用好 AI，
先给它搭好环境

1.1 最大的门槛，不是"不会用"，是"环境没搭好"

很多人觉得自己 AI 用得跟别人不一样、效果差一截，第一反应是"我提示词写得不好"。这个诊断几乎总是错的。

真正的差距，90% 在你给它的环境和料：

"现在大家用 AI 效果不好，90% 是'给的料不够'，不是 AI 不行。" "AI 在等我们，而不是我们在等 AI。"——人，才是那个瓶颈。

AI 本身已经足够聪明（它压缩了全人类的智慧）。它缺的不是智慧，是关于你、关于这件事的真实世界信息，以及能让它动手的工具和权限。这两样，就是"环境"。

使用 AI 最重要的，是为它搭建好环境。一旦环境搭好，很多问题其实都可以自动解决。 这是用 AI 最大的门槛，也是这门课的核心。

1.2 Agent 的本质：一个没有"原生记忆"的大模型

要理解为什么环境这么重要，先理解 Agent 到底是什么。

Agent 本质上是一个没有"原生记忆"的大模型。它必须通过获取上下文，才能拿到高质量的信息——有了相关上下文，它做判断时才会真正智能。

它不知道你今天跟谁聊了什么、你的笔记里有什么、你公司的规范是什么、你这个项目进行到哪一步了。每一次对话，它都是从零开始的失忆者。 你给它什么上下文，它就在多大的世界里思考。

所以——用 AI Native 的方式工作，最核心的本质，其实就是关于上下文。 别人 AI 用得好，不是有什么秘诀，是他的上下文工作流搭好了。

1.3 你只需要做三件事

既然 AI 会做事，人该做什么？这是王佳梁自己总结的一句总纲：

"不要告诉 AI 怎么做，告诉它你最终要什么。"

具体只需做三件事：

1. 说清目标愿景——你最终要的是什么（甚至不用规定中间怎么走，从 A 到 B 它可能有很多条路）。
2. 提供充足的上下文——把做决策需要的信息喂给它。
3. 准备好环境和工具——让它有能力、有权限去把事做成。

"虽然不需要告诉 AI 怎么做，但你需要为它准备好'做决策所需的信息'和'做事所需的环境'。这才是人类在 AI 协作中真正高价值的工作。"

注意：①是目标，②③就是环境（上下文 + 工具）。这门课的第二、三章，讲的就是②和③。

1.4 从 Manager 到 Architect：管环境，不管每一步

同一个人用 AI，有两种姿势，效果天差地别：

"70.8% 担心'AI 不准确'的人，是 Manager 思维。跃迁到 Architect 之后，才能让 AI 真正跑起来。"

一个更形象的说法——养 AI，就像养虾：

"养 AI 跟养虾、跟培养一个人，是一样的。你要做的是构建一个环境，让 AI 能在这个环境里自由地工作，而不是每一次都去纠正它的动作。"

"我们真正要做的，不是不断给 AI 纠错，而是搭建一个让 AI 能够自我纠错的系统和架构。"

1.5 两个最常见的误区

误区一：心魔——"我不敢用 / 一卡住就放弃"。

"现在的 AI 没有任何壁垒或难度，唯一的壁垒在你的心魔上——你觉得它不行，或者你觉得你自己不行。"

成年人用 AI 最大的门槛不是不会，是不敢，是遇到一个卡点就停下。记住：把它当人、当一个随叫随到的实习生，遇事不决先问它，吃不准就试一试。

误区二：完美主义——"得先把所有上下文/环境都备齐，才能开始"。

这是另一个常见的坑。任何事情都是循序渐进的。 即使你还没搭好这些环境和上下文，你照样可以现在就开始用 AI——只不过效率和效果会差一些、卡点会多一些。

把 skills 装好、上下文备好，效果肯定更好；但这不代表你一定要把所有东西都配齐了才能开始。先用起来，边用边搭。

（好消息：装这些 skills 本身花不了多少时间。刚开始用遇到技术卡点，直接在 AI 分享群里问，技术助教和群里的技术同学会实时解答。）

1.6 你的"大海"是什么？

最后用一个比喻收束这一章：

"用 AI 的方式，是把龙虾关在鱼缸里问问题——它再聪明，鱼缸里没有食物。把它放回大海，让它能自由获取你的知识、数据、规范——它一下子就能做很多事。"

网页端的 ChatGPT 就是鱼缸：每次都要你手动把背景重新喂一遍。把 AI 接到你的笔记、文档、会议、文件、代码、数据上，就是把它放回大海。

所以，这一章留给你的问题是：你的"大海"是什么？你手上有哪些信息、哪些工具，可以变成 AI 的环境？

下一章，我们就来搭这片大海的第一半——上下文。

上一章你给 AI 备好了"料"（上下文）。这一章给它装上"手"和"套路"——Skills。 上下文决定 AI 知道什么，Skills 决定 AI 会做什么、按什么流程做。两根支柱合起来，才是完整的环境。

