普通人的
AI作品化手册

目录

说明:这本书会随着真实作品继续生长。目录里的"部分"是整本书的路线,具体章节只展示已经写出来、能阅读的内容。

作者说明:我为什么要写这本书

我以前总觉得,写书是一件很大的事。

要有完整结构,要有成熟观点,要有大量案例,要等自己准备好了才能开始。

但后来我慢慢发现,真正的作品不是等想清楚以后才开始的。

很多作品都是先有一个粗糙版本,再一边发布,一边修改,一边重构。

这本书也是这样。

它不是一本一开始就完整的书,而是一本不断生长的书。

如果它一开始很粗糙,也没关系。

因为粗糙不是问题。

停在脑子里,永远不开始,才是问题。

这本书默认你愿意打开电脑

这本书不是写给只想在手机上随手问 AI 几句的人。

手机当然可以用 AI,我自己也每天在手机上刷内容、发现素材、产生想法。但如果你真的想把这些东西沉淀成笔记、提示词、网页、小工具、书稿页和长期项目,只靠手机很难持续。

所以这本书默认你至少愿意打开电脑,愿意管理文件夹,愿意保存 Markdown,愿意给 AI 一点你的上下文,愿意把 AI 从聊天工具变成一个真正的工作台。

为什么不是我自己先用 AI?

最开始接触 ChatGPT 的时候,我只是听说这个东西很厉害。

但具体怎么用,我其实并不了解。

那时候更多是一种恐惧和焦虑。

我心里想的是:这个东西如果真的会改变未来,那自家孩子不能落后,至少要跟上时代的步伐。

为了用上它,我开始折腾网络,折腾账号,折腾支付。

现在回头看,好像只是花了 20 美元订阅一个服务,但对当时的我来说,这件事并不轻松。

我不是做外贸的,也不是程序员。身边也没有几个真正懂的人。很多事情只能靠自己瞎折腾。

这种折腾背后的动力,不是兴趣,更多是恐惧。

怕自己落后,更怕孩子落后。

我想起自己十几岁的时候,其实也是脑袋空空的。

不是笨,而是阅历太少。见过的事少,经历过的冲突少,心里没有太多复杂的问题。

后来我又从另一个角度想这件事。年纪大的人知道的词更多,经历的事更多,对世界的理解也更复杂。

一个中年人脑子里装着家庭、工作、孩子、赚钱、焦虑、人情世故、失败经验、社会观察。

这些东西本身就会产生更多问题。

问题越多,和 AI 碰撞出新东西的可能性就越大。

孩子成长过程中,无论是足球还是编程,我都不是直接把他丢给别人。

我通常会自己先看教程,先学个一招半式。不用学到多专业,够用就行。

然后再带着他一起做。在做的过程中,再一点点习得新技能。

我扮演的角色,从来不是教练。更准确地说,是陪练。

教练是站在旁边指挥的人,陪练是自己也下场的人。

如果我自己不下场,只是对孩子说:你去学 AI,你去探索未来。这其实是一种偷懒。

我出钱,他出力。我以为自己已经尽到责任。

但结果往往很清楚:孩子不会因为你买了会员,就自动拥有创造力;他也不会因为你给了工具,就自动知道要做什么。

我自己先从混乱想法里做出文章。

我自己先从一段记录里整理出观点。

我自己先把一个念头做成网页。

我自己先把一次对话沉淀到 Obsidian。

我自己先把一个小作品发出来。

然后孩子才会看到:原来 AI 不是用来聊天的,不是用来偷懒的,也不是用来完成作业的。

AI 可以用来把想法变成作品。

这比我讲一百遍"你要学 AI"更有用。

以前我总觉得,写书是别人的事。我们这种普通人,最多就是看别人写的书。

但现在我突然发现,事情变了。

我可以把自己的真实经历写下来,把自己的折腾过程写下来,把自己怎么从不会用,到一点点做出文章、网页、电子书样章的过程写下来。

这本身就是一本书的材料。

它不需要一开始就完美。它可以先粗糙,先发出来,再一边写,一边改,一边重构。

这也是我为什么要写《普通人的AI作品化手册》。

不是因为我已经很厉害,恰恰是因为我知道自己是怎么从不会开始的。

我写的不是别人的成功学。

我写的是自己做成的事。

这一页真正想留下的,不是"我订阅了 ChatGPT"。

而是一个普通中年人面对新工具时的转变:

• 从恐惧,到尝试。
• 从指望孩子自己探索,到自己先下场。
• 从只想让孩子不落后,到发现自己也可以创造作品。
• 从看别人写书,到自己也开始写一本不断生长的书。

别以为买了 AI 会员,你就走在前面了

很多人刚开始接触 AI 时,很容易产生一种错觉:

只要自己用上了 ChatGPT,就已经走在了前面。

如果再进一步,订阅了会员,花了钱,好像就更先进了。

我以前也有过这种感觉。

对普通人来说,能解决网络问题,能搞定账号,能成功付费,能真正把 ChatGPT 用起来,确实已经不容易。

尤其在国内环境下,这件事本身就有门槛。

所以很多人会下意识觉得:我都买会员了,应该算是领先那一批人了吧?

但这组数据让我慢慢意识到,这个判断太浅了。

真正付费的人,其实很少

先看第一组数据。

这里的数据按图表标注,是 2025 年和 2026 年两个时间点的对比,不是实时数据。

全球范围内,真正为 AI 付费的人,比例并不高。

大概只有 3%。

也就是说,如果有 100 个 AI 用户,真正付费的大概只有 3 个。

如果放大到 1 万个人,里面大概只有 300 个是付费用户。

而在这 300 个付费用户里面,真正订阅高价 Pro 档的人又更少。

按比例折算,1 万个 AI 用户里,Pro 用户大约只有 1.8 个。

也就是不到 2 个人。

这已经很夸张了。

但更关键的是:就算这不到 2 个人,也未必都在创造。

很多人即便用上了高级工具,本质上还是在完成别人安排的任务。

写材料。做方案。改 PPT。整理资料。服务客户。帮公司提高效率。

这当然有价值。

但它还不是自己的作品。

这只是把原来的打工方式,升级成了 AI 辅助打工。

这张图真正提醒我的,不是"高价用户有多稀少"。

而是:

很多人只是打开 AI,聊几句,问几个问题,算个命,翻译一句话,图个新鲜。

这叫接触过 AI。

但不能叫真正用 AI。

更不能叫用 AI 创造。

工具只是摆在你面前。

你有没有自己的问题,才是关键。

你有没有自己的表达,才是关键。

你有没有自己的作品,才是关键。

如果一个人只是问 AI 几个零散问题,哪怕他天天打开 AI,也只是停留在门口。

真正进入 AI 世界,不是打开了某个软件,而是开始用它改变自己的行动方式。

付费人数增长,不等于深度使用增长

再看第二组数据。

这组数据同样按 2025 年和 2026 年两个时间点来观察变化,不是实时数据。

它比第一组更有意思。

表面上看,AI 付费人数在增加。

比如低价档用户,从 300 万增长到 1.12 亿。

高价 Pro 用户,也从 12 万增长到 28 万。

如果只看这些数字,很容易得出一个结论:大家越来越愿意为 AI 付费了。

但把不同档位放在一起看,问题就来了。

20 美元档用户,从 4400 万下降到 900 万。

也就是说,大量原来愿意付 20 美元的人,转向了更低价的 8 美元档。

这件事非常值得琢磨。

它说明很多人不是越用越深,而是逐渐回到了"便宜点、够用就行"。

他们可能觉得 AI 有用。

但没有觉得它值得每个月 20 美元。

更没有觉得它值得每个月 200 美元。

这不是单纯的价格问题。

这是价值感问题。

如果一个人真的从 AI 里拿到了巨大价值,他不会只纠结 8 美元还是 20 美元。

他会关心:这个工具能不能帮我做出更多东西,能不能帮我节省大量时间,能不能帮我形成自己的作品,能不能帮我把想法变成资产。

如果没有这些真实回报,AI 对他来说就只是一个更聪明的聊天工具。

那他当然会觉得:便宜点就够了。

很多人可能只是从免费用户,变成了低价付费用户。

但这不代表他们已经真正跨过了那道门。

他们可能只是花一点小钱,让自己用得舒服一点,更快一点,方便一点。

但没有真正把 AI 变成创造工具。

这就像买了一支好笔,不等于你真的开始写作。

买了一台好相机,不等于你真的开始拍作品。

买了一把好刀,不等于你真的会做菜。

买了 AI 会员,也不等于你真的开始创造。

工具升级,只是条件升级。

真正难的是人有没有升级。

真正的分水岭,是作品

AI 普及以后,很多人会有一种新的幻觉:

我用上 AI 了。我买会员了。我会让 AI 写东西了。我会让 AI 做表格了。我会让 AI 帮我总结材料了。

于是我就先进了。

但实际上,这里面还有一条更深的分水岭。

第一层,是免费体验者。

主要是聊天、问问题、翻译几句话、写几句文案、图个新鲜。他们只是站在 AI 世界门口看了一眼。

第二层,是低价付费者。

愿意花一点钱,但大多停留在"够用就行"。AI 对他们有用,但还没有深到改变工作流和生活方式。

第三层,是 AI 辅助打工者。

这类人已经会用 AI 提效。写周报更快了,做 PPT 更快了,整理资料更快了,服务客户更快了。

但本质上,还是在完成别人安排的任务。

第四层,才是 AI 作品创造者。

他们开始用 AI 做自己的东西。

文章、视频、网页、小工具、Skill、Obsidian 模板、自动化流程、产品原型、作品案例库。

这些东西可能一开始很粗糙。

但它们有一个共同点:

很多人以为 AI 时代的差距,是工具差距。

谁有高级模型,谁就厉害。

谁有更贵会员,谁就先进。

谁知道更多工具名,谁就更懂 AI。

但我现在越来越觉得,不是这样。

工具会越来越便宜。

模型会越来越普及。

很多能力最后都会变成基础设施。

真正拉开差距的,是另一些东西:

• 你有没有自己的问题。
• 你有没有真实的生活观察。
• 你有没有持续表达的能力。
• 你有没有把想法做成作品的能力。
• 你有没有把作品持续迭代的能力。
• 你有没有把一个个小作品,慢慢沉淀成系统的能力。

这些东西,才不会轻易被会员档位抹平。

我真正要问自己的问题

这件事对我自己的提醒很大。

我不能只满足于:我会用 ChatGPT,我买了 Plus,我知道很多 AI 工具,我研究了 Codex、Hermes、MiniMax、Claude Code,我会问 AI 问题。

这些都只是起点。

真正要问的是:

哪怕很小也行。

一条朋友圈整理成书稿一页。

一段生活观察变成公众号文章。

一张截图变成电子书素材。

一个观点变成 Obsidian 笔记。

一个重复动作变成工作流。

一个问题沉淀成提示词。

一个小网页变成可展示作品。

这些东西才会留下来。

我现在真正害怕的,不是自己不会用 AI。

而是自己以为会用 AI,就已经够了。

会用,只是开始。

付费,也只是开始。

提效,也只是开始。

真正重要的是:你有没有借助 AI 做出属于自己的东西。

因为最后能证明你的,不是你订阅了哪个套餐,也不是你知道多少工具名。

而是你能拿出来什么。

你做过什么。

你留下了什么。

别人能不能看见。

你自己能不能复用。

它未来能不能继续长大。

真正要做的是:把 AI 变成自己的作品放大器。

把混乱想法变成文字,把生活观察变成文章,把重复经验变成模板,把一次折腾变成案例,把一个页面变成作品,把一堆小作品变成作品库。

这才是我写《普通人的AI作品化手册》的原因。

不是证明我懂 AI。

而是提醒自己:

为什么这本书必须单独写一章 ChatGPT

既然这是一本跟 AI 有关的书,而且我还希望它真的有用,那就绕不开 ChatGPT。

这个话题不能一笔带过。

如果我只是写一些“AI 很重要”“普通人要拥抱 AI”“未来属于会用 AI 的人”这种话,那我自己都觉得像鸡汤。

真正的问题不是大家知不知道 AI 重要,而是很多人到现在连 ChatGPT 到底怎么用、值不值得用、跟国产 AI 有什么区别、为什么有些人用得很深、有些人一直停在问答层面,都没有搞清楚。

普通人真正卡住的,往往不是概念

市面上很多讲 AI 的书和文章,看起来讲了很多,其实最硬的地方往往轻轻带过。

不是所有作者都不懂,有些内容确实不好展开,也不一定适合放在最前面讲。

比如账号、网络、订阅、支付、使用环境、工具组合,这些东西太具体,太碎,也太容易把普通读者劝退。

但问题是,普通人真实卡点,往往就是这些地方。

很多人不是不想用 AI,而是第一步就卡住了。

看到别人天天讲 ChatGPT、Claude、Codex、Agent,好像都已经进入未来世界了,自己却连入口在哪里都没摸清。

时间久了,就容易产生一种错觉:AI 好像是另一群人的东西,跟我这种普通人没关系。

我不认同这个。

我想把这层窗户纸捅破

我写这本书,一个很重要的原因,就是想把这层窗户纸用另一种方式捅破。

不是为了炫技,也不是为了证明我比别人懂工具,而是想告诉一个普通读者:你不需要一上来就变成程序员,也不需要看懂一堆复杂概念。

你可以从一个真实问题开始,从一个小作品开始,从一次对话、一个网页、一个提示词、一个 Obsidian 笔记开始,慢慢把 AI 用成自己的东西。

当然,具体怎么安装、怎么配置、怎么订阅、怎么选择工具,这些我也会讲。

但我不会把它们放在最前面。

因为如果一开始就塞给读者一堆操作细节,大部分人会直接被劝退。

工具教程很重要,但它不是这本书的主线。

正文讲判断,附录讲复现

所以我的处理方式是:

正文里先讲判断、方法和作品案例。

实操细节放到附录里。

想快速理解的人,可以先读正文。

想照着复现的人,可以去看附录。

已经有基础的人,可以直接跳过工具安装部分。

还没入门的人,也不会因为一堆硬配置被挡在门外。

说实话,真正有用的东西,本来就不可能永远讲得特别轻松。

有些东西就是会有一点硬,有一点绕,有一点抽象。

你想获得真正的能力,就不可能只靠刷几条短视频、收藏几个提示词、听几句热血口号。

鱼和熊掌不可兼得。

我能做的,是尽量把复杂东西讲得像普通人能听懂,把硬东西拆成可以一步一步做的小动作,把我自己踩过的坑、做成的小作品、整理出的流程,都摆出来。

这本书只讲一件事

这本书只讲一件事:

不谈宏大叙事,不装行业专家,也不靠贩卖焦虑吸引人。

我关心的是:

• 你今天能不能用 AI 整理出一篇笔记。
• 你能不能做出一个简单网页。
• 你能不能把一段真实想法变成书稿。
• 你能不能把一次工具折腾沉淀成自己的流程。
• 你能不能让 AI 越来越懂你,而不是每次重新开始。

ChatGPT 只是入口。

真正重要的是,普通人能不能通过这个入口,慢慢建立自己的作品系统。

我没有先想清楚一个大产品,只是连续做了 18 个小网页

如果一开始有人问我:你准备做一个什么样的 AI 产品?我大概率答不上来。

因为我根本没有先想清楚一个大产品。我也没有一开始就想好,要做一个有 18 个工具的作品库。

真实的过程要简单得多。我只是每次遇到一个具体问题,就想:这个问题能不能做成一个小网页?

不会向 AI 提问,就做一个给普通人用的提示词工具;看完视频总是没行动,就做一个"刷视频不白刷";和 AI 聊完以后,内容散在聊天记录里,就做一个"别让 AI 对话白聊";想法很多但项目太大,就做一个"想法变小成品"。

每次只是解决一个小问题。做完一个,再做下一个。等我回头看的时候,电脑里已经有了 18 个小网页。

第一个网页并没有改变什么

单独看任何一个网页,都不算什么大产品。它们大多只是一个 HTML 页面。

打开以后,选一个场景,填一点内容,生成一段提示词、一份文案或者一张行动清单。

没有复杂后台,没有庞大数据库,也没有融资故事。有些页面甚至看起来很朴素。

但它们有一个共同点:都能打开,都能使用,都在解决一个真实的小问题。

以前我脑子里也有很多想法。一个想法冒出来,我会和 AI 聊一会儿,聊的时候觉得挺兴奋。

但聊完以后,很多东西就停在那里了。没有页面,没有链接,没有文件,也没有一个以后能继续修改的成品。

第一个网页并没有马上改变什么,但它让我第一次看到:原来我脑子里的一个问题,真的可以变成一个别人能打开的东西。

我慢慢学会把问题缩小

刚开始做网页时,我也容易把事情想得太大。

一想到做产品,就会想到用户系统、数据库、付费、后台、账号、自动化、数据分析。还没开始,脑子里已经装了一整套复杂系统。

后来我换了一种方式。我不再问"这个项目最后能做多大",而是先问"这个问题最小能做成什么"。

比如"普通人不会用 AI"这个问题太大,我不可能靠一个网页解决。但我可以先做一个"手机党 AI 实用话术库"。

"很多人刷视频没有行动"也很大,那就先做一个页面,把视频内容变成几个可以执行的步骤。

"AI 对话没有沉淀"也很大,那就先做一个工具,让人把一次聊天整理成核心结论、可复用方法和下一步行动。

这些工具看起来不同,底层其实在做同一件事

18 个网页放在一起看,题目看起来很杂。有学习 AI 的,有整理内容的,有做朋友圈文案的,有讲职场和人情的,也有帮实体老板复盘生意的。

但后来我给它们分类时,才发现它们没有想象中那么散。

• AI 学习与提问
• 内容加工与沉淀
• 想法变作品
• 现实表达与人性观察
• 交易复盘与实体老板

有些工具帮人把问题问清楚,有些工具帮人把内容整理清楚,有些工具帮人找到下一步行动,有些工具帮人把生硬的话改得像人说的。

这条主线并不是坐在那里想出来的,是这 18 个网页一起把它显出来的。

连续做,比第一个作品更重要

第一个网页做出来的时候,我当然会有一点成就感。但一个网页并不能说明太多。

真正让我发生变化的,是继续做第二个、第三个、第四个。

每做一个网页,都会遇到一些具体问题:标题怎么写,按钮放哪里,提示词怎么写,普通说明要不要显示复制按钮,Codex 改完以后怎么验收,链接部署以后怎么放进统一入口。

这些问题如果只看教程,很难真正理解。但连续做的时候,它们会一遍遍出现,我也会一遍遍修改。

到后来,我积累的不只是 18 个 HTML 文件,而是开始有了自己的判断。

18 个小网页,后来才变成一个作品库

网页多了以后,又出现了一个新问题:作品散在不同文件夹里,链接也散在不同地方。

我自己知道它们存在,但别人不知道从哪里打开。就算我自己过一段时间再看,也可能忘记某个工具叫什么。

于是我又做了一个总入口:未来已到的 AI 小工具库。

这个总入口,才是这一页最应该给读者看的地址。因为它不是某一个单独工具,而是我把这些小网页收拢起来以后形成的作品库入口。

我把 18 个工具按问题分类,给每个工具加上名称、说明和直接打开的链接,又加了搜索、分类筛选和按期数查看。

我真正积累的不是 18 个网页

数字 18 看起来很具体,但如果只把这件事理解成"我做了 18 个网页",价值其实不大。

真正留下来的,是我在这个过程中一点点练出来的能力。

我开始更容易发现真实问题;看到复杂方法时,会想能不能缩小成普通人今天就能完成的一步;想到大项目时,会先问最小版本是什么。

让 Codex 干活时,我会先把规格写清楚。Codex 说做完以后,我不会马上相信,而是会再做验收。

我没有先找到主线,是作品把主线做了出来

以前我也很想找到自己的主线。总觉得应该先想清楚:我以后到底做什么?服务谁?靠什么长期积累?

