年薪150万的工作,我用500美金的AI完成:个人业务Agent升级指南 ✍ XinGPT🕐 2026-02-22📦 20.2 KB 🟢 已读 𝕏 文章列表 作者分享了如何利用 AI 将个人投研和内容生产业务 Agent 化的经验。通过构建包含知识库、决策框架和自动化执行的三层架构,他将每天工作时间从 6 小时降至 2 小时,同时提升了 300% 的产出。文章详细拆解了投研 Agent 的构建流程、内容生产的人机协作模式,以及从个人能力到服务的商业化路径。 AIAgent投研生产力自动化内容生产人机协作投资策略 # 年薪150万的工作,我用500美金的AI完成:个人业务Agent升级指南 **作者**: XinGPT **日期**: 2026-02-21T14:40:30.000Z **来源**: [https://x.com/xingpt/status/2025219080421277813](https://x.com/xingpt/status/2025219080421277813) ---  2026 年春节,我做了一个决定:把自己的全部业务流程 Agent 化。 一周后的今天,这套系统已经跑通了接近 1/3,尽管这套系统还在完善,我每天的常规工作任务已经可以从 6 小时降到 2 小时,但业务产出反而提升了 300%。 更重要的是,我验证了一个假设:个人业务的 Agent 化改造是可行的,而且我觉得每个人都应该打造这样一套操作系统。 拥有一个 Agent 系统,意味着你的思维彻底转变,从“我如何完成这项工作”到“我该建立怎样的 Agent 来完成这项工作”,这种从被动到主动的思维模式产生的影响是巨大的。 这篇文章,我不会输出任何 AI 生成的鸡汤,也不会刻意制造 AI 替代的焦虑,而是彻底拆解我是如何一步步完成这个转型的,以及你可以如何免费复制这套方法。 这是构建 agent 生产力系统的第一篇,现在点击收藏,追踪后续更新不迷路。  ## 为什么 Agent 化是必选项,不是可选项 先说一个残酷的事实: 如果你的业务模式是“时间换收入”,那么你的收入天花板已经被物理定律锁死了。一天只有 24 小时,就算你全年无休,按小时计费的上限也就在那里。 - 基金经理年薪 ¥150 万 ≈ 每小时 ¥720(按 2080 工作小时算) - 咨询合伙人年薪 ¥200 万 ≈ 每小时 ¥960 - 头部财经 KOL 年入 ¥300 万 ≈ 每小时 ¥1440 看起来很高?但这已经是人力模式的极限了。 而 Agent 化的逻辑完全不同:你的收入不再由工作时间决定,而是由系统的运行效率决定。 一个真实的转折点 2026 年 1 月的某个周五晚上 11 点,我还在电脑前整理当天的市场数据。 那天美股大跌,我需要: - 看完 50+条重要新闻 - 分析 10 家重点公司的盘后表现 - 更新我的投资组合策略 - 写一篇市场解读文章 我算了一下,至少还要 3 个小时。而第二天早上 8 点,我又要重复同样的流程。 那一刻我突然意识到:我的时间没有花在投资分析的思考和决策,我只是在做一个数据搬运工。 真正需要我判断的决策,可能只占 20% 的时间。剩下 80% 都是重复性的信息收集和整理。 这就是我决定 Agent 化的起点。 我的投研 Agent 系统现在每天自动处理: - 20000+条全球财经新闻 - 50+家公司的财报更新 - 30+个宏观数据指标 - 10+个行业研究报告 如果用人力完成这些工作,需要一个 5 人团队。而我的成本是:每月 API 调用费 500 美金 + 我每天 1 小时的 review 时间。 这就是 Agent 化的本质:用算法复制你的判断框架,用 API 成本替代人力成本。 ## 01 解构你的业务:从人到系统的三层架构 任何知识工作都可以被拆解为三层:  第一层:知识库(Knowledge Base) 这是 Agent 的“记忆系统”。 以投研工作为例,我的做法是建立了一个包含我投资所需要的信息和数据的知识库,包含: 1. 