2026-05-10 21:43
扫码打开虎嗅APP
本文来自微信公众号： 韩叙HanXu ，作者：韩叙
用AI，追求会写多少提示词、会用多少大模型，这都没意义。关键要看，有没有把工作流建起来。
最近琢磨这个事，有几个观点分享一下。
过去程序最擅长的是重复执行。
比如重复点击、数据计算、文件搬运、格式转换。只要规则足够清楚，程序就可以一直做。
但AI出现以后，变化不只是它也能执行动作。
真正的变化是，它开始可以复制一部分标准化的思考过程。
比如你要做一份方案，过去程序没有办法理解一个观点，再帮你拆大纲、补素材、找证据、调整表达，最后形成一个可以拿出去沟通的版本。
但现在AI可以。
前提是，你要让它知道你通常是怎么思考这个问题的。
你面对什么样的人，你解决什么样的问题，你判断问题的顺序是什么，什么样的输出算合格，哪些东西不能偏。
所以AI工作流的核心，不是让机器帮你点按钮，而是让AI帮你复用一部分已经成熟的思考动作。
你讲不清自己的判断过程，AI再强，也只能随机发挥。
很多非技术人用AI，很容易掉进一个坑：AI既然能写代码，那我是不是可以做一个软件？
一开始确实很兴奋，因为AI真能帮你写出一些东西，也真能跑起来。
但很快就会进入另一个阶段：bug修不完，功能封装不了，部署搞不定，维护也不知道怎么维护。
最后你会发现，大量时间不是花在解决业务问题上，而是花在和AI一起修程序上。
这对程序员可能正常。
但对一个做运营、做咨询、做内容、做一人公司的人来说，不划算。
更现实的路径是：
不要一上来就追求软件化，先让它在你的电脑上、你的文件夹里、你的知识库里，把任务跑通。
有一段咨询录音，AI能不能整理成客户档案？有一个学员反馈，AI能不能提炼成案例？有一场直播逐字稿，AI能不能变成文章、短视频选题和课件更新点？
这些事情只要跑通，对一个人做业务来说，就已经很有价值。
不是所有东西都要先产品化，先业务可用，再考虑产品化。
很多人理解知识库，就是把资料放进去：文章放进去，直播稿放进去，课程稿放进去，咨询记录放进去。
然后问AI：你帮我总结一下。
这当然有用，但还不够。
真正好用的知识库，不应该只是一堆资料，而应该像一个工作现场。
程序员写代码时，不是把所有代码塞进一个文档里。
他们有文件夹，有目录，有模块，有README，有规则，有依赖关系。
AI读代码仓库的时候，反而很擅长。
它知道去哪里找文件，知道改哪一段，知道一个模块和另一个模块之间是什么关系。
那我们为什么不能用同样的方式，管理自己的业务材料？
一个一人公司的知识库，不应该只是一个大文档。
它可以有内容区、咨询区、学员区、课程区、案例区。
内容区放选题、素材、文章、脚本、直播复盘。
咨询区放客户资料、电话转写、问题诊断、咨询报告。
学员区放报名信息、课前访谈、课后反馈、后续跟进。
课程区放课件、案例、FAQ、每次课程后的更新记录。
案例区放好评、截图、客户变化、可公开表达的案例版本。
这就清晰多了，AI面对的是一个有结构的业务场景，这才是知识库真正开始好用的时候。
很多人讲workflow，就会想到一个流程图：第一步、第二步、第三步、第四步。
看起来很清楚，但真实业务场景，肯定没有这么理想。
你做一个方案，客户今天给一个想法，明天又补一个限制，后天又说方向变了。
你写一篇文章，可能先有一个观点，再补一个案例，后来发现标题不对，又回头改结构。
你做一门课，课件也不是一次写完的，而是每次上课、每次答疑、每次咨询之后不断更新。
一人公司的业务更是这样。
内容、咨询、课程、交付、案例，彼此之间会来回流动，甚至是工作场景非常混乱。
一个咨询问题，可能变成一篇文章；一篇文章，可能带来一个客户；一个客户反馈，可能变成课程案例；一个课程案例，又可能反过来变成短视频选题...