3.1 Skill 是什么：把一次走通的路，写下来

第一次让 AI 帮你部署一个网页，你大概要来回纠正七八轮：选什么平台、用什么命令、风格怎么定。第二次、第三次，还是这一套。Skill 就是把这条你已经走通的路固化下来，让 AI 下次少走弯路——你说一句话，它照着既定流程一路跑到底。

说白了，Skill 是用自然语言写给 AI 的一套规则，是一份"我每次要做这件事的纸面 SOP"。这里有一个对成年志愿者特别重要的判断：

写 Skill 不需要会编程。 你把"我每次要做的事"按步骤写清楚，AI 就当员工照着干。门槛在于你能不能把流程讲明白，不在于你会不会写代码。

一个 Skill 的最小骨架，就这么几行：

---
name: my-skill
description: 技能描述，AI 根据这个描述自动判断何时触发
---
# 技能指令内容（用 Markdown 写清楚步骤）

注意那行 description——它决定 AI 何时自动触发这个 Skill。写得越精准，AI 越能在对的场景里自己调用它，而不用你每次点名。比如写"当用户说'部署到公网'/'上线'时自动触发"，往后你只要说"上线"，它就接管。

一句话记住：Skill 不是魔法。它是你把人类操作的"按钮顺序"写下来，交给 AI 反复执行。

3.2 三类 Skills：照着这张地图把能力装齐

王佳梁把 Skills 分成三类。这三类正好对应你要给 AI 装的三种能力——让它拿到背景、让它跑通流程、让它高效产出。下面这张表，就是你这一章要装的全部东西。

① 获取上下文类——让 AI 拿到背景

第二章说过，AI 是个失忆的天才，你喂它多少上下文，它就在多大的世界里替你思考。这一类 Skill，就是把"喂上下文"这件事自动化——让它自己去互联网、去你的飞书和笔记里取料，而不是你手动复制粘贴。

AI 搜索引擎（让它能上网取料，组合用、显著减少遗漏）：

协作工具与笔记（把散落在飞书、会议、笔记里的信息，变成 AI 能直接读的上下文）：

• 飞书 / Lark：读写飞书文档、妙记、表格、Wiki、消息。
• Get 笔记：读写你的个人笔记库，语义召回。
• 腾讯会议：抓会议录制/转写/智能纪要当上下文。
• 公众号下载：搜索并下载微信公众号文章成 Markdown——中文实战经验里最容易漏的一块。

② 沉淀工作流类——把重复的流程固化

这一类是 Skill 的灵魂：你反复做的那几件事，写一次，往后一句话触发。最常用的一组，是一条"从想法到产品"的接力链——每个 Skill 各自补掉一个最常见的卡点：

除了这条标准链，你日后所有"每次都这么干"的流程，都能写成自定义 Skill：录音转写、把文档变成网页、每周生成一份成长报告……写下来，它就成了你环境里一个常驻的能力。

③ 开发效率类——提高产出效率

把这三类合起来看：①让 AI 站在你的世界里（上下文），②让它按你的套路做事（工作流），③让它把事做快做好（效率）。这就是一片完整的"大海"。

3.3 怎么装：把安装包链接发给 AI，让它自己装

不用你逐个手动配置。我们准备了一份现成的安装包——Skills 安装包文档，把上面三类 Skill 的真实清单、安装方式、要填的 Key 全列好了。

操作就一句话：把这份文档的链接发给你的 AI（WorkBuddy / Claude Code / Codex），对它说「照这个文档把技能装好」，剩下的它自己做。 它会逐项安装，最后把"需要你提供的 Key 清单"一次性给你，你照着填上就行。

装的过程里，真正的重点是这三样"环境地基"：

• API Key 预配——Tavily / Exa / Brave / 飞书 / Get 笔记这些，都要你先去拿 Key 填进去，否则工具装了也用不起来。
• MCP 预装——飞书、会议、笔记这些连接器，要先接上，AI 才够得着你的料。
• 搜索引擎配齐——四个引擎组合用，调研时才不遗漏、能交叉验证。

回扣第一章那句话：

装这些 Skills 本身花不了多少时间，但不打好地基，效能大打折扣。 龙虾再聪明，鱼缸里没有食物——这些 Skill 和 Key，就是把它放回大海的那一步。

3.4 从手动到 Skill 化：4 步演进

你不必上来就写 Skill。最自然的路径，是先手动做几次，做顺了再固化。这是一条屡试不爽的演进路线：

Skill 不是一次写完就完美的。最好从你自己的使用习惯出发去打磨——每次用，每次改一点，三五次迭代之后才真正好用。 别追求第一版就完美。

还有一个值得你在自定义 Skill 里设的机关：在关键步骤卡一个"人类确认点"。比如部署前让 AI 先把方案报给你——"平台 X、风格 Y、链接 Z，OK 吗？"——等你说"好"再继续。这样能避免它跑偏几十秒后你才发现错了。AI 提方案，人按方向盘。