历史数据库 - 过去 10 年的宏观经济数据(美联储、CPI、非农) - 美股 Top 50 公司的财报数据 - 重大市场事件的复盘笔记(2008 金融危机、2020 疫情、2022 加息周期) 2. 重要指标与新闻 - 我关注的主要财经媒体和信息渠道 - 美联储政策及重点公司发布财报日期 - 我关注的 50 个 Twitter 账号(宏观分析师、基金经理) - 重要宏观指标 - 重要的行业研究和行业数据跟踪 3. 个人经验库 - 我过去 5 年的投资决策记录 - 每次判断对错的复盘 一个具体的案例:2026 年 2 月初的市场暴跌 2 月初市场突然暴跌,黄金白银崩盘,加密货币泄洪,美股港股大 A 接连跳水。 市场上的解读主要有几个: - Anthropic 的法律 AI 太厉害,软件股票崩盘 - 谷歌资本开支指引过高 - 即将上任的美联储主席 Warsh 是鹰派 我的 Agent 系统在暴跌前 48 小时就发出了预警,因为它监控到: - 日债收益率跳涨,US2Y-JP2Y 利差大幅收窄 - TGA 账户余额高企,财政部持续从市场抽水 - CME 连续 6 次提高金银期货保证金 这些都是流动性收紧的明确信号。而我的知识库里,有 2022 年 8 月日元套利交易平仓引发市场波动的完整复盘。 Agent 系统自动匹配了历史模式,在暴跌前给出了“流动性紧张+估值高企→减仓”的建议。 这次预警帮我避免了至少 30% 的回撤。 这个知识库有超过 50 万条结构化数据,每天自动更新 200+条。如果用人工维护,需要 2 个全职研究员。 第二层:Skills(决策框架) 这是最容易被忽视,但最关键的一层。 大部分人用 AI 的方式是:打开 ChatGPT → 输入问题 → 得到答案。这种方式的问题是,AI 不知道你的判断标准是什么。 我的做法是把自己的决策逻辑,拆解成独立的 Skills。以投资决策为例: Skill 1: 美股价值投资框架 (以下 Skill 为举例,不代表我实际的投资标准,而且我的投资判断标准也会实时更新): Skill 2: 比特币抄底模型 Skill 3: 美股市场情绪监控 Skill 4: 宏观流动性监控 这些 Skills 的本质是:把我的判断标准显性化、结构化,让 AI 能按照我的思维框架工作。 第三层:CRON(自动化执行) 这是让系统真正运转起来的关键。 我设置了以下自动化任务:  现在我的早晨是这样的: 7:50 起床,刷牙时看手机。Agent 已经把 overnight 全球市场摘要推送完成: - 美股昨夜小幅上涨,科技股领涨 - 日本央行维持利率不变,日元小幅贬值 - 原油价格因地缘政治上涨 2% - 今日重点关注:美国 CPI 数据、英伟达财报 8:10 吃早餐,打开电脑看详细分析。Agent 已经生成了今日策略: - CPI 数据预期符合市场预期,对市场影响中性 - 英伟达财报关键看 AI 芯片订单指引 - 建议:持有科技股仓位,关注能源板块机会 8:30 开始工作,我只需要基于 Agent 的分析,做最终决策:是否调仓,调多少。 整个过程 30 分钟。 我不再需要每天早上手忙脚乱地翻新闻,AI 已经帮我做好了预习。 更重要的是投资决策不再轻易被情绪所影响,而是有着完整的投资逻辑,清晰的判断标准,并且根据投资表现来复盘、总结、迭代;这才是 AI 时代投资的正确路径,而不是继续招一大堆实习生每天加班更新 excel 利润预测表,或者凭感觉就 50 倍杠杆梭哈,等着大力出奇迹。  ## 02 内容生产的 Agent 化:从手工作坊到生产线 我的第二个主要业务是做内容,目前主要平台是在推特,也在探索 YouTube 和其他视频形态。 之前我写一篇文章的一般流程是: - 找选题(1 小时) - 查资料(2 小时) - 写作(3 小时) - 修改(1 小时) - 发布+互动(1 小时) 总计 8 小时一篇文章,而且质量不稳定。 