Posts

硅谷大厂正在模糊 QA 和研发的边界——AI Agent 推动岗位融合 最近半年我一直在断断续续想一件事：硅谷大厂对工程师的招聘要求、团队的分工方式，这一年里悄悄变了不少。我翻了二十多家公司的招聘数据和工程团队调整的公开信息，最让我意外的，不是 AI 工具变强，而是"QA 和研发"那条线越来越难划清楚。【关键词：#AI 编程 #岗位融合 #职业规划】 这篇文章是我梳理完数据和自己的思考后写下来的笔记，不求全，只求我能讲明白一件事：这件事对我们这些研发岗位意味着什么，以及我自己会怎么调整职业规划。 01｜硅谷正在发生的几件事 我最近看到的几个具体动作： Salesforce 的 CEO Benioff 公开说过，2025 年起不再招新的软件工程师（Times of India 报道）；客服从 9,000 砍到 5,000，把省下来的人力预算换成 1,000–2,000 个卖 AI 产品的销售岗。 Cognition（Devin 母公司） 整个工程团队 15 个人，每人同时带 5 个 Devin 跑任务；2026 年初他们自家代码库 89% 的提交来自 agent（agentmarketcap.ai 报道）。 GitLab 2025 年裁掉 14% 员工、退出 22 个国家（LinkedIn 报道）；研发团队从 30 个重组为 60 个跨职能 pod，把原本独立的 DevSecOps 收编进 agent 工作流。 Anthropic 2025-12 内部研究：60% 的工程师工作有 Claude 参与，27% 的任务原本不会做（Anthropic 研究页）——agent 不只是替代人，还创造了新的工作量。 更让我在意的是组织层面的合并。Skai 砍掉中间管理层、把团队改成跨职能 pod，效率从 7–12% 跳到 500%；HaxiTAG 33 个工程师只配 1 个 team lead；Jahnel Group 4 个人做原本需要 2 倍人力的活，靠 6 个并行 review agent 替代了原本由不同岗位承担的审核分工。 ...

用workbuddy 记住一个编号就能定画风：handraw-style 这个 skill 我实测出了 12 张不同风格的图 【关键词：#handraw-style #AI 配图 #手绘风格编号 #workbuddy】 之前我做公众号封面，每次都要在提示词里写「可爱一点」「文艺一点」——结果每次生图都不一样；同一个主题换一次 AI，画风也会漂移。直到我在 GitHub 上翻到 handraw-style（仓库地址 https://github.com/yang0/handraw-style），作者 yang0 把 261 种手绘风格编了号，配上一个能输出中英双语提示词的 Skill。记住一个编号 = 记住一种画风。我这两天把 A 到 G 七大类全翻了一遍，挑了 12 个不同编号、12 个不同场景，在 gpt-image-2 上跑了一遍——效果差异大到像换了 12 个插画师。下面把这套流程完整分享给你。 01｜先说痛点：为什么"描述画风"这么难 不知道你有没有过这种体验：在 Midjourney、即梦、SD 里写了「治愈系手绘风」，出来 4 张图——一张像吉卜力、一张像扁平 UI、一张像儿童简笔画、还有一张说不清是什么。每次想再要同一种风格，只能去翻历史记录，或者把原作者名字塞进 prompt 里硬猜。 问题出在「画风」本身就不是一个能被精确描述的东西。「治愈系」「文艺风」是主观感受，不是机器能锁定的特征。真正能让模型稳定输出的，是「作者名 + 风格名」这种可被训练数据记住的强信号——handraw-style 这个 skill 干的，就是把这件事压缩成「记一个 3 位数编号」。 02｜5 分钟看懂 handraw-style 是什么 它不是生图模型，也不是简单的 prompt 模板——它是一本手绘风格编号词典 + 一套双语提示词生成器： 仓库里整理了 001–261 种手绘风格，按 7 大类分目录：A 国际社论漫画 / 幽默手绘（001–035）、B 国际绘本 / 叙事型手绘（036–054）、C 现代平面 / 艺术化人物体系（055–082）、D 日本作者 / 当代插画体系（083–123）、E 中国作者 / 当代插画体系（124–154）、F 通用网感 / 媒介 / 地域手绘（155–200）、G 附件新增 / 当代插画补充（201–261）； 每个编号配一张风格参考图（仓库 images/individual/ 目录下，单图 + 四宫格各一张）和一段「原参考名称 / 生图名称 / 核心视觉特征」描述； 安装好 skill 后，你只要告诉它「编号 + 主题」，它就回你一段带风格名称的中英文 prompt，可以直接粘贴到任何支持生图的 AI。 它默认只产 prompt，不主动生图——这一步我很喜欢，意味着它可以和你已有的 MJ / SD / 即梦 / gpt-image-2 工作流无缝拼装。 ...

