你是否還在一個個標簽頁之間來回切換，復制粘貼信息，手動完成那些重復性工作？大多數(shù)人使用 AI 的方式還停留在最初級的階段：輸入問題，獲得答案，然后自己動手完成工作。但有一小群人已經跨越到了完全不同的維度，他們讓 AI agent 自動管理郵件、日歷、廣告投放和日常運營，生產力提升了 10 到 20 倍。這不是夸張，而是正在發(fā)生的現(xiàn)實。

最近我深入研究了 Remy Gaskill 在 The Startup Ideas Podcast 上分享的一套 AI agent 工作流系統(tǒng)，這套方法讓我徹底重新思考了如何使用 AI。Remy 用一個非常簡潔的對比概括了這場變革："從問答模式到目標-結果模式"。傳統(tǒng)的聊天就像打乒乓球，你來我往，但最終還是你在做事。而 AI agent 則完全不同，你給它一個目標，它會自己規(guī)劃步驟、執(zhí)行任務、交付結果。這種差異看似微小，實則是生產力上的代際躍遷。當這種效率優(yōu)勢在數(shù)周、數(shù)月的時間維度上累積，你會發(fā)現(xiàn)自己已經遠遠甩開了那些還在手動操作的人。

我花了很長時間消化這套方法論，因為它觸及了一個更深層的問題：我們與 AI 的關系正在從工具使用者轉變?yōu)閳F隊管理者。你不再是在使用一個軟件，而是在管理一支數(shù)字員工團隊。這種轉變需要的不僅是技術理解，更是思維方式的根本改變。

Agent 的運作原理：觀察-思考-行動循環(huán)

在深入討論如何構建 AI agent 系統(tǒng)之前，我覺得有必要先理解 agent 的底層運作邏輯。每一個 agent 都遵循同樣的三步循環(huán)：observe（觀察）、think（思考）、act（行動）。理解這個循環(huán)是掌握整套方法論的關鍵，因為它解釋了為什么 agent 能夠自主完成復雜任務，而不是簡單地響應單個指令。

Remy 用一個具體案例演示了這個循環(huán)的運作方式。假設你給 agent 一個任務："為 Greg Eisenberg 搭建一個作品集網站。"agent 不會直接開始寫代碼，而是會啟動這個循環(huán)。第一步，它會檢查工作空間中是否有現(xiàn)有文件（observe）。發(fā)現(xiàn)沒有相關信息后，它會判斷需要先研究 Greg Eisenberg 是誰（think）。接著，它就會去執(zhí)行這個研究工作（act）。完成研究后，循環(huán)重新開始。現(xiàn)在它掌握了研究成果，會思考："我需要制定一個計劃。"于是它寫下計劃。再次循環(huán)，開始編寫代碼。又一次循環(huán)，啟動網站。再循環(huán)一次，截圖驗證任務是否完成。

我第一次看到這個流程時，感到既興奮又有些不安。興奮是因為這意味著 agent 真的可以像人類員工一樣分解復雜任務、自主決策。不安則是因為這要求我們必須清晰定義任務的完成標準，否則 agent 可能會陷入無限循環(huán)或者朝錯誤方向前進。但這正是關鍵所在：agent 會持續(xù)執(zhí)行"觀察-思考-行動"循環(huán)，直到它能夠根據你設定的參數(shù)判斷任務已經完成。這種自主性是傳統(tǒng)自動化工具完全不具備的。

更讓我印象深刻的是，這套循環(huán)邏輯是跨平臺通用的。Claude Code、Codex、Antigravity、Cowork、Manus、OpenClaw，這些都只是不同的"agent harnesses"（agent 容器或框架）。Remy 把它們比作不同品牌的汽車。一旦你學會了如何開車——踩油門、剎車、轉方向盤——你就能開任何車。豐田也好，路虎也罷，雖然配置不同（座椅加熱、定速巡航等），但基本原理是相同的。Remy 現(xiàn)場演示了在 Claude Code、Codex 和 Antigravity 三個平臺上用同樣的提示詞構建作品集網站，三個都成功了。同樣的循環(huán)，不同的風味。這個洞察非常重要，因為它意味著你學到的技能是可遷移的，不會被某個特定工具鎖定。

