辑、跨平台分发，还有一个给业务提建议的 advisor。这更像是一次正式的工作交接：把脑子里的熟练动作，改写成 AI 能执行的岗位说明书。一旦流程被说清楚，后面很多事就不必再从头讲一遍。
那一天里他做的事并不抽象。他把动作拆得很细：哪一步先读原稿，哪一步对照旧样本，哪一步保留自己的口头语气，哪一步必须停下来等他确认。这样建立起来的系统，后面只要再补上一两句 learnings，下次运行就会少走许多回头路。很多人觉得 AI 不稳定，往往是因为交接只交了一半。
"我基本上把所有 workflow 都倒给了 Codex。"
四个平台分发、30 天复盘、赞助排期，都能接进同一套系统
交接完成后，Codex 不只在负责出文案。Peter 现在把内容直接发到 X、LinkedIn、Threads 和 Substack Notes；以前他还要借 Typefully 这类工具中转，如今连没有公开 API 的平台，他也会先让 AI 去浏览器里摸清内部接口，再把动作接起来。他还给自己做了 morning briefings 和 weekly reports：每周汇总收入、过去 30 天内容表现、同类频道的异常增长点，YouTube 和 Substack 都在里面。团队里最耗人的复制、改写、搬运、复盘，已经被并到了一条流水线里。
Social 分发这条线尤其能看出差别。过去一篇 newsletter 要改成四个平台的语气和长度，经常是同一句话来回缩写、换开头、补 tag。现在 Codex 会按平台差异自己调整：X 上找采访对象 handle，LinkedIn 上调整成更适合长段表达的版本，Substack Notes 则处理没有官方集成的发布动作。人不再被困在搬运环节里，时间才有机会挪给下一条增长实验。
"现在我可以直接发到 X、LinkedIn、Threads 和 Substack。"
自动化先拿走重复劳动，最后收口还得自己来
Peter 并没有把自动化做成"生成完就发"的模式。他仍然保留着 final approval：先用语音把想法脑暴给 AI，再让 Codex 结合他过去爆过的帖子样本做清理和改写，最后自己通读一遍，把语气、节奏和风险收回来。他直言，AI 给反馈式的改稿有时比自己直接改还累，因为你得先把不对劲的地方讲清楚，再让系统重新试一轮。AI 最先吞掉的是枯燥流程，而 taste、判断和最后那一下收口，仍然得留在人手里。批量生产 10 条"AI slop"去赌爆款，并不在他的目标清单里。
他把人留下来做的部分说得很具体：检查一句话是不是像自己会说的，是不是太油滑，是不是为了流量把原意扭歪，是不是该删掉一整段。这里没有捷径。机器能把草稿推到八九成，而人要守住的，是克制、判断和边界感。这也是他区分"提效"和"偷懒"的地方。
"最后 10%，你还是得加上人的手感。"
五层 AI 采用里，第三层以后才开始改工作流
为了把差距讲清楚，Peter 做了一个五层框架。第一层，是把 ChatGPT 和 Claude 当日常答题器；第二层，是放进 daily work，用 project 减少来回复制；第三层，开始做原型，PM 不再只写 PRD，而是把截图丢给 Lovable、Replit、Codex 做可演示 demo；第四层，是做 personal app，先解决自己手上的小问题；第五层，才是 personal agent，让 AI 接过整段工作流。多数团队缺的并非更强的模型，而是一直停在第二层，迟迟没把 AI 接进真实工具链。
到了第三层以后，变化才开始变得硬核。PM 用截图做原型，会直接改变工程和设计的沟通速度；到了第四、第五层，AI 会触碰发布、表格、文档、排期、会议记录，组织里很多"谁来搬一下"的零碎工种都会先被重写。Peter 想传达的冲击感就在这里：少写几句 prompt 只是表层变化，工作流的跑法已经彻底换了。
他把第三层单独拎出来讲给 PM，也很有意思。过去很多产品经理写完一份文档，要真正进入设计和工程讨论，还得再走一轮翻译。现在截图、草图、现有页面都能先变成 demo，会议里争的就不再是"你脑补的页面长什么样"，而是"这个版本该删什么、改什么、先测什么"。这一层带来的，是沟通成本直接下降。
"大多数人还在第一层，只把 AI 用来回答日常问题。"
从聊天框走到 personal OS，AI 才能直接改你的工具
Peter 给 level two 用户的建议很直白：先别继续泡在 chatbot 里了，改用 Codex 或 Claude Code，然后新建一个文件夹，名字随便，personal OS 也行。接下来让 AI 盘点：手头有哪些固定工作流、每周哪几件事最费时间、哪些输出需要直接写回 Google Docs、Slack、表格或发布工具。Peter 说，自己用 Codex 时，八成时间都没在写代码，仍然是在聊天，只是那套聊天终于能调 API、读文件、更新外部工具了。从那一刻起，AI 才更像同事，不再是搜索框。
他执意让大家换工具，原因很现实。聊天框只能吐出一段答案，后面还得有人自己把内容搬到 Google Docs、排期表、邮箱或者 Slack 里。Codex 和 Claude Code 的价值，在于它们能把回答继续变成动作。文件夹里的每个 skill、每个数据源、每次回写，慢慢就会长成一套个人操作系统。