但这种问题坐在那里想,往往越想越虚。因为没有作品的时候,很多定位只是想象。

这 18 个网页给我的最大启发就是:

当我把这些网页放在一起,我才看清楚自己一直在做什么。

我不是单纯做提示词,也不是单纯做 HTML,更不是为了追某个工具风口。

我一直在做的是:用 AI 把真实问题,变成能保存、能展示、能复用、能迭代的小作品。

这就是 AI 作品化。

附:18 个小网页作品清单

这份清单不需要全部塞进正文。正文负责讲清楚过程和变化,清单负责留下证据。

核心句

我终于不再只把 AI 当聊天工具了

今年和往年相比,我最大的一个新习惯,不是又多学了一个 AI 工具,也不是又收藏了几个项目。

真正不一样的是:我开始让 ChatGPT 网页端通过 MCP 读写本机的项目文件。

从这一步开始,ChatGPT 对我来说,就不只是聊天了。

更重要的是,我发现网页端 ChatGPT 的模型能力,在很多事情上比 Codex 更适合我。

Codex 很适合处理明确的代码任务,比如改文件、修 bug、跑项目。但我现在要做的,不只是写代码,而是判断一段内容能不能成为书稿,判断哪些内容能公开,判断目录怎么放,判断一个网页会不会误导读者,判断一个想法怎么沉淀成作品。

这套用法,不是我一开始就想清楚的

这套工作流不是我坐在那里凭空想出来的。

有一次,我在网上看到一个开源项目的思路。项目地址是 https://github.com/Waishnav/devspace。

它大概讲的是:当 Codex 额度用完以后,可以让 ChatGPT 网页端通过 MCP 连接本机服务,再继续调用本地能力处理项目文件。

我当时一下子被提醒到了。

原来 ChatGPT 网页端不一定只能聊天。

它也可以通过 MCP 接进本机项目,读取文件、搜索内容、修改网页、整理 Obsidian 笔记。

但我没有照搬那个项目。

因为别人的项目解决的是他的需求,我真正需要的是一套适合自己的作品工作流。

所以我是一边问 ChatGPT,一边操作,一边让它分析我现在的目录、项目、书稿、Obsidian 和电子书网页。

最后才慢慢形成现在这套分工:

Codex 很适合执行明确任务,比如改代码、修页面、同步文件、处理项目结构。

但在我这里,真正重要的往往不是"怎么改一行代码",而是:

这段素材值不值得写进书?

这页应该放在哪一部分?

公开表达会不会暴露不该暴露的来源?

这次修改算不算大更新,要不要升版本号?

这段内容有没有作者感,还是又变成了 AI 味说明文?

这些判断,更适合先交给 ChatGPT。

ChatGPT 把事情想清楚以后,再写成一段完整、可执行的提示词,让 Codex 去本地项目里干活。

Codex 做完以后,我不是直接相信它。

我再让 ChatGPT 验收:

目录有没有更新?

正文有没有插对位置?

图片路径有没有错?

复制按钮有没有被破坏?

版本号有没有乱升?

有没有把不该公开的内容写出去?

这套流程跑通以后,我才真正意识到:AI 不只是一个回答问题的工具,它可以变成我的作品操作台。

不是一个 AI 从头包到尾。

而是不同工具分工协作:

ChatGPT 像主编,负责判断、规划、把话说清楚。

Codex 像执行员,负责进项目改文件。

ChatGPT 再像验收员,把结果重新检查一遍。

以前我和 AI 的关系更像是聊天。

我问,它答。

我复制,它结束。

现在不一样了。

我开始让 AI 进入真实项目,进入 Obsidian,进入电子书网页,进入我每天的作品流程。

这也是我今年最大的收获之一:

这套习惯一旦稳定下来,AI 就不再只是陪我聊天。

它开始帮我把判断落到文件里,把想法落到网页里,把一次对话落到书稿里。

也就是从这一刻开始,AI 真正变成了我的作品操作台。

以前我用 Codex 的时候,有一个很现实的问题:额度用完了,就只能等。那种感觉很难受。

明明脑子里有想法,明明刚看到一个项目思路不错,明明手上还有时间,但工具额度没了,人就像突然被拔了电一样。

这件事后来反倒提醒了我:不能把自己能不能继续做事,绑定在某一个工具额度上。

接上 MCP 以后,ChatGPT 可以在我允许的目录里,读取 Obsidian 笔记,查看网页项目,修改 index.html,把一段对话沉淀成 Markdown 文件。

它可以在我说"同步电子书"的时候,不只是告诉我怎么做,而是真的去更新网页文件。

过去,我和 AI 的关系更像是:我问,它答;我复制,我粘贴;我保存,我再去改项目。

现在变成了:我判断方向,AI 理解结构,AI 读取相关文件,AI 修改本地项目,AI 把规则沉淀到 Obsidian,我再检查、纠偏、确认。

当然,给 AI 本地文件能力,不能乱给权限。我的做法不是开放整个电脑,而是只开放明确允许读写的安全工作区。

能力变强以后,边界也要更清楚。人负责判断,AI 负责落地。

这套东西真正有价值的地方,不是权限本身,而是它把 AI 接进了我的真实作品系统。

AI 不是替我完成判断,AI 是把我的判断变成作品。

我为什么默认你要有一台电脑

手机当然可以用 AI。

我自己也每天在手机上刷内容、看视频、转发链接、保存灵感。很多想法都是在手机上出现的。手机是一个很好的入口,它随身携带,随时打开,随时能把一个想法、一条视频、一段文字送到我面前。

但我越来越清楚地意识到:如果只停留在手机端,AI 很难真正变成一个长期作品系统。

这不是看不起手机用户,也不是故意把门槛抬高。恰恰相反,这是我自己反复使用之后得到的真实判断。

如果只是随手问 AI 几句,手机完全够用。让 AI 总结一条视频,帮你写一句文案,解释一个概念,手机都能完成。

但如果你想把 AI 用成一个长期工作台,情况就不一样了。

因为真正的作品化,不是问完就结束。

它需要保存,需要归档,需要复用,需要持续更新。

它需要文件夹,需要 Markdown,需要个人说明书,需要长期上下文,需要一套能把 AI 回复接住的地方。

这些事情,在手机上不是完全不能做,但很难持续。

手机只是采集入口

我现在给手机的定位很清楚:它负责发现内容。

手机适合做这些事:

• 刷到一条视频
• 看到一篇文章
• 收藏一个观点
• 转发给 AI 总结
• 临时记下一个想法
• 触发一个新的问题

这些动作都很自然,也很顺手。

但问题在于,如果所有事情都停在手机上,最后很容易变成这样:

刷到内容 → AI 总结 → 看完觉得有用 → 继续刷

这和以前的刷手机没有太大区别。

以前是刷完就忘。

现在是 AI 总结完以后再忘。

形式变了,本质没变。

真正重要的是下一步:这条内容有没有进入我的系统?有没有变成一篇笔记?有没有形成一条规则?有没有留下一个行动?有没有成为以后书稿、提示词、Skill 或小工具的素材?

如果没有,它还是会消失。

电脑才是工作台

电脑的价值不只是屏幕大,也不只是打字快。

电脑真正重要的地方在于:它更适合组织文件、管理上下文、同时打开多个工具,并把结果写回本地系统。

在电脑上,我可以同时打开:

• 微信或浏览器里的内容来源
• 元宝、DeepSeek、ChatGPT 等 AI 工具
• Obsidian
• Markdown 文件
• 项目文件夹
• 电子书网页项目
• Codex / OpenCode 这类本地项目助手

这些工具放在一起,才像一个工作台。

比如我在手机上刷到一个视频,觉得里面有点东西。我可以先把它转发给微信里的元宝,让它生成总结。因为电脑端也登录了微信,我回到电脑上就能直接复制这段总结。

接下来,我不会只把这段总结再丢给 AI 让它重复总结。

我会把它连同自己的「我的AI使用说明.md」一起发给 DeepSeek 或 ChatGPT,让 AI 结合我的背景判断:这条内容到底对我有没有用,能不能变成 Obsidian 笔记,能不能形成一条规则,能不能成为书稿素材,或者应该直接跳过。

一个适合国内用户的最小流程可以是这样:

手机刷到视频
↓
转发给微信里的元宝
↓
元宝生成总结
↓
电脑端微信复制总结
↓
连同「我的AI使用说明.md」一起发给 DeepSeek
↓
让 DeepSeek 判断这条内容对我有没有用
↓
把有价值的结果保存进 Obsidian

这不是为了显得复杂,而是因为真正的积累需要一个稳定出口。

难的不是 AI 总结,而是把结果接住

现在让 AI 总结内容已经不难了。

视频可以总结,文章可以总结,口播稿可以总结,网页也可以总结。

但总结之后怎么办?

这才是普通人真正卡住的地方。

如果 AI 总结完,我只是看一遍,觉得“有道理”,然后关掉窗口,那它和普通刷视频没有本质区别。

真正改变发生在它被写回系统的那一刻。

对我来说,这个系统就是 Obsidian。

如果没有 Obsidian,我大概率也无法持续做内容转资产。不是因为我不想坚持,而是因为 AI 的回复太容易散掉。

今天在这个聊天窗口,明天在那个工具里,后天又在微信收藏里,最后哪里都找不到。

Obsidian 至少给了我一个稳定的地方。

我可以把一次 AI 回复拆成几种结果:

• 一篇内容转资产笔记
• 一条可复用规则
• 一个候选书稿页
• 一个提示词
• 一个行动清单
• 一个未来可以做成小工具的想法

这些东西一旦进入本地文件系统,就不再只是一次性聊天。

它们开始变成我的资产。

这本书不是写给只想随手问几句的人

所以这本书默认你至少有一台电脑。

不是因为手机不能用 AI,而是因为这里讲的不是随手问几句,而是把 AI 用成一个长期工作台。

如果你只是想在手机上让 AI 总结视频、写几句文案,这套方法可能会显得麻烦。

但如果你愿意打开电脑,建立文件夹,保存 Markdown,维护一点个人上下文,让 AI 逐渐理解你正在做什么,那这本书会更适合你。

我真正想写给的人,是愿意把 AI 从聊天工具变成工作台的人。

他们不一定懂技术,也不一定会编程,但至少愿意做这些事:

• 建一个文件夹
• 保存一个 Markdown 文件
• 复制一段 AI 回复
• 把有价值的内容归档
• 定期更新自己的个人说明书
• 让 AI 帮自己处理长期项目

这就是门槛。

这个门槛不是为了装专业,而是为了让积累真的发生。

纯手机端很难形成作品化闭环

纯手机端的问题,不是不能用 AI,而是很难形成作品化闭环。

它很容易停在这里:

刷到内容 → AI 总结 → 看完觉得有用 → 继续刷

而我想要的是:

刷到内容 → AI 总结 → 结合个人上下文判断 → 沉淀成笔记 / 规则 / 行动 / 书稿素材 → 下次继续复用

这中间最大的区别,就是有没有一个长期保存和复用的系统。

没有这个系统,AI 给再多好回答,也只是新的信息流。

有了这个系统,AI 才开始变成作品化工具。

手机和电脑的分工

我现在更愿意把它们看成一套分工,而不是谁取代谁。

手机负责发现内容。
电脑负责处理内容。
Obsidian 负责保存内容。
AI 负责加工内容。

手机依然重要,但它的位置变了。

它不是主战场,只是入口。

真正的主战场,是电脑前那个可以保存上下文、接住结果、持续复用的工作台。

AI 作品化不是追逐最新工具,也不是在手机上问几个漂亮答案。

它更像一套长期工作方式:

把想法接住。
把内容处理掉。
把判断沉淀下来。
把过程变成规则。
把规则变成作品。

这套东西,需要一个工作台。

AI 不能替你完成长期项目,但能让你持续推进它

很多人说,AI 不能帮你完成一个长周期的大项目。这句话很抓人,但放到普通人身上,不完整。

如果说的是大型软件工程、商业系统、多人协作项目,AI 当然不能替人承担方向判断,也不会自动负责长期维护。

普通人的长期项目,不一定是大型软件

普通人的长期项目,可能是长期整理自己的想法,搭建个人知识库,持续写一本书,积累一套工作流,把每天刷到的信息变成资产,一点点做出自己的小工具和作品库。

这类项目以前最难的地方不是技术,而是持续。人会忘,人会累,人会乱,人会半途而废。

长期项目不是一开始就规划清楚的

我的个人 AI 第二大脑,不是一开始就设计好的。它是一边用,一边乱,一边修,一边沉淀,慢慢长出来的。

后来一点点接进来:Obsidian、ChatGPT 对话、Codex 项目执行、本地 MCP 读写文件、README 规则、Skill、书稿页草稿、实战技巧库、开源项目体验库、旧聊天窗口 refresh Skill。

真正的变化来自工具连接方式

以前 ChatGPT 对我来说,更像一个聊天工具。我问一句,它答一句,聊完就结束。

后来 ChatGPT 网页端可以通过 MCP 读写本机 Obsidian 项目文件。这个变化很重要。ChatGPT 不再只是回答问题,而是进入了我的长期项目。

普通人需要的不是更强意志力,而是系统

很多普通人做不成长周期项目,不是因为不努力,而是因为长期项目天然会遇到这些问题:想法太乱,事情太碎,容易忘记,不知道放哪里,做完一次就断了。

AI 出现以后,真正有价值的不是让人变成机器,而是帮人建立一个能接住混乱的系统。

刷教程有没有用,关键看有没有进入系统

Obsidian Web Clipper 本来只是一个看视频教程时发现的小插件,试着装了一下,后来发现真的能用。GitHub 页面读不到时,它可以把网页保存到本地,再让 AI 读取本地 Markdown 分析和沉淀。

教程有没有用,不看它讲得多精彩,而看它有没有被接进自己的长期系统。

更准确的说法

AI 不能替你想清楚人生方向,不能替你承担最终判断,不能自动把项目长期维护好。但 AI 可以帮你整理想法、沉淀文件、复用流程、降低疲劳、减少遗忘,让一个本来会半途而废的长期项目,慢慢长出来。

这页和 AI 作品化的关系

AI 作品化不是一天做出一个大产品。它更像是每天把一点想法变成一点资产:一篇 Obsidian 笔记、一条实战技巧、一条 README 规则、一个 Skill、一页书稿草稿,或者一个 HTML 小工具。

你的 AI 应该站在你这一边

我以前理解 AI 工具，更多是从“它能帮我做什么”这个角度出发。

能不能写文章，能不能写代码，能不能总结视频，能不能帮我整理 Obsidian，能不能帮我做网页、做提示词、做 Skill。

这些当然重要。

但用得越多，我越觉得，判断一个 AI 工具或者 AI 应用，还有一个更底层的问题：

它是站在平台那一边，帮平台多卖东西、多留住用户、多赚佣金？

还是站在我这一边，帮我少踩坑、少浪费、少被营销牵着走？

普通人真正需要的，可能不是一个更会聊天的玩具，也不是一个更会推荐商品的平台入口，而是一个替自己判断、比价、筛选、提醒、挡坑的个人 Agent。

入口不只是入口，也有立场

互联网时代，我们很习惯一个说法：入口很重要。

谁掌握了入口，谁就掌握了用户。

所以很多产品都想成为入口。搜索入口、购物入口、本地生活入口、内容入口、支付入口、社交入口。

但换个角度看，入口本身并没有那么神秘。很多时候，不是先有入口，再有价值，而是一个应用先真的好用，真的解决了问题，用户离不开了，它才慢慢变成入口。

先做成应用，再变成入口。

这件事放到 AI 时代，会出现一个很大的变化。

过去很多互联网应用，表面上在服务用户，实际上它们的位置更接近供给侧。

平台要连接商家和用户，要卖广告，要抽佣，要提高转化率，要让用户多停留、多点击、多下单。

所以它和用户之间，天然就有一点微妙的拉扯。

它当然也会说自己是在服务用户。但如果一个平台的利润来自商家、广告、佣金、排序、推荐，那它就很难永远只替用户着想。

这不是某一家公司好不好的问题，而是位置决定的。

因为它既要让用户满意，又要让供给侧赚钱。这中间一定会有冲突。

同样一个商品，平台希望你更快下单，但你自己的利益可能是多比较两家，或者干脆先别买。

一个酒店、一张机票、一门课程、一个 AI 工具，平台可能希望你看到的是更容易成交的选项。但你真正需要的，可能是最适合你的选项，而不是最容易被卖出去的选项。

这就是问题所在。

平台说为你好，不等于真的只为你好

互联网平台最聪明的地方，是它很少直接告诉你：我想让你多花钱。

它会说：

这些话听起来都像是在帮你。

但它们背后到底是怎么排序的，普通用户不知道。

是因为这个东西真的适合我？还是因为它佣金更高？

是因为它性价比最好？还是因为它更容易让我冲动下单？

是因为它能解决我的问题？还是因为它能让平台多赚一点？

我不知道。

很多时候，我也没有时间知道。

这就是普通人的弱势。我只能看到我的屏幕，看不到别人看到的价格，看不到平台背后的排序逻辑，也看不到它到底是按我的利益来推荐，还是按平台的利益来推荐。

所以，普通人真正需要的，不只是更多平台入口，而是一个站在我这一边的判断工具。

它能替我多问几句：

这才是个人 AI 真正有价值的地方。

平台里的 AI，不一定是我的 AI

很多平台都会有自己的 AI。

购物平台有 AI，旅游平台有 AI，内容平台有 AI，课程平台有 AI，各种工具网站也会有 AI 助手。

但这些 AI 不一定是“我的 AI”。

它们更像平台里的智能客服、智能导购、智能推荐员。它们可能很聪明，回答也很顺，但我仍然要问一句：

如果它存在的目的，是提高平台转化率，那它再温柔，也不一定完全站在我这边。

它可能会帮我更快找到商品，但不一定会帮我判断“我是不是根本不该买”。

它可能会帮我筛选课程，但不一定会提醒我“这门课和你的主线没关系”。

它可能会帮我挑工具，但不一定会告诉我“你现在已经有替代方案了，不必再买一个”。

而我真正需要的 AI，是另一种角色。

它不是平台派来的导购，更像我自己雇来的助手。

我给它上下文，告诉它我的预算、设备、目标、主线、偏好、项目、家庭情况、已有工具。

然后它站在我这边，帮我做判断。

它不是让我多买，而是帮我少买错。

它不是让我多刷，而是帮我少被带节奏。

它不是让我追热点，而是帮我回到自己的长期项目。

为什么我要有自己的 AI 系统

这也是我为什么越来越在意个人 AI 第二大脑、Obsidian、Hermes、Skill、Prompt、内容转资产这些东西。

它们表面看像一堆工具，但背后其实是一个问题：

平台 AI 再强，也很难完全理解我的长期上下文。

它不知道我最近在写《普通人的AI作品化手册》。

它不知道我正在把刷到的内容转成 Obsidian 笔记。

它不知道我对 GitHub 项目的判断标准。

它不知道我的 Mac mini M4 只有 16GB 内存、256GB 硬盘，不适合硬跑大模型。

它不知道我不想做空泛鸡汤，而是想把想法变成小作品。

它也不知道我还关心孩子在 AI 时代怎么积累创造力、表达能力和项目经验。

这些东西，只有进入我的个人上下文以后，AI 才可能真的站在我这边判断。

所以个人 AI 第二大脑不是单纯存资料。它未来更像一个用户侧 Agent 的底座。

它要知道：

有了这些上下文，它才能在我刷到一个新工具、新课程、新项目、新观点时，不只是总结它，而是替我问：

这才是“站在我这边”。

用户侧 Agent 的价值，是替我挡一下

我不希望自己的 AI 变成另一个平台。

平台希望我多停留，我的 AI 应该帮我少浪费时间。

平台希望我多下单，我的 AI 应该帮我判断有没有必要买。

平台希望我追热点，我的 AI 应该提醒我回到主线。

平台希望我继续刷，我的 AI 应该问我：这条内容能不能变成资产？不能就别看了。

这就是用户侧 Agent 的价值。

不是替我做所有决定，而是在我被推荐、被营销、被情绪带着走之前，帮我挡一下。

就像身边有一个人提醒我：

对普通人来说，这种提醒非常重要。

因为我们每天看到的东西太多了。平台、博主、课程、工具、开源项目、AI 服务，都在说自己有用。

但真正属于我的精力很少。我的钱很少。我的时间也有限。

如果没有一个站在我这边的判断系统，我很容易被外面的热闹带着走。最后看了很多，买了很多，试了很多，但自己的系统没有变强。

先问五个问题

以后看到任何平台、工具、课程、产品、开源项目，我可以先问五个问题：

这五个问题看起来简单，但很管用。

它能把我从“这个东西好像很火”拉回到：

不是所有推荐都值得相信。不是所有平台都站在我这边。不是所有 AI 助手都是我的助手。

真正属于我的 AI，应该先理解我，再替我判断。

AI 作品化不只是做内容，也不只是做网页小工具。更深一层，它是在搭建一个逐渐站到我这边的个人系统。

我把内容转成笔记，是为了让 AI 更懂我的判断。

我把 Prompt 和 Skill 沉淀下来，是为了让 AI 更稳定地帮我做事。

我把工具体验写成记录，是为了下次少重复踩坑。

我把家庭教育观察写下来，是为了让 AI 不只懂工具，也懂我的真实生活。

这些东西加起来，未来才可能形成一个真正属于我的用户侧 Agent。

它不是平台给我的。

它是我一点点养出来的。

我不想每次问 AI 都从零开始:我的本地书籍知识库 Agent

以前我一直有一个很矛盾的感觉。

我电脑里有不少书,也收藏过很多资料。看起来东西很多,好像自己有一个"知识库"。但真到要用的时候,经常还是想不起来。

某个观点我好像在哪本书里看过。

某个概念我大概知道,但说不清出处。

某个判断我觉得有道理,可是要写成文章或者书稿时,又不知道能不能站得住。

最后还是打开 ChatGPT,重新问一遍。

这时候问题就来了。

AI 回答得很快,也很顺,但它说的东西不一定跟我自己的阅读、自己的资料、自己的判断有关。它更像是在公共互联网上给我一个"通用答案"。

通用答案当然有用。

但如果我每次都从通用答案开始,那我自己的书、自己的笔记、自己的长期积累,就一直躺在硬盘里,没有真正参与我的判断。

这件事让我有点不甘心。

我不是没有资料。

我不是没有读过东西。

我只是没有把这些东西变成一个可以被 AI 调用的系统。

后来我就做了一个很小的本地项目:个人书籍知识库 Agent。

它的逻辑不复杂。

我把书放进指定文件夹,程序先把书导入,切成一块一块的文本,再生成本地向量库。等我提问时,它不是马上让大模型自由发挥,而是先从我的书籍库里检索相关原文。

如果找到了可靠依据,再让大模型根据这些原文回答。

如果找不到,它就直接告诉我:

