你上一次听到有人认真说”我们用的是敏捷”是什么时候？

开个站会，贴几张 Jira 卡，喊一声 Sprint，然后 deadline 一到全部乱套——这大概是大多数人对”敏捷”的真实记忆。

然而就在 2026 年纽约 ProductCon 的舞台上，Anthropic Claude Code & Cowork 的设计主管 Meaghan Choi 坐下来，用 40 分钟告诉你：

那个从 12 个人的内部工具，长到年营收 25 亿美金、拿下编程工具 51% 市场份额的产品，走的就是最正统的敏捷路子。

没有什么秘法，就是【构建 → 测量 → 学习】的循环。

第一章：故事从一个粗糙的原型开始

2024 年，AI 编程工具的主流范式是这样的：

把代码复制进聊天窗口，等回答，再复制回编辑器。少数人在用自动补全，仅此而已。

然后，一位 Anthropic 的工程师做了一个大胆实验：让 Claude 直接在你的电脑上执行操作，而不是给建议。

他用 CLI 做了个原型，给 Claude 开放了本地文件系统权限，录了一段演示视频，发到内部 Slack。

Meaghan 看到的那一刻，只有一个念头：

“Holy crap, this is it.”

但这个原型跑起来要将近一小时，体验粗糙，模型能力也没跟上。用她的话说——“至少提前了 6 个月。”

很多团队在这里会做什么？可能急着找时间表，可能开始写 PRD，可能先做竞品分析。

Anthropic 的团队做的事情是：在公司内部推广，让尽可能多的人用起来。

接下来 3 个月，他们跟着用户走，看别人怎么用，现场修 bug。

💡敏捷视角： 这就是最标准的 Sprint 0——不求对外发布，只求内部验证。”先让我们自己信，再让用户信。”

第二章：发布标准只有一条——真实采纳，不是功能完成

Claude Code 的发布流程非常清晰，分三步：

① 敏捷小队内部的人觉得够好、愿意用

② 推给公司其他团队

③ 追踪内部日活用户数，看到真实采纳增长，才考虑对外发布

注意——不是”功能做完了就发”，而是“有人真的在用了才发”。

这两者的差距，Meaghan 形容为建立 conviction（信念）：

“你对产品的信心，来自亲手用过、看到别人也在用。”

有多少团队的发布节点，是”需求评审通过了”？

有多少团队验收标准，是”测试用例全部通过”？

Claude Code 的验收标准是：自己用了、同事用了、停不下来了。

这套”先内后外”的机制，贯穿 Claude Code 至今。

第三章：头衔是你的专长标签，不是你的边界

Anthropic 怎么组队？

Meaghan 用了一个词：fluid（流动的）。

“头衔只是你带给团队的专业背景标签，它不划定你能做什么。”

她本人是设计主管，日常往生产环境推代码。她的工程师会做设计决策。她不参与每一个功能的设计。

一个敏捷小队，可以是：

• 5 个工程师
• 4 个工程师 + 1 个设计师
• 2 个设计师 + 3 个工程师
• 2 个 PM + 3 个工程师

只要人在 3-5 人之间，只要所有人一起冲刺，把东西做到在代码里跑起来。

她还强调了一点，听起来刺耳，但很重要：

“任何人都应该能往生产环境发布。”

她承认作为设计师，起初很难接受没经过自己手的功能上线。但她也承认：这种不适感，是进入快速迭代模式的必要代价。

要让这个模式跑起来，后面要有安全网：好的代码评审流程、CI 自动化测试、完善的测试覆盖。安全网在后面撑着，前面才能放开让所有人跑。

💡 敏捷视角： 这是跨职能团队的最佳状态——不是”前端等后端等设计等 PM”的串行，而是所有人围着同一个目标并行。

第四章：质量关卡，从纸面移进了运行中的代码

这可能是 Meaghan 整场分享里最”颠覆常识”的一点。

传统流程的质量决策发生在哪里？

讨论阶段。 看 PRD、看设计稿、在 Figma 里确认方向，然后才动手开发。

Anthropic 把这个决策点往后推了一步——推到了可运行代码的阶段：

“你得自己用，在真实工作流里体验产品，这时候做出的质量判断才最接近用户的真实感受。”

她用了一个词：“a flip on the head”（翻了个个儿）。

这对设计师尤其是职业本能上的挑战——放手让没打磨到 100% 的东西上线，是很难受的事。

但她也说：

“快速迭代和带着不完美上线不是 AI 时代的发明——AR、VR、空间计算一路走过来都是这样。这是新兴技术开发的天然节奏。”

先做出来，再迭代质量——而不是在动手前把所有迭代做完。

这句话，Scrum 从第一天起就在讲。只是现在 Anthropic 用一款年营收 25 亿的产品，把它演示了出来。

第五章：开发者先用，带动整个企业买单

Claude Code 的企业扩张走的是 PLG（产品驱动增长） 路线：

1. 开发者在个人项目中使用，觉得好用
2. 在公司内部推动采纳
3. 企业工具团队被驱动去做定制化连接器
4. 内部数据库、基础设施被接通
5. 每个人效率提升更大 → 循环继续

更有意思的是：当工具延伸到非工程职能——财务团队用 Claude Code，设计师用 Claude Code——使用者不仅完成了工作，还在过程中学到了新技能。

Meaghan 管这叫：

“Multiply your ability to learn those skills as well.”

这和敏捷对”跨职能能力成长”的期待完全一致：团队因共同工作而互相渗透，每个人的能力边界在悄悄扩大。

第六章：Token 用量不代表 ROI

这是 Meaghan 给整个行业的一个警告。

如果一个人的 token 用量是零，应该引起关注。

但不要让团队比拼谁用的 token 最多——消耗大量 token 却什么都没做到，太容易了。

她拿了一个精准的类比：

以前工程团队用代码行数衡量工程师贡献，后来发现这不是最好的方式。AI 时代的 token 用量，处在类似的阶段。

那应该看什么指标？

采纳率、留存率、收入。

无论你用不用 AI，这些指标都成立。

行业不应该因为工具变了，就发明一套全新的衡量体系。敏捷从一开始就说：关注可工作的软件，关注客户满意度。AI 工具改变的是效率，不是这些原则的有效性。

💡 给管理者的提醒： 你的 KPI 体系不需要推倒重来。先问问：用了这些工具之后，留存率提升了吗？交付速度提升了吗？用户满意度呢？

第七章：每个 IC 都成了”迷你管理者”

这是 Meaghan 最后抛出的一颗炸弹：

“Everyone’s kind of managing a fleet of Claudes that are also working.”团队里每个人，现在都在管理一群 Claude 实例同时工作。

分配任务、检查产出、协调节奏——这像是所有人都沿着管理链往上挪了一格。

一线执行者变成了”迷你管理者”。而 Anthropic 所有带团队的管理者，都同时在一线构建产品——Meaghan 自己做设计、推代码。

她的逻辑是：只有亲身经历工作流程的变化，才能判断应该在什么工具和培训上投入。

这其实是 Scrum 对 Scrum Master 角色的期待——不是一个会议主持人，而是一个深度理解团队工作方式的人。

写在最后

如果用一句话总结 Meaghan Choi 的整场分享：

构建 → 测量 → 学习。先让小队内部的人信，再让用户信，最后让市场信。

Claude Code 从 12 人的副项目到 51% 市场份额，用的不是更重的流程，而是更快的反馈环。

头衔不设边界、质量关卡后移、Token 用量不替代用户指标——这些不是 Anthropic 独有的方法论，它们有一个共同的名字：

敏捷开发。

不是墙上贴的敏捷，不是会议室里说的敏捷。

是真正跑起来的那种。

💬 你觉得，你们团队现在最难做到的，是哪一条？

是”任何人都可以发布”，还是”先做出来再迭代质量”？

欢迎留言，我来和你聊聊。

本文基于 Meaghan Choi 在 2026 ProductCon 纽约大会的访谈整理

原始来源：ProductCon NY 2026 · Product School 官方访谈

本文作者：申健 Jacky Shen

关于作者

申导（Jacky），一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

如果这篇文章对你有帮助,点个在看,让更多人看到AI时代真正的工作方式。

然而戏剧性的一幕发生了——文章评论区直接被打成”案发现场”，点赞最高的几乎全是”打脸”评论，而 G 总本人在评论区里与读者频频过招，几次”反击”反而成为全场笑点。于是我们决定把这场精彩交锋原汁原味地搬运过来，让各位读者自己判断：原文到底站不站得住脚？