構建 Agent 的大腦：agents.md 文件

理解了 agent 的運作原理后，接下來就是實踐部分。第一步是創(chuàng)建 agent 的"大腦"——一個 agents.md 文件。這聽起來很技術化，但實際上非常簡單直觀。我按照 Remy 的方法試驗了一次，才真正理解為什么這個文件如此關鍵。

首先在你的電腦上創(chuàng)建一個文件夾，比如叫"executive assistant"（執(zhí)行助理）。現(xiàn)在這個文件夾是空的。如果你直接讓 agent 幫你寫一封商務開發(fā)郵件，它完全不知道你是誰、你賣什么產品、你的目標客戶是誰。結果就是它會生成一封通用的、毫無針對性的郵件，你還得花時間大幅修改。這就是大多數(shù)人使用 AI 時遇到的問題：每次都要重復提供背景信息，效率低下且令人沮喪。

解決方案就是 agents.md 文件。這是你的 agent 的系統(tǒng)提示詞（system prompt），會在每個任務開始前加載。你可以在里面放入你的角色、業(yè)務背景、個人偏好、使用的工具，以及你喜歡的工作方式。不同的 agent 框架對這個文件的命名略有不同：Claude Code 里叫 claude.md，Codex 和 OpenClaw 里叫 agents.md，Gemini 里叫 gemini.md。但概念完全相同：一個 markdown 文件，在 agent 開始工作前給它提供上下文。

這里有個非常實用的技巧。你可以用任何聊天模型來構建這個文件。只需說："用訪談的方式問我問題，提取所有你需要的上下文信息，然后幫我構建一個 agents.md 文件。"模型會從你腦子里把信息都挖掘出來，并且結構化地整理好。我試過這個方法，效果驚人。模型問了我大概 15-20 個問題，從我的工作角色、公司業(yè)務、目標客戶、溝通風格、常用工具，到我對郵件簽名的偏好，全部提取出來并生成了一個完整的 agents.md 文件。

這標志著從"提示詞工程"（prompt engineering）到"上下文工程"（context engineering）的重大轉變。當你給 agent 加載了足夠多關于你業(yè)務的信息后，你的提示詞可以簡單到令人發(fā)笑。"給我寫封商務開發(fā)郵件"就夠了，因為上下文已經全在那里了。agent 知道你是誰、你在推銷什么、你的語氣風格，甚至知道你喜歡在郵件結尾用什么樣的簽名。這種工作方式的效率提升是指數(shù)級的，因為你不再需要每次都重復提供背景信息，可以直接進入核心工作。

給 Agent 配備記憶：memory.md 文件

構建好 agents.md 后，下一步是解決一個關鍵問題：記憶。我在使用 ChatGPT 等聊天模型時經常遇到這種情況：你告訴它"我最喜歡的顏色是薰衣草紫"，它說"明白了"。但下一次會話時，它完全不記得了。這非常令人沮喪，因為你不得不反復糾正同樣的問題。

ChatGPT 這類聊天模型有自動記憶功能，它們會在云端保存信息，但你無法控制。Agent 的工作方式不同，你可以自己控制記憶。Remy 的解決方案非常優(yōu)雅：在 agents.md 文件中添加兩行指令。第一行："在每個任務開始前讀取 memory.md 文件"。第二行："當我糾正你或者你學到新東西時，更新 memory.md 文件"。然后在同一個文件夾中創(chuàng)建一個空白的 memory.md 文件。

現(xiàn)在，當你說"別寫得那么正式"，agent 會在 memory.md 中更新記錄："保持語氣隨意，永遠不要正式"。每次未來的會話都會繼承這個偏好。這就像訓練一個真正的員工。優(yōu)秀的員工會記住你的偏好并隨著時間不斷改進，你的 agent 也應該如此。我按照這個方法配置后，發(fā)現(xiàn) agent 的表現(xiàn)確實會隨著時間推移越來越符合我的期望。它會記住我不喜歡用"顯著"這個詞，會記住我傾向于用數(shù)據支撐觀點，會記住我喜歡簡短的段落而不是長篇大論。