我复盘了一下我之前发布文章的最大问题,主要有几点: - 选题太宽泛,没有切入点 - 内容太理论,缺少具体案例 - 标题不够吸引人 - 发布时间 而 Agent 化融入内容生产,是可以被系统化的工程! 因此在内容层面,我的 Agent 化改造分三步:  第一步:建立爆款内容知识库 我做了一件很多人忽略了的事情:系统化地研究爆款文章的规律。 具体做法: 爬取了过去一年 X 平台上财经/科技领域 Top 200 的爆款文章 用 AI 分析它们的共性:标题结构、开头方式、论证逻辑、结尾设计 提炼出可复用的“爆款公式” 举几个例子: 标题公式: - 数字冲击型:“资产缩水 70% 后,我悟到了……” - 反常识型:“互联网已死,Agent 永生” - 价值承诺型:“帮你节省……不用上闲鱼买” 开头公式: - 具体事件切入:“2025 年 1 月,我做了一个决定……” - 极端对比:“如果你继续按现在的节奏……但 6 个月后……” - 先破后立:“市场上的解读主要有几个……我认为以上都不对” 论证结构: - 观点 → 数据支撑 → 案例验证 → 反面论证 - 用 1/2/3 清晰分层 - 专业术语+白话解释 我把这些规律整理成一个“爆款内容框架库”,喂给 AI。 第二步:人机协作的内容生产线 现在我的内容生产流程变成了一条高效的人机协作生产线,每个环节都有明确的分工。 选题阶段(AI 主导,我决策) 每周一早上,我的 Agent 会自动推送 3-5 个选题建议。 输入来源: - 本周全球市场热点事件(自动抓取) - 我的投研笔记和最新思考 - 社交媒体上的高频讨论话题 - 读者评论区的高频问题 AI 输出格式: 我会选择最符合当下市场情绪、同时我有独特见解的选题。 资料收集阶段(AI 执行,我补充) 选定选题后,Agent 自动启动资料收集流程: 数据抓取(自动化) 相关公司的最新财报数据 宏观经济指标的历史走势 行业研究报告的核心观点 社交媒体上的代表性观点 信息整理(AI 处理) 将散乱的信息按论证逻辑分类 提取关键数据和引用来源 生成初步的论证框架 人工补充(我的价值) 加入我的个人经验和案例 补充 Agent 找不到的小众信息源 标注哪些观点需要重点论证 这个阶段从原来的 2 小时缩短到 30 分钟。 写作阶段(人机协作) 这是最关键的环节,我和 AI 的分工非常明确: AI 负责: - 根据爆款框架生成文章结构 - 填充数据和事实性内容 - 生成多个标题和开头版本供选择 - 确保论证逻辑的完整性 我负责: - 注入个人观点和价值判断 - 加入真实案例和细节 - 调整语气和表达方式 - 删除 AI 生成的“正确的废话” 修改阶段(AI 辅助,我主导) 初稿完成后,我会让 Agent 做几件事: 可读性检查 句子是否过长(超过 30 字的句子标红) 是否有重复表达 专业术语是否需要解释 爆款要素检查 标题是否符合高互动率模式 开头 3 段是否有钩子 是否有具体数据支撑 是否有可引用的金句 多版本生成 生成 3 个不同风格的标题 生成 2 个不同角度的结尾 我选择最合适的版本 这个阶段从原来的 1 小时缩短到 15 分钟。 发布阶段(自动化) 文章定稿后,Agent 自动执行: - 转换为各平台的格式(X/微信公众号/小红书) - 生成配图建议(我确认后生成) - 在最佳时间自动发布(根据历史数据分析) 第三步:数据驱动的持续优化 关键认知:内容 Agent 不是一次性搭建,而是持续进化的系统。 我每周会做复盘: - 哪类标题收藏率最高? → 更新标题公式权重 - 哪个论证结构转发最多? → 强化这个模板 - 读者评论区最常问什么? → 加入 FAQ,下次文章中回应 举个具体例子: 我发现“数据密集型”的文章(大量具体数字+图表)收藏率比纯观点文章高 40%。于是我调整了内容框架,要求 AI 在初稿中: - 每个核心论点必须有至少 1 个数据支撑 - 每篇文章至少包含 3 张图表 - 数据来源必须标注 结果:最近 5 篇文章的平均收藏率从 8% 提升到 12%。 