3.5 卡点怎么办：直接在群里问

诚实说一句：刚开始装这些，你大概率会撞上几个技术卡点——某个 Key 不知道去哪拿、某个 MCP 没接上、某条命令报错。这很正常，不是你不行。

回扣第一章的误区二——别等全装好才开始，也别在一个卡点上自己死磕。 遇到装不上、跑不通的，直接在 AI 分享群里问，技术助教和群里的技术同学会实时解答。先把能跑的跑起来，剩下的边用边补。

把这章的两根支柱接上第二章：上下文是 AI 替你思考的世界，Skills 是它在这个世界里做事的手和套路。地基搭到这里，环境就齐了。 下一章，我们从"术"进到"道"——聊聊跟 AI 协作的心法。

前三章（术）讲的是搭环境——上下文、Skills。从这一章起进入"法"：环境搭好了，你怎么跟它说话，决定了它替你做出来的东西有多好。

5.1 一个翻转：提问能力 > 答案能力

第一章我们说，AI 压缩了全人类的智慧。这句话有个直接的推论——

"AI 压缩了全人类的智慧，你的提问就是解压的咒语。"

智慧已经在里面了，问题是怎么把它取出来。取多少、取得准不准，全看你怎么问。所以在 AI 时代——

"人找答案不重要，学会提问更重要。提问，就是为 AI 指明方向。"

"AI 不是替你思考，而是放大你的问题质量。"

这件事的红利很大：你不必迷信权威。用对方法，你在一个陌生领域问出来的结论，可能比那个领域的专家给你的还深、还新。这就是 AI 时代留给认真提问者的位置。

记住一个"好提问者"长什么样，三句话：

"你的问题越具体，AI 越能进入真实工作；你的判断越清楚，AI 越能帮你补全结构；你的追问越深入，AI 越不容易停留在空话。"

下面这套六步法，就是把这三句话拆成可以照着做的动作。

5.2 六步提问法（本章主线）

这是 Michael 自己跟 AI 干活时的完整流程。不是六个孤立技巧，是一条从"我有个模糊念头"到"我拿到一份能用的东西"的连续路径。每一步都给你可直接抄的话术。

Step 1 · 准备上下文：先把料喂够

这一步第二章已经讲透——大模型没有原生记忆，每次对话都是从零开始的失忆者。你的功夫不在"打磨那句指令"，而在"把整段背景给够"：把会议录音转写、相关飞书文档、Get 笔记、之前的讨论，统统拽进同一个项目目录，让它自己去检索。

一句话区分：别人在做提示词工程（写好那句话），你在做上下文工程（搭好那片环境）。 这一步没做，后面五步都打折扣。

Step 2 · 明确 Why：先讲动机，别急着派活

喂完上下文，很多人第一句就是"帮我做个 X"。先别。 第一句话应该是让它识别你的动机：

"你看到我们讨论的这个问题，本质是什么？你觉得我真正的动机是什么？"

为什么这一步关键：只有 AI 知道你的 Why，它才能想到你自己想不到的东西；而且你的动机会反过来影响它组织内容、选择写法的方式。一上来就派活，它只能照着你那句话的字面意思干，给不了你惊喜。

这就是第一章那句总纲落到提问层面的样子——不要告诉 AI 怎么做，告诉它你最终要什么、为什么要。

Step 3 · 三路发散：别只用它脑子里那点

到了出主意的阶段，最常见的浪费是"只让大模型凭自己想"。一个完整的发散有三个来源，你要主动把后两个也接上：

1. AI 自身的洞察——基于你给的上下文，让它说"想法 / 洞察 / 好奇 / 启发 / 反问"。
2. 网络调研——加一句"上网调研一下"，把互联网这个动态上下文也加载进来（第二章维度 a）。
3. 个人知识库——让它去翻你的 Get 笔记、本地调研文档、个人档案（第二章维度 b–d）。

这一步有个反直觉的纪律：先发散，再放你的判断。 和 AI 协作像带团队——别一上来就把自己的结论抛出去，那会"框死"它的思路。先让它独立把面铺开，你的 taste 留到最后再加。

Step 4 · 过程持久化：边走边存文档

这是最容易被跳过、却最值钱的一步。每走完一段思考或调研，让它整理成文档存下来。好处有两个：一是上下文不会丢，AI 不会"前面说的后面就忘"；二是你随时能从任意一个中间步骤重启，不必从头再来。

话术里有个必须带的细节——末尾一定要交代这份文档的用途：

"帮我把我们在这个任务上的对话过程总结成文档，尤其是我提了哪些问题，按模块划分。这份是给我的学生看的。"

不写用途，它的收敛方向就会错。给学生看、给领导看、给自己存档——同样的内容，组织方式完全不同。

Step 5 · 第一性原理收敛：让它从最底层推，再用你的判断筛

发散完该收口了。收口最好用的一个 magic word 是"第一性原理"：

"不要只列观点，也不要从中间结论推。请用第一性原理，从最底层的事实出发推导。哪些是基本事实？哪些是由此推出的结论？"