Remy 給出了一個最佳實踐建議：保持 agents.md 文件在 200 行以內。如果你的 memory.md 文件開始保存一些微小的修正，可以更新指令說"只保存實質性的修正"。你隨時可以手動清理這個文件。這個建議很重要，因為如果記憶文件變得過于龐大和混亂，反而會影響 agent 的表現(xiàn)。保持信息的精煉和結構化，是讓 agent 高效運作的關鍵。

連接你的工具：MCP 協(xié)議

有了大腦和記憶后，agent 仍然是孤立的。它只能在自己的小世界里工作，無法訪問你日常使用的各種工具和平臺。這就引出了下一個關鍵組件：MCP（Model Context Protocol，模型上下文協(xié)議）。

默認情況下，大多數(shù) agent 框架只自帶網頁搜索功能。就這一個。要連接 Gmail、Google Calendar、Notion、Stripe、Granola 或其他你使用的工具，你需要 MCP。Remy 用了一個非常簡潔的比喻來解釋 MCP 的價值。在 MCP 之前，你的 agent 必須學習每個工具的"語言"。Claude 說英語，Notion 說西班牙語，Gmail 說法語，Slack 說中文。連接它們需要針對每個工具進行定制開發(fā)，成本高昂且復雜。

Anthropic 開發(fā)了 MCP 作為通用翻譯器。你的 agent 仍然說英語，你的工具仍然說它們各自的語言，MCP 坐在中間進行雙向翻譯。這個協(xié)議的出現(xiàn)大大降低了 agent 系統(tǒng)的構建門檻?，F(xiàn)在大多數(shù)框架都讓連接變得非常簡單。Cowork、Codex、Manus 和 Perplexity 都有"連接器"或"技能"菜單，你可以瀏覽應用并登錄，一鍵完成。

一旦連接完成，這才是真正的生產力飛躍發(fā)生的地方。Remy 做了一個現(xiàn)場演示，讓我印象極其深刻。他讓一個 agent 總結收件箱、從 Granola 提取會議筆記、創(chuàng)建一個 Stripe 付款鏈接、在 Notion 中設置一個項目、起草一封后續(xù)跟進郵件。一個提示詞，agent 觸及了每個工具，Remy 沒有切換任何一個標簽頁。他說："即使你只是能把某件事做快七倍，不需要進入所有這些工具，這種效率提升真的會開始復利。"

我自己嘗試后，這種體驗確實令人震撼。我讓 agent 檢查我的日歷、總結今天的會議、從 Notion 中提取項目狀態(tài)、在 Slack 上給團隊發(fā)送更新、創(chuàng)建一個跟進任務。整個過程在兩分鐘內完成。如果我手動操作，至少需要 15-20 分鐘，還要在多個應用之間來回切換，思維不斷被打斷。這種無縫的工作流整合，才是 AI agent 真正的價值所在。它不是替代某個工具，而是成為所有工具的協(xié)調者，讓信息和行動在不同平臺間自由流動。

構建技能：AI 的標準作業(yè)流程

如果說 agents.md 是大腦，memory.md 是記憶，MCP 是手腳，那么 skills（技能）就是專業(yè)知識和經驗的積累。這是整套系統(tǒng)中最具復利效應的部分，也是我認為最被低估的組件。

把技能理解為標準作業(yè)流程（SOP），但是為你的 agent 準備的。你解釋一次流程，agent 就能每次完美重復。沒有技能的情況下是這樣的：你讓 agent 寫一份客戶提案，你們來回溝通 30 分鐘，改格式、把價格移到底部、用這個藍色色調。最終得到一個不錯的結果。但下周，你又得從頭開始。有技能的情況下：agent 加載你的提案技能，它已經知道格式、顏色、價格應該放在哪里。幾分鐘搞定。

Remy 介紹了兩種創(chuàng)建技能的方法。方法一：提供源材料。他拿了一個關于病毒式傳播鉤子（viral hooks）的完整課程文本，上傳給 agent，然后說"基于這個課程給我構建一個病毒式鉤子技能"。agent 就把它打包成一個 .skill 文件，包含指令和參考材料。方法二：從實際會話中構建。和 agent 一起手動完成一個流程，當你對結果滿意時，說"為我們剛才做的創(chuàng)建一個技能"。它會把整個工作流打包起來。

