当产品经理遇到 Claude Skills
故事讲述了在 2025 年的互联网寒冬中,资深产品经理林小棠面对 AI 提效带来的职场危机。她发现自己变成了“AI 人肉校验员”,工作效率和职业价值受到 Claude 等大模型的冲击。在同事陈洋的建议下,她尝试学习 Claude Skills 功能,试图将自己多年积累的产品方法论和经验“封装”成 AI 技能,从而在 AI 时代重新定位产品经理的核心竞争力——从“写文档的人”转变为“定义标准的人”。
故事讲述了在 2025 年的互联网寒冬中,资深产品经理林小棠面对 AI 提效带来的职场危机。她发现自己变成了“AI 人肉校验员”,工作效率和职业价值受到 Claude 等大模型的冲击。在同事陈洋的建议下,她尝试学习 Claude Skills 功能,试图将自己多年积累的产品方法论和经验“封装”成 AI 技能,从而在 AI 时代重新定位产品经理的核心竞争力——从“写文档的人”转变为“定义标准的人”。
文章以小说的形式深入剖析了AI时代知识工作者的价值,生动展现了如何将个人业务沉淀转化为Claude Skills,兼具极强的共情力、行业洞察与落地指导性。
文章介绍了 Anthropic Claude Code 团队的代码审查实践,以及作者团队自研 AI 代码审查工具 HeyDeer 的落地经验。核心思路是:AI 写代码占比接近 100% 后,人工逐行审查不再可行,应把人的注意力留给真正有风险的部分。做法包括按风险分级审批(低中风险由 AI 自动批准,高风险由人判断方向)、多模型交叉审查降噪、用仓库检查落实团队规范、通过 Autopilot 自动修复问题直至收敛。作者团队跑了 8 个月未因合并有 bug 的代码导致线上事故,认为大部分创业和中小公司都适用这种方式。
文章介绍了2026年10月7日Grok Bot的重大变化:SpaceX宣布Grok Bot将不再绑定自家模型,而是为每个任务路由到最佳后端模型,首选Claude Opus 5.5。作者提供了10步教程,教读者如何利用这一组合:从理解harness(代理的电脑、登录、记忆、例程)与brain(驱动它的模型)分离的意义开始,到安装Grok Bot、创建并设置Chief bot、为更强的大脑编写章程、连接工具并划定数据边界、以及通过登录交接而非密码共享来让bot操作无API的软件等。文章强调更强的模型应获得更多步骤而非更多权限,并提醒注意数据流向Anthropic的隐私问题。
作者以技术小白身份借助 AI 获得世界 AI 大赛 Top 10 的经历为例,复盘出三种可培养的元能力:一是结构化思考,把陌生复杂的事拆解到可下手;二是学习与迁移,通过情景化提问从专家身上提取判断依据,并让 AI 协助设计与整理;三是 AI 协作技巧,包括清楚交代背景目标、先确认理解再动手、用具体场景讲解选项利弊、分工验收并具体反馈后迭代。作者认为这三种能力配合使用,是普通人在 AI 时代突破能力边界的金手指,每解决一个问题,能力边界就往外拓一点。
作者精读 Anthropic 57 页经济学论文,梳理了 2030 年前 AI 大规模进入认知型工作后的经济影响。论文设计了温和、显著、极端三种情景,对应 GDP 增幅 1.6%、8.3% 和 32.4%。关键结论包括:AI 独立完成任务比例越高,收入越流向资本而非劳动者;显著情景下 GDP 增 8.3% 但平均工资仅增 2.1%,资本收入增 18.9%;难以被 AI 替代的工作(建筑、电工等)反而升值;工资弹性决定冲击表现为降薪还是失业;极端情景下经济总收益约为认知工作者损失的三倍,核心问题是财富分配而非财富创造。