为什么必须这么收：AI 训练数据里那些"中间结论"，在变化飞快的领域里很可能不对、不全、不新。让它绕开这些二手结论、回到事实重推，你才拿得到经得起推敲的东西。

但收敛的最后一棒在你手里。AI 从本质把可能性推全，你用自己的判断力、品味、直觉做筛选。机器负责把面铺全、把逻辑理顺，那个"选哪个"的决定，是你不可替代的价值。

Step 6 · 区分格式：给 AI 看的，和给人看的

最后一步，别忽略"东西给谁看"：

• 给 AI 看——用 markdown。它能直接 process，还省 token。中间产物、过程文档，一律 markdown。
• 给人看——做可视化，优先级大致是 网站 > PPT > Word > PDF。最终要交付给人的东西，停在聊天窗口里就太可惜了。

一个常见错误是把这两件事揉在一起——既要它想清楚内容、又要它同时排好版。分开。 先用 markdown 把内容密度做足，确认对了，再谈可视化。

5.3 让 AI 反过来问你 + 扫盲区

六步法之外，有一个技巧单独拎出来，因为它解决的是"你不知道自己不知道什么"：

"让 AI 向我提问，这是一个非常重要的协作技巧。我很多时候是不知道自己不知道什么的……那你先来向我提一些问题，然后你再告诉我应该怎么做。"

具体两个动作：

反向提问——把问题开放地抛给它，而不是直接派活。

"关于这件事，你有什么想法？有什么洞察？有什么好奇？有什么启发？你想反过来问我什么？"

⚠️ 反例：如果你一上来就说"你帮我设计一套更好的学生罚款规则"，它就会顺着你的框架走，正好绕开了你的盲区。换成让它先提问、先问开放式问题，盲区才会被翻出来。

盲区扫描——任何一段深度讨论收尾前，固定问一句：

"我有什么盲区？有什么是我不知道的？你觉得我没看到的东西是什么？"

这两招对应一个更大的用法分野——向下执行（让 AI 做 PPT、做网站，提效率）之外，还有向上思考（让 AI 帮你梳理思路、反思、扩展认知，抬天花板）。

"我跟 AI 对话时，觉得像在跟苏格拉底对话——他把柏拉图、把所有最聪明的人的脑袋都放在里边。但我们却只是让他做做 PPT、做做小游戏，这其实是浪费。"

5.4 给假设，让它校准（不要只问"你怎么看"）

这是整章最该记牢的一条提问纪律。

很多人习惯把问题完全外包："你怎么看？""你帮我想想。"这是在让 AI 从零生成，质量上不去。正确的做法是先抛出你自己的初步判断，让它在你的判断上做反驳和补全：

"我考虑的超级个体有两类人：留学生 + 连续创业者。你觉得呢？除此之外还有哪些人群画像是我遗漏的？"

"不要只问 AI '你怎么看'，而是先给出自己的判断，让 AI 帮你校准。"

原理很简单：你给了 assumption，它才有靶子可以打、可以补；你什么都不给，它只能泛泛地堆。把你的直觉先说出来，让 AI 验证、反驳、补充。 这也呼应 Step 3 那条——taste 留到最后放，但一旦要放，就以"假设"的形式放，而不是以"结论"的形式封死。

5.5 没想清楚怎么办：呕吐式表达

不是每次你都已经想明白了。大多数时候你脑子里是一团乱麻——这恰恰是 AI 最能帮上忙的地方。

"你根本不用 care 你的逻辑是什么，因为逻辑是 AI 可以帮你梳理的。你想到什么就天马行空地说，说到一半发现'我刚才说错了，不是这样'，它都能理解出来。"

"我经常把它叫呕吐式表达。AI 的逻辑比我强，所以我没逻辑的时候，它能帮我把逻辑理顺。"

操作很简单：打开 Get 笔记或电脑的语音输入，对着它自言自语 5–10 分钟，把脑子里所有东西倒出来，不要整理。转成文字，这段乱七八糟的话本身就是上下文。

末尾补一句卸掉框架的话，效果更好：

"我刚才说的这些只是供你参考。你要是觉得有更好的角度，可以先想想我最主要的动机是什么。"

5.6 避免"AI 腔"三招

为什么 AI 写的东西一眼假、一股"AI 味"？几乎总是因为上下文不够、动机不清——它不知道你是谁、为什么写、给谁看，只好用最安全、最四平八稳的话术堆出来。三招对治：

1. 喂"关于你"的上下文。 这是第二章维度 (d) 的价值——AI 模仿得了你的输出，模仿不了你的输入。它读过你的真实故事、口吻、判断之后写出来的东西，会比你自己写的还像你。
2. 先讲 Why，再让它动笔（Step 2）。动机清楚了，它才知道该用什么语气、突出什么。
3. 用你已有的真实素材去校准它。把你过去写的东西、真实案例丢给它："这些里哪些观点值得吸收？按我这个调子改。"