WorkBuddy 专家完全指南：从角色锚定原理，到按目标挑人、正确发任务、避开代价，一篇讲透 封面由 AI 辅助生成；按平台规则发布时保留 AI 生成内容标识。 原文：专家｜WorkBuddy 功能说明 作者：腾讯 WorkBuddy 官方（产品帮助文档） 来源：WorkBuddy 帮助中心，发布日期未查到可靠信息；本文核对于 2026 年 09 月 16 日 我把 WorkBuddy 5.5.2 客户端的专家中心、本机角色卡片、推荐任务和官方帮助文档全部翻了一遍，又把官方"AI 专家团 全场景办公"的设计哲学和自己用通用 LLM 的体感对照过，最终把'为什么 WorkBuddy 要给 AI 指定专家身份 + 怎么挑、怎么用、什么时候别用'这件事拆成一篇讲透。 【关键词：#腾讯WorkBuddy #专家团 #角色锚定 #AI协作】 01｜先把概念掰开：Skill / 专家 / 专家团 的关系 进 WorkBuddy 之前，我建议先把这三个词的关系理清。我自己的理解是：Skill 是一件具体工具；专家是带着方法和工具链的岗位角色；专家团则由多个专家一起做，团长先拆任务、分配工作，最后把成员结果收回来。 任务特征 优先选择 判断例子 缺少一种具体工具能力 Skill 或连接器 读取表格、调用外部服务、生成某种文件 一个岗位可以独立完成 专家 改一篇文案、评审一版 UI、分析一份销售表 两个以上岗位必须接力 专家团 研究→撰写→审稿，或需求→架构→开发→测试 这是看交付链——不是看名字。下面所有判断都从这张表开始。 02｜为什么给 AI 指定身份更靠谱：角色锚定机制 WorkBuddy 给 AI 指定专家身份这件事，不是营销话术，是有底层机制的。我把它翻译成大白话： ...

我用 WorkBuddy 给股票做作业：从看好一只票到心里有底，一份散户能复制的完整 SOP 【关键词：#腾讯 WorkBuddy #股票分析 #散户工具】 原文：[怎么用 workbuddy 分析理财投资的目标公司？完整教程] 作者：猫咪不吃愚（科技从业者 / 程序员 / 运动爱好者 / 业余理财党） 来源：Cindy 会话实录，2026 年 9 月 买股票踩过的最大坑——复盘才发现：连这家公司是干什么的、卖什么产品、赚不赚钱、跟同行比怎么样，全都没搞清楚。那次之后我给自己立了个规矩——任何一只股票在买入之前，必须先做一份"作业 PPT"，看不懂的票不下手。 这篇文章把我用本地版 WorkBuddy（v5.5.2，2026-09-08 发布）给目标公司做作业的完整流程全公开。从"看好一只票"的念头，到"心里有底敢下单"的 PPT，每一步给你拆开讲，你照着做就能给任何一家公司做出一份 18 页的深度调研——总耗时 2 小时出头，比你刷一天雪球帖子有用得多。 01｜先讲结论：WorkBuddy 给股票做作业 PPT 真的有用吗？ 我的回答：有用，但有一个前提——你自己得先有"想搞清楚的问题"。 AI 不是股神，它不能告诉你"这只票会涨还是会跌"，但它能帮你把一家公司从里到外梳理清楚： 这家公司到底是干什么的？卖什么产品？赚谁的钱？ 最近几年赚不赚钱？收入是在涨还是在跌？ 行业里排第几？跟同行比是强还是弱？ 老板和团队靠不靠谱？有没有什么负面新闻？ 现在买入贵不贵？最近为什么涨 / 跌？ 最坏的情况会怎样？万一亏了能承受多少？ WorkBuddy 在这里最合适的角色不是"算命先生"，而是"陪你看资料的助手"——你说要看哪家公司，它帮你把财报、新闻、雪球帖子、年报全整理一遍，最后出一份你看得懂的报告。 我这次跑的完整流程是：选定公司 → 收集资料 → 一句话指令 → AI 出大纲 → 选模板 → 生成 .pptx → 迭代优化 → 自己精修 → 决定是否买入。下面一步步拆给你看。 ...