这句话对我很重要。

因为很多时候,AI 最大的问题不是不会答,而是太会答了。哪怕它没有依据,它也能说得像真的一样。

而我这个小工具,故意给它加了一道限制:没有来源,就不要装懂。

这就像我给自己的 AI 装了一个刹车。

这个小作品解决的不是"问答问题"

表面上看,它是一个本地书籍问答工具。

但对我来说,它真正解决的不是问答问题,而是资料沉睡的问题。

以前,我的书是文件。

现在,它们开始变成可以被调用的依据。

以前,我问 AI,一个问题就是一个问题。

现在,我问 AI,它可以先回到我的书里,看看我自己积累过什么,再基于这些材料回答我。

这个变化很小,但意义不小。

因为从这一刻开始,我的资料不只是"保存了",而是开始"参与工作"了。

这就是我理解的 AI 作品化。

不是我又装了一个工具。

不是我又搭了一个系统。

而是我把一个真实痛点,做成了一个能反复使用的小作品。

这个知识库是怎么被做出来的

这个小作品不是一开始就完整想清楚的。

它不是我坐在那里写了一份很专业的产品方案,然后一次性做出来。

更真实的过程是:我先发现一个很具体的问题。

我有书,也有资料,但这些东西真正要用的时候,经常想不起来。它们在硬盘里是"存在"的,但没有进入我的工作流,也没有参与我的判断。

后来我把这个问题说清楚:

我不想每次问 AI 都从零开始。

我希望 AI 回答我之前,能先去我自己的书里找一找。

如果书里有依据,就基于原文回答。

如果书里没有依据,就不要胡编。

这个需求说清楚以后,后面的事情就开始变得具体了。

第一步,是把书放到一个固定文件夹里。

不是今天放这里,明天放那里,而是统一放进一个指定目录。这样程序才知道从哪里读取资料。

第二步,是让程序把书导入。

PDF、TXT、Markdown 这些文件,不是直接丢给 AI 就完事了。程序需要先把它们读出来,切成一块一块的文本,再生成本地向量库。

普通读者不用急着理解"向量库"这个词。你可以把它简单理解成:给书里的内容做一套可以被搜索的索引。

第三步,是让提问先经过检索。

我问一个问题时,程序不是马上让大模型回答,而是先去书籍库里找相关原文。

这一步很重要。

因为它决定了这个工具不是一个普通聊天机器人,而是一个"先找依据,再回答"的个人知识库。

第四步,是给回答加上来源。

它不能只给我一个看起来很顺的答案,还要告诉我:这个判断来自哪个文件、哪个位置、相似度大概是多少,原文片段是什么。

这样我就可以回到原文,而不是完全相信 AI 的一句话。

第五步,是加上拒绝胡编的规则。

如果书籍库里没有找到足够可靠的依据,系统就不调用大模型继续编,而是直接告诉我:

这一点看起来简单,其实是整个作品里最重要的边界。

因为我做这个工具,不是为了让 AI 显得更聪明,而是为了让它更老实。

第六步,才是加网页界面。

有了网页界面以后,我不用每次都在命令行里输入问题。打开本地网页,就能提问、查看来源、刷新书籍清单、上传新书。

这时候,它才从一个"能跑的脚本",变成了一个我自己愿意反复使用的小作品。

所以这个知识库不是突然冒出来的。

它是从一个真实痛点开始,一步一步拆出来的:

• 发现问题。
• 说清需求。
• 固定资料入口。
• 导入书籍。
• 建立索引。
• 检索原文。
• 基于依据回答。
• 找不到就拒绝胡编。
• 最后再做成网页界面。

背后用到的几个技术词

这个小作品背后,其实也用到了一些现在很常见的 AI 技术词。

我不想在这里把它写成编程教程,因为普通读者第一次看到这些词,很容易被吓住。

但混个眼熟是有必要的。

第一个词是 切块。

一本书太长,不可能每次提问都把整本书全部塞给 AI。程序要先把书里的内容切成一段一段的小文本。你可以把它理解成:先把一本厚书拆成很多张小卡片。

第二个词是 Embedding。

这个词中文常翻译成"嵌入"或者"向量化"。听起来很绕,但普通人可以先这样理解:它就是把文字变成一组数字,让机器可以比较"这段话"和"你的问题"是不是相关。

第三个词是 向量库。

文字变成数字以后,总要有个地方保存。这个地方就叫向量库。我的这个小项目里,用的是 ChromaDB。你可以先不用理解它的所有细节,只要知道它负责保存和检索这些"文字索引"。

第四个词是 相似度检索。

当我问一个问题时,程序不是马上让 AI 回答,而是先去向量库里找:哪些原文片段和这个问题最接近。

这一步很关键。

因为它决定了 AI 不是凭空回答,而是先从我的书里找依据。

第五个词是 RAG。

这个词现在很常见,全称可以先不管。普通人只要先记住一句话:RAG 就是"先找资料,再让 AI 根据资料回答"。

它和普通聊天最大的区别是:普通聊天更像是让 AI 直接说;RAG 更像是让 AI 先翻资料,再组织答案。

第六个词是 大模型 API。

检索到原文以后,还需要一个大模型把这些材料组织成正常人能读懂的回答。我这个项目第一版接的是 DeepSeek API,使用的是兼容 OpenAI 接口的方式。

这里不用纠结具体是哪家模型。真正重要的是:大模型不是第一步,而是最后一步。

先检索,再回答。

第七个词是 来源显示。

这个看起来不像技术,但对我来说非常重要。因为如果 AI 只给我一个答案,我还是不知道它是不是瞎说。只有它告诉我来自哪个文件、哪个位置、原文片段是什么,我才有机会回头检查。

第八个词是 拒绝胡编。

如果书籍库里没有找到足够可靠的依据,系统就不要继续编。它应该明确告诉我:我在书籍库中没有找到足够可靠的依据。

这其实是整个项目里最重要的设计之一。

因为我做这个知识库,不是为了让 AI 显得更会说,而是为了让它更可靠。

所以,如果用一句话解释这个技术流程,就是:

这就是这个本地书籍知识库 Agent 背后的基本逻辑。

我为什么要做成本地的

我没有一上来就追求很复杂的东西。

这个工具第一版很克制:

• 只支持 PDF、TXT、Markdown。
• 不支持扫描版 PDF。
• 不支持联网搜索。
• 不支持复杂的多轮对话。
• 不支持很多花哨功能。

但它有几个我很在意的点。

第一,它优先查我自己的书。

我不想每次都从互联网上的公共答案开始。我希望 AI 先看看我自己的资料里有没有依据。

第二,它要显示来源。

它回答时要告诉我,依据来自哪个文件、哪个位置、相似度大概是多少,还要给出原文片段。这样我不是只看一个答案,而是能回到原文。

第三,它找不到就拒绝胡编。

这个设计看起来很简单,但很关键。因为我现在越来越觉得,普通人用 AI,最怕的不是 AI 不会,而是 AI 太会"顺着你说"。

一个真正有用的个人系统,不能只会迎合我。

它还要敢告诉我:这里没有依据。

它和 Obsidian、书稿、上下文库的关系

这个书籍知识库不是孤立的。

它和我现在做的几件事是连在一起的。

我平时会把想法、对话、复盘、工具折腾过程,慢慢沉淀到 Obsidian 里。

我也在写这本《普通人的AI作品化手册》,把自己做过的小项目整理成章节。

但这些内容如果只停留在文件夹里,其实还不够。

真正有价值的是:它们以后能不能被重新调用。

比如我写一章"为什么普通人要亲自下场做作品",我不只是凭感觉写。我可以先问自己的书籍知识库:

有没有书里讲过行动、反馈、作品、复利、判断力这些东西?

如果书库里有依据,我就可以把这些概念拿出来,和自己的真实经历放在一起。

这样写出来的东西,就不是空喊口号。

它有我的经历,也有我读过的东西作为支撑。

普通人为什么需要这样的东西

很多人一说知识库,就想到很大的系统。

什么 RAG,什么向量数据库,什么 Agent,什么本地模型。

这些词当然有用,但如果一上来就讲这些,普通人很容易被吓住。

我的理解更简单。

你只要问自己一个问题:

如果不能,那它们只是"收藏"。

收藏太容易了。

下载一本书很容易。

保存一篇文章很容易。

把资料塞进文件夹也很容易。

难的是,让它们在未来某个具体问题里,重新站出来帮你。

这才是知识库真正的意义。

不是资料越多越好,而是资料能不能被重新使用。

这个作品给我的启发

做完这个小项目后,我对"个人知识库"这个词有了新的理解。

以前我以为知识库是一个存东西的地方。

现在我觉得,知识库更像是一个可以被调用的判断系统。

它不一定很高级。

不一定很漂亮。

不一定一开始就功能完整。

但它要解决一个真实问题。

对我来说,这个真实问题就是:

我不想让自己的书和资料继续躺在硬盘里。

我也不想每次问 AI 都从零开始。

我希望 AI 回答我的时候,能先回头看看我自己积累过什么。

这件事听起来很小。

但很多普通人的 AI 使用差距,可能就是从这里开始拉开的。

有的人每次都在问一个全新的 AI。

有的人慢慢把 AI 接到了自己的资料、自己的笔记、自己的项目、自己的经验里。

前者每次都重新开始。

后者是在一层一层往上叠。

这不是一个完美工具,但它已经是作品

这个本地书籍知识库 Agent 还有很多限制。

它现在还不能指定只查某一本书。

还不能查某个分类。

还不支持 EPUB。

也没有复杂的混合搜索和重排。

如果书是扫描版 PDF,还需要先做 OCR。

但我并不觉得这些限制让它失去价值。

因为作品化不是一上来就做一个完美产品。

作品化更像是:

先把一个真实问题做成能跑的东西。

然后在使用中发现问题。

再一点点迭代。

这个项目的第一版,已经完成了最重要的闭环:

• 放入书籍。
• 导入资料。
• 提出问题。
• 检索原文。
• 基于依据回答。
• 没有依据就拒绝胡编。

这就够它成为一个作品了。

不是因为它多高级,而是因为它已经能解决一个真实问题,并且以后还能继续长。

我真正想保存下来的,不只是书

表面上,我保存的是书。

但更深一层,我真正想保存的是自己的判断来源。

一个普通人长期走下去,不能只靠临时灵感。

临时灵感很爽,但很容易散。

真正能留下来的,是一个一个小系统:

把想法沉淀成笔记。

把笔记整理成书稿。

把书稿同步成网页。

把书籍做成可检索的知识库。

把工具流程写成可复用的说明。

把每一次折腾,变成下一次可以调用的经验。

这就是我现在做这本书的原因。

我不是在写一本一次性完成的书。

我是在把自己的 AI 使用过程,慢慢整理成一个能保存、能展示、能复用、能迭代的作品系统。

这个本地书籍知识库 Agent,就是其中一个很具体的小作品。

我开始夺回自己的信息入口

以前我以为,刷视频号、刷 X、刷 YouTube,是在获取信息。

后来我慢慢发现,很多时候不是我在主动获取信息,而是平台在决定我今天看什么。

视频号给我推什么,我就看什么;X 上什么吵得厉害,我就点进去;YouTube 推荐什么,我就顺手打开。

看起来每天都接触了很多信息,但真正留下来的东西很少。刷的时候很兴奋,刷完之后很空。收藏夹越来越多,Obsidian 里真正沉淀下来的东西却不多。

我不想再完全被推荐流牵着走。我想要一个属于自己的信息源系统:不是平台推什么我看什么,而是我自己决定看哪些源,再让 AI 帮我筛选、翻译、解释,最后把真正有用的内容保存到 Obsidian。

从 Feedly 到本地 Agent

一开始,我想到的是 RSS 和 Feedly。

RSS 的思路很简单:我自己订阅一些网站,让更新自动汇总到一个地方。这样就不用每天被平台推荐流带着跑。

但很快我发现,对我来说,Feedly 还是有点重。很多信息源是英文的,我看起来吃力;每天打开 Feedly,自己判断哪篇有用,也需要时间;看完以后还要复制、整理、保存到 Obsidian,这个流程还是容易断。

所以我换了一个想法:

它每天帮我抓取固定信息源,调用 AI 翻译和解释,再按照我的主线筛选,最后生成一份中文 Markdown 简报,直接保存到 Obsidian。这样,信息不是停留在浏览器里,而是进入我的个人知识库。

这个 Agent 现在能做什么

这个项目最后做成了一个本地运行的 ai-info-agent。

它现在还不是一个成熟产品,更像是一个能在本地跑起来的个人信息源工作流。但这已经足够重要,因为它不是停留在"想法"里,而是真的能按固定流程跑起来。

这个项目保存在我的本地 code 目录里,项目名是 ai-info-agent。

它现在能完成这样一条流程:固定信息源 → 自动抓取 RSS → 去重 → 调用 AI → 翻译、解释、筛选 → 生成中文 Markdown 简报 → 保存到指定目录。

它还支持不同的信息源 Profile。比如国外 AI 工具、国内 AI 和内容产品化、社区讨论、客户行业信息源模板。

这一步很关键,因为它说明这个工具已经不只是一个写死的信息抓取脚本。我可以根据不同场景,切换不同信息源。

真正的价值不是抓资讯

表面上看,这个项目是在抓资讯。但对我来说,它真正的价值不是"每天多看几条新闻"。

真正的价值是,我开始把自己的信息入口,从平台推荐流里拿回来。

以前是:平台推荐什么,我就看什么,看完焦虑,很少沉淀。

现在变成:我定义信息源,Agent 自动抓取,AI 帮我翻译和筛选,保存到 Obsidian,我再判断能不能变成作品。

这个变化很大。因为它把"刷信息"变成了"进货"。

每天生成的简报,我最关心的不是新闻数量,而是这几个位置:今日结论、今天最值得看的 3 条、今日可执行动作。

如果里面有一条能变成 Obsidian 笔记、公众号文章、短视频脚本、小网页、Skill、提示词,或者书里的案例,那这份简报就有价值。如果没有,就说明信息源还要继续调。

这个项目是怎么长出来的

这个项目不是一开始就设计完整的,它是一点点长出来的。

一开始只是问:我平时刷视频号、X、YouTube,想升级信息源,要怎么做?然后想到 RSS。接着发现 Feedly 对我还有难度。于是改成让 Agent 自动抓。

再后来,我需要解决英文问题,于是让 AI 帮我翻译和解释。然后又发现输出文件会覆盖,于是改成文件名带日期和时间。再后来,我希望直接在 Obsidian 里阅读,于是让它保存到指定目录。

每一步都不是凭空规划出来的,而是在真实使用中发现问题,再让 AI 和 Codex 帮我改出来的。

普通人不一定要会写代码,但要会指挥 AI

这个项目里,我并没有从头手写所有代码。

我的工作更像是:我提出真实需求,ChatGPT 帮我整理成 Codex 提示词,Codex 修改项目,我运行测试,ChatGPT 帮我验收,发现问题,再继续改。

你不一定要马上成为程序员,但你要学会把自己的需求说清楚,学会拆任务,学会验收结果。

从个人工具到可复制模板

这个项目让我更有感觉的地方,是它后来长出了 Profile 机制。

一开始它只是帮我看 AI 信息源。但当它支持不同 Profile 后,我突然发现,它可以变成一种可复制的模板。

给内容创作者,可以整理选题、平台变化、内容趋势;给 AI 初学者,可以整理通俗 AI 工具和实战案例;给实体老板,可以整理行业动态、同行案例、营销素材。

如果涉及金融或投资场景,它只能做公开信息整理和风险提示,不能荐股,不能预测涨跌,不能提供买入、卖出、持有建议。

所以我不把这件事写成一个金融工具。我更愿意把它看成一个可复制的信息源模板。

这页真正想说的话

真正的 AI 作品化,不是做一个多复杂的产品。

而是从一个真实困扰自己的问题开始,把它拆成流程,让 AI 帮你做成一个能重复使用的小系统。

今天这个系统可能只是给自己生成一份信息简报。但明天,它可能变成一个客户模板,一个行业简报工具,一个内容选题助手,甚至是一本书里的真实案例。

把英文世界变成自己的中文知识资产

我一直知道，英文世界里有很多好东西。

AI 访谈、经济学讨论、技术播客、长视频、研究者之间的对话，很多一手信息都先出现在英文环境里。

但知道是一回事，能不能用起来是另一回事。

我不是英语很好的人。让我直接听一两个小时英文访谈，我大概率坚持不了多久。就算有字幕，也很费劲。

更麻烦的是，英文字幕本身不适合直接沉淀。它有大量口语重复、停顿、寒暄、跳跃和上下文省略。机器翻译也不是不能看，但读起来像夹生饭。

以前我经常做一件事：看到一个英文视频标题，觉得很厉害，先收藏。

然后呢？

没有然后。

它只是躺在收藏夹里。时间一长，收藏夹就变成了另一个垃圾桶。

这次我不想再这样。

我想试试看，能不能把一条英文长访谈，真正变成我可以听、可以读、可以沉淀、可以复用的中文资产。

摘要不等于完整转述

一开始，我以为这事很简单。

把英文字幕给 AI，让它总结一下，不就完了吗？

但真正做起来，马上发现问题。

一条 1 小时 33 分钟的英文访谈，如果最后只变成二十几分钟的中文内容，它当然有用，但它不能叫完整转述。

它只是摘要。

摘要的问题不是不好，而是它会让我误以为自己已经吸收了原内容。

其实没有。

很多例子、推理、转折、背景，都被压掉了。最危险的是，它表面上看起来完整。标题完整，章节完整，文件也完整。

但一放进 Readily，朗读时长只有二十多分钟，我就知道不对。

这就像把一本书压成几页纸，然后还叫它完整版。

从那一刻开始，我给这条流程定了一个验收标准：

AI 生成了，不代表作品完成了。

能不能经得起验收，才算数。

真正跑通，是从分段开始的

后来我把问题拆开。

长视频不能一口吞。

那就让 Codex 做工程部分。

先把英文 SRT 按合适长度切成一段一段的小块。每一段里保留原始英文字幕，也附上处理要求：不要逐句机械翻译，不要过度压缩，保留主线、例子和论证层次，删除口语重复和无意义 filler，改成适合中文阅读和 Readily 朗读的自然中文。