一句话：AI 腔不是 AI 的问题，是你没把"你"喂给它。

5.7 收尾让它做 fact check + 列来源（去幻觉）

凡是要往外交付、对精度有要求的场合，末尾加一个固定动作：

"让他在最后做一次 fact check，事实确认，而且让他列出每一个数据的来源在哪里。这样他就不会有幻觉，因为他要写清楚来源。"

写来源这个动作本身就是约束——它没法给一个编出来的数字配一个真实出处，于是幻觉被逼出来。

⚠️ 真实教训：有人发现一份 BP 里定价前后不一致（一处 1.5 万、一处 2.5 万），AI 直接采用了 1.5 万，却说不清是从哪份文件来的。上下文打架时，AI 不会主动替你标记冲突——你必须让它做 fact check 并列来源，冲突才会浮出来。

再加一句配套动作：让 AI 把思考过程写成文件（其实就是 Step 4）。写成文件等于它给自己做笔记，能消除"前面说过、后面忘了"的幻觉。

5.8 三个可直接套用的提问模板

抄走就能用。把方括号里的内容换成你自己的。

模板 A · 开场：给背景 + 给不满，让它先分析动机

我观察到一个现象：[现象]。 但我觉得这里有问题：[你的不满 / 直觉]。 我真正想讨论的是：[你真正关心的]。 你先帮我分析这个动机，再说你的观点——可以反过来问我你想确认的东西。

模板 B · 收敛：从本质推 + 区分事实与结论

不要只列观点，也不要从中间结论推。 请用第一性原理，从最底层的事实出发推导。 哪些是基本事实？哪些是由此推出的结论？ 推完之后，告诉我：我有什么盲区？有什么我没看到的？

模板 C · 给假设让它校准（替代"你怎么看"）

我的初步判断是 [A] 和 [B]。 你觉得这个判断对吗？ 还有哪些我遗漏的人群、场景、风险和机会？ 最后做一次 fact check，把每个关键结论的来源列出来。

下一章，我们把镜头从"怎么问"挪到"问什么"——一个项目九成的功夫，其实花在把模糊的想法说清楚上。

前六章你在搭环境、学提问、把需求问清楚。这一章开始动手——把一个想法，变成一个能用、能分享、能拿出去给人看的东西。 这是"器"的第一章。门槛比你以为的低得多。

7.1 "Vibe Coding 已死"——这句话其实是好消息

你大概听过"Vibe Coding"——人对着 AI 一句句聊，盯着它写代码，错了就改。王佳梁的说法更狠：

"Vibe Coding 已死。因为我现在做的这套工作流，你只要把需求讲清楚，从头到尾你就不用管他了，他工作几个小时之后直接把项目交付了。"

别被"已死"吓到，这是升级，不是劝退。它的意思是：

• 过时的：你坐在屏幕前，一步步指挥 AI，它写一行你看一行，像盯着实习生敲键盘。
• 现在的：你把需求讲清楚（一份 PRD），剩下交给 AI 自主跑。它会拆任务、自己写、自己测、自己修，几个小时后把项目交付给你。你不用全程盯着。

这正好接上第一章那句总纲——不要告诉 AI 怎么做，告诉它你最终要什么。 Vibe Coding 的进化，就是把这句话落到了代码上。

还有一句先放这儿，帮你卸下心理包袱：

"AI 编程其实是 AI building，而不是 AI coding——它是在用 AI 来创建，要把 AI 当成伙伴，有问题随时问它。"

你不是在"学编程"。你是在用 AI 创造。不会写代码，没关系。

7.2 普通人三步入门：别先去学，先开始干

很多人卡在"我得先学会 prompt 工程 / 先看完那套视频 / 先搞懂原理"。回扣第一章的两个误区——心魔和完美主义——在编程这件事上同样致命。三步就够你上路：

1. 订几家好 AI：Claude、Codex、Gemini，任挑 2–3 家订上。
2. 直接去聊、直接开始干：不用先看学习视频或书。开始用，比看视频重要十倍。
3. 用最好的模型，别省 token：

"我所有的成本都用来买 token，那个性价比是最高的，效果是最高的。"

体验的差距，几乎全在模型上。省下来的那点 token 钱，换来的是一个笨一截的助手。这笔账不划算。（这条贯穿全章，下面 7.7 还会再回来。）

唯一真正的物理壁垒，是 VPN 和部署环境。 其余的"难"，多半在你的心魔上。装环境遇到卡点，直接去 AI 分享群问，技术助教实时解答。

7.3 完整链路：从一个念头到一个分享链接

把一个想法做成产品，是一条可复述的链路。每一步都有对应的 skill 替你跑（skill 是什么、怎么装，见第三章）：

注意这条链路的形状：先调研（别人怎么做的）→ 再澄清（到底要什么）→ 才动手。 顺序别反。先搞清楚要什么、世界上有没有现成的，再让 AI 开干。

关于第④步多说一句。前端设计的标准，首先是"能用"，不是"好看"。一个朋友能点进去、看明白、用起来不卡壳的界面，胜过一个炫但点哪儿哪儿坏的界面。布局可以先用 ASCII 原型图跟 AI 把骨架讨论清楚，再谈风格样式。