腾讯 WorkBuddy 我用了一周，从跑数据到写广告：终于搞懂它到底牛在哪、哪些坑别踩 【关键词：#腾讯 WorkBuddy #AI 办公自动化 #专家与连接器】 最近一周我几乎把所有"重复劳动"都丢给了一个叫 WorkBuddy（腾讯出品的桌面 AI 助手）——它是装在 Mac 上的客户端，v5.5.2（2026-09-08 发布），背后挂着腾讯混元 + 一整套"专家/技能/连接器"体系。这篇文章不是软文，是我自己真用了一周之后的复盘：哪些功能是真香、哪些是噱头、数据分析和写广告两个真实任务的完整产出、还有我踩过的坑。你看完整篇文章，至少能省下你"摸索 WorkBuddy 到底能干嘛"的 3 小时。 一、先一句话讲清楚：WorkBuddy 是什么、不是什么 很多人把它当成"国产版 Cursor"或者"另一个 ChatGPT 桌面客户端"，都不太对。我自己的理解是——WorkBuddy 不是聊天工具，它是"AI 员工"：你招进来一群虚拟岗位（专家），给它们配 SOP（技能）和外接系统（连接器），然后让它们 7×24 替你干活。 它做的事可以压缩成一句话：把"AI + 工作流 + 外部数据"打包在一起，让你不用自己造轮子。和 ChatGPT/Claude/Gemini 的纯对话不一样，WorkBuddy 一上来就预设了 12 大领域、100+ 个虚拟专家（产品经理、数据分析师、抖音策略师、HR、法务……），还内置了 50+ 个官方连接器（飞书、企微、腾讯文档、GitHub、自选股、企查查……）。它不是要你"学会 prompt"，而是要你"指挥一群 AI 员工"。 一句话总结：WorkBuddy = 100 个 AI 员工 + 一堆工具 + 自动化调度，本地客户端 + 云端托管，关掉电脑任务也在跑。**** 我一开始也是抱着试试看的心态装的，毕竟腾讯自家出品、又有"AI 全家桶"的背景，但用了一周之后老实说——它不是完美的，有些功能很糙（配图质量、配图审美、长文逻辑偶尔抽风），但它的"自动化 + 真实接外部系统"这个组合拳，确实是当下国产桌面 AI 里最完整的一套。 二、日常办公 8 大功能：这张图我建议你先存下来 我先把 WorkBuddy 能干的活分成 8 大类，这是我自己用了一周摸出来的，不是抄官网： ...