Peter 展示 personal OS 时，里面已经长成了一组能协同工作的部件：newsletter editing、podcast prep、social writer、title testing、sponsor tracking、strategy advisor。每条 skill 只管自己那一小段，再通过文件、Google Doc、analytics 和发布动作串起来。人们第一次看到这样的目录结构，才会真正明白 AI 可以替代的是岗位切片，而不只是单条回答。
"别再只用 chatbot，去用 Codex 或 Claude Code。"
Skill 像岗位说明书，短小、可复用、越用越懂你
他反复强调，skill 没那么神秘。skill 就是一个 text file，写清楚任务、语气、资料和边界，然后几个 skill 可以串起来做一份完整工作。Peter 的 newsletter 会先经过 "shape rough note into transcript"，再接上 "last 30 days" 去补最近讨论，最后交给 "no AI slop" 清掉空话；播客也有 guest research、thumbnail/title testing、post-production、sponsor management 一整套。他本人更像编辑，不停删重、控篇幅，尽量让每个 skill 保持在一页以内，读完就能上手。
他也给 skill 设了纪律。open source 的技能包可以拿来用，但必须读、必须改、必须删掉废话。他还自己写了一个 skill editor，专门查重复指令和臃肿段落，把 skill 压回一页以内。流程越短，越容易被复查；边界越清楚，越不容易在长时间运行后变成一坨没人敢碰的黑箱。
"skill 其实就是一个写满指令的文本文件。"
一份 Google Doc，可以把 AI 训练成 personal advisor
Peter 最常用的一条 skill 叫 personal advisor。背后其实是一份 Google Doc：目标、原则、业务背景、财务状态、什么事情会给他补能量、什么会议会把他榨干，全写进去。再配一个 learnings.md，要求 AI 在每次对话前先扫一遍，聊到一半发现新的稳定偏好，再问要不要记进去，而且每次只写一两句，别把上下文拖成一部长篇。这样一来，AI 给他的建议就不再是中立答案，而会拿"别把主业做散""少接没必要的 Zoom""把 newsletter 和 podcast 放在第一位"去约束选择。很多人想要的，是一个逐渐知道你怎么取舍的助手，搜索速度只是附带收益。
Google Doc 里那几类信息很值得抄：赚钱目标、拒绝什么邀请、业务现在最重要的主线、什么工作会补能量、什么工作会持续消耗自己。AI 一旦读到这些，给出的建议就会带着稳定人格。今天要不要接一个 conference，明天要不要写一本书，后天要不要扩内容线，系统都会先拿既有原则去碰一下。
"我让它在回答前先快速看一遍 learnings.md。"
下一步是 chief of staff：盯 Slack、会议和团队卡点
再往前一步，Peter 还在做 AI chief of staff。输入来自 Zoom、Telegram、Slack、Granola 这类真实工作现场，AI 得学会他的战略判断：谁卡住了、谁答应的事没交付、周日该提醒哪条线、某个决策有没有偏离原则。他提到 Kalshi 团队做过类似东西，每周扫 Slack，直接指出运营堵点。Peter 相信，接下来会有更多"一个人 + 多个 agents"的小团队冒出来；他也坦白自己会担心变懒、变钝，担心下一代一上来就依赖 Codex。所以他的收尾动作很克制：少刷新闻，少囤课程，找一天把上周最烦的一条手工流程接进 AI。
Chief of staff 这一层更接近经营系统。AI 不只要看到 Slack 里的对话，还得知道哪些承诺算已经交付，哪些 Zoom 里的 yes or no 代表真正拍板，哪些会议纪要值得写回长期 memory。Peter 提到的 fear 也很真实：人会越来越依赖这个搭档。所以他的解法也很直接：尽快把 fundamentals 和自己的原则一起写进去。
他对下一代的担心，也落在很具体的地方。自己这一代至少先学过基础数学、基本写作、没有网络时怎么硬扛一件事；孩子从小就能和 Codex 说话，很多"先自己想一会儿"的能力很可能会变弱。所以他才会说，早点做点真实项目、早点碰失败、早点面对市场反馈，比只会在课堂里拿标准答案更重要。
"我想让 AI 学会我的战略决策方式。"
写在最后
Peter Yang 这套方法最动人的地方，在于它不靠秘密 prompt，也不靠极客仪式。先让 AI 接一条能写回工具的工作流，再把反馈存进 skill 和 memory；一天后你得到的，往往会先变成一套开始替你干活的系统，文案只是最表面的产物。再过一周，它还会顺着你的反馈继续长出下一版工作习惯。等你把第二条、第三条流程也交出去，AI 在团队里的角色就会从"偶尔帮忙写点东西"，慢慢变成"持续替你处理一部分工作"。从那时候开始，你管理的就不只是任务清单，还包括一支会不断吸收经验的小型数字团队。哪怕先从每周复盘或内容分发里挑一条，积累也会开始滚动。先赶紧开干，系统才会把你的习惯一点点学下来。
内容来源："AI-First Playbook: Do a Team's Work With AI (2026) | Peter Yang"丨Silicon Valley Girl
原视频：https://www.youtube.com/watch?v=Yu0z7-KMHpo