2026 年 1 月,我写了一篇《Agent 大爆发的时代,我们应该如何应对 AI 焦虑》。 这篇文章的数据量不多,但转发率异常高,达到了 20%。 我让 Agent 分析原因,发现: - 文章触及了深层的价值观问题(AI vs 人类意义) - 用了“卢浮宫着火救猫还是救名画”这个具体场景 - 结尾的“成为一个更会用 AI 的人很重要,但更重要的是不要忘记如何成为一个人”引发共鸣 我把这个发现加入了框架库:在技术类文章中,适当加入哲学思考和价值观讨论,能显著提升转发率。 这就是 Agent 系统的复利效应:系统在帮我优化系统。内容 Agent 也不是一次性搭建就结束,而是持续进化的系统。 ## 03 从个人能力到咨询服务:验证方法论的可复制性 当我把自己的投研和内容 Agent 系统跑通后,我开始思考:这套方法能否帮助别人? 去年 12 月的时候,一个基金经理一起吃饭,他说自己忙不过来,他管理着一只 5 亿规模的私募基金,手底下也有将近 10 个人,但还是感觉被市场的消息牵着鼻子走,每天疲于奔命。 他每天的工作是这样的节奏: - 早上 6 点半起床,看 overnight 全球市场 - 7-8 点:看看overnight 全球市场重点新闻 - 8 点半-9 点半:开晨会,讨论投资策略 - 9 点半-15 点:盯盘,处理交易 - 15-18 点:研究公司,看财报 - 18-20 点:写投资日志,复盘 - 22 点:看海外市场开盘 我帮他做了一次工作流程分析,发现: - 60% 的时间在收集和整理信息(可 Agent 化) - 20% 的时间在做重复性分析(可 Agent 化) - 15% 的时间在做决策(人机协作) - 5% 的时间在做交易执行(可自动化) 因此我用了两周时间,帮他搭建了一套简化版的投研 Agent: - 第 1 周:访谈他的工作流程,识别可 Agent 化的环节 - 第 2 周:搭建知识库 + 配置 3 个核心 Skills + 设置自动化任务 2 周后他给我发了一条微信:思考的时间更多了之后,投资的心态更稳了。 这次项目让我意识到:Agent 化改造的需求是普遍存在的,压缩信息处理的时间就是提高投资效率。 但我很快发现,单纯做咨询有两个问题: 时间瓶颈:每个项目需要 2-4 周,我一个月最多接 3 个项目 不可规模化:每个客户的需求都不同,很难标准化 这让我开始思考下一个阶段:从服务到产品。 ## 04 Agent as a Service:从 SaaS 到 AaaS 的范式转移 传统软件是 SaaS(Software as a Service): - 你给客户一个工具 - 客户需要学习如何使用 - 客户自己操作、自己维护 未来是 AaaS(Agent as a Service): - 你给客户一个 Agent - 客户只需要下达指令 - Agent 自动执行、自动优化 区别在于:SaaS 卖的是“能力”, AaaS 卖的是“结果”。  今年 1 月,我又那个基金经理朋友吃饭。 他说:“你帮我搭建的这套 Agent 系统太好用了。我推荐给了几个同行,他们都想要。但你一个人做咨询,能服务几个客户?” 我说:“确实,这是个问题。” 他说:“你为什么不把它做成产品?就像 Salesforce 那样,但不是卖软件,是卖 Agent 服务。” 确实,我觉得好的Agent应该做成服务去替代SaaS,就像Openclaw的创造者Peter所预言的那样,未来将是Agent的天下,用户不再需要安装软件。 因此,我觉得把这套Agent系统跑成熟之后,做成一个开源的项目,让所有人都可以复制使用;对于有商业化需求的机构客户,高级功能进行付费订阅或者按照使用量计费。  ## 05 Agent 化的本质:从时间杠杆到算法杠杆 写到这里,我想分享一些更深层的思考。 传统的个人业务增长路径是: 初级阶段:卖时间(按小时收费) 中级阶段:卖产品(一次开发,多次售卖) 高级阶段:卖系统(建立平台,让别人在上面交易) Agent 化提供了第四条路径:卖算法能力。 