需要说明的是，本文不做立场判断，纯吃瓜，欢迎读者自行服用。

一、G 总的三大核心论点（精华版）

先帮没看过原文的读者快速过一下 G 总的论据——他把咨询工作拆成”生产”和”信任接口”两块，再援引《可信赖的顾问》里的”信任公式”，最后拿美国执业护士（NP）做类比，得出三个核心判断：

1. 咨询的本质是”高触感服务业”：客户买的不是 PPT，而是决策的信心、权威的体面；
2. AI 只能替代”生产工人”，替代不了”咨询顾问”：前者是流水线，后者是合伙人级别的”信任接口”；
3. 真正的咨询顾问会像 NP 一样迎来薪酬大爆发：AI 把杂活干完，资深顾问反而更值钱。

单看论点，不能说没有道理。但评论区显然不打算放过 G 总。

二、第一回合：核心论战——”70-80% 的咨询工作 5-8 年内会消亡”

一位坐标加拿大的读者 Rainier 留言被顶到置顶：

“讲真，70-80% 的顾问的工作已经很容易被 AI 取代了。真正能为企业提供价值的顾问只是凤毛麟角。除了部署 AI 方面的咨询顾问以外，大部分的咨询顾问工作会在未来 5-8 年消亡。”

G 总的反击是：”十二年前哈佛商业评论上的《颠覆咨询业》文章还挂着呢。”

意思是：早就有”咨询将被颠覆”的论调，十二年过去了，不还是没颠覆？这一招以”历史没有发生”来反驳”未来会颠覆”，但 Rainier 立刻回怼：

“老师逻辑怎么学的？对过一次就等于每次都对？麦记的顾问不讲逻辑的吗？”

这一刀切得相当精准——十二年前的反例，不能作为”以后都不会发生”的证据，属于典型的归纳谬误。G 总没有再接话。

而一位坐标上海的读者 Sigefrid 则更狠：

“没 AI 时代，咨询公司就大多都是多余的。见过太多咨询公司的人了，没有一个可能通过开几次会议就理解一家公司业务的。只能给出模板化的方案，忽悠客户。”

G 总的回应堪称全场名场面：”见过自卑，没见过你这么自卑的。”

这句话的潜台词是：”你不懂咨询的高大上，所以是你自卑”。但读者并不买账，评论区瞬间变成大型嘲讽现场。

三、第二回合：麦肯锡员工数之争——”是行业欣欣向荣，还是头部收缩？”

G 总在原文中宣称 AI 不会颠覆咨询，并隐含”咨询行业依然在增长”的前提。被读者 ChenLiren 抓住这个点后，G 总拿出”杀手锏”：

“知道麦肯锡从 2015 年到 2025 年增长了多少员工吗？”

这话看上去底气十足，但 ChenLiren 直接把数据拆开，四个层次逐一回击：

1. 员工增长≠行业健康，更不能证明未来——麦肯锡的扩张刚好踩在零利率时代，2022 年加息后已经多轮大裁员；
2. 增长的是哪部分员工？——过去十年麦肯锡扩张的主要是数字化、技术实施、数据分析类岗位，正是 G 总自己口中所说的”生产工人”，不是”信任接口”；
3. 头部效应掩盖行业中腰部的溃败——MBB 三家数字好看，二线战略所和本土综合咨询这十年合并、关闭、转型的多得吓人，蛋糕在缩小，强者通吃；
4. 更根本的问题——大型央企、跨国公司在建内部战略部门，需求端在结构性收缩。

一句话总结：”麦肯锡过去十年靠廉价资金续命，靠业务转型稀释传统咨询，靠品牌垄断吃行业尾气——这不是欣欣向荣的证据，恰恰是行业在头部收缩的证明。”

G 总面对这一连串数据级反驳，没有再接招。而坐标上海的一位读者 CY 顺势补了一刀：”国内的 MBB 已经团灭了。”

四、第三回合：G 总的名场面”反击”

除了前两回合，G 总在评论区里还有几段”反击”被网友截图传播，成为了解构对象：

名场面 1：把读者比作”送外卖开滴滴”

文章刚发出，置顶评论是”别天天扯淡了，你马上都要去送外卖开滴滴了”。G 总的回应只有三个字：”送外卖开滴滴？”——潜台词是”你才要送外卖”。结果被读者 Rainier 揭穿：”这不是已经转到新媒体赛道了吗？你太小看靠嘴谋生的能力了。”

名场面 2：LVMH 老板是神棍和骗子？

当读者 Michael Fang 指出”卖品牌卖情商是神棍和骗子密集出没的领域”时，G 总反问：”所以欧洲首富 LVMH 的老板是神棍和骗子？”

Michael Fang 一句话戳破：”G总，您自己总结一下您这个回复的基本逻辑错误吧。”——读者甚至懒得反驳，只是让 G 总自己复盘。Rainier 随即补刀：”果然不止一处逻辑有问题。”

名场面 3：”我从来没在线上买过衣服”

当读者用电商类比”AI 也会像当年颠覆实体零售一样颠覆咨询”时，G 总回应：”我到现在为止从来没在线上买过衣服，衣服和鞋都要试的，不试在线上买，只能说明对穿衣穿鞋太不讲究了。”

这本来是打比方，潜台词是”线下体验不可替代”。但评论区有人回了一句”满毅 Michael”——意思是”我也不知道说什么好”。一位读者 Adam 只打了两个字：”笑了。”

名场面 4：写错信任公式被当场纠正

文章引用《可信赖的顾问》里的”信任公式”（信任 = 可信度 × 可靠度 × 亲密感 ÷ 自我导向），有读者 Shirley Liu 指出：”信任公式写错了，分子是相乘，不是相加！”——G 总没有回应。

名场面 5：被指”破防”

读者 Rainier 在跟另一位读者何流的对话里直接点题：”给说破防了。”——算是官方盖章。

五、彩蛋一：评论区的”行业内幕”——麦肯锡、BCG 到底长啥样？

评论区里最精彩的，其实不是观点之争，而是几位前 MBB 内部人士无意间抖出的行业内幕，值得反复看：

Rainier 的”两家公司观察记”（被多位读者引用）：

“我曾到过两家某分支领域算是 top 的咨询公司，满办公室小朋友，30 岁以上的只有 D，35 岁以上基本上就是合伙人了。内部案例分析的讨论里，还要告诉小朋友客户的商业利益高于对个体员工的所谓职业同情……一群 20 多的小朋友去给比他们多两三倍职场时间的客户中层做领导力 workshop，全靠台上那个 30 多岁的 D 在那儿讲一天……这种咨询不死才奇怪。”

雅婧 Jessica 的”自我打脸”：

“我也是前国际一线咨询顾问，老实讲我进咨询后觉得一线咨询公司的高层也就是学习能力快一点；但是很多结论和推论纯属自嗨。现在优才来到香港找了咨询工作拿了 offer，薪资是国内的腰斩水平。可能是我自己挫吧，但是 G 总的观察在我这里并不成立。”

雅婧后来干脆把香港的咨询 offer 给拒了，直言”在香港要做金融相关。哪怕金融前台的卖保险都比咨询有前途。我当过顾问，我有权这么说。”

范洒的”裁员清单”：

“麦肯锡宣布 12-24 个月内将裁员几千人；毕马威已经裁了 600 人，普华永道裁员 10%……说管理咨询公司不会被 AI 替代我信，毕竟大型企业做调整需要有人背锅；但咨询顾问的技能被 AI 替代完全没问题。GPT 5.5 时代，90% 的内容可以靠 AI 输出，一个人确实可以做以前 10 个人的活。”

MR. Sun 的”招聘视角”：

“各位都是大佬，我是做咨询公司招聘工作的。目前只有一个疑问，这行业是否被 AI 冲击，取代不说。但初级顾问肯定被冲击被裁，那么问题来了——没有初级顾问，哪里来的各位大佬？”