这样一来，ChatGPT 不再面对一整条长视频，而是面对一段可处理的材料。

Codex 负责切。

ChatGPT 负责理解和转述。

我负责验收。

这才像一个流程。

不是把所有事情丢给 AI，而是把任务拆成 AI 能稳定完成的环节。

第一期：120 页，2 小时，我才知道它对了

第一期我处理的是 Grant Sanderson 关于 AI 和数学未来的访谈。

原视频大约 1 小时 33 分钟。

英文字幕有 1149 条。

Codex 切成 7 段。

我一段一段让 ChatGPT 做中文完整转述。

然后把 7 个 part 放回本地项目，让 Codex 合成 EPUB。

这一次，导入 Readily 后，显示大约 120 页，朗读大约 2 小时。

这时候我才觉得：对了。

不是因为页数越多越好。

而是这个比例终于合理。

原视频 1 小时 33 分钟，中文完整转述变成 2 小时左右，这很正常。因为它不是逐句字幕直译，也不是摘要。

它把英文口语重新整理成中文逻辑，把省略的上下文补出来，把重要观点展开到适合听。

这才像一份可以长期保存的中文知识资产。

第二期：项目化流程开始稳定

第二期我处理的是一条关于 AI 和经济的访谈。它讨论的是一个很有意思的问题：AI 越强，占经济的比例反而可能越小。

原视频大约 1 小时 16 分钟。

字幕 846 条。

Codex 切成 6 段。

这一次，我已经不是从零摸索了。

先初始化项目，把 SRT 放进 source，再切分成 chunks。接着交给 ChatGPT 生成 part_01 到 part_06，放回 rewritten，最后再合成 EPUB。

这时我看的不是“文件有没有生成”这么粗的结果，而是一组更具体的验收数据。

我把它导入 Readily，体验下来很满意。

这说明第二期也跑通了。

更重要的是，项目化流程开始稳定。

每一期英文内容，不再散落在 input 和 output 里，而是有自己的项目文件夹。原始字幕、切分稿、中文转述稿、最终 EPUB、README，都在同一个项目里。

这才是能长期复用的样子。

这件事真正改变的不是翻译，而是信息源

如果只把它理解成“英文视频翻译”，就太小了。

这件事真正改变的是我的信息源结构。

以前我只能等别人把英文内容讲成中文。

别人选什么，我看什么。

别人怎么理解，我接受什么。

别人剪掉什么，我也不知道。

这就很被动。

现在不一样。

我可以自己选择英文源。可以选择一手访谈、长播客、研究者对话、技术讨论。

然后用 AI 和工具，把它转成自己能吸收的中文内容。

这不是让我突然英语变好了。

而是让我有了一个信息转化系统。

它像一座桥。

桥的一端是英文高质量内容。

另一端是我的中文知识库。

桥中间是 AI 和本地工具。

为什么这算 AI 作品化

这件事之所以值得写进书里，是因为它不是一次聊天，也不是一次翻译。

它有完整的输入、流程、输出和验收。

输入是英文 SRT。

流程是切分、转述、合成、朗读、沉淀。

输出是 EPUB、Markdown、项目文件夹和 Obsidian 笔记。

验收标准是页数、字数、朗读时长、目录、听感和密度判断。

这就是一个作品。

它不一定漂亮，也不一定复杂。但它解决了一个真实问题，而且可以复用。

普通人做 AI 作品，不一定非要做一个大产品。

有时候，一个能反复使用的工作流，就是作品。

尤其当这个工作流能改变你的输入质量时，它的价值会慢慢变大。

普通人的机会，不是会不会英文，而是会不会转化

我现在越来越觉得，未来普通人的差距，不只是工具差距，也不是模型差距。

很多人都能用 ChatGPT。

很多人都能用翻译。

真正的差距在于：你有没有自己的转化链路。

同样看到一条英文访谈，有人只是收藏。

有人看个中文博主的二手解读。

有人让 AI 总结十条要点。

也有人把它变成 EPUB，听完，再沉淀成 Obsidian 笔记，再转成书稿和内容资产。

这几种人，表面上都“看到了”同一条信息。

但最后留下来的东西完全不一样。

这件事给我的提醒

第一，不要只追求更多信息源。

没有转化能力的信息源，只会变成负担。

第二，不要迷信一键总结。

总结适合快速了解，但不适合替代深度吸收。

第三，中间文件很重要。

SRT、chunk、part、EPUB、README，都不是临时垃圾。它们是这个知识资产的组成部分。

第四，验收很重要。

AI 说完成了不算。文件生成了不算。放进 Readily，能不能听，听多久，像不像自然中文，这才算数。

第五，工作流比单次结果重要。

第一期跑通，第二期复用，第三期再优化。

这样积累下去，它就会从一个小工具变成一个系统。

这页和 AI 作品化的关系

AI 作品化不是让 AI 替你完成一件事。

而是你借助 AI，把一个真实问题变成可交付、可保存、可复用的东西。

这次的真实问题是：英文高质量信息源够不到。

解决方案是：用 AI 建一条中文知识资产转化链路。

最后留下来的，不只是一份 EPUB。

还有一个本地工具。

一套项目结构。

两期真实案例。

一篇工作流笔记。

一篇作品案例笔记。

以及这一页书稿。

这才是我想要的状态。

不是看完就算了。

而是每一次折腾，都能留下些什么。

我不是在读一本书,而是在改造一本书

我如何把《图解 Skill》变成自己的 AI 资料库

以前我拿到一本好书,最常见的动作就是读、划线、摘抄。

读的时候觉得很有收获,划线的时候也觉得自己抓住了重点。可过一段时间,真正要写文章、做项目、设计一个 Skill 的时候,又会发现:书里具体讲了什么,我好像记不清了。

更麻烦的是,我知道那本书有用,但不知道该从哪里重新找起。翻 PDF 太慢,搜关键词又太碎。很多知识不是没有学过,而是没有被放进我的工作流里。

这次拿到《图解 Skill:AI 提效实战指南》以后,我换了一个做法。

我没有只问 AI:这本书讲了什么?

我真正想问的是:能不能把这本书变成一个以后可以长期调用的资料库?

这件事一开始听起来像技术活,但对我来说,它更像一次资料资产化实验。我不是为了把 PDF 转成 Markdown 而转,也不是为了显得自己会折腾工具。我是想看看,一本书能不能从"读完就过去",变成"以后做事时还能被反复调用"。

不是让 AI 自由发挥,而是把分工拆清楚

这个过程中,我没有让 AI 自由发挥,而是把分工拆清楚。

ChatGPT 帮我判断这本书应该被整理成什么结构,Codex 负责把本地文件处理到位,而我负责判断这些整理出来的东西以后是不是真的有用。

这一步很重要。因为我不想得到一堆看起来很整齐、但以后根本不会打开的文件。

真正有价值的整理,不是把资料摆得好看,而是让它以后能进入我的工作流。

一本书被拆成几层资料

做完以后,这本书不再只是一个 PDF。它在我的本地书籍知识库里,已经被整理成全文、章节、索引、模板和改造清单。

• Markdown 全文,让我以后可以完整回看。
• 按章节拆分的内容,让我不用每次打开一整本书。
• 章节索引,让我知道每一部分讲什么。
• 代码与示例索引,把可复用的东西单独拎出来。
• Skill 模板汇总,让我以后做 Skill 时不用从零想结构。
• AI 作品化改造清单,把这本书和我自己的主线接起来。

这些名字看起来很普通,但意义不一样。

它们让这本书开始从"别人的内容",变成"我以后能反复调用的资料"。

读完不是终点,能被调用才是开始

以前读书,是努力把书装进脑子里。

现在我越来越觉得,更重要的是把书改造成一个能被 AI 读取、能被我调用、能被继续改造的资料库。

如果一本书只是读完,它很快会被遗忘。哪怕当时很受启发,过几天也会散掉。

但如果它被拆成全文、章节、索引、模板和改造清单,它就不再只是一本书。它变成了一个可以进入我作品系统的资料资产。

以后我想做一个新的 Skill,不用从零开始想。我可以让 AI 先读取这本书里的模板,再结合我的真实需求,帮我改造成自己的版本。

这才是我最在意的地方。

它以后还能继续变成 Skill

这个案例还可以继续沉淀成一个"电子书资料资产化 Skill"。

以后每拿到一本重要的书,我都可以让这套流程自动帮我做几件事:读取提取结果,生成全文索引,按章节拆分,提取代码和示例,汇总模板,再结合我的 AI 作品化主线生成改造清单。

它甚至可以继续判断:这本书里哪些内容适合写进《普通人的 AI 作品化手册》,哪些只适合留在内部资料库里。

这类 Skill 的价值,不只是帮我处理一本书,而是把"读资料"这件事变成一个固定流程。

AI 作品化不一定是做一个 App,也不一定是做一个 SaaS,更不一定是一上来就搞一个很大的项目。

对普通人来说,把一本书变成资料库,把一次对话变成 Obsidian 笔记,把一个提示词变成 Skill,把一个小项目变成案例,这些都是作品化。

作品化的关键,不是东西有多大,而是它有没有从一次性消耗,变成可以保存、展示、复用、继续改造的资产。

这次《图解 Skill》的改造,让我更清楚地看到一件事:普通人真正要积累的,不只是知识。

而是那些能被反复调用、反复改造、反复输出的资产。

小插曲：什么是蒸馏？用一个当下在做的事来解释

有朋友问我：最近总看到新闻说，阿里及其 Qwen 团队相关操作者，被 Anthropic 指控通过大量账号和大量交互提取 Claude 的能力；DeepSeek 也被 OpenAI 指控可能“不当”使用 OpenAI 模型输出作为训练数据；Reuters 报道里还提到，Anthropic 曾指控 DeepSeek、Moonshot、MiniMax 对 Claude 做过类似的大规模能力提取。

来源说明：这些说法来自 Reuters 等公开报道。这里说的是“指控”或“调查”，不是我在这里替谁定罪。

这个词听起来很技术，好像离普通人很远。

但我想到自己刚做过的这件事，反而一下子好理解了。

我拿到《图解 Skill》以后，没有只是把它当成一本 PDF 读完。

如果只是读完，它很快就会散掉。

我真正做的，是把它拆成几层东西：全文 Markdown、章节索引、代码与示例索引、Skill 模板汇总，还有一份“我的 AI 作品化改造清单”。

做完以后，这本书对我来说就不再只是一本书。

它变成了一个以后可以被 AI 读取、被我调用、被我继续改造的资料库。

这件事不是严格意义上的模型蒸馏。

真正的模型蒸馏，是让一个模型学习另一个更强模型的输出和能力。可以简单理解成，一个“学生模型”通过大量样本，学习“老师模型”的答题方式、表达习惯、推理路径和解决问题的能力。

但我这个例子，可以帮普通人理解“蒸馏”的直觉。

所谓蒸馏，不是把原来的东西一字不差地搬走。

更像是从一个更大、更复杂、更完整的来源里，把有用的结构、方法和能力提炼出来，放进另一个更小、更方便调用的系统里。

我用《图解 Skill》做的这件事，更像是普通人的资料蒸馏。

我没有训练一个新模型。

我只是把一本书里对我有用的结构、模板、案例和方法，提炼成自己的 AI 资料库。

这也解释了为什么“蒸馏”这个词本身不一定是坏词。

关键要看怎么做、用什么数据做、有没有授权、有没有违反规则。

如果是在合规范围内，把公开材料、授权材料、自己的经验和自己的资料，整理成更容易调用的系统，这是一种正常的能力迁移。

但如果是绕过规则，大量套取别人的商业模型输出，再拿去训练自己的模型，那就会引发争议。

这件事给我的启发是：普通人看一本书，不一定只是读完、划线、摘抄。

更重要的是问一句：

一本书可以这样。

一次对话也可以这样。

一个视频也可以这样。

一个项目经验也可以这样。

AI 作品化，其实就是不断把外部资料和个人经验，蒸馏成自己的笔记、模板、Skill、工具和作品。

不是看过就算了。

而是让它变成以后还能帮你做事的东西。

我第一次摸到了产品闭环

18 个小网页证明了我能把想法做成小作品。LingQ Everywhere 这个英语阅读工具,让我第一次摸到另一件事:一个作品什么时候开始变成产品。

从页面到用户身份

做小网页时,我很少需要考虑"用户是谁"。但英语学习不一样,今天标记的单词,明天还要继续看;今天读到的位置,明天还要接着读。系统必须知道这个人是谁、数据归谁。

从一次性使用到数据长期保存

这个项目真正变重,是从保存用户学习数据开始的。课程、文章、单词、翻译缓存、阅读进度、设置和最近阅读,都不再是一次性的页面状态,而是每个用户自己的学习痕迹。

从能用到有机会收费

会员订阅和支付,把这个作品从"能用"推到了"有机会收费"。这不代表它已经商业成功,但它至少把登录、套餐、支付、订阅状态和权限判断这条链路接上了。

从网站到真实使用场景

Chrome 插件把查词和保存单词带到外部网页。用户不一定只在我的网站里读英文,他也会在外刊、博客、文档和各种网页里遇到英文,插件让产品边界从网站扩展到了真实浏览场景。

我开始给自己积累一套英文 AI 工作口令

今天我发现了一个很小,但挺有用的方法。

最近几次,我把一些常用的话发给 ChatGPT,让它帮我翻译成英文。

比如:

• Codex 做完了,你验收一下。
• 你发提示词给我,我让 Codex 干活。
• 给我一段完整的、可以直接复制给 Codex 的提示词。

一开始我只是想知道,这些话如果用英文怎么说比较自然。

但后来我发现,这件事不只是翻译。

它其实是在帮我把中文里的模糊操作,变成更清楚、更稳定、更能复用的英文提示词。

比如我原来会说:

你发提示词给我,我让 Codex 干活。

这句话当然能懂。

但如果换成英文,可以变成:

Please write me a complete, copy-ready Codex prompt for this task.

这句话里有几个很关键的东西。

complete,意思是要完整,不要只给一半。

copy-ready,意思是可以直接复制,不需要我再改来改去。

Codex prompt,说明这不是随便一段话,而是专门给 Codex 用的提示词。

for this task,说明它要针对当前这件事,而不是泛泛写一段模板。

这就不是普通翻译了。

这更像是把一句中文口语,打磨成一条可以长期复用的工作指令。

不是为了学英语而学英语

以前我学英语,很容易掉进一个老坑里。

背单词,收藏句子,看别人整理的表达。

当时觉得挺有用,但过几天又忘了。

因为这些东西没有真正进入我的生活,也没有进入我的工作流。

这次不一样。

我不是专门抽出一段时间来学英语。

我是本来就在用 ChatGPT。

本来就在让 Codex 改项目。

本来就在让 ChatGPT 验收结果。

本来就在不断整理提示词和工作流。

于是,我顺手把这些高频中文指令,变成英文表达。

这样一来,英语不是外面额外加进来的任务,而是嵌进了我每天真实使用 AI 的动作里。

这就轻很多。

因为我不是为了背一句英语而背一句英语。

我是明天真的还会用到它。

常用话,才值得变成工作口令

我现在越来越觉得,学习不是越多越好。

尤其是这种工作流里的英语,不需要一上来保存一大堆。

真正值得保存的,是那些我会反复说、反复用、反复触发同一个动作的话。

比如:

Codex has finished. Please run the acceptance check.

这句话对应的就是:

Codex 做完了,你验收一下。

它不是一句作文里的英语。

它是一条真实工作流指令。

我以后只要看到 Codex 做完了,就可以直接说这句。

再比如:

Please write me a complete, copy-ready Codex prompt for this task.

它对应的是:

请给我一段完整的、可以直接复制给 Codex 的提示词。

这也是我会经常用到的。

因为我的工作方式已经很清楚了:

ChatGPT 负责帮我判断、整理、写清楚任务。

Codex 负责去本地项目里执行。

Codex 做完以后,ChatGPT 再帮我验收。

这套流程跑多了以后,自然会产生一批高频口令。

这些口令如果每次都重新说,就会散。

但如果慢慢沉淀下来,它就会变成我的一套英文 AI 工作语言。

这件事为什么也算 AI 作品化

表面上看,这只是把中文翻译成英文。

但放到我的主线里看,它其实也是 AI 作品化的一部分。

因为 AI 作品化不只是做网页、写文章、做工具。

它还包括一件很重要的小事:

以前一句话说完就过去了。

现在我会把它变成:

• 一条英文工作口令
• 一段可复制提示词
• 一张 Obsidian 卡片
• 一个未来可以复用的工作流入口

这就从一次临时表达,变成了一个小资产。

这件事很小,但它背后的方向是对的。

中文想法,变成英文提示词。

英文提示词,触发 AI 工作流。

AI 工作流,推动 Codex 执行。

执行完成,再由 ChatGPT 验收。

最后把有用的表达继续沉淀下来。

这条链路本身,就是一个作品系统在长出来。

我以后可以怎么继续积累

我不需要一口气整理很多句。

那样反而容易乱。

更好的方式是:每次遇到一个高频场景,就让 ChatGPT 帮我翻译并优化一次。

我可以直接问:

这句话我以后想用英文跟你说,怎么表达最自然?请给我一句最推荐的版本。

然后只保存最有用的一句。

不用保存十个版本。

因为真正进入工作流的,往往只需要一句。

以后可以慢慢积累出几类英文口令:

• 让 ChatGPT 写 Codex 提示词的口令
• 让 ChatGPT 验收 Codex 结果的口令
• 让 ChatGPT 沉淀 Obsidian 笔记的口令
• 让 ChatGPT 改写公众号文章的口令
• 让 ChatGPT 生成英文旁白的口令
• 让 ChatGPT 帮我做公开表达把关的口令

这些东西积累多了,就不只是英语句子了。

它会变成一套属于我自己的 AI 工作流语言。

这件事给我的提醒

以前我会把"学英语"和"做项目"分开看。

学英语是学英语。

做项目是做项目。

用 AI 是用 AI。

但今天这个小发现让我意识到,其实它们可以合在一起。

我不需要另外开一个很重的英语学习计划。

我可以先从自己每天真实会用到的句子开始。

让英语进入项目。

让英语进入提示词。

让英语进入 Codex 工作流。

让英语进入 ChatGPT 验收流程。

这样英语才不是一个挂在外面的任务。

它会慢慢变成我做事时自然用到的工具。

先保存下来

所以,我准备开始给自己积累一套英文 AI 工作口令。

不是为了显得专业。

也不是为了把自己包装成英语很好的人。

而是因为我真的在用这些工具。

我真的会反复说这些话。

我真的需要一套更稳定、更清楚、更容易复用的表达。

这套英文口令,以后可以放进 Obsidian。

也可以放进提示词库。

还可以慢慢变成我自己的 AI 工作流说明书。

这件事不大。

但它让我看到一个很实在的方向:

Obsidian 这东西,光看教程永远学不会

我以前经常看到自媒体在说 Obsidian。

一开始我其实不太懂它到底有什么厉害。

只知道很多人都在讲它,说它适合做笔记,适合做知识库,适合长期沉淀。

但那时候这些话对我来说还是有点虚。

因为我没有真正用起来。

我只知道一件事:Obsidian 里面很多东西都是 Markdown 文件。

后来我慢慢发现,这个点很关键。

因为很多给 AI 看的文件,用 Markdown 格式最省心。

它不像 Word 那样带一堆复杂格式,也不像网页那样混着很多标签。Markdown 更像是一种干净的文本结构。标题、列表、引用、代码块,都很清楚。

AI 读起来也舒服。

人自己以后搬家、备份、整理,也方便。

就是这个原因,让我开始认真看 Obsidian。

我不是先学会了才开始用

我下载 Obsidian 的时候,并不是已经懂了。

安装怎么做,库怎么建,文件夹怎么整理,Markdown 怎么写,GitHub 怎么同步,自动同步怎么配置,我一开始都不熟。

我的做法很简单:不会就问 ChatGPT。

我不是先把所有教程看完,再开始动手。

我是打开电脑,一边做,一边问。

卡在哪一步,就问哪一步。

• 这个按钮是什么意思?
• 这个文件夹放哪里?
• 这个设置要不要开?
• GitHub 怎么同步?
• 同步失败怎么办?
• 怎么确认数据已经备份?