OpenAI 把 Agents API 全部开放了——这是 AI 调度时代的第一声发令枪，我决定这么用 【关键词：#OpenAI Agents #AI 调度 #指数级生产力】 最近 OpenAI 把全新的 Agents API 公测版放出来了——只用一次 API 调用，就能在云端启动一个直接能上生产环境的 AI 智能体。消息刚出来那会儿我正在改一个 bug，看完发布会回放之后，那个 bug 我突然不太想改了——因为这件事比改任何一段代码都更值得我停下来想清楚。我不是被惊艳到了，我是被提醒到了：这件事如果只是当新闻看，那就白看了。 我想先说说我看到的真正信号。 这一波更新里最值钱的，不是 "Agents" 这个词，是它背后那整套「基础设施」。OpenAI 这次一口气放出来的是：长上下文管理、工具调用路由、子智能体协调、代码沙箱、文件读写、状态持久化、checkpoint 回滚——这一整套原本只在 Codex 内部和 ChatGPT 企业版里流转的东西，被原封不动地搬到了普通开发者面前。它等于正式宣布了一件事：造一个能稳定跑几天几夜的生产级智能体，从今天起不再是工程活，而是产品活。 对开发者来说，这个变化不是「又一波 AI 升级」，是底层假设换了——智能体的"长任务、异步、持久化"从 hack 变成了 first-class。这件事如果只是当新闻看，那 6 个月后你回头看，会发现自己错过了这一波最大的「复利」窗口期。 一、OpenAI 这次到底放出了什么，为什么我说它值钱 我反复看了三遍官方博客，重点不是"agent 能干什么"，是"什么样的事情，从今天起不再需要你自己造轮子"。 第一层：长期上下文管理。一个 agent 跑几天几夜，最难的不是它能不能思考，是它能不能在几百万 token 里准确找回自己之前放下的那个细节。以前这件事要么靠你自己做摘要、要么靠模型自己挣扎、要么干脆任务跑到一半崩了重来。现在基础设施层把这个事接走了，开发者第一次不用再为「长任务的记忆」发愁。 第二层：工具调用 + 子智能体调度。一个 agent 不是孤岛，它要调用工具、要拆子任务、要让多个子 agent 协作完成一件事。这个能力以前每个团队都在自己造——造出来的水平参差不齐，bug 多到让人怀疑人生。现在 OpenAI 把 Codex 内部跑了一年多的那一套原样开放，等于定了一个事实标准。你不需要自己发明调度协议，按它的方式接入就行。 第三层：沙箱 + 持久化。一个能跑代码、能读写文件、能保存中间结果的智能体，没有安全沙箱就是定时炸弹。这次更新把这层基建也包进去了，等于告诉所有开发者："你放心让 agent 写代码、跑脚本、写文件，出问题算我的"。 ...

WorkBuddy 一周实测：个人工作和小团队，到底能用它做什么？ 实测环境：macOS，WorkBuddy 5.2.7，连续使用一周。 信息复核：2026 年 9 月 9 日。官方更新日志显示，桌面端最新版本为 5.5.3。本文中的耗时、资源占用和识别效果，都是我在 5.2.7 上的单次或少量测试记录，不代表官方承诺。版本与价格以 WorkBuddy 更新日志 和 腾讯云计费说明 为准。 我把 WorkBuddy 装到 Mac 上时，没打算拿它“颠覆工作”。我只是受够了来回搬东西：飞书里翻聊天记录，复制到文档，再把表格数据塞进 PPT，还要单独写一封邮件。WorkBuddy 和普通聊天工具最不一样的地方，不是它更会说，而是它能在我授权后读文件、跑工具、生成文档，再把结果交到下一个应用里。官方把它叫“全场景职场 AI 智能体桌面工作台”，我用了一周后的说法更土：它像一个坐在我电脑里的执行型实习生。任务说清楚，它能省掉不少机械操作；任务说含糊，它也会一本正经地跑偏。【关键词：#WorkBuddy #AI智能体 #个人效率 #小团队协作】 我最先跑通的是周报。 周一早上，我把一周的会议纪要、零散待办和几份项目文档放进同一个工作区，要求它按“已完成、风险、下周计划”整理，不准碰两个敏感项目。那次三分钟出了初稿，我又花五分钟改人名和优先级。省下来的不是写字时间，而是从十几个窗口里捞信息的烦躁。可我第一次下指令时只写了“帮我整理本周工作”，它把私人备忘也扫进去了。这个翻车让我定下一条规矩：先圈目录，再说任务；先写禁区，再点运行。后来我把个人任务收成五类，效果稳定了不少： 长文档压缩。 我拿一份 80 页产品白皮书，让它输出 300 字摘要、关键参数表和三条待确认问题。普通文本版约 90 秒就完成，够我拿去开内部会。