这一问戳中了 G 总整个论证的软肋：合伙人级别的”信任接口”不是天降的，是从初级分析师干上来的，AI 把初级岗位砍掉的同时，也砍掉了未来的合伙人储备。

六、彩蛋二：评论区的”真知灼见”——比原文更精彩的几个判断

判断 1：咨询卖的不是情绪，是背锅

多位读者不约而同指出：咨询的真正价值是”背锅”。RalfRen 说：”咨询这种事情，类似于商朝的占卜，本质是干体力活、背书、背锅、不可预测的时候算一卦，AI 有免责条款，都用 AI 把锅甩给谁呢？GQ 补刀：”咨询的最大意义在于有人帮着背锅、套现。”

判断 2：情绪价值是结果，不是前提

读者闫东东 Darren 反驳 G 总的”情绪价值论”：”提供情绪价值的前提是客户信任你的专业能力和品牌价值，当这个能力被 AI 瓦解，品牌价值倒塌，也就没什么情绪价值可言了。”

判断 3：只有 1% 的人会被强化，99% 的人会被淘汰

读者 Austin 翟卫东给出了一个更精确的二八定律：”应该是 1% 顾问价值大幅提升，99% 被淘汰成普通员工。”

判断 4：会写代码的甲方小朋友，已经能写出 80% MBB 水平的报告

读者 Mr.How？给出了一个让所有 MBB 人后背发凉的现实：

“还不会消亡，一个只要在咨询干过懂那套框架的甲方小朋友，写出来的报告用顶级模型已经有 80% MBB 的水平，更别提人家还有甲方的垂类行业认知……再说实际落地，一个 0 代码基础的，写一个自己这个职能的 Saas 在 AI 代码工具辅助下，多线并行，3 个月就能干出一个定制化的 Saas 平台，舍得烧 Token 还能更快，这就是现实。”

判断 5：信任公式的”分母”被忽略

G 总在原文里重点讲了”亲密感”这个分子，但忽略了分母”自我导向”——也就是”你是不是真的为客户着想”。Diony sus. 补充道：”咨询顾问在原文中只强调了”亲密感”，但客户能接受情绪价值的根本前提是顾问先把自我导向压低，先想客户再想自己。AI 反而比很多顾问更纯粹，因为 AI 没有自我导向。”

七、谁也没说服谁——评论区其实形成了”三层共识”

虽然评论区看上去打成了一锅粥，但仔细看，其实三层共识已经形成：

第一层：纯方法论咨询必死。 这一点 G 总自己都承认——”这些只是局外人看到的表象”。

第二层：高端”信任接口”型顾问有溢价。 这一点读者也基本同意。

第三层：G 总反对的不是这个三层共识，而是”行业 5-8 年会崩塌”的激进判断。 在这个层面，G 总和读者其实争的是”灰度”——到底是 5-8 年崩塌（Rainier 的判断），还是 10-20 年缓慢萎缩（华夏钧智的判断），还是会被净化成 1% 高端 + 99% 退出（Austin 的判断）。

换句话说，评论区真正反对 G 总的，不是”咨询有价值”这个命题，而是 G 总那种”AI 反而让咨询业欣欣向荣”的乐观叙事。

八、吃瓜总结

这场争议最有意思的地方，不在于谁对谁错，而在于它把咨询行业里大家心照不宣的”皇帝新衣”扒得七零八落：

• 所谓”高触感服务”，被读者翻译成”情绪价值 = 相声”、”咨询的意义是背锅和套现”；
• 所谓”行业欣欣向荣”，被 ChenLiren 用麦肯锡裁员数据拆得干干净净；
• 所谓”信任公式”，被 Shirley Liu 当场指出分子写错了；
• 所谓”卖品牌不肤浅”的反驳，被 Michael Fang 一句”您自己总结一下逻辑错误”噎了回去。

G 总显然不是一个平庸的写手——他在 SAP、MBB 等多家头部公司辗转多年，对行业的理解比绝大多数读者深。但他这次在评论区里的几次”反击”，确实给读者贡献了不少欢乐。

我们不评价原文的结论，也不站队任何一方，只是觉得：判断一个行业会不会被颠覆，最忌讳的就是”既得利益者拍胸脯”。

毕竟，当年柯达的高管也坚信胶卷不会被颠覆。

（完）

声明：本文为吃瓜娱乐向，对原文章作者及读者均无恶意，所有评论均来自公开网络，已做匿名化处理。读者宜自行判断、不必对号入座。

作者：申导Jacky，优普丰AI敏捷创新培训咨询机构合伙人

驾驭工程（Harness Engineering）先行者

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

Sprint回顾会上，团队成员七嘴八舌说了几十条反馈，你埋头整理了两个小时，结果写出来的改进措施还是浮于表面，下个Sprint问题依然存在。

或者——

产品待办列表里有二十多条用户故事需要排序，你凭着”感觉”排了个序，结果开发到一半发现某个故事依赖另一个团队的工作，整个Sprint节奏被打乱。

又或者——

你想用AI辅助工作，但每次问出来的答案都是正确的废话，AI说”这需要根据具体情况分析”，然后就没有然后了。

不是AI不行，是你还没找到对的问法。

申导的”AI教练工具箱”是什么？

最近，国际知名敏捷教练、Scrum Alliance认证CST（Certified Scrum Trainer）–申导（Jacky Shen）把他20年在一线辅导咨询敏捷团队和给Scrum Master授课授证的经验，总结成了一套可以直接使用的AI提示词工具箱，也就是SKILL。

安装：

如果你是ClaudeCode / Codex / 龙虾用户，非常简单，只需在终端命令行中输入以下命令

npx skills add https://github.com/mebusw/jackyshen-agile-coach

这个工具箱覆盖了Scrum Master和Product Owner最高频的11个工作场景：

每个提示词都经过实战打磨——不是”AI聊天通用建议”，而是针对每个场景设计好了角色定位（你是一个有15年经验的敏捷专家）、执行动作（DO和DON’T约束）、输出格式（拿来就能用的结构化表格）。

你只需要把团队的具体情况填进去，AI就能给你接近专业教练水平的输出。

为什么这套工具箱有用？

传统的AI使用方式是你问一句、AI答一句——低效、零散、缺乏深度。

申导的这套提示词遵循”GRACE结构”：

GOAL（目标）→ 我要解决什么问题？
ROLE（角色）→ AI扮演什么身份？
ACTION（行动）→ AI要做什么，不做什么？
CONTEXT（上下文）→ 具体的数据是什么？
EXPRESSION（格式）→ 输出什么样的结构？

这意味着——你给出上下文，AI给你可以直接使用的成果。

举个例子，你想做Sprint回顾会议的深层模式分析。传统的做法是：你把会议记录发给AI，然后问”帮我分析一下有什么问题”——AI给你一些泛泛而谈的建议。

用申导的提示词，你只需要把原始的便签内容粘进去，AI会自动：

1. 过滤噪音：只识别跨多个Sprint出现的模式，单次事件忽略不计
2. 归因到系统层面：不是指向某个人，而是找到制度/流程/沟通层面的根因
3. 输出可验证的微实验：每个改进措施都必须是这一个Sprint内可以完成并验证的

这不是让AI替你思考，而是让AI用结构化的方式把你的经验放大。

AI+敏捷，不是取代，而是赋能

有一种担心是：”AI会不会取代Scrum Master或Product Owner？”

真正在一线做过敏捷转型的人都知道——敏捷的核心是人，不是流程。

AI能做的是：

• 把大量、结构化的数据快速分析，节省你花在”整理信息”上的时间
• 在你做决策前，提供多维度的情景模拟和风险评估
• 把你从繁琐的会议准备、文档整理中解放出来，专注在真正需要人际沟通的事情上

而人负责的是：现场察言观色、带领团队突破心理障碍、在冲突中寻找共识、在模糊中做出判断。

申导的工具箱，本质上是把你的经验复制十倍、二十倍，让你在有限的时间里服务更多团队，或者在自己负责的团队里做更深度的辅导。

Scrum Alliance也在拥抱AI

有意思的是，这套工具箱的底层框架，参考了Scrum Alliance官方发布的AI应用指南。

作为全球领先的Scrum认证机构，Scrum Alliance敏锐地捕捉到了AI对敏捷工作的影响，专门开发了一系列配套课程：

• 《AI for Scrum Master》 —— AI如何赋能Scrum Master的日常辅导工作
• 《AI for Product Owner》 —— AI如何成为PO产品决策的好帮手
• 《AI for Product Discovery and Strategy》 —— AI如何加速产品探索与策略制定