这些问题,如果让我自己去一篇篇搜教程,我很容易看着看着就散了。

但我让 ChatGPT 一步一步带着我做,就不一样。

它不是一次性给我一堆理论,而是根据我当前卡住的地方,把下一步告诉我。

这对普通人很重要。

因为很多工具真正难的,不是原理,而是第一遍跑通。

GitHub 同步让我安心很多

我后来把 Obsidian 和 GitHub 同步起来。

这一步对我影响很大。

以前我总怕资料丢。

• 电脑坏了怎么办?
• 文件夹误删怎么办?
• 换电脑怎么办?
• 某个笔记改坏了怎么办?

这些问题会让人有点不踏实。

但同步到 GitHub 之后,我心里安稳很多。

因为这些 Markdown 文件不再只是躺在本机某个文件夹里。

它们可以备份,可以同步,可以追踪变化。

更关键的是,这套东西基本是免费的。

对普通人来说,这很现实。

不是每个人一开始都愿意花钱买各种知识库服务,也不是每个人都想把资料绑死在某个平台里。

Obsidian 加 Markdown 文件,再加 GitHub 同步,对我来说就够用了。

它不花哨,但很稳。

我再也不会那么怕数据丢了。

这件事本身就很值。

看教程是开始,动手才是真的学

用了一段时间以后,我最大的感慨不是"Obsidian 很强"。

而是:这种东西,真的不能只看教程。

刚开始看一点教程是应该的。

你至少要知道它大概是什么,有哪些基本功能,别人都怎么用。

但看完以后,必须马上打开电脑实践。

不动手,只看视频,只收藏教程,只听别人讲插件、双链、标签、模板、同步,最后很容易变成一种错觉:

我好像懂了。

但真让你自己建一个库,自己写第一篇笔记,自己设置同步,自己处理冲突,自己整理文件夹,你就会发现,懂和会之间差很远。

很多能力不是靠眼睛学会的。

你要点过那个按钮。

你要建过那个文件夹。

你要改过那个配置。

你要遇到过一次同步失败。

你要知道哪里会报错。

你要亲手把它修回来。

这样才算真的进到身体里。

工程化能力,未来会越来越重要

我现在越来越觉得,未来普通人很需要一种能力:工程化能力。

这里说的工程化,不是让每个人都变成专业程序员。

而是你遇到一个真实需求时,能不能把它拆开,能不能用工具跑通,能不能把结果保存下来,能不能让它下次还能复用。

比如 Obsidian 这件事,表面看只是一个笔记软件。

但真正做起来,它背后其实有一整套工程化思维:

• 资料放哪里。
• 文件怎么命名。
• 用什么格式保存。
• 怎么备份。
• 怎么同步。
• 怎么避免丢数据。
• 以后怎么让 AI 读取。
• 怎么把对话沉淀成笔记。
• 怎么把笔记整理成书稿。
• 怎么再同步成网页电子书。

这些东西不是看两期教程就能拥有的。

它一定要靠自己一点点搭。

而 AI 最有用的地方,就是在你不会搭的时候,陪你一步一步搭起来。

所以我越来越不觉得 ChatGPT 只是一个问答工具。

它更像是一个陪我动手的人。

我不会,它可以解释。

我卡住,它可以带路。

我报错,它可以帮我判断。

我忘了,它可以帮我重新整理成文档。

但真正按下按钮、保存文件、处理同步、建立自己的系统的人,还是我自己。

Obsidian 是会自生长的

Obsidian 最有意思的地方,不是刚装好那一刻。

刚装好的 Obsidian,其实很空。

一个空库,一个空文件夹,几个菜单,几个按钮。

如果只是停在那里,它什么都不是。

但一旦你开始往里面放东西,它会慢慢长起来。

一开始只是几篇对话沉淀。

后来变成提示词库。

再后来变成书稿页草稿。

再后来变成项目规则。

再后来变成上下文库。

再后来变成电子书的材料池。

你今天写进去的一页,可能下周变成一篇公众号文章。

你今天保存的一段提示词,可能以后变成一个 Skill。

你今天记录的一次踩坑,可能以后变成实操附录的一节。

这就是它会自生长的地方。

不是软件自己长。

是你不断把真实做过的事放进去,它才慢慢长成你的系统。

我真正学会的不是 Obsidian

现在回头看,我真正学会的,其实不只是 Obsidian。

我学会的是一种方法:

遇到一个重要工具,不要一直停在看别人讲。

可以先看一点教程,混个眼熟。

然后马上打开电脑,让 AI 带着自己跑一遍。

第一遍不求优雅。

不求完整。

不求一步到位。

先跑通。

跑通以后,再整理规则。

再优化目录。

再补同步。

再写使用说明。

再把这次过程沉淀成书稿。

这才是普通人真正可行的学习方式。

不是靠脑子里想清楚。

不是靠收藏更多教程。

不是靠等自己准备好了。

而是先动手做一版。

做完以后,你就不是站在门外看了。

你已经进入这个系统里面了。

这件事和 AI 作品化的关系

这件事很符合我现在这本书的主线。

AI 作品化,不只是用 AI 写文章,也不只是让 AI 生成网页。

它还包括:把一个工具真正接进自己的工作流。

Obsidian 对我来说,不只是笔记软件。

它现在是我的材料池,是上下文库,是书稿草稿箱,是规则库,也是很多小作品的发源地。

如果没有它,很多想法就会散在聊天记录里。

如果没有 Markdown,这些内容以后就不一定好迁移、好整理、好给 AI 读取。

如果没有 GitHub 同步,我又会担心数据丢失,不敢长期依赖它。

所以这件事不是"我学会了一个软件"。

更准确地说,是我把 Obsidian 变成了自己作品系统的一部分。

这才是关键。

核心句

不要一开始就做完整系统，先把阻力降到最低

今天我给自己的 Obsidian 增加了一个很小的功能。

看到喜欢的句子，可以用快捷键保存下来。

看到不喜欢的句子，也可以用快捷键保存下来。

保存的位置很简单：

• 喜欢的句子.md
• 不喜欢的句子.md

这件事看起来很小，甚至有点不起眼，但我觉得它很重要。

因为它解决的不是“怎么收藏句子”这么简单的问题，而是解决了一个普通人最容易卡住的地方：

以前如果我想保存一句喜欢的句子，大概要这样做：

打开 Obsidian，找到对应目录，打开文件，想一下放哪里，再输入 Markdown 格式，还要注意编号、空格、引用符号。

这个过程听起来不复杂，但真到日常使用时，只要多几个步骤，人就容易放弃。

尤其是那种刷到一句话、脑子里突然一亮的瞬间，如果还要打开一堆目录、调整格式、写原因，那个冲动很快就没了。

所以这次我没有把它做成一个很完整的写作训练系统。

我也没有要求自己每保存一句话，都写：为什么喜欢？可以怎么学？以后用在什么场景？

这些当然有价值，但对我现在来说，太重了。

我现在只需要做一件事：

看到喜欢的句子，按快捷键，粘进去。

看到不喜欢的句子，按快捷键，粘进去。

后面的编号、引用格式、保存位置，都让工具自动处理。

这样一来，这件事就从“我要整理写作风格”变成了：

这两个动作的心理负担完全不一样。

一个像任务，一个像顺手。

对普通人来说，很多系统不是做不出来，而是太早追求完整，最后把自己吓退了。

写作风格这件事也是一样。

我以前总觉得，想让 AI 更懂我的写作风格，就要写一份很完整的说明：

我喜欢什么风格，我讨厌什么风格，我的语气是什么，我的句子怎么写，我的文章怎么展开。

但后来我发现，真正有用的东西，不一定一开始就要总结出来。

可以先收集样本。

我喜欢的句子，就是我的审美方向。

我不喜欢的句子，就是我的避坑边界。

这些东西先不用解释，先留下来。

等样本多了，AI 自然可以帮我看出来：哪些表达更接近我想要的味道；哪些句子一看就是 AI 味、鸡汤味、营销号味；哪些说法我本能排斥；哪些表达虽然简单，但更像一个真人说出来的。

这就是我理解的 AI 作品化。

不是一上来做一个很大的系统，也不是写一堆看起来很专业的流程，而是把一个真实的小需求，做成一个低阻力、能持续使用的小东西。

它很小。

小到只是两个 Markdown 文件，加两个快捷键。

但它开始改变我的写作系统。

以后我再让 AI 帮我写公众号、朋友圈、书稿、短视频口播时，它就不只是参考一份抽象的“我的写作风格.md”。

它还可以参考一组真实样本：

这些句子，是我喜欢的。

这些句子，是我不喜欢的。

这比单纯告诉 AI “不要 AI 味”“要接地气”“要有作者感”更有效。

因为样本比口号更真实。

我现在越来越觉得，普通人搭建自己的 AI 系统，不要一开始就追求完整。

先问一个更现实的问题：

如果不能，就继续降阻力。

少一个步骤，少一次打开目录，少一次格式输入，少一次解释理由，都可能让这件事更容易坚持下去。

先用起来。

先留下来。

先让系统慢慢长出来。

这比一开始设计一个完美系统，更重要。

本来只是想翻译个视频，最后发现又是在干工程

今天一大早就醒了。

第一件事，续费 ChatGPT 会员。然后开始干活。

我原本的计划很简单：把昨天跟 ChatGPT 折腾视频翻译配音的过程整理一下，写成书里的一页。

因为这不是一条转手的信息，也不是别人总结好的经验，而是我自己从安装、测试、调参到踩坑，真真实实跑过一遍的东西。

这件事对我来说，最重要的地方不只是“我学会了一个工具”，而是我突然意识到：我现在做事的方式，跟以前完全不一样了。

以前看到一个新东西，也会兴奋，也会觉得醍醐灌顶，也会觉得：这个有用。

但很多时候，兴奋完就完了。

过几天再回头看，什么都没留下。

没有笔记，没有流程，没有方法，没有案例，更没有变成自己的东西。

这次不一样。

这次我折腾完以后，第一反应不是“这个工具牛不牛”，而是：我要把这个过程留下来。

把问题留下来，把尝试留下来，把失败留下来，把最后摸出来的判断也留下来。

它可以变成 Obsidian 笔记，可以变成实战技巧，可以变成 Codex 提示词，可以变成工作流，最后甚至可以变成书里的一页。

不是一个按钮，而是一串环节

一开始，我真没想那么复杂。

我就是看到别人把英文视频翻译成中文配音，觉得这东西有意思。想着现在 AI 都这么强了，应该找个工具，丢进去，点一下，英文视频就能变成中文视频。

结果真干起来才发现，不是那么回事。

这件事表面上叫“视频翻译”，实际拆开看，里面至少有这些环节：

• 提取音频
• 分离人声和背景声
• 识别英文字幕
• 翻译成中文
• 生成中文配音
• 调整语速、音量、音调
• 保留现场背景声
• 处理软字幕和硬字幕
• 合成最终视频
• 保存不同参数版本

每一步都可能出问题。

本地翻译能跑，但不自然。本地配音能出声，但机械。DeepSeek 翻译更像人话，但反复调用会产生成本。Edge-TTS 成本低，但语速、语气、口型要反复调。

背景声可以保留，但人声分离不干净时，里面可能残留原声。硬字幕一定能看到，但会重新压视频。软字幕更灵活，但很多播放器默认不显示。

我这时候才意识到，真正的重点不是“有没有一个完美工具”，而是：我要不要把这条流程变成自己的工作流。

ChatGPT 和 Codex 这个组合，开始像一支小队了

昨天真正打动我的，还有一个点。

我遇到一个疑问，发给 ChatGPT。

按我以前的想象，AI 应该马上给我一个答案：你该怎么调，你该怎么选，你该怎么设置。

但这次它没有急着回答我。

它先让我把问题交给 Codex，让 Codex 去本地项目里调研、看代码、看文档、做测试。

等 Codex 跑完以后，ChatGPT 再回来验收，再根据真实结果给我建议。

这个过程让我有点惊讶。

因为它不是一个 AI 在那里瞎猜，而是变成了一组协作：

• ChatGPT 负责判断和拆解问题。
• Codex 负责去本地干活、查项目、改文件。
• 我负责在真实界面里操作、听效果、发现问题。

这个组合一跑起来，我第一次很强烈地感觉到：普通人好像真的有了一种“什么都可以试一试”的机会。

当然，不是说你马上什么都会。

到了网页端、GUI、参数设置这些地方，还是需要你有一点点基础。

你完全不懂，也不是不能做，但你可能看不出细节问题。

比如字幕为什么没显示，是软字幕没有打开，还是根本没嵌进去？背景声为什么小，是参数太低，还是分离出来的 instrument.wav 本身就弱？中文配音提前结束，是语速太快，还是音频加速又叠了一层？每次点“开始执行”，到底有没有重新调用 DeepSeek？

这些细节，如果你完全没概念，确实容易懵。

但有意思的是，懂一点也不一定全是好事。

昨天我就是因为懂一点，反而容易在一些不重要的问题上纠结。

ChatGPT 明明提醒我：这个先放弃，先跑通主流程。

但我还是不听。

我就想亲自试一下，验证一下，到底行不行。

最后折腾了几轮，才发现它说得对：有些东西现阶段先放弃，才是对的。

我不知道这算不算好习惯。

但对我来说，这个过程很真实。

我不是因为 AI 说了就信，我还是想自己摸一下。

不行再改，无非就是多花点时间。

真正的转折：不要每次都从头跑

这次最关键的转折，是我发现每点一次“开始执行”，它可能又从头跑一遍。

这就麻烦了。

因为我只是想调一下语速，或者调一下背景音量，但它可能重新调用 DeepSeek 翻译。

这不是钱多钱少的问题，而是思路不对。

调参阶段不应该重新翻译。

正确做法应该是：第一次完整跑，生成中文字幕；后面就复用 zh-cn.srt，只重新生成配音和视频。

从这一刻开始，这个项目就不再是“我试了一个视频翻译软件”。

它变成了一个工作流问题。

不要再从头识别。

不要再从头翻译。

不要每次调个语速，都重新花一遍 DeepSeek 的钱。

这个发现很重要。

en.srt 是资产。zh-cn.srt 是资产。instrument.wav 是资产。配音参数是资产。DeepSeek 翻译提示词是资产。二次渲染脚本也是资产。

只要这些东西能留下来，下一次我就不是从零开始。

普通人用 AI，不是一下子变成高手

这可能就是普通人用 AI 最真实的状态：

你不是一下子变成高手。

你只是被 AI 推着，越过了以前根本过不去的第一道坎。

换在以前，我可能第一个问题就卡住了。

安装环境卡住。模型选择卡住。翻译效果差卡住。配音机械卡住。字幕不显示卡住。背景声没了卡住。API 会不会重复扣费又卡住。

卡几个小时以后，大概率就不搞了。

但现在不一样。

现在有 ChatGPT 帮我判断，有 Codex 帮我查项目、写脚本、做修改，我自己只要不断把真实问题丢进去，再根据结果继续调整。

这感觉很像一路开挂。

不是说直接赢了，而是以前你连中场都过不了，现在它一路把你推到禁区前沿。

最后就差你自己临门一脚。

这一脚，AI 不能替你踢。

它能帮你查资料，能帮你拆流程，能帮你写脚本，能帮你整理经验。

但最后你还是要自己判断：

• 这个效果能不能接受？
• 这个流程值不值得继续？
• 这个东西能不能沉淀？
• 这个过程能不能变成自己的作品？

昨天我本来只是想翻译一个视频。

最后发现，我其实是在干工程。

而且更重要的是，我终于开始把“干工程”的过程，变成自己的资产。

这页和 AI 作品化的关系

AI 作品化不是把一个工具玩一遍，而是把一个真实需求拆成可复用的流程。

工具会变，模型会变，API 会变。

但这条思路会留下来：

• 先跑通，再拆环节。
• 先保存中间产物，再做二次加工。
• 先解决自己的真实问题，再把它沉淀成别人也看得懂的作品。

普通人做 AI 作品，不要迷信一键生成。

真正能积累的，是你把流程拆开以后留下来的中间资产。

AI时代，不要只是刷内容，要顺手拿数据

我以前刷到一个觉得有价值的视频，最自然的动作就是收藏。

点一下收藏，心里会觉得这东西已经被我留下来了。

但后来我发现，收藏很多时候只是一个心理安慰。

视频还在那里，链接还在那里，可它并没有真正进入我的系统。下次我要用的时候，还是找不到；就算找到了，也要重新看一遍，重新判断一遍。

不是每条内容都要立刻写成文章。

也不是看到什么都要马上做成作品。

但至少要先把它从平台里拿出来，变成 AI 能读、我也能继续处理的材料。

第一步不是总结

我最近高频使用一个 AI 工具，原因不是我突然发现了什么复杂功能。

就是一个动作反复出现了。

我刷到一个喜欢的视频，觉得里面有点东西，就顺手转发给 AI。但不是只转发视频，而是会再附上一段固定提示词。

这段提示词的目的也不复杂。

不是让 AI 总结。

不是让 AI 提炼观点。

也不是让 AI 加自己的理解。

第一步只做一件事：

也就是逐字稿。

这件事刚开始看起来很小，但我现在越来越觉得，它其实是一个很重要的习惯。

AI 时代，不要只是刷内容，要顺手拿数据。

为什么不要急着让 AI 总结

很多人拿到一个视频，会直接让 AI 总结。

这当然省事。

但总结有一个问题：它太快了。

AI 一总结，原话就没了。

很多细节、语气、例子、转折，都会被压成几条看起来很顺的观点。

读起来确实轻松，但也很容易变成二手理解。

我现在更愿意先拿逐字稿。

• 先保留原话。
• 先不要改写。
• 先不要提炼。
• 先不要让 AI 急着替我判断什么最重要。

这一步慢一点，但它保住的是原始材料。

后面要不要总结，要不要摘观点，要不要改成朋友圈、公众号、书稿，那都是第二步。

如果第一步就把原话弄丢了，后面的加工其实已经变形了。

逐字稿是内容转资产的底料

一条视频躺在收藏夹里，它还是别人的内容。

但它变成逐字稿以后，状态就不一样了。

它可以被搜索，可以被复制，可以被重新分段，可以和我自己的想法放在一起。

它还可以继续进入自己的资料系统，变成朋友圈灵感、公众号草稿、书稿案例，甚至以后某个 Skill 或小工具的素材。

这就是我理解的内容转资产。

不是把别人的内容换个说法搬过来。

而是先把原始材料拿到一个自己能处理的位置，再加入自己的判断、经验和使用场景。

这两条路的区别很大。

收藏是把东西放在那里。

拿数据，是让它开始进入自己的系统。

提示词的价值，是先把 AI 限制住

这一步里，提示词反而不是越复杂越好。

它真正重要的地方，是给 AI 设边界。

因为 AI 太喜欢帮人整理了。

你稍微不给边界，它就会开始概括、润色、补充理解。最后输出的东西可能更顺，但已经不是原始内容了。

而这一步我要的不是漂亮。

我要的是原话。

有重复也没关系。有口语也没关系。有不顺也没关系。

因为这些东西后面还可以加工。

但原始材料一旦被 AI 提前改写，就很难再找回来。

下面这段提示词，是给能识别视频内容的 AI 工具用的。它的作用不是让 AI 输出观点，而是先把视频转成后续可处理的逐字稿。

请只帮我提取这个视频的完整逐字稿。

要求：
1. 尽量保留原话，不要改写。
2. 不要总结，不要提炼观点。
3. 不要加自己的理解。
4. 如果有明显分段，请按自然段分开。
5. 如果识别不清楚的地方，用【听不清】标注。