你不再需要: - 雇佣一个团队(省去管理成本) - 开发一个复杂的软件(省去技术门槛) - 建立一个平台(省去网络效应冷启动) 你只需要: - 把你的专业知识结构化 - 配置 Agent 系统执行 - 持续优化算法框架 这是一种新的杠杆:算法杠杆。 它的特点是: - 低成本:主要是 API 调用费,远低于人力成本 - 可复制:同一套 Agent 可以服务无数客户 - 可进化:随着大模型能力提升,你的 Agent 自动变强 ## 你的 Agent 化行动清单 如果你被这篇文章触动,建议按以下步骤行动: 第一步:诊断(本周完成) 列出你每天的工作清单,标注: - 哪些是重复性工作(信息收集、数据整理、格式转换) - 哪些是判断性工作(决策、创意、战略) - 哪些是执行性工作(发布、追踪、回复) 原则:重复性工作优先 Agent 化,判断性工作人机协作,执行性工作自动化。 一个简单的练习 拿出一张纸,写下你昨天的工作清单。 对每一项工作,问自己三个问题: 这项工作是否可以被标准化?(如果是,可以 Agent 化) 这项工作是否需要创造性思考?(如果不需要,可以 Agent 化) 这项工作是否需要我的独特判断?(如果不需要,可以 Agent 化) 你会发现,至少 50% 的工作可以被 Agent 化。 第二步:搭建(本月完成) 选择一个最小可行场景开始实验。 举几个例子: - 如果你是投资者 → 搭建“每日市场摘要 Agent” - 如果你是内容创作者 → 搭建“选题建议 Agent” - 如果你是销售 → 搭建“客户背景调研 Agent” - 如果你是设计师 → 搭建“设计灵感收集 Agent” 不要追求完美,先跑通一个最小闭环。 第三步:优化(本季度完成) 记录 Agent 系统为你节省了多少时间,产出质量是否稳定。 每周做一次复盘: - 哪些环节 Agent 做得好? - 哪些环节还需要人工介入? - 如何调整 Skills 让 Agent 更符合你的标准? 第四步:商业化(本年度完成) 当你的 Agent 系统稳定运行后,思考: - 这套方法对同行是否有价值? - 如果有,他们愿意付多少钱? - 你能否把它产品化? 如果答案是 yes,恭喜你,你已经找到了一个新的商业模式。 关注 @xingpt,后续我会分享如何用Openclaw或者其他最新的AI 工具搭建你的Agent系统; 如果你有视频剪辑经验、或者熟练运用Openclaw等Agent工具,甚至你自己做过AI项目开发,欢迎联系我,我在招募全职的小伙伴一起Build未来。 ## 延伸阅读 如果你对 AI 时代的思考感兴趣,推荐阅读我的另外两篇文章: 1. 美股资产缩水 70% 后,我悟到了大崩盘的真正原因 这篇文章拆解了 2026 年初市场暴跌的真正原因,以及我总结的流动性监控指标体系。如果你做投资,这篇文章会帮你建立宏观视角。 2. Agent 大爆发的时代,我们应该如何应对 AI 焦虑 这篇文章探讨了一个更深层的问题:当 AI 越来越强大,人类的价值在哪里?我的观点是,AI 负责工具理性(效率),人类负责价值理性(意义)。这是 Agent 化的哲学基础。 ## 相关链接 - [XinGPT](https://x.com/xingpt) - [@xingpt](https://x.com/xingpt) - [264K](https://x.com/xingpt/status/2025219080421277813/analytics) - [@xingpt](https://x.com/@xingpt) - [美股资产缩水 70% 后,我悟到了大崩盘的真正原因](https://x.com/xingpt/status/2019792494444359955) - [Agent 大爆发的时代,我们应该如何应对 AI 