换成扫描 PDF 后，表格和页脚开始串行。原稿里我写过“识别率掉到 60%”，这个数字只来自那一份样本，不该当成产品能力。我的处理办法很简单：先做 OCR，再让它摘要；关键参数回到原页核一遍。 PPT 起稿。 我先给客户类型、演示时长、听众最关心的问题，再让它出 12 页结构和视觉草稿。那次从空白页到可讨论版本，比我自己从零搭快很多。没有客户画像时，它默认按中小企业写，整套方案方向都偏了。AI 能补页面，补不了我没说出口的业务背景。 批量整理邮件。 我让它给 200 封未读邮件做“客户、同事、订阅、待删除”分类，并把涉及付款、合同、交付日期的邮件单独列出。五分钟左右分完，少数客户群发信被扔进订阅类。我没有让它自动删除，也没有让它直接回信。发邮件、删邮件这类动作，我都保留临门一脚的人工确认。 代码和表格杂活。 一份约 200 行的 Python 脚本，它两分钟找出两个真问题，也塞给我五条偏风格的建议。我只修能复现的错误。把客户资料从一个表搬到另一个表时，它能做字段映射，但“公司简称”和“客户名称”猜错过一次。批量写入前先拿五行试跑，比事后清两百行脏数据轻松得多。 公众号初稿。 我给主题、读者、真实案例和禁用词，让它先搭草稿。十分钟能有一版，但“过渡词加升华收尾”的味道还是会冒出来。现在我只让它整理材料和找结构，真正的判断、情绪和具体经历自己写。能交付文件，不等于能替我表达。 小团队场景比个人场景更考验边界。 我和两个同事把它当“团队实习生”用了三天。最顺的一次，是把三份 Word 会议纪要拆成待办，再写进协作表格。我们事先约定四个字段：负责人、截止日期、动作、优先级；没有负责人就标“待认领”，不让它猜。十二分钟后表格能直接发群。最糟的一次，是让它“自行选择合适工具”，它连续调了一串 Skill，任务做完了，积分也掉得肉疼。官方技能文档建议只启用当前任务需要的 Skill，我很认同。Skill 本质上是脚本和工作流，会在授权范围内读写文件、调用第三方服务；部分 Skill 还会把输入发给第三方。别把“装得多”当成“能力强”，闲置 Skill 该关就关。连接器也一样。官方连接器文档列出了邮箱、腾讯文档、腾讯会议、TAPD 等接入场景，飞书、钉钉等也有单独的助理接入指引，但每个连接器能读什么、能写什么，要看实际授权。我的做法是把团队任务拆成下面这条链： ...

Trae、WorkBuddy 和 Agent:搞懂这三者,非程序员也能玩转 AI 我电脑里同时装着 Trae 和 WorkBuddy。一个长得像 VS Code,打开就是一整屏代码;一个长得像微信,打开就是个对话框。同一个"AI 助手"的名号,干的活差着十万八千里。关键词:#workbuddy #trae #agent 而 Agent 是另一回事儿。它不是一个产品,是个概念。你可以把它想成"汽车"这个品类——Trae 和 WorkBuddy 都是车,但一辆是越野车,一辆是家用 SUV。 先说最重要的一句话:Agent 是一个概念,Trae 和 WorkBuddy 是两个产品。 我用个不太恰当但好懂的比喻:Agent 相当于"汽车"这个品类,而 Trae 是"越野车"、WorkBuddy 是"家用 SUV"。都是车,但干不同的活儿。 那 Agent 到底是什么? Agent 直译过来是"智能体"。它和咱们平时聊的 ChatGPT、豆包、文心一言这类聊天机器人(Chatbot)不一样。 聊天机器人,你问一句它答一句,本质是"问答"。 而 Agent 是"干活"。你说"帮我订明天北京到上海的高铁,上午十点左右,二等座",它会自己拆任务、自己查车次、自己下单、自己填地址。整个过程你不用一步一步指挥。 一个能真正干活的 Agent,需要三样东西: 大脑:大模型(比如 DeepSeek、豆包、混元),负责理解和决策; 记忆:能记住你之前说过啥、做过啥,不会聊两句就忘; 工具:能调浏览器、调表格、调你电脑上的软件,这是干活的"手脚"。 缺任何一样,它就只能"陪聊",干不了正事。 那 Trae 和 WorkBuddy 又是啥? 懂了 Agent 是"汽车品类"之后,Trae 和 WorkBuddy 就好理解了——它们都是 Agent 的具体实现,但定位完全不同。 Trae 是字节跳动在 2025 年初推出的 AI 原生 IDE。所谓 IDE,就是程序员写代码用的"大本营"。它底层基于 VS Code,打开就能用,内置了 Claude、GPT、豆包等多个大模型,主打"中文体验最好、对开发者最友好"。 ...