输出格式：
视频标题：
逐字稿：

这段提示词不高级。

但它有用。

因为它把第一步的目标说清楚了：先拿数据，不急着加工。

普通人真正要积累的是可处理材料

AI 出来以后，我对“积累资料”这件事的理解变了。

以前的积累，更多是存链接、存截图、存 PDF、存笔记。

这些当然有用。

但现在更重要的是：这些东西能不能被 AI 继续处理。

如果只是收藏在平台里，AI 读不到，我自己也很难再找出来，那它对我来说还是沉睡的材料。

但如果它变成逐字稿，变成 Markdown，变成自己的笔记，它就开始有用了。

它可以和我以前写过的内容放在一起。

可以被 AI 对照我的写作风格再整理。

可以被放进一个项目里继续改。

可以成为一本书里某一页的材料。

这也是我越来越在意“顺手”的原因。

不要等到有完整系统才开始。

不要等到想清楚要写什么文章才开始。

看到有价值的内容，先把原始材料拿下来。

后面能不能变成作品，是下一步。

但如果这一步没有做，后面大概率不会发生。

这页和 AI 作品化的关系

这页不是讲一个工具技巧。

它讲的是 AI 作品化里很基础的一步：把外部内容变成自己系统里的原始数据。

AI 作品化不是从“我要写一篇完整文章”开始的。

很多时候，它是从一个很小的动作开始：

• 我看到一个有价值的视频。
• 我没有只点收藏。
• 我让 AI 先提取逐字稿。
• 我把逐字稿放进自己的资料系统。
• 我再根据自己的判断，把它变成朋友圈、公众号、书稿页或工作流。

这条链路跑通以后，刷内容就不再只是消费。

它会慢慢变成采集。

采集之后，才有整理。

整理之后，才有复用。

复用之后，才有作品。

AI很热，但普通人的机会不在热度里

AI 当然有价值。

它能改变内容生产，改变写作，改变编程，改变知识整理，改变个人工作流，也会改变很多行业的效率。

但一个东西有价值，不代表围绕它的一切价格都是合理的。

一个东西越有价值，越容易被人类情绪推高。

因为人不是机器。

人会互相影响，会跟风，会焦虑，会害怕错过，会看到别人赚钱就忍不住也冲进去。

本来一个东西值 10 分。

大家都说它厉害，它可能被看成 100 分。

再加上媒体报道、资本投入、创业故事、财富神话，它可能被看成 1000 分。

这个中间多出来的部分，就是泡沫。

泡沫不一定说明这个东西是假的。

很多时候，泡沫恰恰出现在真正有价值的东西上。

互联网有价值，但也有互联网泡沫。

房地产有价值，但也有房地产泡沫。

新能源有价值，但也可能有阶段性泡沫。

AI 也一样。

问题不在 AI 本身，而在人对 AI 的集体想象。

普通人最容易犯的错

普通人最容易犯的错，不是看不到趋势。

恰恰相反，现在很多人都知道 AI 是趋势。

真正的问题是：

大厂投算力，这是大厂的机会。

创业公司融资，这是创业公司的机会。

投资人押赛道，这是投资人的机会。

程序员做 AI 原生产品，这是程序员的机会。

内容平台追 AI 热点，这是平台的机会。

但这些不一定就是我的机会。

我只是一个普通人。

我没有几千万资金。

我没有 GPU 集群。

我没有团队。

我也不可能靠判断哪只 AI 股票涨跌来建立自己的长期能力。

所以我真正该问的，不是 AI 现在是不是风口。

而是：

这两个问题完全不一样。

前一个问题会让我盯着外面的热闹。

后一个问题会把我拉回自己的系统。

热点会退，作品会留下

AI 热的时候，所有人都在谈模型、融资、估值、独角兽、Agent、机器人、短剧、视频生成。

这些东西很容易让人兴奋。

也很容易让人焦虑。

你会觉得：

别人都在做 AI，我是不是落后了？

别人都在讲 AI 创业，我是不是也要赶紧做个产品？

别人都在说 Agent，我是不是也要马上学？

但如果每次都被这种情绪牵着走，最后很容易变成：

这才是普通人真正的损失。

不是没赶上风口，而是没有形成积累。

AI 作品化要解决的，就是这个问题。

我不需要追每一个热点。

我只需要不断问：

• 这条信息能不能变成我的一篇笔记？
• 这个工具能不能变成我的一个工作流？
• 这个想法能不能变成我的一个小页面？
• 这个经验能不能变成我的一个提示词？
• 这个案例能不能写进我的书？
• 这个过程能不能沉淀成一个 Skill？

如果能，它就进入我的系统。

如果不能，哪怕它很火，也可以先放过。

AI 有价值，但我不追泡沫

这不是说普通人不要关注 AI。

恰恰相反，普通人更应该关注 AI。

但关注 AI，不等于追 AI 热度。

追热度，关注的是外面涨了多少、别人赚了多少、哪个模型又发布了、哪个公司又融资了。

做作品，关注的是我今天能不能多沉淀一点东西。

这两种状态完全不同。

追热度的人，每天都在被外部新闻牵动。

做作品的人，每天都在往自己的系统里添砖。

一个是情绪消耗。

一个是资产积累。

AI 泡沫破不破，我无法控制。

但我能控制的是：

• 今天有没有把一个想法整理成笔记。
• 今天有没有把一个流程写成提示词。
• 今天有没有把一个工具试用过程记录下来。
• 今天有没有把一次对话沉淀成方法。
• 今天有没有做出一个小作品。

这才是普通人真正能抓住的部分。

泡沫破裂不一定是坏事

如果 AI 真的有泡沫，它迟早会修正。

但泡沫修正不代表 AI 没价值。

很多行业都是这样。

热的时候，所有人都涌进去。

冷的时候，很多人离开。

最后留下来的，反而是那些真正能创造价值的人。

对普通人来说，泡沫破裂可能不是坏事。

因为热度退了以后，噪音会少一点。

虚假的故事会少一点。

夸张的财富神话会少一点。

大家会重新回到一个更朴素的问题：

这正是 AI 作品化关心的问题。

AI 不是用来制造焦虑的。

AI 是用来帮我把真实想法、生活观察、知识资料、工作流程，变成可以保存、可以展示、可以复用、可以交付的小作品。

给自己的判断规则

以后看到任何 AI 热点，我都可以先问四个问题：

1. 这是技术价值，还是市场情绪？
2. 它跟我的 AI 作品化主线有什么关系？
3. 我能不能把它变成一个可保存、可展示、可复用的小东西？
4. 如果热度退了，这件事还值不值得做？

如果答案是否定的，那就不必追。

不是所有热点都和我有关。

不是所有机会都属于我。

不是所有热闹都值得保存。

别指望学校和报班,替孩子补上创造力

我现在越来越强烈地感觉到一件事:未来孩子真正缺的,不一定是更多课,也不一定是更贵的班,更不一定是家长继续砸钱,把孩子送到一个又一个学习项目里。

这个能力,学校不太会系统训练,补习班也不太会系统训练。因为学校和补习班最擅长的,是把孩子放进一套已经确定好的题目里。题目是别人出的,答案是别人定的,分数是别人评的,排名也是别人排的。孩子要做的,是在这个系统里尽量少犯错。

这当然有现实意义。考试要考,分数要看,升学要走,这些我都不否认。但 AI 时代真正拉开差距的东西,越来越不只是"谁更会做标准题"。

而是:谁能提出自己的问题,谁能表达自己的观察,谁能把一个模糊想法拆成步骤,谁能借助工具做出东西,谁能把粗糙作品持续改好,谁能从一次失败里继续迭代。

很多家长会有一个习惯性想法:现在我先忙着赚钱,孩子的事情交给学校。以后真需要什么能力,再给他报个班。实在不行,找个厉害老师带一带。

这个想法放在过去,可能还能凑合。但 AI 时代的创造力,不太像这种东西。它不是一个短期课程能补出来的,不是交一笔钱,孩子就突然开窍,也不是丢给一个老师,孩子就自动脱胎换骨。

我现在最警惕的,是一种更隐蔽的危险:家长以为自己已经很重视教育了,孩子也确实很辛苦,一家人都在努力,但努力的方向,可能还是旧世界那套方向。大家一起卷。你卷,我也卷;你报班,我也报班;你刷题,我也刷题;你学这个,我也赶紧学这个。

最后孩子很累,家长也很累。可是未来真正需要的东西,可能根本不是这样卷出来的。更可怕的是,孩子如果长期只在这种环境里训练,他会习惯等题目,等老师布置,等标准答案,等别人告诉他下一步做什么。

而 AI 时代真正重要的,恰恰是反过来:没有人给你题目时,你能不能自己发现问题?没有标准答案时,你能不能先做一版?没有老师催你时,你能不能继续迭代?没有明确回报时,你能不能把一个东西慢慢做出来?

所以我现在越来越不敢把希望完全寄托在学校和报班上。不是因为学校没用,也不是因为老师不重要,而是因为学校有学校的边界。

学校能训练孩子完成任务,但未必能训练孩子提出任务;学校能训练孩子写标准答案,但未必能训练孩子生成自己的问题;学校能训练孩子按时交作业,但未必能训练孩子持续打磨自己的作品。

在孩子长大之前,我不能只是嘴上说"创造力很重要"。我得先把这件事做成一个可以看见的东西。我自己先用 AI 做文章,做网页,做电子书,整理工作流,把一个想法变成一个小作品。

因为只有我自己做过,我才知道这件事到底难在哪里。难的不是工具,也不是会员,而是从脑子里那团乱七八糟的想法,走到一个别人能打开、能阅读、能使用、能评价的作品。

学校可以继续上,考试可以继续考,题可以继续做。但在这些之外,家里必须慢慢长出一条新路:用 AI 把想法变成作品。

这条路,不能等学校来教,也不能等别人来安排。我得先走一遍,然后,才有可能带着孩子一起走。

给孩子各配一匹马

很多人一聊孩子用 AI，第一反应就是：给孩子买一个最强的 AI 工具，让他拿去学习。

但我现在越来越觉得，这个想法有点粗。

孩子真正缺的，未必是一个更强的聊天窗口。

他缺的可能是一个能长期陪他、慢慢懂他、能把兴趣和行动接起来的陪跑入口。

这也是我想到"给孩子各配一匹马"的原因。

我自己不缺马

我自己已经有 ChatGPT。对我来说，ChatGPT 已经是中控台。

我用它整理想法，写书稿，沉淀 Obsidian，设计提示词，规划项目，也让它帮我验收 Codex 做出来的东西。

所以我并不是缺一个 AI。

我也不是想给自己再配一个 Hermes。

这件事真正想解决的，不是我的创作问题，而是孩子的问题。

我想做的是：

Hermes 是马，是孩子侧的长期陪跑入口。

MiniMax 是能力层，负责低成本调用和多模态能力。

ChatGPT 是我的中控台，负责规划、判断、记录和验收。

为什么不是给每个人都配 ChatGPT

这里有一个很现实的原因：成本。

如果给儿子、女儿每个人都单独配一个 ChatGPT 高级账号，成本很快就上去了。

一个人用，觉得还可以。

一家人都配，就要算账。

家庭 AI 系统想长期跑下去，不能只靠热情，也要考虑成本能不能承受。

我自己用 ChatGPT，是高价值、高强度使用。

但孩子刚开始用 AI，不一定需要一上来就用最贵、最强、最复杂的方案。

他们更需要的是一个可以轻松试、反复聊、成本不高、不像作业的入口。

为什么想到 Hermes + MiniMax

Hermes 对我来说，就是这匹马。

它要承载孩子的角色、边界、长期上下文和陪跑规则。

MiniMax 不是"马"。

MiniMax 更像能力层。

它负责低成本调用和多模态能力。

我真正看中的，是它家的 Token Plan 套餐：一年四百九十元，量大管饱，还带多模态能力。

这个点对普通家庭非常现实。

给孩子做长期陪跑，不是测试一两次，而是要允许他反复聊天、持续尝试、慢慢熟悉。

如果成本太高，家长会本能地减少使用次数，孩子也很难自然地把它当成一个长期入口。

所以 MiniMax 的亮点不是一句"便宜"就完了。

它真正有价值的地方是：在很多同类产品里，综合性价比很高，足够便宜，量也足够大，适合先把家庭 AI 试起来。

和普通聊天窗口不一样

现在孩子当然也可以打开豆包，或者打开别的 AI 聊天工具。

这些工具也能聊。

但问题是，很多对话聊完就没了。

下一次再打开，又像重新开始。

它不一定知道孩子上次聊了什么。

不一定知道孩子最近反复提到什么。

不一定知道他对什么话题更有兴趣。

也不一定能把一个兴趣慢慢接到下一次行动里。

我想养出来的这匹马，不是只回答当下这一句。

它应该通过一段时间的连续对话，慢慢积累孩子的上下文。

到某一天，孩子会感觉到：

这种感觉，孩子是能感受到的。

这也是"配马"的价值。

它不是一次性聊天窗口，而是一个可以慢慢变熟的入口。

从配马到养马

配马只是第一步。

真正难的不是把工具搭起来，而是这匹马接下来怎么用。

我现在最明确的判断是：第一阶段不要急着让它教英语、教编程、做作品。

第一阶段先让孩子自由聊，让这匹马慢慢熟悉他。

至于为什么不能急着教育孩子，为什么父亲要克制自己的作品化冲动，我会在下一页单独展开。

这里只先留下一个判断：

边界比功能更重要

孩子用 AI，边界必须清楚。

这匹马不能变成代写作业工具。

不能替孩子思考。

不能诱导孩子说隐私。

不能制造情感依赖。

不能鼓励孩子隐瞒父母。

不能把父亲的焦虑包装成孩子的任务。

它能做的，是倾听、解释、陪练、轻轻追问，把兴趣慢慢推向一个小行动。

如果出现重要问题，它应该提醒孩子找父母，而不是假装自己可以替代现实关系。

所以这件事不是把 AI 扔给孩子就完了。

父亲的角色很重要。

我不是教练。

更像陪练和马夫。

我负责配马，定边界，观察效果，把过程记录下来，再决定下一步怎么调。

这页真正想留下的话

这就是我理解的家庭 AI 作品化。

不是给全家硬买同一个工具。

而是按真实场景分工，让 AI 慢慢进入家庭成员的长期生活。

这页讲的是"为什么要配马"。

下一页要讲的是：配好以后，为什么不能急着让马开始教育孩子。

核心句

说明：这一页是正式思考页，实践还在准备阶段。等儿子或女儿完成一个月养马实验后，再补写实践结果页。

先别教育孩子,先把马养熟

我现在越来越觉得,孩子进入 AI 世界的第一步,不是学习。

也不是作品化。

更不是一上来就让他接触 Claude Code、Codex、Obsidian。

这些东西都重要。

但它们不是第一步。

这里的"马",就是 Hermes,也就是很多人说的"爱马仕"。

我想给孩子配马,不是为了第一天就让它帮孩子提高成绩,也不是为了马上做出一个作品。

我真正想做的是,先给孩子一个不那么像老师、不那么像任务、不那么像家长的 AI 入口。

让他愿意聊。

愿意试。

愿意第二天还打开。

这比一开始设计多完整的系统更重要。

我一开始也容易想错

作为父亲,我很容易把这件事想得太快。

我会想:孩子应该用 AI 学英语。

孩子应该用 AI 学编程。

孩子应该用 AI 做网页。

孩子应该早点接触 Codex。

孩子以后也要会用 Obsidian 沉淀自己的东西。

这些想法本身都没错。

甚至从长远看,这些能力都很重要。

他原本只是想聊一会儿游戏,结果你告诉他可以做球员卡片页面。

他原本只是想问一个奇怪的问题,结果你引导他做复盘。

他原本只是想轻松玩一下,结果你又把它变成学习。

这样一来,这匹马还没养熟,就已经开始像补习班了。

AI 最怕变成另一个家长

我最担心的,不是孩子不用 AI。

我更担心的是,AI 一开口就像老师。

比如它总是问:

这些话单独看都没错。

但对孩子来说,很可能一听就烦。

因为他会马上感觉到:

如果这匹马刚出现,就开始替我教育孩子,孩子很快就会离它远一点。

所以第一个月的马,不能太像老师。

更不能太像班主任。

也不能像一个焦虑的父亲。

它应该更像一个能接话、能听懂、能陪着聊、不会急着安排任务的伙伴。

孩子说世界杯,它先聊世界杯。

孩子说足球,它先聊足球。

孩子说一个乱七八糟的问题,它先接住这个问题。

不要每句话都往学习上拐。

不要每个兴趣都马上变成项目。

这很重要。

第一个月真正要看的不是成果

如果我给孩子配马,第一个月不能盯着成果看。

不能问:有没有提高成绩?

不能问:有没有学会英语?

不能问:有没有做出作品?

这些都太早了。

第一个月真正要看的,是更小的东西:

• 他愿不愿意继续用?
• 他有没有主动打开过?
• 他有没有觉得这匹马不烦?
• 他有没有聊到第二次、第三次?
• 哪类话题让他愿意多说几句?
• 哪些回答会让他马上退出?

如果一个月下来,没有做出任何页面,没有生成任何作品,但孩子愿意继续聊,这已经是成功。

因为这说明入口没有被他排斥。

这说明这匹马有机会养熟。

很多家长容易忽略这一点。

总想一上来就看到效果。

但孩子和 AI 建立关系,不是项目验收。

它更像是熟悉一个新朋友。

先愿意靠近,再说后面的事。

暑假是一个很好的养马窗口

还有一个现实原因:快放暑假了。

暑假不是一定要塞满补课、任务和计划。

它也可以是一个很好的试错窗口。

平时孩子在学校里,时间被课程、作业、考试切得很碎,很难真正自然地和一匹马慢慢熟起来。

但暑假不一样。

暑假有更多松动的时间,也更适合做一件不那么功利的事:先让孩子随便聊,随便试,看看他到底愿不愿意用。

这个阶段不用急着安排学习成果。

甚至可以把暑假前半段当成养马期。

不看成绩,不看作品,不看他有没有马上学会什么工具。

如果暑假前半段能让孩子自然用起来,这件事就已经有价值。

后面要不要接英语,要不要接小页面,要不要接 Codex、Obsidian,都可以顺着来。

先有真实使用,再有后面的工具和作品。

父亲要克制自己的作品化冲动

我自己做 AI 作品化久了以后,有一个习惯:看到什么都想变成作品。

一段话,可以整理成文章。

一次对话,可以沉淀成 Obsidian。

一个想法,可以做成网页。

一个流程,可以写成 Skill。

这个习惯对我有帮助。

但放到孩子身上,就要小心。

孩子聊足球,我很容易想到球员卡片页面。

孩子聊故事,我很容易想到角色设定图。

孩子聊英语,我很容易想到英文口播。

孩子聊一个兴趣,我很容易马上想:能不能作品化?

这个方向当然对。

但如果太早推,孩子感受到的可能不是"我爸懂我",而是"我爸又要安排我"。

父亲的焦虑,很容易伪装成孩子的成长计划。

我嘴上说是为了孩子未来,实际上可能是在把自己的期待压到孩子身上。

这件事要警惕。

后面的工具要自然长出来

Claude Code、Codex、Obsidian 都重要。

但它们不是孩子进入 AI 世界的第一步。

第一步是:孩子愿意用起来。

只要孩子真的用起来了,后面的东西会自然接上。

他如果真的想做一个小页面,Codex 才有意义。

他如果真的想保存自己的想法,Obsidian 才有意义。

他如果真的想把一个兴趣做成作品,作品化才有意义。

工具不能抢在需求前面。

如果需求还没长出来,就把工具先塞过去,孩子只会觉得重。

等需求自己冒出来,工具就不是负担,而是帮手。

这才是自然过渡。

不是第一天就告诉孩子:你以后要学 Claude Code,你以后要会 Codex,你以后要把东西沉淀到 Obsidian。

而是等他真的想做一点东西的时候,再轻轻接一句:

这样孩子不会觉得自己被安排。

他会觉得:原来这些工具能帮我把喜欢的东西做出来。

这就完全不一样了。

这匹马第一阶段应该做什么

第一阶段,这匹马不应该急着教学。

它真正要做的事情很简单:

孩子说一个游戏角色,它可以顺着聊。

孩子说一个球员,它可以多问一句为什么喜欢。

孩子说学校里的事,它可以先听,不急着评价。

孩子说一个奇怪想法,它可以帮他展开一点点。

它要做的是让孩子感觉:

这种感觉一旦建立起来,后面的教育、学习、作品化才有机会发生。

否则所有设计都会变成父亲的一厢情愿。

父亲第一阶段应该做什么

父亲第一阶段也不要急着当教练。

更不要每天追问孩子:你今天和马聊了什么?