焦虑](https://x.com/xingpt/status/2021264364649820410) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [10:40 PM · Feb 21, 2026](https://x.com/xingpt/status/2025219080421277813) - [264.8K Views](https://x.com/xingpt/status/2025219080421277813/analytics) - [View quotes](https://x.com/xingpt/status/2025219080421277813/quotes) --- *导出时间: 2026/2/22 14:47:45*
如 如何利用AI构建和扩展单人企业 文章介绍了利用AI构建和扩展单人企业的完整蓝图。通过使用AI员工(如Viktor)在内容、项目、拓展、财务和广告五个领域实现自动化,只需保留决策环节。文章探讨了两种构建方式:快速路径和自定义构建,强调业务知识库和操作规则的重要性。 技术 › Agent ✍ Machina🕐 2026-07-26 AI单人企业自动化Agent生产力Viktor商业模式知识库LLM效率
C Claude Cowork 终极掌控指南 (2026年5月版) 文章详细介绍了 Claude 的全新功能 'Cowork' —— 一个从单纯的聊天窗口演变为自主 AI 劳动力的执行引擎。作者通过 80 多小时的实战经验,讲解了 Cowork 的核心概念、正确的设置方法(如全局指令)、插件市场的生态(涵盖法律、营销等垂直领域),以及如何通过连接器(M365, Slack, Notion 等)将 Claude 无缝接入实际工作流,从而实现真正的自动化任务处理。 技术 › LLM ✍ Guri Singh🕐 2026-05-26 ClaudeCoworkAIAgent教程自动化插件生产力Workflow2026
一 一文理清!Hermes 全部高阶工具配置 本文详细介绍了 Hermes Agent 的全套高阶配置方案。作者从实战角度出发,梳理了从底层逻辑到部署的各个环节,重点涵盖了五大领域:身份与记忆(SOUL.md、Hindsight)、感知能力(Jina Reader、Tavily)、表达能力(Whisper、Fal.ai)、效率与成本(Token 监控、RTK)以及生态导航。文章旨在帮助用户解决迁移痛点,实现 OpenClaw 到 Hermes 的无痛升级与效能最大化。 技术 › Hermes ✍ Researcher_王十三🕐 2026-04-20 AgentHermes配置指南OpenClaw工具链AI部署Token监控自动化生产力
构 构建自主 AI 同事的十大关键要素 本文基于作者使用 OpenClaw、Claude Code 和 GooseworksAI 的实践经验,深入探讨了构建真正自主的 AI 同事所需的系统架构。文章详细拆解了从运行环境、上下文持续同步、持久化记忆、技能封装到自动化调度、双向通信及反馈闭环等十个核心维度。作者指出,AI 本身已具备工作能力,瓶颈在于如何像工程师一样编排这些组件,使其能全天候、无需监管地协同工作。 技术 › Agent ✍ Shiv🕐 2026-04-19 AIAgentOpenClaw工作流编排自动化Autonomous系统设计Claude创业生产力
我 我用Obsidian + Claude Code搭了一个健脑房 本文详细介绍了作者如何构建基于Obsidian和Claude Code的个人工作流系统。文章提出了“未经人脑处理的知识不进仓库”和“输入服务于输出”两大原则,通过构建COO、CTO、心理医生等AI Agent角色,配合定时任务和自动化工作流,实现了一个具有问责机制、自动化记录和个人百科功能的数字“健脑房”,旨在提升思考质量与工作效率。 技术 › 工具与效率 ✍ Haoshan Hong🕐 2026-04-06 ObsidianClaude CodeAgent工作流个人知识管理AI自动化生产力提示词开源