第⑤步是整条链路的"高光时刻"——一句话，30 秒后拿到一个全球可访问的网址：

朋友："把这个部署到公网。" AI："部署方案确认：Cloudflare Pages，暖白风格模板，链接 https://xxx.pages.dev——以上 OK 吗？" 朋友："好。" AI（30 秒后）："已部署：https://xxx.pages.dev"

3 行命令，把一个文件夹变成全球 CDN 网址。免费、不要服务器、不用买域名。这个"魔法"的真身，就是第三章讲的 skill——它把"选风格 + 生成页面 + 调远端部署"这套人工操作，固化成了一句话。

7.4 目标要可验证，中间允许走偏

auto-dev 这类自主开发能成立，靠的是一个边界条件：目标可验证，过程可放手。

"你只要有个 PRD 出来，而且是相对比较确切，那你就不用管——它有可能会走偏，但只要它知道自己走偏了，就可以自己再去找回路。"

王佳梁有个特别好记的类比：

"我反正知道你是从北京到上海，不管你是坐飞机过来还是坐高铁、坐大巴还是爬着过来，总之到上海就好了。"

你的工作，是把"上海"标清楚（目标可验证：做成什么样算成功），而不是规定它"必须坐高铁"（盯着每一步）。它走偏了不怕，只要它知道自己偏了、知道终点在哪，它能自己绕回来。

所以一份好 PRD 的核心，不是写满细节，是把"成功长什么样"说死。 这正是第六章需求澄清要解决的事——你越能让 AI 反问你、把"成功标准"逼出来，后面就越能放手。

7.5 MVP 与搭积木：先简后繁，小版本推进

放手不等于一口气吃成胖子。两条让你少踩坑的工程纪律：

先简后繁。 从最简单的开始，先把核心功能跑通，安全登录、权限、各种边角模块统统先忽略。等基本原型出来了，再一块块往上加。一上来就追求完整，代码会复杂到 AI 自己都接不住。

对于 MVP，只做最核心的功能。原型出来后的第一件事，不是急着完善，而是找身边的目标用户测一测、拿反馈。

像搭积木一样做小版本。 每次只做一小层，用版本管理一层层往上垒：

"每次做产品最好做小版本……像搭积木一样，一层一层进行，使系统质量更好，减少 bug。"

小版本还有个隐藏好处：它倒逼你把需求一层层梳理清楚。你没法一次想明白所有事，但你能想明白"这一层要什么"。

7.6 Debug 的核心：指挥 AI 打日志

会卡壳，会有 bug，这是常态，不是你不行。debug 不靠你去读代码——你的角色是指挥：

"debug 核心是指挥 AI 打日志，通过日志缩小排查范围，避免 AI 因缺乏日志信息而无法修正错误。"

AI 之所以修不好一个 bug，常常不是它笨，是它看不见现场。你让它在关键位置打上日志，把运行时真实发生的事打印出来，排查范围一下子就缩小了。

万一改崩了：如果你保存过历史版本（用 Git），直接回退；没保存，就让 AI 在当前对话里把刚才那段改动撤回去。这也是为什么前面说"小版本搭积木"——每个能跑的小版本都是一个安全的退路。

一句话记住 debug：别自己读代码找 bug，让 AI 打日志,把现场亮给它看。

7.7 一边做，一边公开（Building in Public）

做东西的时候，第一天就把进展公开出去：

"在产品开发第一天就公开进展，通过小红书、公众号、视频号等平台展示，收集反馈，吸引粉丝。"

这不只是涨粉手段。你做这个项目的过程——纠结、推翻、和 AI 来回拉锯——本身就是别人仿不了的东西。它让你的真实和信任有了一个挂载点。（这条会在第九章"把过程做成产品"里展开。）

7.8 这件事到底能做到什么程度

最后给你一个真实战果，让你对"普通人 + AI"的天花板有个体感——

一群 14 岁的学生，用 4 天时间，做出了 GitHub 上全球第三名的盲文 OCR 项目。

"他们在 GitHub 上用了三天时间做了这个全球的第三名……用 AI 赋能干掉了人家两年的活。"

团队在凌晨持续迭代，16 个 commits 一路推进。更有意思的后续：

"第四天我把谷歌的一个技术总监请到营地……我本来以为我想请谷歌来帮我们，结果发现是我们在帮谷歌——这些孩子用了 AI 的工具之后，可以反过来去注意到那些我们原来以为的大厂。"

这件事的分量在于：Vibe Coding 把"工业级开源贡献"的门槛，从"年级"压到了"天级"。 14 岁、4 天、全球第三。

你今晚要做的，未必是全球第三。但请记住——天花板比你想的高得多，地板比你想的低得多。

提醒一句别忘了的事：AI 是乘法，你自己是前面那个"1"。先简后繁地动手，先让东西跑起来，再把你独有的判断和品味加进去——下一章，我们就来练这件事：怎么用 AI 辅助你思考。