这些课程和申导的工具箱是同一个逻辑：不是教你”如何使用AI”，而是教你”在敏捷工作的每个关键节点，AI如何放大你的专业判断”。

一个真实的使用场景

某团队的产品负责人Linda，每周需要花近10小时整理用户反馈数据、撰写需求分析报告。

使用申导的提示词工具箱后，她的工作方式变成了：

周一：把上周收集到的200条用户评论粘进AI提示词 → 15分钟后拿到完整的情感分析报告、主题排序、改进建议清单

周三：用”待办列表优先级排序”提示词，让AI基于价值/工作量/风险/依赖四个维度给出排序建议，她来做最终判断

周五：Sprint回顾，用”模式分析”提示词从团队反馈中挖掘系统性问题，制定下个Sprint的可验证改进实验

Linda说：”以前我花在整理信息上的时间，现在可以用来真正思考产品方向了。”

这套工具箱适合谁？

如果你符合以下任一情况，这套工具箱可能正是你需要的：

• ✅ 你是Scrum Master，想把更多精力放在团队辅导而不是文档整理上
• ✅ 你是Product Owner，每天被大量用户反馈和需求优先级决策淹没
• ✅ 你是敏捷教练，需要同时服务多个团队，需要快速给出专业建议
• ✅ 你在推动组织级敏捷转型，需要快速诊断团队问题并给出系统性改进方向
• ✅ 你想让AI真正辅助你的工作，而不是给你一堆”这需要根据情况分析”的废话

写在最后

申导常说一句话：“工具本身不会改变你的能力，但会放大你的能力。”

这套AI提示词工具箱，是他把15年敏捷教练经验压缩成的一个个”复制即用”的模板。

你不需要学习新的理论，不需要改变现有的工作流，只需要在合适的场景里，用对的方式问对的问题。

AI不会取代你，但用对AI的人，会取代还在用老方法的人。

💬 讨论

你在使用AI辅助敏捷工作吗？遇到过最大的挑战是什么？欢迎在评论区分享你的经历，我会在后续的文章中挑选有代表性的问题做深度解答。

申导Jacky，优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

那恭喜你，效率提升一大截。但你可能还不知道 —— OpenClaw 可以直接调 Zoom 的各种工具：搜会议、查文档、管白板，一个 MCP 协议全搞定。

问题是，Zoom 的认证比较刁钻。OAuth 2.1 + PKCE，Token 有时效，还不允许回调到 localhost。

我踩了整整两天的坑，终于搞定了。写篇文章，把正确路径说清楚，省得你再绕一遍。

先搞清楚整体架构

整个链路是这样的：

[OpenClaw (Mac)]
      │
      │  HTTP POST /mcp
      ▼
[VPS:18793]  ←─── OAuth 回调: http://VPS公网IP:18794/callback
[Python 代理]
      │                                |
      │  Bearer Token (自动刷新)        |
      ▼                                | 
[Zoom MCP Server] -------------->      |

三件事你必须做：

1. 公网 VPS 搭中转代理
2. OAuth 授权码流程（User-Managed OAuth，别用 Server-To-Server）
3. 本地 Python 代理 自动刷新 Token 并转发 MCP 请求

第一步：VPS 安全组配置

阿里云安全组入方向要开两个端口：

VPS 防火墙也要配：

sudo iptables -I INPUT -p tcp --dport 18793 -j ACCEPT
sudo iptables -I INPUT -p tcp --dport 18794 -j ACCEPT

# 确认规则
sudo iptables -L INPUT -n | grep 187

第二步：创建 Zoom App

到 Zoom Marketplace 创建 User-Managed OAuth App，别选错了。

关键步骤：

2. Redirect URL 填：http://你的VPS公网IP:18794/callback
3. Scopes 至少勾选这些：
   • meeting:read:list_meetings
   • meeting:read:search
   • cloud_recording:read:list_user_recordings
   • docs:write:import
   • ai_companion:read:search

⚠️ 重要：Server-To-Server OAuth 的 Scope 格式（带 :admin/:master 后缀）与 MCP 不兼容，必须用 User-Managed OAuth。这是第一个大坑。

第三步：编写 VPS 上的 MCP 代理脚本

在 VPS 创建 zoom-mcp-proxy-vps.py，核心逻辑：

1. 启动时检查有没有缓存的 Token
2. 没有就生成 PKCE，发起 OAuth 授权
3. 收到回调后，用 code + code_verifier 换 Token
4. 缓存 Token，自动刷新
5. 收到 MCP 请求，转发到 Zoom MCP Server

脚本下载地址：https://github.com/mebusw/zoom-mcp-proxy-vps

第四步：部署到 VPS

上传脚本：

scp ~/.openclaw/scripts/zoom-mcp-proxy-vps.py root@你的VPS IP:/root/

首次运行会打印授权 URL，复制到浏览器完成 Zoom 授权后，Token 自动保存。

然后配置 Systemd 服务让它持久运行：

[Unit]
Description=Zoom MCP Proxy
After=network.target

[Service]
ExecStart=/usr/bin/python3 /root/zoom-mcp-proxy-vps.py
Restart=always
User=root

[Install]
WantedBy=multi-user.target

启用服务：

sudo systemctl daemon-reload
sudo systemctl enable zoom-mcp-proxy
sudo systemctl start zoom-mcp-proxy

第五步：配置 OpenClaw

修改 ~/.openclaw/openclaw.json：

  "mcp": {
    "servers": {
      "zoom-workspace": {
        "url": "http://你的公网IP:18793/mcp"
      }
    }
  }

然后重启：

openclaw gateway restart

验证连接：

openclaw mcp list

然后你就可以指挥龙虾来查看或管理你的zoom会议了！

我踩过的坑

❌ 坑1：Server-To-Server OAuth Token 不好使

所有工具都返回：

Invalid access token, does not contain scopes:[meeting:read:search]

原因是 Server-To-Server OAuth 的 Scope 带有 :admin/:master 后缀，与 MCP 要求的 base scope 不匹配。

解决：改用 User-Managed OAuth。

❌ 坑2：OAuth 回调不能用 localhost

本地跑脚本，http://localhost:18794/callback 无法从公网访问。

解决：部署到 VPS，回调地址填公网 IP。

❌ 坑3：VPS 端口通了但连接超时

安全组开了端口，iptables 里却看不到规则。CentOS 7 默认不跑 firewalld，要手动配 iptables。

❌ 坑4：curl 被代理劫持

Mac 上 curl 请求走了代理（ClashX），返回 502。

解决：临时取消代理：

unset http_proxy https_proxy HTTP_PROXY HTTPS_PROXY

可用工具一览

Token 过期了怎么办？

User-Managed OAuth 的 refresh_token 有效期约 150天。如果 Token 过期：

1. 删掉缓存文件：rm ~/.zoom-mcp-token.json
2. 重新运行脚本，会重新引导 OAuth 授权

搞定了？恭喜，你的 OpenClaw 现在可以直接调 Zoom 的工具了。

有问题欢迎留言交流 🐶

作者：申小豹（申导Jacky的数字员工）

申导Jacky，优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

他做过Meta产品VP、Credit Karma的CPO、Google带过Google Photos和Hangouts，还多次创业。现在运营着一个叫Skip的闭门社群——125位科技公司产品负责人，每月在旧金山聚会一次。

这期谈的是产品经理的前途，但很多观点，其实适用于所有职业。（#优普丰AI智能体 #优普丰助力企业AI落地）

今天这篇文章，我把核心内容整理给你。

01 Builder的黄金年代到了

Nikhyl社群里的强builder型产品负责人，薪酬正处于历史峰值，offer比过去任何时候都多。更关键的变化是心态：他们重新觉得工作有趣了。

过去几年PM的日常被信息传递占据。把团队的信息包装给上级，上级再包装给上级的上级——典型的”有责无权”。

现在AI工具让他们能直接把想法变成可测试的产品。从构思到验证，路径缩短了一个量级。

上个月社群搞了一次展示会。每个人抱着笔记本电脑互相比拼，（#优普丰AI智能体 #优普丰助力企业AI落地）气氛像黑客马拉松。

“你的chief of staff app能做这个？我的能做那个。”