装 装完 Codex 不知道干什么?这 6 个 GitHub Skills 让你做视频搞钱 文章介绍了 6 个适用于 Codex 的 GitHub Skills,涵盖动效生成、视频剪辑、批量制作、AI 生成及中文剪辑等工具,帮助用户构建自动化视频工作流以提升效率。 技术 › Codex ✍ Kay🕐 2026-07-30 Codex视频制作AgentSkill自动化HyperFramesRemotionAI剪辑工作流
管 管理 AI 员工团队:Ryan Carson 的高效工作系统 Ryan Carson 分享了如何作为唯一员工,通过管理云端 AI Agent 团队日处理 40 个 Pull Request 的经验。文章详细介绍了将工作迁移至云端、建立工作节奏、将重复检查自动化以及控制 Token 成本四个关键步骤,强调在 AI 时代,优秀的工程管理能力比以往任何时候都重要。 技术 › Agent ✍ The Startup Ideas Podcast (SIP)🕐 2026-07-25 AIAgentDevin工程管理自动化云端开发成本控制DevOpsLLM
我 我用 WorkBuddy 跑了 3 个活儿,发现它不是助手,是数字员工 文章通过三个真实任务评测了 WorkBuddy 的实际应用:视频 Skill 管理工具开发、电商数据清洗分析及竞品监控自动化流程。作者指出 WorkBuddy 不仅是聊天工具,更是集专家判断、专业 Skill 和自动化执行于一体的 AI 工作台,能有效提升处理固定流程任务的效率。 技术 › 工具与效率 ✍ 行者AI视频🕐 2026-07-24 WorkBuddyAI自动化数据分析实战评测效率提升Agent专家模式技能管理竞品监控
用 用飞书多维表格打造你的数字分身 文章介绍了如何利用飞书多维表格结合 AI 技术打造知识库“数字分身”。通过三级进化:将知识结构化存库、利用 AI 字段自动化处理知识、接入飞书机器人实现对话交互,解决专业知识沉淀与复用难题,提升业务效率。 技术 › 工具与效率 ✍ 黄小木🕐 2026-07-24 飞书多维表格AI知识库数字分身自动化Agent低代码
S Stop using AI. Start having AI systems running. 文章作者分享了从单纯使用 AI 到让 AI 系统持续运行的转变。他通过编码代理管理目标、习惯和日志,利用 Plaud NotePin 记录日常想法,并使用 OBS 录像提高专注度。这种系统化方式不仅保留了工作状态,还显著提升了生活与工作的效率。 技术 › Agent ✍ Will Chen🕐 2026-07-23 AI代理工作流生产力自动化记录工具LLM自我优化
从 从选题到写作再到发布,我把几十个 skill 串成了一条自动流水线 作者分享了自己如何利用 Hermes、Codex 和 Claude 中的数十个 Skill,搭建了一条从素材抓取、选题分析、风格润色到图文排版的内容自动生成流水线。文章详细介绍了自动化流程的设计思路、遇到的痛点以及如何通过拆分 Prompt 保持文风一致性,同时也反思了人机协作中人工审核与决策的重要性。 技术 › Skill ✍ 得否🕐 2026-07-23 自动化工作流AI写作AgentHermesCodexClaude效率工具内容生产prompt工程人机协作
2 29k star的AI克隆任意网站开源skill 介绍了一个获得29k star的开源AI工具,能像素级还原任意网站。其成功关键在于将大任务拆解为小任务、使用详细的规格文件作为“合同”、正确识别页面交互逻辑,并通过git worktree实现并行工作,最终与原站进行视觉对比。 技术 › Agent ✍ AIGCLINK🕐 2026-07-22 AI开源网站克隆Agent自动化Git视觉对比