Remy 分享了一個真實案例，特別能說明技能的價值。他構建了一個廣告庫分析技能，方法是和 Claude 一起走一遍完整流程：抓取競爭對手的廣告、截圖落地頁、分析文案和創(chuàng)意、生成一份主報告。這個流程過去需要 3-4 小時?，F(xiàn)在他只需輸入兩個詞，技能就會運行。我算了一下，如果他每周做兩次這樣的分析，一年就能節(jié)省 300-400 小時。這些時間可以用來做更有戰(zhàn)略價值的工作，而不是機械性的信息收集和整理。

更關鍵的是，技能是可以累積的。如果你每周自動化 3-5 個微小的手動流程，最終你會自動化整個工作流。這不是一夜之間發(fā)生的，而是一個漸進的過程。但正因為是漸進的，它可持續(xù)、可控制。你不是突然把所有工作交給 AI 然后祈禱它不出錯，而是一點一點地將那些重復性、規(guī)則明確的任務轉化為技能，逐步優(yōu)化和完善，直到整個系統(tǒng)穩(wěn)定可靠。

技能鏈接和任務調度

當你積累了足夠多的技能后，真正的魔法開始顯現(xiàn)：技能鏈接。單個技能很有用，但當你把多個技能組合起來，就能創(chuàng)造出完全自主的工作流。

Remy 舉了一個會議準備的例子。一個會議準備技能會研究嘉賓并整理談話要點。一個播客研究技能會深入挖掘嘉賓的背景。一個晨間簡報技能會檢查你的日歷，如果看到有播客安排，就自動觸發(fā)研究技能。這種技能的級聯(lián)調用，創(chuàng)造了一種近乎魔法的體驗：你醒來，打開電腦，晨間簡報已經準備好了，今天的播客嘉賓的完整背景資料也躺在那里，你只需要快速瀏覽然后開始錄制。

現(xiàn)在大多數(shù)框架都支持定時任務。你可以設置晨間簡報技能每天早上 9 點運行。它會檢查你的日歷、總結收件箱、從 Notion 提取項目更新、交付一份每日行動計劃。我設置了這樣一個流程后，發(fā)現(xiàn)它徹底改變了我開始一天工作的方式。過去我需要花 30-45 分鐘"進入狀態(tài)"，檢查郵件、看日歷、回顧待辦事項。現(xiàn)在這些都在我坐下來之前就完成了，我可以直接進入深度工作。

Remy 分享了一個更激進的案例。他正在購買一輛特定顏色、特定配置的汽車。每三小時，一個 agent 會自動抓取 CarMax、Cars.com、Autotrader 等市場平臺，如果有匹配的車出現(xiàn)，就發(fā)送通知給他。這為他每天節(jié)省了大約一小時的瘋狂刷新標簽頁的時間。這個例子讓我意識到，agent 不僅可以處理工作任務，還可以接管生活中那些耗時但重要的監(jiān)控任務。

我開始思考更多可能性。一個 agent 可以監(jiān)控特定主題的新聞，每天生成行業(yè)動態(tài)摘要。另一個可以跟蹤競爭對手的產品更新和定價變化。還有一個可以監(jiān)控社交媒體上關于你品牌的提及，識別需要響應的重要評論。這些都是過去需要專人負責或者完全忽略的任務，現(xiàn)在可以完全自動化。

運營整個業(yè)務的文件夾結構

當你開始系統(tǒng)化地構建 agent 團隊時，組織結構變得至關重要。Remy 分享了他的完整設置，這個結構非常有啟發(fā)性。

他為每個公司或客戶創(chuàng)建一個大文件夾。里面按部門劃分子文件夾：executive assistant（執(zhí)行助理）、content team（內容團隊）、head of marketing（營銷主管）、sales（銷售）。每個子文件夾都有自己的 agents.md、memory.md、技能文件夾和 MCP 連接。營銷 agent 知道廣告創(chuàng)意規(guī)則，內容 agent 知道品牌語氣，執(zhí)行助理知道你如何簽署郵件。在頂層，一個總管 agent 管理所有這些。