我现在的「AI 工作台」：codex + Cindy + openclaw + kilo 最近被朋友反复问同一个问题：你这四个 AI 工具到底是怎么分工的？codex、Cindy、openclaw、kilo，光听名字确实都像"AI 助手"，凭什么不全用同一个？我自己也花了不少时间才把这套组合理顺。这篇文章只讲一件小事：在我手里，这四个工具分别占住了不同的工作位，缺谁我都会别扭。 我写代码的"主驾"是 codex。这里的"主驾"很具体：跨多文件、需要持续迭代、上下文一旦断了就接不回去的那一类项目。我把 codex 一直挂着，它不像一个"一次性问答工具"，更像一个能跟项目同呼吸的搭档——它看过的文件、改过的 diff、跑过的命令，会变成下一轮决策的依据。规矩只有三条：把 codex 当"项目主驾"而不是"问答工具"，给它持续的事实而不是一次性的提示；用里程碑切会话，长会话里它会慢慢漂移，里程碑一过就 reset，让它从干净的事实开始；看 diff 而不是看回答，它给的"通过"只是参考，最终那一下"合不合"必须人来定。 Cindy 站的是另一个位。她不只是"另一个 AI"，更像是四个工具之间的调度位。一半的时间我在做办公——写周报、整会议纪要、做汇报材料、起草对外的邮件——这摊事她是我的主力。但更让我离不开的，是她无缝衔接 Pi、codex、Claude的能力。我经常是这样跑工作流的：先用 Cindy 把需求讲清楚、列好要点；遇到需要长链路推理的，把上下文接力给 Pi；进入真正的工程实施阶段，再接力给 codex；想换一个视角听反馈或做对照，再回到 Cindy 或转 Claude 跑一遍。整条链路的纪律是：办公是基本盘，周报、会议纪要、对外邮件这一摊她是主力；调度是放大器，她和 Pi / codex / Claude 接力，让上下文在工具之间流动，我不用复制粘贴、不用重新解释背景；接力链路过长是陷阱，两到三跳最舒服，再多，信息的损耗就会显出来，必须切回 Cindy 重整。 再往下是 openclaw。它在我这里干的是"不入主线"的杂活。什么叫杂活？一次性脚本、临时数据清洗、批量改个文件名、跑个不痛不痒的小爬虫、把一段音频转成文字、给一张图换个尺寸、临时翻译一段不要求精度的文字——这些事不会上 GitHub、不会进生产、也不会被任何会议引用，但不做又会卡住主线进度。openclaw 就是这种"轻骑兵"，打开就能用、用完就走。规矩是：任务的边界是"不入主线"，都是它的活；价值在"快"和"不打断心流"，不在"严谨"和"可追溯"，别把它的输出直接当交付物；用完就走，它不占心智位，也不抢主线位。 kilo 的角色最简单：在 VSCode 里用的那个。很多写代码的时间是碎片化的——我在 IDE 里写到一个函数、卡住、想问一下；改到一半想确认某个 API 的用法；review 一段刚写的逻辑想找人挑刺。这时候我不想切窗口、不想开新 tab、不想跳出当前文件，kilo 就在侧栏里直接接住。规矩也很简单：位置在 VSCode 侧栏，随手就能用，不切窗口；任务是碎片化的"边写边问"，卡住的函数、API 用法、刚写完的逻辑想挑刺，kilo 就在手边；不要在 kilo 里跑长链路任务，它的定位是"边写边问"，不是"项目级搭档"，那个位是 codex 的。