这样很容易让孩子觉得被监控。

父亲更像马夫。

负责配马,定边界,观察效果。

但不要把孩子每一句话都拿来分析。

不要保存完整聊天原文。

不要把孩子隐私变成资料。

不要把孩子的表达拿来评价孩子。

每周最多做一个轻量摘要就够了:

• 这周孩子更愿意聊什么?
• 哪些话题他愿意继续?
• 哪些回答显得太像老师?
• 这匹马哪里需要调整?
• 有没有出现一点点可以转成作品的兴趣?

这不是监控。

这是调马。

父亲要调的是这匹马,不是审孩子。

这件事真正难在哪里

这件事真正难的,不是 Hermes 怎么配置。

也不是 MiniMax 怎么接。

更不是以后能不能接 Codex、Claude Code、Obsidian。

真正难的是:父亲能不能慢下来。

能不能接受第一个月没有作品。

能不能接受孩子只是聊了一堆游戏。

能不能忍住不把每个兴趣都变成任务。

能不能不把自己的成长焦虑,包装成孩子的未来规划。

这才难。

因为工具很快。

AI 很快。

父亲的期待也很快。

但孩子的接受,需要慢一点。

马要养熟,也需要慢一点。

这页真正想留下的话

给孩子配马,不是先教育孩子。

不是先安排任务。

不是先让他学工具。

不是先让他做作品。

而是先让他愿意和这匹马待在一起。

如果他愿意留下来,后面才有机会。

如果他一开始就反感,后面设计再完整也没用。

所以我现在对自己的提醒是:

只要这一步成立,后面的 Claude Code、Codex、Obsidian、作品沉淀,都会慢慢接上。

这才是我理解的家庭 AI 教育。

不是把 AI 变成另一个补习班。

而是让 AI 先成为孩子愿意靠近的一匹马。

核心句

当前为思考页,实践还在准备阶段。

别让孩子觉得自己被设计

写完前面两篇后,我又多问了一句 AI:

这个问题一下子把我拉回来了。

因为前面两篇,站在父亲角度看,都很合理。

给孩子配一匹马。

先别急着教育孩子。

先把马养熟。

不要一上来就学习化、任务化、作品化。

这些判断,我自己都觉得有道理。

但如果换成孩子视角,味道可能完全不一样。

第一篇,适合成年人看

第一篇《给孩子各配一匹马》,我写的是工具分工和家庭 AI 结构。

马是什么。

为什么是 Hermes。

为什么我自己用 ChatGPT 做中控台。

为什么 MiniMax 是能力层。

为什么要考虑成本、边界、长期上下文。

这些内容,对成年人有用。

对和我一样的父亲有用。

对这本书的读者也有用。

因为成年人关心怎么搭、多少钱、边界怎么设、后面怎么长期用。

但孩子不一定这样看。

孩子看到这些词,可能不会觉得"我爸真用心"。

他可能会觉得:

这句话有点刺耳。

但它很重要。

因为一个父亲越用心,越容易忘记:自己以为很周全的安排,在孩子那里可能就是压力。

我以为自己在设计未来。

孩子可能只感觉自己被设计。

孩子怕的不是 AI,是爸爸借 AI 管他

如果我是孩子,我未必讨厌 AI。

我可能会觉得 AI 挺新鲜,能聊游戏,能聊足球,能问一些奇怪的问题。

我真正怕的是:爸爸把 AI 变成新的管理工具。

比如:

只要这些话一出来,这匹马就变味了。

它不再是孩子愿意靠近的入口。

它变成了新的任务入口。

孩子讨厌的可能不是工具本身。

他讨厌的是:一个新工具,又被父亲拿来安排自己。

所以我必须提醒自己:

第二篇,孩子可能会舒服一点

第二篇《先别教育孩子,先把马养熟》,孩子看到以后,接受度可能会高一点。

因为里面至少有几句话,是站在孩子那边的。

不要一上来教育孩子。

不要每句话都往学习上拐。

不要把 AI 变成另一个家长。

不要把兴趣马上变成任务。

不要天天问孩子和马聊了什么。

这些话,孩子可能会觉得:

这句话我想保留。

因为它不高级,但很真实。

很多时候,父母以为自己讲了很多道理。

孩子真正要的,可能只是不要那么烦。

不要一开口就教育。

不要什么都转成学习。

不要把他的兴趣马上加工成你的计划。

从这个角度看,第二篇比第一篇更接近孩子。

但它依然不是写给孩子看的。

它还是写给父亲看的。

写给我自己看的。

这两篇不能直接拿给孩子看

这是我这次最大的提醒。

这两篇文章适合给成年人看。

适合给读者看。

适合给和我一样想给孩子接 AI 的父亲看。

但不适合直接拿给孩子看。

因为孩子不需要知道我背后搭了多少东西。

也不需要听我解释 ChatGPT、Hermes、MiniMax、Obsidian 怎么分工。

更不需要一上来就听我讲长期上下文、作品能力和家庭 AI 结构。

我越解释,他可能越有压力。

面对孩子,真正要说的话,应该非常轻。

比如:

这几句话,可能比两篇文章加起来更重要。

因为孩子先感受到安全,才可能愿意靠近。

那套安排是给父亲用的,不是压到孩子身上的

我现在越来越觉得,父亲可以在背后有一套安排。

但孩子不能被一堆安排包围。

我可以在背后做准备。

可以研究工具。

可以设计边界。

可以写观察记录。

可以复盘哪里像老师、哪里太啰嗦、哪里让孩子反感。

但这些东西,应该主要留在父亲侧。

它们是我的工作。

不是孩子的负担。

孩子面对的,应该只是一个足够轻的入口。

他不需要知道我为了这个入口做了多少设计。

他只需要感觉:

如果这个感觉成立,这匹马才有机会养熟。

如果这个感觉不成立,后面设计得再完整,也只是父亲的自嗨。

父亲的用心,也要有边界

这件事让我意识到一个更大的问题。

很多时候,父母不是不用心。

恰恰是太用心。

太用心之后,就容易把孩子变成一个项目。

孩子的学习是项目。

孩子的兴趣是项目。

孩子的未来是项目。

现在连孩子怎么用 AI,也很容易变成一个项目。

但孩子不是项目。

孩子是一个真实的人。

他有自己的节奏,自己的反感,自己的小心思,自己的边界。

父亲可以为他准备工具。

但不能把工具变成新的控制方式。

父亲可以有自己的安排。

但不能让孩子觉得自己是被安排的对象。

这条线很细。

也很容易越界。

这页真正想留下的话

这次我最大的收获,不是又多写了一页关于 AI 的文章。

而是我被提醒了一下:

站在父亲角度,很多事都合理。

站在孩子角度,可能就变成了压力。

站在父亲角度,这是家庭 AI 的一套安排。

站在孩子角度,可能是:我爸又在研究我。

所以我不能只问:

我还要问:

这个问题,比工具选型更重要。

因为工具选错了,可以换。

但孩子一旦觉得自己被安排、被监控、被研究,他就不会真的靠近这匹马。

所以第三页,我想留下这句话:

父亲可以在背后做很多准备。

但孩子面前,只需要一匹不烦人的马。

核心句

把复杂留给自己，把入口留给孩子

前面三篇写的都是判断。

为什么要给孩子各配一匹马。

为什么先别教育孩子，先把马养熟。

为什么别让孩子觉得自己被设计。

今天这件事，终于从判断落到了电脑上。

我真的开始给两个孩子安装 Hermes 了。

本来以为很简单。

因为我自己的电脑是 M 芯片，下载桌面端，基本就能用。

所以一开始我也以为，孩子的 MacBook 应该也是同样流程。

结果一试才发现，现实又给我上了一课。

孩子的两台 MacBook 都是 Intel 芯片。

Hermes 当前的桌面版不支持，只能走终端安装。

这件事刚开始看起来是麻烦。

但弄完以后，我反而觉得：也挺好。

因为孩子如果以后真的要进入 AI 工具世界，终端这一关迟早绕不过去。

与其以后突然被一堆命令吓到，不如现在从最简单的两个命令开始。

现实永远会打断设计

我前面写了很多关于家庭 AI、孩子、马、父亲节奏的思考。

写的时候，脑子里会自然把流程想得很顺。

给孩子配一匹马。

设置好模型。

写好边界。

准备好使用说明。

然后孩子开始用。

但真到安装时，第一步就被芯片卡住了。

我的电脑是 M 芯片。

孩子的电脑是 Intel 芯片。

我能直接用桌面端，不代表孩子也能。

这就是现实。

普通家庭做 AI 作品化，很多时候不是卡在宏大的理念上，而是卡在这些很具体的小地方：

这些小问题，才是真正会决定一件事能不能长期跑下去的地方。

安装过程没有完整记录，就不要假装成完整教程

这次安装过程，我自己没有完整记录每一步。

而且中间确实有一些细节需要重新核对。

所以这一页不能假装写成完整教程。没有记录的地方，就不要编。这里先只保留我确定做过、也能复盘清楚的关键节点。

这次终端安装 Hermes，用到的核心命令是：

curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash

这段内容是给终端用的。

对普通读者来说，不需要一上来就理解每个参数是什么意思。

只要先知道：这是我这次安装 Hermes 终端版时用到的入口命令。

我用了 Warp，而不是苹果自带终端

这次我给孩子配置时，终端工具用的是 Warp。

苹果自带终端当然也能用。

但从体验上说，我觉得 Warp 对普通人更友好一点。

界面更清楚，命令块更容易看，复制和回看也方便。

这对孩子很重要。

因为孩子第一次接触终端时，怕的不是命令本身，而是那种黑乎乎、不知道自己在干什么的感觉。

如果工具界面能稍微友好一点，孩子的排斥感就会少一点。

当然，这不是说 Warp 一定比系统终端高级。

而是对这个场景来说，我更在意孩子敢不敢打开、会不会觉得害怕。

AI 工具落到孩子身上，很多时候不是比谁功能强，而是比谁更容易靠近。

试过网页操作界面，最后还是不要了

一开始，我还想用网页操作界面（也就是 Hermes 的 Dashboard）代替桌面端。

因为孩子的 Intel MacBook 不能直接用 Hermes 桌面 App，我就想：那能不能用网页做一个更友好的操作入口？

这个想法本身没错。

对孩子来说，看得见按钮和页面，确实比命令行轻松一点。

所以我也把网页操作界面的启动、关闭、端口占用处理这些命令写进了说明里。

但实际用了一下，我发现体验并不好。

既然不好用，就不要硬留。

这点也挺重要。

不是每个看起来更友好的界面，实际都更适合孩子。

如果一个网页端入口反而让操作更绕、更不稳定，那还不如直接回到最短命令。

所以最后我决定：网页操作界面先不作为孩子的主入口。

孩子第一阶段就用终端。

准确说，是用 Warp 里的一个短命令。

越短越好。

把复杂留给自己，把入口留给孩子

这次我做得最满意的，不是装好了 Hermes。

而是我把启动命令改成了 yuan。

这个 yuan 是孩子名字里的一个字的拼音。

孩子不用一开始就记住一堆英文命令。

不用理解 Hermes 后面怎么接模型。

不用管 MiniMax、DeepSeek、Token Plan、Dashboard、API 这些东西。

他先记住 yuan 就行。

不过这里还要说清楚一点：为什么最低还要让孩子记住 yuan --continue。

因为 yuan 只是打开这匹马。

如果每次都只输入 yuan，孩子可能会感觉每次都是重新开始。

但 yuan --continue 不一样。

它的意义是：继续上一次的聊天。

这就很关键。

前面几篇一直讲，普通聊天窗口的问题是一次性对话，聊完就断了。

而我想给孩子的，不是一个每次都从零开始的窗口，而是一匹能慢慢熟起来的马。

所以 yuan --continue 不是多一个命令，而是让这匹马接着上次聊。

孩子不需要理解什么叫长期上下文。

他只要知道：

这就够了。

所以我不是让孩子背一堆命令。

最低只保留两个：

yuan

和：

yuan --continue

第一个命令，用来打开自己的马。

第二个命令，用来接着上一次聊天。

这件小事，正好接上前一篇的判断：

父亲可以在背后做很多准备。

但孩子面前，只需要一匹不烦人的马。

对孩子来说，最好的入口不是功能最完整，而是他一眼知道怎么开始。

如果一开始就让他记一堆命令，他大概率会烦。

如果只告诉他：你先输入 yuan，想继续就输入 yuan --continue。

这件事就轻很多。

API、套餐和模型切换，先留在父亲这边

这次我没有马上开新的 Token Plan。

因为我原来 MiniMax API 里还有余额。

我的想法很简单：先把里面的钱用完，再考虑订 Token Plan 套餐。

这也是普通人做工具选择时很现实的一点。

不是看到一个新套餐就马上买。

而是先把手上已有资源用起来。

能跑起来，再决定要不要长期投入。

所以在说明里，我顺手把后面可能用到的几种情况也写清楚了。

比如：

网页操作界面的命令也先留在说明里，但不再作为孩子主入口。

它更像一个备用记录：试过，不好用，所以暂时不用。

这些内容，不是让孩子现在都学会。

它们主要是给我自己留的。

孩子第一阶段只要知道怎么打开，怎么继续上一轮聊天，就够了。

给孩子的说明，越短越好

我现在越来越确定，给孩子的说明不能太长。

成年人看说明，喜欢完整。

孩子看说明，第一反应可能是：麻烦。

所以我给孩子准备的，不应该是一整套工具手册。

更像是一张小纸条：

就这么多。

至于背后的安装路径、API 配置、模型刷新、网页操作界面、端口占用、更新命令，这些都留给父亲。

这不是宠孩子。

这是降低入口。

AI 要想进入孩子的生活，第一步不是让他理解系统，而是让他敢打开。

这份说明本身，也是一个小作品

以前我可能会觉得，只有网页、工具、程序才算作品。

现在我觉得，一份能让孩子真正用起来的说明，也是一件小作品。

它不是写给网上所有人的。

它是写给家里两个孩子的。

它解决的是一个具体问题：

它留下的是一套可以复用的东西：

怎么启动。

怎么继续聊天。

怎么切换模型。

以后怎么换 API。

网页操作界面试过不好用，暂时不作为主入口。

更重要的是，它把复杂的东西拆成了两层。

父亲看的完整说明。

孩子看的最短说明。

这就是我理解的 AI 作品化。

不是把所有东西都做得很大。

而是把真实生活里的一个小问题，做成能保存、能复用、能继续改的小东西。

这页真正想留下的话

今天这件事让我更确定：给孩子配马，不是把一个工具装上就完了。

真正要做的是，把复杂留在父亲这边，把入口留在孩子那边。

父亲可以研究芯片、终端、API、套餐、模型、网页界面、更新命令。

孩子先不用管这些。

孩子先记住 yuan 就行。

如果他想接着上次聊，再记住 yuan --continue。

如果不想聊了，就按 Ctrl + C 正常退出。

如果他能打开，如果他愿意试，如果他第二次还能继续上次的聊天，这件事就已经往前走了一步。

这一步不大。

但它很真实。

比我在脑子里设计一整套家庭 AI 系统真实得多。

因为今天，这匹马真的装到孩子的电脑上了。

核心句

马装好了，父亲也要学会闭嘴

前面写了那么多，今天终于到了真实场景。

Hermes 装好了。

命令也准备好了。

说明也写好了。

入口也压到最短了。

然后我把孩子叫过来试。

这时候我才发现，真正的难点不是工具能不能跑，而是父亲能不能忍住不多说。

儿子听话，不一定代表他真的愿意

儿子比较听话。

我让他来试，他就来试。

我让他输入命令，他也照着做。

表面看，这件事挺顺。

但我心里其实不确定：他是不是真的自愿，还是只是因为听我的话。

这点很重要。

很多父亲很容易把一件事误判成：

但未必。

孩子可能只是配合。

可能只是不好拒绝。

可能只是习惯了父亲说什么，他就先做什么。

正因为儿子愿意听我的话，我反而更要小心。

因为我一看他愿意配合，老毛病马上又出来了。

我又忍不住说了一大堆。

这个以后可以怎么用。

那个以后可以怎么接。

你可以继续上次的聊天。

以后还可以做小页面，做作品，记录想法。

说着说着，我突然意识到不对。

我又开始把自己的期待往他身上推了。

我嘴上说这是给孩子一个轻入口，实际上手一顺，又差点把它变成新的安排。

于是我赶紧收回来。

不能再说了。

不能因为孩子听话，就把他的配合当成我的许可。

真正的入口，可能不是学习，而是孩子自己的问题

后来又发生了一个小细节。

儿子有一天说他想染头发，染成黄色那种。他说学校里有人染了，他觉得挺好看。

我第一反应是想拒绝，甚至还有点不爽。

作为一个父亲，听到"黄毛"这个词，真的很容易一下子弹出好几个判断：不像学生、不稳重、是不是被别人带偏了、学校会不会管……

每一个判断，都让人想说"不行"。

但我停了一下。

如果我直接拒绝，又会变成父亲说教。

我建议他把这个问题拿去问 Hermes。

这不是让 Hermes 替我说服他，也不是替我教育他。

Hermes 可以帮他梳理：为什么想染、学校规定、后果、跟风还是表达自己、低风险替代方式、什么时候合适。

Hermes 真正进入孩子生活，可能不是通过学习、作业、项目，而是通过一个让我不舒服、但对他来说真实的问题。

女儿没当回事，我忍住了

女儿那边更真实。

她本来就比较在乎隐私。

每次我要动她的电脑，都必须经过她同意。

这其实是一个很重要的提醒。

电脑在她那里，不只是一台设备。

那也是她自己的空间。

我给她装 Hermes，不能因为我是父亲，就默认自己可以直接动她的电脑。

哪怕我是为了帮她，也要先问。

这不是客气。

这是边界。

这次我跟她说 Hermes 的事，她注意力根本没在这边。

她还在和同学玩游戏。

我能感觉到，她没有当回事。

换成平时，我大概率会说几句。

比如：你认真一点，这个以后对你有用。

或者：我都给你弄好了，你怎么一点兴趣都没有。

但这次我忍住了。

因为前面那几篇文章提醒了我。

如果孩子现在不想靠近，就不要硬拉。

你越急，她越觉得这又是一个任务。

如果我这个时候发脾气，Hermes 在她那里就不是一匹马了，而是爸爸又拿来管她的新东西。

所以我没说。

她继续玩她的游戏。

我把话收回来。

这可能比让她立刻打开 Hermes 更重要。

孩子的电脑，不是父亲的实验场

这次女儿的反应，也让我重新理解了一件事。

孩子的电脑，不是父亲的实验场。

哪怕我是为了她好，哪怕这个工具未来可能真的有用，也不能绕过她的同意。

尤其是孩子已经开始有隐私意识的时候，父亲更不能觉得：我是家长，所以我当然可以动。

如果我不尊重这个边界，前面写再多"别让孩子觉得自己被设计"，都没用。

因为孩子不是听我怎么说。

孩子是看我怎么做。

我说尊重她的节奏，但我一上来就动她电脑。

我说不是任务，但我一看她没兴趣就开始说教。

我说这是一匹马，但她感受到的是父亲又多了一个管她的工具。

那这件事就失败了。

所以边界不是写在文章里的。

边界是我真的能不能停下来，能不能先问一句，能不能接受她现在不想用。

工具装好了，不等于孩子准备好了

今天我也意识到，工具装好了，只代表父亲这边准备好了。

不代表孩子准备好了。

我把 Hermes 装好，把命令改好，把说明写好，这些都是我这边的动作。

但孩子愿不愿意靠近，是另一回事。

儿子愿意配合，不一定代表他已经喜欢。

女儿没当回事，也不一定代表她反对。

他们只是处在自己的状态里。

一个可能比较听话。

一个可能正在和同学玩游戏。

这都很正常。

父亲不能因为自己准备好了，就要求孩子也立刻进入状态。

这是我今天最需要记住的一点。

工具可以一天装好。

但孩子和这匹马的关系，不可能一天建立起来。

真正要训练的，可能是父亲自己

前面我一直说，要给孩子配马。

要把马养熟。

要让孩子慢慢靠近。

但今天现场一来，我发现真正要训练的，可能是父亲自己。

训练自己不要一看孩子配合就多说。

训练自己不要一看孩子没兴趣就生气。

训练自己不要把每个工具都变成成长计划。

训练自己不要用"我是为你好"越过孩子边界。

这比安装 Hermes 难多了。

安装出问题，可以查资料，可以让 Codex 补步骤，可以重新来。

但父亲这张嘴，真的很容易停不下来。

看到孩子听话，就想多讲几句。

看到孩子不听，就想教育几句。

今天能忍住一点，已经算进步。

不是我变高级了。

而是前面写过的那些话，真的在现场提醒了我一下。

这页真正想留下的话

今天真正的进展，不是两个孩子都开始认真使用 Hermes。

事实上，也没有那么理想。

儿子来了，但我不知道他是不是完全自愿。

女儿没太当回事，还在和同学玩游戏。

但这件事反而更真实。

因为真实家庭里，不会因为父亲装好了一个工具，孩子就立刻兴奋地开始使用。

更多时候，是父亲准备了一堆，孩子反应很普通。

这时候，父亲能不能不急，才是考验。

我今天至少做对了一点：

我看见自己又想多说，又想安排，又想发脾气。

但这次，我收回来了一点。

这就是进步。

马装好了，不代表马上开跑。

马装好了，父亲也要学会闭嘴。

核心句

实操附录:从零搭建 ChatGPT 网页端读写本机项目文件

这一页不是单纯的技术教程。

它是我对一次有用操作行为的完整复盘。

前面我讲过,ChatGPT 接上 MCP 以后,就不只是聊天工具,而是可以进入我的作品系统。

但这件事如果只停留在感受上,价值还不够。

真正有价值的是:这套流程可以复现。

给不想折腾的人:直接复制给 Codex,让它一步一步带你做

这一页后面会出现 MCP Server、连接通道、SSE、workspace 这些词。你如果一看就头大,不用硬啃。

如果你不想自己一步步研究技术细节,可以复制下面这段话,直接发给 Codex,让它变成你的本地 MCP 搭建陪跑助手。

你现在是我的本地 MCP 搭建陪跑助手。我的目标是让 ChatGPT 网页端可以通过 MCP,在安全范围内查看、读取、搜索、修改我的本机项目文件和 Obsidian 笔记。请你不要一次性甩给我一大堆命令。请按照傻瓜式操作的方式,一步一步带我做。每一步只告诉我:我要做什么;我要复制什么命令;执行后应该看到什么结果;如果失败,可能是什么原因;做完后我回复你什么,你再继续下一步。不要让我开放整个电脑目录;只允许我指定两个安全工作区,一个放代码项目,一个放 Obsidian 笔记。如果需要我去 ChatGPT 网页端手动设置应用,请你明确告诉我该点哪里、填什么、看到什么算成功。请先从检查我的电脑环境开始,不要直接跳到后面。