所以，AI工作流不一定要先做成严格的线性流程，这不现实。
更适合的方式，可能是文件夹式工作流。
你有不同模块，每个模块有自己的输入、过程产物和输出。
AI可以先处理第3个模块，再回头补第1个模块。也可以先根据素材生成大纲，再根据新的brief回头调整。
这比一个固定死的流程图，更适合真实经营。
我们以前总觉得，跟AI沟通要把过程讲得越细越好。
但这件事要分场景。
如果一个任务已经在AI能处理的范围内，你未必需要一开始就把路径规定死。
你更应该告诉它起点和终点。
起点是什么？就是你现在有什么材料、什么问题、什么背景。
终点是什么？就是你最终想要什么结果，以及什么样的结果算合格。
中间路径，可以先让AI自己设计。
因为我们人给出的路径，往往带着自己的旧经验和局限。你以为自己是在指导AI，很多时候是在限制AI。
比如你想写一篇“韩叙风格”的文章。
你不一定要先用一堆词去描述：接地气、说人话、有判断、没废话。
这些描述都太粗。描述很多人的文风，都可以用这些词，根本没办法总结出差异。
更好的做法，是给它足够多的韩叙文章，让它自己去理解这种风格。
AI对样本的理解，很多时候比人的抽象更细。
但这不代表人什么都不用管。
人要管的是标准，要做干预，这也是我们运营擅长的。
你要告诉它，这篇文章写给谁，想解决什么问题，最后要让读者带走什么判断，哪些话不能说偏。
路径可以开放，标准必须清楚。
现在很多人对AI有两种误解。
一种是低估它，觉得它只是帮我写写文案。另一种是高估它，觉得我只要有AI，就能一下子超越自己。
这两种都不对。
AI很强，但和你有没有关系，是两回事。
如果你没有自己的业务现场，没有自己的判断标准，没有自己的客户问题，没有自己的产品承诺，AI再强，也只是在那里表演。
能不能承接你的客户、能不能进入你的产品系统、能不能反哺你的交付，这些问题才是核心。
所以一人公司用AI，不是找一个全知全能的专家。而是把AI接进你的内容、咨询、产品、交付和案例系统里。
只有进入你的业务场景，AI才真的和你有关。
很多人用AI的方式，是许愿。
帮我写一篇爆款文章、帮我做一个赚钱产品、帮我设计一个商业模式、帮我弄一个公众号专家Agent...
这种用法很容易失控，因为没有业务标准，也没有交付边界。
AI会给你一个看起来很完整的结果，但你不一定知道它对不对，也不一定能持续复用。
对一人公司来说，更重要的不是拥有一堆专家Agent，而是有一套稳定可靠的交付系统。
你要知道自己卖什么，给谁，解决什么问题，交付到什么程度。
然后再让AI在这个系统里帮你干活，要服务你的交付结果，否则AI产出越多，你就越乱。
如果你也是一个人做业务，或者带一个很小的团队，不要一上来就搭大系统。
先搭五条最重要的小工作流。
第一条，内容工作流
把你的咨询、直播、日常思考、客户问题，都变成选题、文章、短视频脚本和直播提纲。
不要每次写内容都从零开始。
第二条，咨询工作流
每次客户沟通、电话录音、语音转文字，都让AI帮你整理成客户背景、核心问题、判断结论和下一步建议。
咨询结束后，不要只留下一个模糊印象。
第三条，学员管理工作流
谁报名了，参加哪一场，付款状态如何，课前有什么问题，课后有什么反馈，后面要不要跟进，都应该形成档案。
这件事一旦靠脑子记，很快就乱。
第四条，课程迭代工作流
每次上课、每次答疑、每次学员反馈，都应该反哺课件。课程不是讲完就结束，而是每次交付之后都应该变得更准。
第五条，案例资产工作流
好评、截图、客户变化、学员成果，不要散落在微信里。
这些东西要变成案例、文章、销售页素材、课程开场案例。
这句话我很喜欢。
前台沟通因果化，就是你和AI交流时，越来越不需要讲复杂技术。
你只要说清楚因和果：我现在有什么、我想要得到什么、什么样算好、哪里不能偏。
后台运行协议化，就是在你看不见的地方，要有文件夹、规则、模板、日志、节点、验收标准。
前台越简单，后台越要有结构。
这也是为什么知识库重要，不是为了收藏资料，是为了让AI能够在你的业务里稳定运行。
所以，不要只顾着和AI交流。
还要看这次对话之后，材料有没有留下来，判断有没有沉淀下来，输出有没有进入下一次工作。
能留下来，才叫系统；留不下来，就只是一次聊天。
很多做一人公司的人，其实不是能力不够。他会写内容，会做咨询，会服务客户，也能做交付。
真正的问题是，每次都像从头开始。
写文章从头想、做咨询从头判断、改课程从头翻资料、找案例从头翻聊天记录、做复盘从头回忆发生过什么...
这样做久了，人会很累。
因为所有事情都要分散当下的注意力，都会消耗你的心力。
用AI你就能做到：让你过去干过的活，不要白白流失。把咨询变案例、把案例变文章，让文章带客户，让客户反哺你的课程。
让你的经验、判断、内容、咨询和交付，慢慢变成一套可以持续运转的系统。
这才是AI对一人公司的真正价值。