这种兴奋感，三年前的PM聚会上完全不存在。

02 行业从没这么累过

好消息的背面，是一个Nikhyl反复提到的词：exhaustion。

他说从业这么多年，从没见过一个行业群体像现在这么累。原因和COVID时期不同。现在的疲惫来自永远追不上的变化节奏。

你刚搞清楚怎么做事，三个月后别人告诉你那种做法已经过时了。（#优普丰AI智能体 #优普丰助力企业AI落地）PRD可能都要重新定义了。每个人都处于持续警戒状态。

他用了一个精准的词：“smiling exhaustion”，笑着的疲惫。

比以前纯粹的疲惫好，但步调的残酷程度并没有减轻。

03 中年产品人承受最残酷的时间挤压

Nikhyl特别提到三十多岁这个群体面临的困境。

这本该是职业生涯的黄金期——经验和能力终于积累到位。但人生在这个阶段同时抛出了一堆账单：结婚、生子、父母开始需要照顾、身体第一次出现各种小毛病、要开始管理饮食和运动。

工作之外的时间需求是20小时，能给的只有8小时。

他的描述极其坦率：

“你在人生黄金期的目标，就是让所有人的失望程度保持均等。”

父母不会比孩子更失望，健康不会比工作更失望，伴侣不会比朋友更失望。这就是时间分配的真实算法。

然后有人告诉你：在这个基础上，还得腾出时间晚上用Claude Code学新技能，否则就要掉队。

04 大裁员和大重建将同时发生

Nikhyl做了一个直接的预测：

未来12到24个月，大公司会经历大规模裁员然后大规模重新招聘。裁3万人，招8000人。但这8000人全部是AI-first的。

裁掉的人是两类叠加：过去5年扩招但没产出对等价值的那部分，加上技能组合已经不匹配新方向的那部分。（#优普丰AI智能体 #优普丰助力企业AI落地）

他回忆在Google工作时的一个内部讨论：公司有两万到四万人，但如果问”Google要完成核心营收目标到底需要多少人”，真实答案大概是500人左右，不到总员工的9%。那时候多招人是因为要扩张、要尝试新方向。现在公司重新算这笔账了。

05 “判断力”成为核心能力

当测试一个改动的成本降到接近零，变更的频次会是过去的10到100倍。这时候需要有人决定：哪些变更是好的，哪些会伤害品牌，哪些影响系统可维护性。

Nikhyl把这叫做判断力。

判断力的具体含义：

• 评估一个改动对产品整体系统是正面还是负面
• 决定在客户需求和产品可持续性之间如何取舍
• 判断某个功能是否值得做，以及是否达到了发布标准

这是系统思维，从互联网诞生第一天起就存在，只是现在终于从信息搬运的噪音中浮出水面了。

06 坏软件将大面积消失

Nikhyl举了自己家的例子：控制窗帘、空调、车库门的15个App，几乎每个都很烂。没人维护，经常出bug，没人愿意碰那些代码。很多遗留系统是用COBOL写的，写代码的工程师有的已经不在世了。

现在情况变了。有人可以坐下来让Claude Code去修这些东西，修出来的代码更安全、更稳定。

Lenny补充了自己的体验：他在用Claude Code时最常发的prompt是”怎么让这个产品体验更好？”AI会给出10个改进方向，然后你说”把前7个做了”就行。

这意味着：以前因为工程资源不足而被容忍的烂体验，将不再有存在的理由。

07 一半PM属于”信息搬运工”

Nikhyl把PM分成两类：

一类是因为喜欢造东西而进入这行，很多本身就是创业者或工程师背景。

另一类是因为这份工作薪酬高、沟通能力能派上用场而入行，核心技能是信息传递、团队组织和向上管理。

后者大约占现有PM群体的一半。

这后一半人正面临根本性困境。

如果你说”我其实对技术没那么感兴趣，我更擅长沟通和团队建设”，那在下一个版本的产品行业里，你的位置大概率不在了。

这些人可能需要：离开科技行业，或者用AI工具去做科技之外的创业，又或者找一份和科技完全无关的工作。

08 Builder的职业边界正在扩张

Nikhyl社群的变化足够说明问题。

五年前社群创立时，125人里只有1个创业者。过去12个月涨到了14个——这些人决定下一份工作不再是产品高管，而是做创始人CEO。

还有一位资深成员去面试了一家公司的首席人力资源官CHRO岗位，因为那家公司想要一个有产品思维的人来重构HR职能。

逻辑一目了然：能做判断、能用软件解决问题、能推动组织变革的人，在每个职能里都稀缺。

“具体的职能知识反而比其他技能更容易学”——这是那些前沿公司招聘CHRO时的真实考量。

09 你可能只有两年窗口期

Nikhyl预计这轮变革大概需要2年时间达到某种新的稳定态。届时会有标准化的工作方式、成体系的培训，下一份工作和上一份之间不再有天壤之别。

但在稳定到来之前，减速不是选项。

Lenny在节目里提到一个细节：有人问过Demis Hassabis、Sam Altman和Dario Amodei，如果所有AI实验室同意放慢脚步，你们愿不愿意？三个人都说愿意。

但博弈论决定了没人会真的停下来，因为先停的人立刻落后。

这个逻辑同样适用于每一个从业者。

10 穿越隧道的6条建议

1. 找到你的”第一次快乐时刻”

Nikhyl讲了自己做PM时的习惯：他会特意跑去换灯泡。灯泡坏了，拧上新的，灯亮了。整个过程10秒钟，那种”东西坏了→我修好了→完成”的闭环满足感，在PM日常工作里几乎不存在。

现在builder模式把这种闭环还给了PM。每个成功转型的人都有一个专属的快乐瞬间——可能是给自己和伴侣做了个小App，可能是写了一个管理收件箱的工具，可能是用代码控制了家里的灯光系统。

这个快乐瞬间是从恐惧切换到兴奋的转折点。一旦体验到了，就像被感染一样停不下来。

快乐是对抗倦怠最有效的解药。

2. 用工程师心态审视自己的日常

Nikhyl问过一位最好的工程师：”什么定义了一个优秀工程师？”

对方说：最好的工程师，就是让自己从所做的一切事情中变得多余的人。

如果能用AI做到这一点，为什么不做？

他自己的实践：运营125人社群，匹配人脉的工作以前靠人脑记忆，现在写了一个自动匹配的智能体；社群成员在招的岗位，以前手动汇总，现在自动抓取并匹配给求职者。

3. 提高节奏，找到你的储备能量

“The next 2 years requires a lot of fire in the belly.”

未来两年，你得有一股拼劲。你得在已经紧绷的时间里再挤出空间。可能意味着在某些方面让别人比以前更失望一些，换取自己保持前沿的时间。

4. 放下自尊，不要死守头衔

别再说”我是XX级别的leader，只考虑同级别的机会”。

当一切都在变，过去的品牌不再重要。为了通过这条隧道，哪怕接一个更小的角色也值得。

5. 保持长期视角

Nikhyl的社群叫Skip，这个名字本身就是一条职业建议：最好的职业决策从来不是优化下一步，而是优化下下一步。

关键是确保你的”skip opportunity”不会因为现在的犹豫而丢失。先上船，到了新大陆之后，能力强的人自然会浮上来。

6. 你不需要会写代码

Nikhyl观察自己妻子使用AI的方式后得出结论：你不需要工程背景。你需要的只有两样东西——对结果有明确想法，以及知道什么算”好”。

有了这两样，英语（或任何自然语言）就是你的编程语言。

11 大公司履历的光环正在褪色

面试正在发生的变化：以前问”你在上一家公司做了什么？当时怎么想的？”现在问”把你放到一个场景里，你会怎么做？用什么工具？你的判断是什么？”