第七章做出东西，第八章用 AI 想清楚。这一章解决两件事：怎么把走通的路沉淀下来，以及你的第一个项目从哪开始。 这是"器"的最后一章，也是这门课交到你手上的地方——你今晚建的、学会的，将来要带给学员。

9.1 把走通的路，固化成 skill

你今晚多半会走通一条路：调研 → 澄清需求 → auto-dev 跑出来 → 部署。第一次走，磕磕绊绊。但走通一次之后，别让它消失。

把它固化成一个 skill（skill 是什么、怎么写，见第三章）。skill 的本质，不是什么魔法，就一句话：

skill = 你每次要做的那套判断 + 那条工作流，写成一张纸面 SOP，交给 AI 反复执行。

非程序员也能做。你把"我这次是怎么一步步做成的"写下来——一个目标、一条命令、一个模板、几个步骤——再写一句"当用户说 XX 时自动触发"，一个 skill 就成了。下次你说一句话，AI 就把整条路重跑一遍。

提醒一句：skill 不是一次写完就完美的。每次用，每次改一点，三五次迭代后才真正好用。"每一个 skill 的打磨都需要时间，而且最好从你自己的使用习惯出发去打磨。"

这一步的意义：你今晚的劳动，不是做完一个项目就归零，而是沉淀成一个以后能复用的能力。

9.2 过程持久化：半成品比成品值钱

这是这一章最反直觉的一句话——留下过程，常常比留下成品更值钱。

"AI Slop 是批量交付物，无过程。你做一个决定的纠结、推翻一个方案的痛、和 AI 来回拉锯的对话——这些是仿不了的。"

成品，别人用 AI 也能仿一个出来。但你怎么走到这个成品的——你为什么砍掉了方案 A、为什么在第三版推翻重来、和 AI 来回拉锯的那些对话——这些仿不了。所以：

• 调研留个调研目录，把每次扒下来的资料、整理出的报告都沉在里面。
• 决策留个记录，把"为什么这么定"写下来。
• 把过程亮出去（Building in Public，第七、八章），让你的真实有个挂载点。

"Building in Public 不是涨粉手段，是让信任有挂载点。"

一句话：别只交付结果，交付过程。 半成品里那些纠结和取舍，才是你的护城河。

9.3 找"体验落差"，而不是重复造轮子

立项之前，先想清楚一件事：你要做的东西，世界上是不是已经有了？

回扣第八章的工具判断——别被"我也来做一个"的冲动裹挟。一个好项目的起点，不是"我能做什么"，是"哪里有一个让人难受的体验落差"：

• 一件事现在做起来很别扭、很费劲、要在好几个工具之间来回搬——那就是落差。
• 一个需求一直被凑合着满足、没人好好解决——那就是落差。

先用调研工作流查一圈（research / deep-research，第七章链路第一步）：别人怎么做的？有没有现成轮子可以直接借？查完你会发现两种情况——要么有现成的，直接拿来用，省下时间；要么真有个落差没人填，那才值得你动手。

不要做"世界上已经有一百个"的东西。要做"我身边这个人，此刻正卡着、还没人帮他"的东西。

9.4 维护你的"许愿池"

把上面这些落差、这些"要是有个 XX 就好了"，攒在一个地方——这就是你的许愿池。

"AI 时代最重要的就是许愿。你许个愿，AI 很多时候就能帮你实现。"

这句话听着像鸡汤，但它是这门课的一个硬结论。过去，从"想要"到"做出来"隔着一道巨大的执行鸿沟——你得会写代码、得有团队、得有预算。现在这道鸿沟被 AI 大幅填平了。所以真正稀缺的，不再是执行能力，是"你到底想要什么"。

维护许愿池的方法很轻：

• 平时随手记——"要是有个工具能 XX 就好了""这件事每次都好烦"。
• 每条愿望旁边标一句：这填的是哪个体验落差？
• 定期翻一翻，挑一个最痒的，丢进 9.5 的六步脚手架。

许愿池越厚，你的"想要"就越清晰。而第八章已经说过——你越清楚自己想要什么，AI 就越能帮你实现。

9.5 你的第一个项目：人人不同，但都走同一套六步法

今晚，每个人都带着一个真问题来。这些问题各不相同，但它们都走同一套六步法脚手架——不同的只是切入点，和先用哪个工具。

六步法（就是第七章那条链路，给它一个名字方便复述）：

① 需求澄清 → ② 调研 → ③ 自主开发 → ④ 前端设计 → ⑤ 部署 → ⑥ 沉淀成 skill

今晚的目标不是"做完"，是做出最小可交付 / 推进关键一步。

下面是五种典型原型。对照看看你的问题落在哪一类——但记住，它们走的是同一套六步，只是从不同的步切入：

原型 A · 知识库沉淀型

例：孩子故事知识库 / WAIC 展会经验库 / Obsidian 课程素材

把散落的东西，整理成一个能检索的库。别上来堆资料——先定一张统一的卡片模板（比如故事卡：人物 / 背景 / 转变 / 金句 / 主题标签 / 场景），把内容一张张填进去，再建一个 INDEX 当目录入口。规模不大就用结构化文档，不用搞复杂技术。