這個結構讓我想到真實公司的組織架構。每個部門有自己的知識庫和工作方式，但都向同一個目標努力。Remy 還提到了全局技能和項目級技能的區(qū)分。有些技能適用于所有場景，比如"讓這個更簡潔"的技能，這些應該放在全局。而"將某人轉介給 Sebastian"這樣的技能只屬于執(zhí)行助理文件夾，應該保持在項目級別。

我按照這個思路整理了自己的 agent 系統(tǒng)，發(fā)現(xiàn)這種組織方式確實大大提高了可管理性。過去我把所有東西都塞在一個文件夾里，結果是技能互相沖突，記憶文件變得臃腫，很難追蹤哪個 agent 負責什么。現(xiàn)在每個 agent 都有明確的職責范圍和知識邊界，整個系統(tǒng)變得清晰可控。

更重要的是，這種結構是可擴展的。當你想添加一個新職能，只需創(chuàng)建一個新文件夾，配置相應的上下文和技能，就可以立即投入使用。當某個 agent 的表現(xiàn)不佳時，你知道確切在哪里進行調整。這種模塊化的設計讓整個系統(tǒng)既強大又靈活。

如何開始

看到這里，你可能會覺得這套系統(tǒng)很復雜，不知道從哪里入手。Remy 給出了一個非常清晰的起步路徑，我認為這個路徑既實用又循序漸進。

第一步，選擇一個 agent 框架。Remy 推薦 Cowork 作為初學者的最佳選擇，因為它的界面最友好、設置最簡單。但正如前面提到的，一旦你理解了基本原理，切換到其他框架非常容易。第二步，創(chuàng)建一個叫"executive assistant"的文件夾。從執(zhí)行助理開始是明智的，因為這個角色涉及的任務類型最廣泛，能讓你快速看到價值。

第三步，使用訪談式提示詞構建你的 agents.md 文件。這一步不要著急，花時間把上下文建立好，后面會節(jié)省大量時間。第四步，添加帶有自動更新指令的 memory.md 文件。第五步，通過 MCP 連接你最常用的工具。不要一次性連接所有工具，從 3-5 個最核心的開始。

第六步，這是最關鍵的：開始使用 agent 處理真實任務。不要只是測試，要讓它參與你的實際工作。當你發(fā)現(xiàn)自己重復執(zhí)行某個流程時，把它轉化為技能。第七步，每周自動化 3-5 個小流程。這個節(jié)奏是可持續(xù)的，不會讓你overwhelmed（不知所措），但會穩(wěn)步積累。

我自己的經驗是，前兩周會感覺有些笨拙，因為你在學習如何與 agent 有效溝通，如何構建好的上下文和技能。但過了這個階段，效率提升會變得非常明顯。我現(xiàn)在每天早上的第一件事不再是手動檢查郵件和日歷，而是查看 agent 準備好的晨間簡報。我寫郵件的時間從平均每封 5-10 分鐘降到了 1-2 分鐘，因為 agent 已經掌握了我的寫作風格和常用模板。

Remy 強調了一點我非常認同：真正未來導向的技術棧是你電腦上的 markdown 文件。各種框架會不斷變化，但你的上下文文件、記憶和技能可以遷移到任何一個。這意味著你投入的時間和精力不會因為某個工具被淘汰而浪費。你構建的是一套可遷移的數(shù)字化工作流資產。

我對這套方法的深度思考

在深入研究并實踐了這套 AI agent 工作流系統(tǒng)后，我有一些更深層的思考，這些思考超越了具體的技術細節(jié)，觸及了我們與 AI 關系的本質。

我認為這套方法最深刻的地方在于，它重新定義了"自動化"這個概念。傳統(tǒng)的自動化是預先編程的、僵化的，只能處理完全相同的場景。而基于 AI agent 的自動化是適應性的、情境感知的。它不是簡單地執(zhí)行固定步驟，而是根據具體情況做出判斷。這種差異是根本性的。一個傳統(tǒng)的自動化腳本會在遇到意外情況時崩潰，而 AI agent 會調整策略。這意味著你可以自動化那些過去被認為"太復雜、變數(shù)太多"的任務。