作者分享用 Codex 自动化运营小红书账号的经历。他看到一个小红书账号讲“生活中常见物品的英文名”类内容,于是拆解其选题模型:熟悉的事物+陌生的英文名+好奇心问题。随后将找选题、查名称、写标题、做图、排版等执行环节全部交给 Codex,自己只负责定方向和审核。最终账号获得 105 万曝光、18.4 万观看、封面点击率 17.9%,2 天涨粉 1000。作者总结方法论为:发现→拆解→模仿→迭代,即复制已验证的底层逻辑并用 AI 快速生产自己的内容,大幅缩短从发现机会到落地的时间。
本文深度解读 Claude Code 开发者 Thariq Shihipar 的 70 分钟访谈,揭示 Anthropic 内部如何用 AI 做工程。核心观点包括:工程师抽象层级必须上移,把 Claude 当思考伙伴;知识工作皆可代码化;模型越强 harness 越复杂;自主性取决于 ticket 质量;提示工程被重新定义为注入上下文的一切;品味成为稀缺资源;验证能力重要性暴涨(测试代码需多 100 倍);写作与信任文化规范;以及 loop engineering、生成式界面等将扩散到全行业的转变。
文章系统讲解如何编写 AI Skill:从用一句话加 SOP 封装出第一个 60 分的 skill,到通过把目标改写为动作、补充约束、设计自由度和提高词表颗粒度来提升到 90 分。作者拆解了摄影 skill 和封面 skill 两个开源案例,指出高手的秘诀在于将模糊概念拆成可执行的词表和明确的「不要」清单。还介绍了如何让 AI 递出陌生领域的行话词表,并澄清了 skill 与提示词、智能体的区别。全文强调约束和颗粒度决定 skill 的专业程度。
Claude 官方博客介绍了 Warp 团队如何基于 Claude 构建自我改进的 Agent。针对一次性提示词只能完成任务 80% 的痛点,Warp 设计了基于 Skills 的双层自我改进循环:内层 Skill 执行任务,外层 Improver Skill 定时拉取人类反馈,自动生成修改 Skill 的 PR,经人类评审合并后形成知识闭环。文章以 Issue 分诊 Agent 为实战案例,并总结六条实践经验:写原则而非规则、解释为什么、反馈零摩擦、Skill 保持小、反馈质量大于数量、重点投入 Improver Skill。同时辨析了 Skill 与 Memory 的区别,强调需假设反馈可能出错,并根据领域可验证性选择评估策略。
本文作者基于四年、90多次AI与自动化实施经验,系统阐述了企业成功落地AI项目的完整方法论。文章指出企业AI项目失败的核心原因是缺乏流程与数据孤岛:同一信息散落在CRM、表格、各业务系统中,导致重复录入、版本冲突、报告滞后和依赖员工记忆的隐性知识。作者强调AI会放大数据孤岛的危害,生成'基于三分之一信息的自信错误'。因此第一步必须做'现状评估':通过跨层级干系人访谈(访谈执行者而非仅管理者)、数据孤岛盘点等方式,绘制出真实运作的'地面地图',为后续AI系统设计打下基础。
文章解读了 Anthropic 官方发布的《打造高效的人机协作团队》,总结了让 AI 高效融入团队的 4 条经验:一是写清楚协作信息,通过会议纪要、聊天记录总结、企业知识库、项目配置文件给 AI 提供背景;二是给 AI 和人类分好工,用 Skills 文件定义 Agent 角色,实现多 Agent 协作;三是设定'北极星'目标,让 AI 主动提出建议;四是循序渐进地与 AI 建立信任。作者结合知乎回答工作流等实例,指出 AI 不会拯救混乱的团队,只会放大团队原本的样子。
本文介绍了“图工程(Graph Engineering)”在构建大规模AI Agent系统中的应用。传统线性工作流容易导致延迟和混乱,而图工程将工作流转化为节点、边界和状态的显式执行图。文章提出了七大核心实践:切断非必要依赖实现并行化、为节点设定明确契约、将边界视为数据契约、掌握链/菱形/路由器/受控循环四种基础图结构、合理展开合并独立任务、实现可检查的路由机制,以及在边界处部署验证节点。通过结合概率性模型判断与确定性代码控制,能有效提升Agent系统的稳定性、效率与安全性。