关键警示：纯堆信息 ≠ 经验。 真正值钱的是从资料里提炼出"下次要记住的原则"，这一步要有人坐下来花半小时复盘，AI 替不了。

• 切入点：先从 ① 需求澄清（谁看、检索什么）开始，主力是结构化整理。
• 今晚第一步：定好卡片模板，先填 3–5 张，跑通一次检索。
• 可直接抄的模板：本教程"志愿者培训/知识库"目录，以及 Michael 的笔记系统（原始内容 → AI 卡片 → INDEX）。

原型 B · 飞书自动化型

例：群消息自动抽待办 / 每日观察报告系统 / 招募申请系统

让重复的事自动跑起来。比如让机器人从"只会爬消息"，升级到"帮你归类、抽待办、不漏事"；或者搭一个每日观察报告系统。

• 切入点：重在 ③ 自主开发，全程用 auto-dev 闭环完成。
• 今晚第一步：拉一天群消息，让 AI 出一份"今日待办清单"，现场就能演示。
• 必须先布好环境：飞书相关的一切，靠一个官方 skill——Lark CLI，装一次就把飞书消息 / 多维表格 / 知识库 / 文档全带上。装完别忘了授权连上。

  没提前布好环境，AI 会"够不到"飞书，多维表格那一步直接卡住。

原型 C · 造工具型

例：营地每日观察报告 / 课程设计工具 / 各类小应用

你脑子里有个"要是有个工具能 XX 就好了"——直接做出来。不需要 Lovable 这类第三方平台，我们自己的 skills 已经够用。

• 切入点：标准六步全走，重心在 ③ 自主开发 + ④ 前端 + ⑤ 部署。
• 今晚第一步：对 AI 说"你是我的产品合伙人，我要做 XX，先追问我需求、再出 PRD"，然后把 PRD 交给 auto-dev。
• 记住第七章的纪律：先简后繁、小版本搭积木、目标可验证、中间允许走偏。

原型 D · 调研型

例：AAC 自闭症沟通文献 / 心理健康 AI 安全边界 / 任何"我想搞清楚一个领域"

你的问题是"我想把一个领域搞清楚"。这是调研工作流的拿手活。

• 切入点：主力是 ② 调研，用 deep-research——它会自动多源搜索、帮你核对来源、整理成一份带引用的报告。
• 今晚第一步：把问题丢给 deep-research，让它先拉一批资料、出一张带引用的 mini 技术地图。
• 高阶变体（如"心理 AI 安全边界"）：调研之后再用 define-problem，把"安全边界"澄清成一份可验收清单——哪些绝对不能说、哪些要转人工。

原型 E · 探索型

例：方向还很宽，比如"我想做 AI 助教赋能同学"

你的方向还没收敛到一个具体项目。这个不预先调研，现场用需求澄清当场"挖"出一个最小项目。 带着一个问题来就行：你最想先帮某个具体的人，解决哪一件具体的事？

• 切入点：从 ① 需求澄清 切入，用 define-problem 把宽方向问成一个能今晚动手的小切口。
• 今晚第一步：跟 AI 做一轮需求澄清，逼出"今晚能推进的那一件具体小事"。

动手前：先把环境布置好（最容易卡的一步）

上面用到的所有 skill，不用你一个个手动装。把《AI 调研与开发 · Skills 安装包》的链接发给你的 AI（WorkBuddy / Codex / Claude Code），对它说"照这个文档把技能装好"，剩下它自己做。这份安装包覆盖今晚整条链路——需求澄清 → 调研 → 自主开发 → 部署，外加搜索和飞书 / 笔记等上下文工具。

飞书特别提醒：不用分开装一堆东西，一个 Lark CLI 全搞定。装完务必连上、授权，否则 AI 够不到飞书。

9.6 从志愿者到助教：你建的，将来要带给学员

最后，回到这门课的起点。开篇第一句就说了——这份教程"写给超脑志愿者，也是未来营地里的 AI 助教"。

今晚你做的事，有两层意义：

1. 对你自己：你完整走了一遍六步法，做出了一个真东西，把它沉淀成了一个 skill。这套能力，是你的。
2. 对学员：营地里，你就是那个带学员走这条路的人。你今晚踩过的每一个坑、走通的每一步、固化下来的每一个 skill——将来都要原样带给学员。

"最了解需求的人，直接用 AI 把需求实现出来。" 你今晚体验的这套方法，就是将来要交到学员手上的东西。

所以今晚别只想着"我要做完一个项目"。想着——我在练习一件将来要教给别人的事。 你许的愿、走通的路、留下的过程，既是你的第一个产品，也是你作为助教的第一份教案。

许愿池已经备好。挑一个最痒的，从六步里属于你的那一步切入——开始吧。