我也注意到一個有趣的悖論：agent 越智能，你需要的技術技能越少，但對業(yè)務理解的要求越高。過去，構建自動化系統(tǒng)需要編程能力，但不一定需要深刻理解業(yè)務邏輯。現(xiàn)在，你不需要寫代碼，但你必須能夠清晰表達任務目標、定義完成標準、識別關鍵決策點。這是一種不同類型的技能，更偏向戰(zhàn)略性思維和流程設計。

從更宏觀的角度看，這套方法體現(xiàn)了一種新的工作哲學：壓縮繁瑣工作，專注關鍵決策。Remy 在文章結尾說："你不是在替代自己，而是在壓縮瑣事，這樣你就能專注于真正重要的決策。"這句話點出了核心。AI agent 的價值不是讓你失業(yè)，而是讓你的時間用在更有價值的地方。那些重復性、規(guī)則明確、不需要創(chuàng)造性的任務，應該被自動化。而那些需要判斷、創(chuàng)意、同理心和戰(zhàn)略思維的工作，應該得到更多時間和精力。

我還思考了這套系統(tǒng)的復利效應。每個技能的價值可能不大，但當你積累了 50、100 個技能后，整個工作方式會發(fā)生質變。就像復利投資一樣，前期看不出太大差別，但隨著時間推移，曲線會陡然上升。Remy 說"把一周的工作壓縮進一天"，這不是夸張，而是數(shù)學上的必然結果。如果每個任務都快 5-10 倍，一天確實可以完成過去一周的工作量。

但我也看到一些潛在的陷阱。過度自動化可能讓人失去對細節(jié)的感知，過度依賴 agent 可能削弱自己的技能。我的應對策略是：定期審查 agent 的輸出，確保質量不下降；有意識地保留一些手動工作，保持技能的活躍；把 agent 當作助手而非替代品，最終決策權始終在人類手中。

最后，我認為這套方法預示了一個更大的趨勢：個人生產力的極大提升將重新定義競爭。過去，一個人的產出受限于時間和精力，現(xiàn)在，通過 AI agent，一個人可以擁有一個小團隊的產出能力。這會讓小團隊和個人創(chuàng)業(yè)者具備前所未有的競爭力，因為他們可以以極低的成本實現(xiàn)過去需要大團隊才能完成的事情。我們可能正在見證"一人公司"時代的真正到來。

底層邏輯：從工具到團隊

回到最開始的問題：為什么大多數(shù)人還停留在 AI 使用的初級階段？我認為根本原因在于思維模式的差異。大多數(shù)人把 AI 當作工具，一個更聰明的搜索引擎或寫作助手。但那些生產力提升 10-20 倍的人，已經把 AI 當作團隊成員。

這不僅僅是用詞上的區(qū)別，而是完全不同的使用方式。當你把 AI 當作工具時，你會在需要時調用它，用完就關閉。當你把 AI 當作團隊成員時，你會給它持續(xù)的上下文、教它記住偏好、構建它的技能庫、讓它主動承擔職責。就像管理人類員工一樣，你投入的培訓和指導越多，它的產出就越好。

這套由 Remy 分享的系統(tǒng)，本質上就是一套"管理數(shù)字員工"的方法論。agents.md 是員工手冊，memory.md 是工作日志，skills 是專業(yè)技能，MCP 是工作權限。整個結構映射了人類組織的管理邏輯。理解了這一點，你就能明白為什么這套系統(tǒng)如此強大：它不是在優(yōu)化工具使用，而是在構建一個可擴展的、能夠自我改進的數(shù)字化團隊。

循環(huán)非常簡單：連接工具 → 構建上下文 → 創(chuàng)建技能 → 自動化流程 → 重復。從執(zhí)行助理開始，本周構建一個技能，下周再構建一個。把這個過程堆疊數(shù)月，你就能把一周的工作壓縮進一天。這不是科幻，而是現(xiàn)在就可以實現(xiàn)的現(xiàn)實。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產出更好的內容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產品創(chuàng)業(yè)方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業(yè)化才是未來