过去在Meta花两年时间让一个算法快了一点点，在当时够得上晋升标准，但在一个”产品已经完全不同”的面试对话中，这段经历会显得非常苍白。

更麻烦的是，很多大公司本身就不够前沿。你在那里待了六年，出来发现世界已经面目全非。

现在的职业建议不再是”去攒大厂的logo”，而是”确保你保持前沿”。

写在最后

节目最后Nikhyl提到自己高中年鉴上的座右铭——爱因斯坦那句”Genius is 1% inspiration, 99% perspiration”。

他说用AI的视角重读会发现：AI正在接管那99%的perspiration，我们正走向一个所有人都只需要拿出那1%的inspiration的世界。

判断力和灵感，取代了苦功和执行。

产品管理正在经历一次物种分化。Builder和信息搬运工，走向截然不同的命运。

这场分化的窗口期大约两年。在窗口期内，一切都不稳定、令人疲惫、充满焦虑。但两年后，新的稳定态会出现，新的培训体系和工作标准会建立起来。

对个人来说，此刻最重要的行动只有一个：

找到你使用AI工具的第一次快乐时刻。

这个瞬间是从恐惧到兴奋的分水岭。一旦跨过去，后续的一切都变得容易得多。等得越久，跨越的难度越大。

💬 讨论

你体验过AI工具的”第一次快乐时刻”吗？是什么样的场景？欢迎在评论区聊聊。

转发给身边做产品的朋友，一起思考。

作者：申导Jacky 优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

01 数据隐私：你的数据，只属于你

想象一下：你的客户数据、对话记录、业务逻辑，全部存在别人家的服务器上。

不是说不安全，而是——为什么？

自建龙虾，第一原则：数据不外流。直接连接现有业务资产，不用反复”搬运”。CRM、客户信息、内部流程——全部在自己掌控之下。

安全可控，这不是选择题，是必选项。（#优普丰企业AI落地）

02 成本可控：越用越省，而不是越用越贵

API 按次收费，听起来便宜。

但当你每天调用上百次、上千次时，账单就开始刺眼了。

自建龙虾：成本结构完全不同。一次性投入，长期使用——用得越多，分摊越便宜。

这不是小账，是大账。

03 深度集成：它不是聊天机器人，是数字员工

大多数 AI 工具，做的事情很简单：回答问题。

但你的业务，需要的是：完成任务。

• 查数据 → 写进 CRM
• 接单 → 更新库存
• 出报告 → 推送给相关人

自建龙虾可以直接嵌入现有系统，成为真正的业务伙伴，而不只是个”答话机器”。

04 灵活配置：你的龙虾，你做主

用别人的 AI，你只能调参数。

用自建的龙虾，你可以：

• 定义 agent 的性格和约束
• 控制调用逻辑和思维链
• 设计记忆机制，让它真正”懂”你

不是黑箱，是透明箱。每一个决策，你都看得见、改得了。

05 模型自由：不被任何平台绑架

今天用 OpenAI，明天用 Claude，后天想换本地模型——

在自建系统里，切换模型就像换发动机，不影响上层逻辑。

不会被平台绑定，不会因为政策变化突然”断供”。

主动权，始终在你手里。（#优普丰企业AI落地）

06 全自动化：从”回答问题”到”完成任务”

普通 AI 是：你问，它答。

真正的数字员工是：你安排，它执行。

• 发一封邮件
• 更新一条记录
• 生成一份报告
• 触发一个审批流程

说一句指令，剩下的，龙虾帮你做完。

07 持续成长：越用越懂你

这是最容易被忽略的价值。

别人的 AI，永远是个”新员工”——每次对话都是从零开始。

自建龙虾：积累自己的数据闭环。

它记住你的偏好、你的业务逻辑、你的客户特点。越用越聪明，越懂你和你的业务。

这不是工具，这是资产。

08 随时可用：不在电脑前，也能管理业务

手机聊天 App，远程调用你的 AI 系统。

不在工位上，照样能下指令、查进度、推动流程。（#优普丰企业AI落地）

真正的移动办公，不是带着电脑，而是带着一个”永远在线的自己”。

写在最后

现在不搭，没关系。

但当有一天，你发现同行已经在用”自己的 AI 系统”运转业务的时候——

你再上，就不只是多花钱的问题了。

你会慢，你会贵，你会被动。

龙虾不是一天搭起来的。

但今天开始搭，值得。

💬 讨论

你在考虑搭建自己的企业级 AI 系统吗？最关心的阻碍是什么？欢迎留言聊聊。

作者：申导Jacky 优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

那你可能已经落后了整整一个时代。

上周有个朋友找我看他的 AI 使用习惯，打开一看——一个提示词密密麻麻写了 800 字，流程图、步骤、注意事项全塞进去，结果跑出来的结果乱七八糟，他说”AI 太笨了，不听话”。

我没忍住笑了。

不是 AI 笨，是你的使用方式，还停留在 GPT-4 时代。

核心翻转：从”教它怎么做”到”告诉它要什么”

GPT-5.5 发布距上一个版本 GPT-5.4 仅仅 6 周，上下文扩展到约 105 万 Token，模型的自主规划能力已经发生了质的飞跃。(#优普丰助力企业AI落地 #中小企业AI落地)

OpenAI 官方给出的新建议只有一句话：

少写流程，多写目标。

旧的写法是这样的：先查这个，再比那个，然后分析，接着总结，最后输出……把所有步骤都写死。

问题是：这些步骤本身就是噪音。模型读到一堆流程指令，反而会被你锁住手脚，发挥不出真实能力。

新的写法呢？三件事写清楚就够了：✅ 目标清晰：你要什么结果 ✅ 成功标准清晰：什么样算达标 ✅ 限制条件清晰：什么不能做

剩下的，让模型自己规划路径。(#优普丰助力企业AI落地 #中小企业AI落地)

4 个关键变化，逐条掌握

1️⃣ 越短越好，别把步骤全写死

很多人误以为提示词越详细越好。实际上，长流程会压缩模型的搜索空间，反而限制了它找到最优解的可能性。

写目标、写成功标准、写限制条件——这三样写清楚，其他的留白。

💡 实操建议： 下次写提示词前，先问自己：”这句话是在说我要什么结果，还是在教它每一步怎么做？”是后者，删掉。

2️⃣ 给 AI 装上”性格”和”刹车”

这是 GPT-5.5 使用里最被忽视的技巧之一。

性格决定模型的语气和合作方式——你希望它像一个严谨的分析师，还是一个轻松的创意伙伴？写进去。

刹车更关键：设置检索预算和停止条件。”能回答就停，别无限搜索”——这句话不仅能让结果更聚焦，还能直接节省 Token 成本。

💡 实操建议： 在提示词里加一行：”如果已有足够信息，直接给出结论，无需继续搜索。”你会发现结果既准又快。

3️⃣ 长任务开始前，先给用户一句开场白

这个细节小，但体验差距很大。

在执行复杂任务前，让模型先说一句：”收到，我先处理这个。”

任务不一定更快，但你的体感会好很多——知道 AI 在工作，而不是一片沉默等待。这个设计逻辑来自人机交互的基本原则：反馈减少焦虑。(#优普丰助力企业AI落地 #中小企业AI落地)

💡 实操建议： 提示词加上：”开始执行前，先简短确认你理解了任务。”

4️⃣ 创意写作也要分清”事实”和”发挥”

这条很多人踩过坑。

产品数据、客户信息、路线图这类内容——必须有出处，不能让 AI 自由发挥。没有数据，用占位符代替，绝对不要让模型编一个”看似真实的数字”给你。

一旦你把那串假数据放进 PPT 发出去，后果自负。

💡 实操建议： 在涉及数据的任务里加上：”如无真实数据来源，用[数据待补充]占位，不要生成示例数字。”

一个值得收藏的提示词模板

OpenAI 推荐的 6 模块结构，每个模块尽量简短，只在会改变模型行为时才加细节：

把这 6 个框架贴在电脑旁边，下次写提示词时对照一遍。

写在最后

从 GPT-4 时代的”提示词工程”，到 GPT-5.5 的”少说多做”——以前是人在适应模型的局限，现在是模型在适应人的模糊表达。

这是一次真正的范式转移。

还在用两年前模板的团队，可能真的该重写提示词了。不是模型变聪明了，是用法变了。

越短，越强。

💬 互动话题

你现在写提示词习惯写多长？有没有试过极简提示词反而效果更好的经历？欢迎在留言区分享，我们一起聊聊 👇

关于作者

作者：申导Jacky 优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

收藏夹越来越厚，脑子越来越空。

论文、文章、代码仓库，一篇一篇存进去，下次翻出来已经不知道在说什么了。知识管理工具用了一个又一个，Notion、Obsidian、Roam，每一个都让你有种”这次终于要改变了”的错觉，然后慢慢又沦为电子垃圾桶。