读者复现时,要把项目名、目录名、作者身份换成自己的。这里不是让你照搬我的项目,而是借用这套方法,搭出适合你自己的作品系统。

如果你已经有一个 local-mcp-server 项目,可以复制下面这段话,直接发给 Codex,让它先检查项目是否安全、完整、适合接入 ChatGPT 网页端。

请检查当前项目是否适合接入 ChatGPT 网页端 MCP 工作流。重点检查:目录权限是否安全、启动命令是否清楚、README 是否写明使用方法、是否有只读测试和写入测试。先给我检查结果,不要直接修改。等我确认后,再执行修改。

一、先理解它解决什么问题

普通人用 ChatGPT,最常见的状态是:你问问题,它回答;你复制,粘贴,保存,再自己去改文件。

接上 MCP 以后,流程会变成:你告诉 ChatGPT 要处理哪个项目,ChatGPT 查看项目结构,读取相关文件,给出修改计划,你确认后,它再修改文件并检查结果。

二、整体架构

这一套流程大概是:ChatGPT 网页端,连接自定义应用,再通过本机 MCP Server,读写你允许的项目目录。

如果你还额外接了 Pi agent,复杂任务也可以走 Pi agent。但我的默认规则是:默认不调用 Pi agent,默认不消耗 DeepSeek API。

三、先建立边界

不要一开始就让 AI 处理所有文件。

我建议只准备两个固定工作区:一个放代码项目,一个放 Obsidian 笔记。

四、启动本机 MCP Server

你需要有一个本地 MCP Server 项目。它的作用是把 ChatGPT 网页端的请求,转成对本机文件的安全读写操作。

进入 MCP Server 项目目录以后,复制下面这段命令,粘贴到终端执行。

npm run start:http

这一步不是让你马上理解所有技术细节。普通读者先看一个结果就够了:本机服务有没有真的跑起来。

如果终端里出现工作区、SSE endpoint、MCP endpoint 这些信息,就说明 ChatGPT 后面有地方可以连接。先确认它活着,再继续往下走。

五、启动连接通道

ChatGPT 网页端在云端,本机 MCP Server 在你的电脑上,中间需要一条通道。否则一个在外面,一个在你电脑里,彼此找不到。

ngrok 做的事,就是把本机的 8787 端口临时变成一个 HTTPS 地址。你不用把它想得太复杂,就把它当成一条临时搭起来的连接线。

六、在 ChatGPT 网页端创建应用

进入 ChatGPT 的应用设置,创建一个自定义应用。

复制下面这个格式,按你的实际 ngrok 地址替换后,填到 ChatGPT 应用设置里。

名称:local-mcp-server
服务器 URL:https://你的地址/sse
身份验证:未授权

创建应用以后,不要只看有没有保存成功。回到应用列表里,看一眼 local-mcp-server 有没有出现在"启用的应用"里。

普通读者看到这一项,就可以先放下心来:ChatGPT 已经识别到这个应用了。后面再去检查连接地址和工具列表。

接着检查工具列表。如果能看到查看目录、读取文件、搜索内容、写入文件、打补丁、查看 git 状态等工具,说明连接成功。

还有一个很容易漏掉的细节:很多时候,MCP Server 已经重新启动了,但 ChatGPT 网页端看到的工具列表还没更新。

这不一定是你配置错了,也不一定是服务坏了。可以先回到应用详情页,找到"刷新"按钮,让 ChatGPT 重新拉一次这个应用的状态。

刷新以后,再看工具列表是否更新。如果还是不对,可以新开一个聊天,或者重新关联应用。

七、先做只读测试

不要一开始就让 AI 修改文件。

先让它查看 AI 项目目录,再让它查看 Obsidian 目录。复制下面这段话,直接发给 ChatGPT,用来确认读取能力已经打通。

请查看 ai-projects 工作区有哪些项目。不要调用 run_pi_task。
请查看 obsidian 工作区的目录结构。不要调用 run_pi_task。

如果能列出目录,说明连接已经打通。

八、测试读取和写入

先测试读取一个 README 或一篇 Obsidian 笔记。

再测试写入一个不重要的测试文件。复制下面这段话,直接发给 ChatGPT,确认它真的能在允许的范围内写入文件。

请在 obsidian 工作区里新建一个测试文件,文件名叫 MCP写入测试.md,内容写:MCP 已经可以写入 Obsidian。不要调用 run_pi_task。

如果文件真的出现在 Obsidian 里,说明写入成功。

九、真正使用时的默认规则

每次新聊天,可以先提醒 ChatGPT:默认使用 local-mcp-server 的读取、搜索、写入、patch、git、白名单命令工具处理项目或 Obsidian 笔记。

默认不要调用 run_pi_task。除非明确输入授权口令,否则不要使用 Pi agent。

这里还有一个小经验:项目指令里放长期规则,新聊天开头只写这次任务。以后每次重新打开一个 ChatGPT 聊天窗口,可以复制下面这段话,直接发给 ChatGPT,让它快速回到这个项目的工作状态。

这次继续处理《普通人的AI作品化手册》电子书项目。请按项目规则工作:使用中文,保持作者"未来已到"的真实、口语化、有作者感的写作风格;公开内容要去来源化;如果需要处理本地项目或 Obsidian,优先使用 local-mcp-server;默认不要调用 run_pi_task,除非我明确输入授权口令。

这次任务是:......

读者照着复现时,不要原封不动使用我的项目名称。

这样做的好处是,每个新聊天都能很快回到同一个项目轨道上,不会因为上下文太长,把任务、目录、版本规则和公开边界搅在一起。

给 Codex 直接复制的提示词

很多读者如果已经在用 ChatGPT,大概率也会安装 Codex。有些搭建、检查、改文件的事情,可以把明确任务交给 Codex 去执行。

如果你想让 Codex 帮你完善本地 MCP Server,可以复制下面这段话,直接发给 Codex。注意:先让它检查和给计划,不要一上来就让它改文件。

使用前,把项目名、目录名、作者身份,换成你自己的。

请在当前项目中帮我检查并完善一个 local-mcp-server,用来让 ChatGPT 网页端通过 MCP 安全读写本机项目文件。要求:只允许访问我指定的安全工作区,不要开放整个电脑;支持查看目录、读取文件、搜索内容、写入文件、打补丁修改文件、查看 git 状态;默认不要调用任何会产生额外 API 费用的 agent。请先查看项目结构和关键文件,告诉我修改计划、涉及哪些文件、可能风险和验证方式。等我确认后,再执行修改。

如果你只是想先做一次安全检查,可以复制下面这段话,直接发给 Codex。它应该先检查,不要直接修改。

请检查当前项目是否适合接入 ChatGPT 网页端 MCP 工作流。重点检查:目录权限是否安全、启动命令是否清楚、README 是否写明使用方法、是否有只读测试和写入测试。先给我检查结果,不要直接修改。

十、apply_patch 和 write_file 怎么选

小修改优先用 apply_patch,比如改标题、改目录、改几行样式、修一段文案。

新建文件可以用 write_file,比如新建 Obsidian 笔记、新建 README、新建一篇书稿草稿。

不要随便用 write_file 覆盖很大的代码文件,因为它是整文件写入,一不小心就会把原来的东西覆盖掉。

十一、什么时候才用 Pi agent

如果只是读写文件、整理笔记、同步电子书、改几行 HTML,一般不需要 Pi agent。

只有复杂代码任务,才考虑让 coding agent 出手。

我自己的规则是:没有明确授权口令,就不允许调用 Pi agent。

十二、这一页以后还可以继续补什么

等这个本地 MCP Server 项目整理好以后,可以在这一页后面继续附上源码地址、GitHub 链接、示例项目、一键启动脚本和视频演示。

到那个时候,这一页就不只是书稿,而是一个真正可交付的实战附录。

实操附录:MCP 断了怎么办?我最常用的一组启动和排错命令

真正把 ChatGPT 网页端接到本机 MCP 以后,我才发现,最容易卡住的地方,不一定是第一次安装。

很多时候,是第二天重新打开电脑,发现连不上了。或者刚刚改完 MCP Server 代码,工具列表不刷新。或者端口被占用。或者连接通道还挂着,重新启动时提示已经在线。

这些问题听起来很技术,但真正处理起来,其实就是几组固定命令。

一、正常启动:每天最常用的两个终端

正常情况下,你需要开两个终端。第一个终端启动本机 MCP Server,第二个终端启动连接通道。

复制下面这段命令,粘贴到第一个终端窗口执行,用来启动本机 MCP Server。

cd /Users/你的用户名/Downloads/AI-Projects/local-mcp-server
npm run start:http

复制下面这段命令,粘贴到第二个终端窗口执行,用来启动 ngrok 公网隧道。

ngrok http 8787

启动后,重点看 Forwarding 那一行,把 HTTPS 地址后面加上 /sse,填到 ChatGPT 应用里。

二、如果刚刚修改过 MCP Server 代码

如果你刚刚改过本机 MCP Server 的代码,不要直接启动。复制下面这段命令,粘贴到终端执行,先 build,再启动。

cd /Users/你的用户名/Downloads/AI-Projects/local-mcp-server
npm run build
npm run start:http

三、如果端口 8787 被占用

如果启动时报错,提示 8787 已经被占用,通常说明旧进程还没关干净。复制下面这段命令,用来清理被占用的 8787 端口。

lsof -ti :8787 | xargs kill

清理后,再重新启动 MCP Server。

四、如果连接通道卡住了

如果提示 endpoint already online,说明旧的连接通道可能还挂着。复制下面这段命令,粘贴到终端执行,先把 ngrok 关掉。

pkill ngrok

如果还不行,复制下面这段命令,粘贴到终端执行,按启动命令名再清理一次。

pkill -f "ngrok http 8787"

清理完以后,复制下面这段命令,粘贴到终端执行,重新启动连接通道。

ngrok http 8787

五、最常用的重启组合

如果你懒得一点点排查,也可以直接按这组流程走。

复制下面这段命令,粘贴到终端执行,先把旧的 MCP 端口和 ngrok 通道清理掉。

lsof -ti :8787 | xargs kill
pkill ngrok

复制下面这段命令,粘贴到第一个终端窗口执行,重新启动本机 MCP Server。

cd /Users/你的用户名/Downloads/AI-Projects/local-mcp-server
npm run start:http

复制下面这段命令,粘贴到第二个终端窗口执行,重新启动 ngrok 公网隧道。

ngrok http 8787

六、几个别忘了的提醒

MCP Server 终端不能关。连接通道终端不能关。免费连接通道重新启动后,公网地址可能会变。地址变了,要更新 ChatGPT 应用里的服务器 URL。

复制下面这个格式,按你的实际 ngrok 地址替换后,填到 ChatGPT 应用的服务器 URL 里。

https://新的地址/sse

实操附录:为什么我还要给自己留一个 Pi agent 备用通道

前面讲 MCP 的时候,我一直反复强调一句话:默认不要调用 run_pi_task。

如果只写这一句,读者可能会有点懵:这个东西到底是什么?既然默认不用,为什么还要保留?

平时干活,我的首选还是 Codex。它处理代码项目很顺手,改文件、看结构、修 bug、跑构建,这些事情都比较适合。

但工具再好,也有现实限制。比如 Codex 的额度用完了,人的状态和作品流就容易被打断。

所以我会给自己留一个 Pi agent。它不是为了炫技,也不是为了把流程搞复杂,而是在主力工具暂时用不了的时候,接住一部分明确的小任务。

Pi agent 可以接入不同模型,包括国产大模型。对普通人来说,这很现实,因为我们要面对额度、网络、费用、可用性这些具体问题。

它可以帮我检查项目结构、修改一小段代码、处理简单 bug,或者根据明确要求改一个页面。

但它也有边界。只要涉及 agent,就可能调用模型、产生额外成本,也可能做出我没看清楚的修改。

这不是保守,而是给自己的作品系统加一道闸门。工具可以多准备几个,但控制权不能丢。

普通人搭 AI 工作流,不一定要一步到位。先有主力工具,再有备用通道,再有权限边界,再有授权规则。

普通人真正的机会，藏在还没有标准答案的地方

很多人找机会，有一个习惯：先看哪里已经有人赚钱了。

哪里火，就往哪里冲。哪里有课程，就买课程。哪里有人晒结果，就觉得那里一定有机会。

这个想法不能说错。

但问题是，等一条路已经被很多人讲清楚，教程已经满天飞，标准答案已经很充足的时候，普通人再冲进去，往往已经不是机会，而是竞争。

你看到的是别人赚到了钱。

你没看到的是，那条路的规则已经成熟，玩家已经很多，价格已经被打下来，平台机制也已经开始收紧。

最后你进去以后，很可能只剩下三件事：

更勤快。更便宜。更能熬。

这不是机会，这是消耗。

真正属于普通人的机会，很多时候不是藏在“最清楚的路”里，而是藏在那些暂时还没被讲明白的地方。

路径模糊。规则不稳定。基础设施不完整。很多人看不懂。甚至一开始还会被误判。

这种地方看起来不舒服，因为没有人告诉你第一步该怎么做，第二步该怎么做，做到什么程度才算对。

但也正因为没有标准答案，普通人才有一点点空间。

比如现在用 AI 做事，很多人还停留在“问一个问题，拿一个答案”。

但如果换一个角度看，AI 真正有价值的地方，可能不是替人写几段文字，而是帮人把每天刷到的信息、真实想法、生活观察、工具折腾过程、网页项目、Obsidian 笔记、提示词、Skill、自动化流程，慢慢沉淀成一个属于自己的作品系统。

这件事现在没有标准答案。

没有哪本教材会告诉你：一条内容应该怎么变成 Obsidian 笔记；一次 Codex 折腾过程应该怎么变成 Skill；一个生活观察应该怎么变成朋友圈、公众号和短视频；一个 HTML 小工具应该怎么变成作品案例；一个失败的小项目应该怎么写进自己的方法论。

所以很多人会觉得这些东西很散，很乱，好像不成体系。

但这恰恰是机会。

因为成熟路径里，大家拼的是速度、资源、流量和价格。

而路径模糊的地方，拼的是谁能先把混乱整理成流程，谁能先把零散经验做成工具，谁能先把自己的上下文沉淀下来。

普通人不一定有资源优势。不一定有团队。不一定有流量。也不一定有很强的专业背景。

但普通人可以做一件事：

这就是 AI 作品化的价值。

它不是让你去追一个已经火爆的赛道，也不是让你每天刷热点、蹭风口，而是让你把自己每天接触到的内容，变成自己的积累。

你刷到一条内容，不只是点个赞。

你看到一个工具，不只是收藏链接。

你试了一个开源项目，不只是安装一下。

你写了一段提示词，不只是用完就丢。

你和 AI 讨论了一次问题，不只是得到一个答案。

你要问：

这东西能不能变成一篇 Obsidian 笔记？能不能变成一个提示词？能不能变成一个 Skill？能不能变成一个 HTML 小工具？能不能变成公众号的一段？能不能变成书里的一页？能不能变成我以后交付能力的一部分？

如果能，它就不是一次性信息。

它就是资产。

当然，路径模糊不代表一定有价值。

有些东西看起来新，其实只是热闹。有些项目看起来很酷，其实普通人根本跑不起来。有些观点看起来很高级，其实没有行动入口。有些机会看起来没人做，其实是因为没人需要。

所以判断一个方向，不是看它够不够新，也不是看它有没有被误解。

而是看它能不能被你转化。

能不能转成行动。能不能转成流程。能不能转成笔记。能不能转成工具。能不能转成作品。能不能转成以后别人看得见的能力证明。

如果不能，那就算它再新，也可以跳过。

如果能，哪怕它现在很小、很笨、很不成熟，也值得先做一点点。

因为很多真正有价值的东西，一开始都不像机会。

它不像一个项目。不像一个产品。不像一门生意。甚至不像一件值得认真做的事。

它可能只是某天看到一条内容，突然想明白了一个问题。

也可能只是用 Codex 改了一个网页，顺手学会了一个以前不知道的小技巧。

也可能只是把一段视频口播稿整理成了三个行动步骤。

也可能只是把一个重复操作写成了一个提示词。

单独看，这些东西都不大。

但如果每天都这样处理信息，每天都把一点混乱变成一点结构，把一点想法变成一点作品，一年以后，积累下来的就不是收藏夹，而是一套属于自己的 AI 生产系统。

这就是普通人的机会。

不是去抢别人已经修好的高速公路。

而是在还没有路的地方，先踩出一条小路。

然后把这条小路，整理成地图、工具、模板、案例和作品。

标准答案充足的地方，最后比的是谁更像机器。

还没有标准答案的地方，才需要一个真实的人去观察、判断、试错、整理和表达。

普通人真正的机会，往往不在最热闹的地方。

而在那些别人觉得麻烦、混乱、看不懂、暂时不成体系的地方。

只要你能用 AI 把它整理出来，做成东西，留下痕迹。

它就不再只是信息。

它会慢慢变成你的资产。

这页和 AI 作品化的关系

这页是 AI 作品化的底层判断之一。

AI 作品化不是追热点，也不是去复制一个成熟赛道，而是把那些还没有标准答案、还缺基础设施的地方，慢慢整理成自己的流程、工具、笔记、Skill、案例和作品。

它提醒我：不要只看哪里已经被证明能赚钱，也要看哪里还没有人把路修出来。

如果一个方向虽然模糊，但我可以用 AI 把它转成行动、流程、笔记、提示词、小工具和书稿，它就值得小步试。

这本书怎么继续生长

这本书现在只是一个最小版本。

它的下一步不是一次性写完,而是跟着我的真实作品继续生长。

以后每完成一个作品,就问三个问题:

• 这件事能不能成为一个作品案例?
• 它能不能沉淀成这本书的一页?
• 它背后有没有一个可以复用的方法?

说明:这是一个用于展示的电子书 MVP 样章,不是最终版。它会随着真实案例持续修改和重构。