纳瓦尔宝典：AI 时代，借 AI 之力撬动个人能力与财富的复利 原文：The Almanack of Naval Ravikant: A Guide to Wealth and Happiness 作者：Naval Ravikant（硅谷天使投资人，AngelList 创始人） 编撰：Eric Jorgenson 来源：Magrathea Publishing，发布于 2020 年 09 月 中文版：中信出版社，2022 年 05 月，赵灿 译 最近在重读《纳瓦尔宝典》，一句话反复击中我——「财富 ≠ 劳动」。但这次重读的体感，和前几次很不一样：以前我把这句话当成一种「价值观提醒」，告诉自己别太累；现在 AI 全面进入工作流之后，我才发现纳瓦尔讲的其实是一种「杠杆公式」，而 AI，是 21 世纪最便宜、最高倍的那一种杠杆。这篇文章，我想把纳瓦尔关于「财富 / 杠杆 / 判断力」的核心观点重新梳理一遍，并把它们放进 AI 时代这个新变量里，回答一个更现实的问题——作为没有任何特殊资源、也没有团队背书的普通人，我们怎么借 AI 之力，以最小付出去撬动个人能力与财富的双重复利？ 一、AI 改变的，不是「杠杆本身」，而是「杠杆的门槛」。 纳瓦尔反复讲一句话：「我们这代人最被高估的东西，就是劳动本身。」劳动只能线性放大你的时间，而 财富是指数级增长的——他给出了一个非常冷静的区分：劳动是用时间换钱，金钱只是财富的流通形式，真正的 财富，是你睡觉时依然在为你工作的东西。在他那本《宝典》里，他把放大劳动的工具分成「劳动力 / 资本 / 代码 / 媒体」四类杠杆，并指出：前两类需要别人「许可」，后两类才是普通人的金矿。但放到 2024 年之后，这件事又变了一次：AI 出现之后，「代码」和「媒体」这两条无许可杠杆的门槛，被一次性打到了地板。以前你想写一个工具，需要学一门语言、搭环境、踩无数的坑；现在你只需要把需求说清楚，AI 就能给你一个能跑的版本。以前你想持续生产内容，需要文笔、时间、选题、拍摄；现在 AI 可以帮你写初稿、配图、剪辑、校对。门槛下降，杠杆率反而在上升——这才是 AI 真正改变的事。 二、AI 时代，普通人能用的「五种新杠杆」。 纳瓦尔讲的是四类「杠杆」，结合我自己的 AI 使用经验，我把它们重新整理为「五种更接地气的杠杆」，并按「普通人友好度」排序： AI 杠杆的能力外骨骼——你不是变强了，你是装上了外骨骼。写作、设计、分析、翻译、代码、PPT，这些过去需要多年训练的能力，现在 AI 都能给你一个 70 分的起点。你不是不能做，只是过去做一次的成本太高。 AI 杠杆的内容生产——一个人 = 一家内容公司。选题、写作、配图、排版、分发，过去需要一个小团队；现在一个人 + AI 工作流就能稳定产出。这是「媒体杠杆」的 AI 加持版。 AI 杠杆的产品制造——一个人 = 一家小产品公司。无代码 + AI 辅助开发 + AI 辅助运营，让「做一个自己的小产品」从过去的半年变成现在的两周。这是「代码杠杆」的 AI 平民版。 AI 杠杆的信息差消除——以前你做判断，靠经验和信息差；现在 AI 可以几秒钟内帮你拉齐行业资料、对比方案、列出反例。判断力没变，但判断的依据变厚了。 AI 杠杆的人际连接——AI 帮你整理客户、读邮件、写回复、做会议纪要；你不再被事务性工作淹没，可以把时间花在「真正需要人的地方」——关系、信任、长期价值。 纳瓦尔反复强调：杠杆只是放大器，方向错了，杠杆越大，摔得越狠。在 AI 时代，这句话变成了一个更具体的提醒：如果你用 AI 加速了一件错误的事，你只会更快地失败。 ...