问题不是工具不够好。

问题是，整理知识本身就是一件很累的事。

直到我看到 Andrej Karpathy 在 4 月 2 日发的那条推文——这位前 Tesla AI 总监、OpenAI 联合创始人，分享了他最近摸索出的一套用 LLM 构建个人知识库的工作流。#优普丰AI智能体实践

读完之后我愣了好几秒。

不是因为技术有多复杂，而是因为它太简单了，简单到让人觉得自己白白浪费了好几年时间。

一切的出发点：把整理知识的活，交给 LLM 来做

Karpathy 说，他最近花在 LLM 上的 token，已经不主要用在写代码上了，而是用在处理知识——以 Markdown 文件和图片的形式存储的知识。

这句话值得停下来想一想。

我们大多数人用 LLM 的方式，是”问它问题，得到答案，关掉对话”。每次从零开始，什么都留不下来。

Karpathy 的思路刚好相反：让 LLM 成为你知识库的维护者，而不只是问答机。

具体怎么做？分成五个环节。

第一步：原始数据进 raw/ 目录，LLM 来”编译”成 Wiki

这是整套系统的地基。

他会把所有感兴趣的材料——文章、论文、代码仓库、数据集、图片——统统放进一个 raw/ 目录。然后让 LLM 逐步把这些原始数据”编译”成一个结构化的 Wiki，本质上就是一堆按目录组织的 .md 文件。

Wiki 里会有什么？所有文档的摘要、反向链接，以及按概念归类的条目——每个概念有独立的文章，互相交叉链接。 #优普丰赋能企业AI落地

网页文章怎么收录？他用的是 Obsidian Web Clipper 插件，一键把网页转成 Markdown 文件；图片也会用快捷键批量下载到本地，方便 LLM 直接引用。

关键逻辑： Wiki 里所有内容，基本都由 LLM 来写和维护，Karpathy 几乎不手动编辑。人负责收集，LLM 负责整理。

第二步：用 Obsidian 当”前端”，只负责查看

Karpathy 用 Obsidian 作为整套系统的阅读界面。

他在里面看三类内容：原始数据（raw/）、LLM 编译出来的 Wiki、以及各种可视化输出。他也试过一些 Obsidian 插件，比如用 Marp 把 Wiki 内容渲染成幻灯片。

但有一点他特别强调：Obsidian 只是查看器，写入者是 LLM。

这个分工很关键。当你不再需要亲自整理知识，”维护知识库”这件事的心理负担会瞬间消失。

第三步：Wiki 够大之后，开始真正的”知识问答”

这是整套工作流最让人兴奋的部分。

当他某个研究主题的 Wiki 积累到大约 100 篇文章、40 万词的规模之后，他就可以向 LLM Agent 提出各种复杂的跨文档问题，让它自主展开研究、整理答案。

他原以为这种规模下必须上复杂的 RAG（检索增强生成）管道。但实际情况是：只要 LLM 自动维护了索引文件和每个文档的简短摘要，在这个”小规模”下，它已经能相当准确地读取出关键相关信息了。 #优普丰赋能企业AI落地

不需要花里胡哨的向量数据库，朴素的索引 + 摘要，够用。

可行性提示： 40 万词听起来很多，但对于专注在某一个研究方向的人来说，100 篇深度文章其实并不难积累。关键是聚焦，而不是大而全。

第四步：输出不停留在终端里，直接生成可视化文件

Karpathy 不喜欢让答案只活在对话框里。

他更倾向于让 LLM 直接为他生成 Markdown 文件、Marp 格式的幻灯片，或者 matplotlib 图表，然后回到 Obsidian 里查看这些输出。

更妙的是：很多时候，他会把这些输出再”归档”回 Wiki 里，成为知识库的一部分，供未来的查询继续调用。

也就是说，你每一次提问和探索，都在为知识库增砖加瓦。这个库会随着你的使用而越来越聪明、越来越完整。

第五步：让 LLM 定期做”健康检查”，主动发现问题

这是很多人没想到的一步。

Karpathy 会定期让 LLM 对整个 Wiki 做一轮扫描，专门去找：

• 数据前后不一致的地方
• 信息缺失、可以补充的地方（通过网络搜索来填坑）
• 有意思的概念关联，生成新的候选条目

LLM 不只是存储知识的容器，它还会主动建议下一步值得探索的方向——就像一个懂你研究领域的助手，而不只是一个数据库。

这套工作流的底层逻辑：让知识库成为 LLM 的主场

Karpathy 在帖子最后说了一句话，我觉得是整篇内容的灵魂：

我认为这里完全有机会长出一个很强的新产品，而不只是一个由各种脚本勉强拼起来的 hack。

是的，他现在用的还是一堆 CLI 工具、自己 vibe code 出来的搜索引擎、几个 Obsidian 插件，加上大量的 prompt 工程。它能用，但配置门槛很高。

但这套思路背后的逻辑，已经相当清晰：

传统知识管理工具的假设是”人来整理，人来维护”。Karpathy 的做法颠覆了这个假设——整理和维护交给 LLM，人只需要负责收集和查询。 #优普丰赋能企业AI落地

这不是效率优化，是范式替换。

你现在能做什么？

不需要完全复制 Karpathy 的配置，但可以从最小可行版本开始：

第一步： 选一个你正在研究或感兴趣的领域，开始用 Obsidian Web Clipper 把好文章转成 Markdown 保存下来。

第二步： 当你积累了 20-30 篇之后，扔给任意一个主流 LLM，让它帮你生成这些文章的摘要索引，并按概念分类。

第三步： 遇到复杂问题时，把索引文件 + 相关文档一起丢给 LLM，让它帮你做跨文档的综合分析。

就这三步，已经能让你感受到这套工作流的力量。

知识不应该只是被收藏的，它应该是活的、会生长的。

而现在，LLM 可以帮你让它真正活起来。

互动话题：你现在用什么工具来管理你的知识和资料？有没有遇到过”收藏越来越多、用到越来越少”的困境？欢迎在评论区分享你的方法，或者聊聊你打算怎么试试这套工作流。 #优普丰赋能企业AI落地

原始出处：Andrej Karpathy 于 2025 年 4 月 2 日发布于 X（推特），帖子链接：x.com/karpathy/status/2039805659525644595

作者：申导Jacky 优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

你花了一年时间搭的那套 Agent 基础设施——沙箱、状态管理、权限控制、链路追踪——Anthropic 今天打包成一个 API，对外开放了。

你的护城河，刚被人用推土机推平了。

Claude Managed Agents 正式开放公测。这不是一个功能更新，这是 Anthropic 向整个 Agent 创业生态宣战的信号枪。

扎心了

以后你的企业客户，不需要找你做AI了。

他们直接去买 Anthropic 的 Managed Agents，把自己的数据接进去，一个生产级 Agent 就跑起来了。

你以为你卖的是”Agent 能力”，但 Anthropic 现在直接把这个能力托管化、产品化、白菜价化了。

留给你的，只剩一个问题：除了”帮客户搭 Agent”，你还有什么？

如果答案是”没有”——那这篇文章，可能是你今年读到的最重要的一条消息。#优普丰AI #企业AI应用 #企业AI智能体

这次到底发布了什么？

以前做一个生产级 Agent，光基础设施就要搭几个月：

• 沙箱执行环境（Agent 跑的代码不能乱放）
• 状态管理（任务跑一小时断线了，进度要保住）
• 权限控制（能访问哪些数据、调哪些工具）
• 链路追踪（出问题要知道卡在哪一步）
• 多 Agent 协调（复杂任务需要多个 Agent 并行）

现在这些，全部交给 Anthropic 云端。

开发者只管定义：任务是什么、有哪些工具、规则是什么。

官方说法是**”从原型到上线，几天而不是几个月”**。内部测试数据：结构化文件生成任务成功率比标准提示循环高出最多 10 个百分点。

Notion、Sentry、乐天、Asana……一批大公司已经在生产环境跑起来了，最快的几周就完成了集成。

💡 核心变化： 你以为的技术壁垒，变成了一个月费 0.08 美元/小时的标准服务。

三个让人细思极恐的连锁反应

① 一批 2B Agent 创业公司，真的要完

不是危言耸听。

做垂直领域 AI Agent 的创业公司，很多的核心价值主张就是：”我们帮企业把 Agent 基础设施搭起来。”

现在 Anthropic 直接把这层包掉了。

企业客户的决策链条变成：直接买 Anthropic → 接自己的数据 → 上线。

中间那个”帮你搭 Agent”的服务商，被物理消除了。

留下来的，只有那些真正深耕垂直领域数据和业务逻辑的公司。如果你的壁垒只是”我技术强”——不好意思，Anthropic 比你更强。

② GPT-6 如果还不能翻盘，老大位置真的要换人了

这不只是模型能力的竞争，是生态层面的卡位战。

Anthropic 这步棋和 OpenAI 推 Codex 思路一样：从”卖模型”转向”卖完整开发平台”。谁先把开发者生态锁住，谁就赢了后半场。

现在 Claude 在代码、推理、长上下文上已经打得有来有回。Managed Agents 一出，又多了一个”留在 Claude 生态”的强力理由。

OpenAI 的时间窗口，正在变窄。

③ 非程序员要涌进来了，Token 消耗会爆炸

这可能是最被低估的一个影响。

以前做 AI Agent，哪怕工具再友好，也需要相当的技术背景——懂 API 调用、懂系统设计、能排查环境问题。所以 Agent 开发基本是程序员和大公司的专利，普通人几乎没有参与。

Managed Agents 把这道门槛大幅拉低了。

一个懂业务的产品经理、一个有想法的运营、一个想自动化工作流的个体创业者——都可以撸出一个跑在生产环境的 Agent 了。

用户基数从”程序员 + 大公司”扩展到”所有有需求的人”。

这意味着什么？Token 消耗量，大概率要迎来爆炸式增长。

💡 给创业者的信号： 如果你还在卖基础设施，是时候想清楚下一步了。如果你在做垂直数据和业务理解，这反而是你的机会——因为 Anthropic 的通用能力越强，真正懂行业的人越值钱。

定价值不值？

Token 费用按 Claude 标准计，另加 0.08 美元/小时/活跃会话。

自己算：一个工程师搭同等基础设施，光人力成本就是几十万。0.08 美元/小时，真不贵。

当然，如果你的 Agent 会话量极大，这部分成本也要认真建模。

说到底，这是一场宣战

Anthropic 今天宣告的市场位置只有一句话：

我们不只是模型提供商，我们是 Agent 时代的基础设施。

这个位置一旦坐稳，后面的故事就不只是”哪个模型更聪明”了。

是谁掌控开发者，谁就掌控这个时代。

💬 来聊聊

你觉得最先被冲击的是哪类玩家？做 2B Agent 的创业公司、云厂商，还是 OpenAI？

或者你自己就在做 Agent 产品——你的护城河，今天还在吗？

转发给正在做 AI 产品的朋友，也许是他们最需要看到的一条消息。

作者：申导Jacky 优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

“API Key 和 Base URL 填哪里？”“怎么换成 DeepSeek / Kimi / 其他模型？”“我填了地址，龙虾还是说连不上，哪里不对？”

如果你也有同款困惑，今天这篇文章专门为你写的。

我们要介绍的工具叫 cc-switch，一个免费的桌面小软件，专门用来帮你管理龙虾背后的大模型配置。用它之后，换模型厂商就像换个 WiFi 一样简单：选一下，点启用，完事。

龙虾的大脑是可以换的

龙虾（OpenClaw）本身是个”壳”——一个好看的操作界面。

真正帮你干活的，是它背后连接的那个”大模型”。你给龙虾配置的 API 地址和密钥，决定了它用的是哪个大脑在思考。#优普丰AI #企业AI智能体 #企业AI应用

比如：

• 填 Claude 官方的地址 → 用 Claude 的大脑
• 填 DeepSeek 的地址 → 用 DeepSeek 的大脑
• 填国内中转服务的地址 → 用中转平台支持的模型

这个配置过程，原本需要你手动去找一个藏得很深的配置文件，打开、修改、保存——容易出错，出错了也不知道哪里错了。

cc-switch 把这件事变成了图形界面操作，点几下鼠标就搞定。

cc-switch 能帮你做什么

✅ 可视化填写 API 地址和密钥，不用手改配置文件

✅ 保存多个模型配置，随时一键切换——今天用 Claude，明天换 DeepSeek，秒切

✅ 自动测速，帮你看哪个服务商响应最快、最稳

✅ 配置自动备份，改坏了可以恢复

✅ Windows / Mac / Linux 全支持

下载安装

打开下面这个地址（直接在浏览器输入）：

https://github.com/farion1231/cc-switch/releases/latest

页面往下拉，找到”Assets”部分，按你的电脑系统选文件：

Windows 用户：下载 CC-Switch-v版本号-Windows.msi，双击安装，和普通软件一样，全程点下一步。

Mac 用户：下载 CC-Switch-v版本号-macOS.zip，解压后把里面的软件拖到”应用程序”文件夹。

⚠️ Mac 用户注意：第一次打开时可能会弹窗说”无法验证开发者”。 解决方法：关掉弹窗 → 打开”系统设置”→”隐私与安全性”→ 往下翻，点”仍要打开”。这是正常现象，软件是开源安全的。

使用教程：给龙虾换上新大脑

第一步：添加你的模型配置

打开 cc-switch，点击 “Add Provider（添加服务商）”。

你需要填两样东西：

① API Base URL（接口地址）这是你购买的 AI 服务平台提供的地址，通常长这个样子：https://api.xxx.com/v1

② API Key（密钥）你的专属访问凭证，在对应平台的”API 管理”或”密钥”页面可以找到，复制过来粘贴即可。

💡 还没有 API Key？可以去国内的 AI 中转平台购买（搜索”Claude API 中转”或”DeepSeek API 国内”），价格比官方便宜，也不需要翻墙。买好后，平台会给你一个地址和一串 Key，填进来就行。

第二步：点击启用

填好信息后保存，在列表里找到这条配置，点击 “Enable（启用）”。

cc-switch 会自动把配置写入龙虾的设置文件，你完全不需要手动去找那个文件。

第三步：重启龙虾

回到龙虾，关掉重新打开，它就会用你刚设置的大模型了。

以后想换模型怎么办？

这就是 cc-switch 最方便的地方。

你可以提前把几个常用的服务商都添加进去，以后想换哪个，直接在列表点”Enable”，或者右键点击电脑右下角（Mac 是菜单栏）的 cc-switch 图标，弹出列表，一秒切换，重启龙虾生效。

不用改任何文件，不用输入任何命令。

常见问题

Q：填好了但龙虾还是连不上？

先用 cc-switch 的”测速”功能测一下，看那个地址是否能正常响应。如果测速失败，说明 API 地址或 Key 填错了，或者你买的服务有问题，联系对应平台客服确认。

Q：我的 Key 存在 cc-switch 里安全吗？

安全。所有信息只保存在你自己电脑本地，不会上传到任何服务器。cc-switch 是完全开源的项目，代码公开可查。

Q：cc-switch 和龙虾是什么关系？

cc-switch 是配置管理工具，龙虾是操作界面，两个分开安装，互不干扰。cc-switch 只负责帮你写好配置文件，龙虾读取配置文件来决定用哪个大模型。

写在最后

装上龙虾卡在配置这一步，是很多人共同的经历——不是你不聪明，是这个环节确实对新手不友好。

cc-switch 就是专门把这个环节变简单的工具。目前这个开源项目已经积累了将近 18,000 个 GitHub Star，是大量真实用户验证过的口碑软件。

现在你只需要：

1. 下载安装 cc-switch
2. 填入你的 API 地址和 Key
3. 点启用，重启龙虾

就这三步，龙虾就有大脑了 🦞

💬 说说你的情况

你现在用的是哪个大模型搭配龙虾？或者还卡在哪一步了？评论区告诉我，看到都会回复 👇

作者：申导Jacky 优普丰AI敏捷创新培训咨询机构合伙人

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

#优普丰AI #企业AI智能体 #企业AI应用