一句话看懂：几位硅谷资深 AI 用户分享了把工具整合成工作系统的具体方法：先让 AI 读取真实工作资料、接住重复任务，再通过持续反馈迭代流程。差距已从“会不会用聊天框”变成“有没有一套会自我改进的工作流”。
事件核心：发生了什么
这期播客内容整理了 Kalshi 联合创始人 Luana Lopes Lara、斯坦福数字经济实验室主任 Erik Brynjolfsson、独立创作者 Peter Yang、Box CEO Aaron Levie 和可汗学院创始人 Sal Khan 的工作流。几个关键做法包括：Kalshi 让内部 AI Agent 每周自动收集邮件、文档和指标，Luana 因此腾出了周日早午餐时间；Erik 让 ChatGPT 或 Claude 先“采访”自己，再给出十个可尝试的场景，他估计自己一个月不用 AI 就愿付数万美元；Peter Yang 不会写代码，却靠着向 Codex 口述工作流程做出了 16 个应用，把每周一小时的数据统计压缩成自动简报。可汗学院约 200 名工程师，每年 Anthropic 账单达 120 万美元，一位工程师单日消耗 3000 美元算力，但完成了过去需要三四个月的工作。
为什么重要
这些案例指向一个共同趋势：AI 的价值不在于单次问答质量，而在于能否接入真实工作环境、形成可重复调用的技能模块。数据也支持这一点——仅在一两项任务上使用 AI 的人，45% 感到生产力明显提升；当任务增加到七项以上，这个比例升至 90%。这意味着工具没有变，使用者把 AI 接进的工作环节变多了。美国已有 58% 的公司要求员工使用 AI，但缺乏场景和训练的要求容易变成打卡式应付。系统化的工作流设计，正在成为区分“用 AI 的人”与“从中获益的人”的分水岭。
对用户/开发者/创作者的影响
对普通用户，Erik 的建议最直接：不用先研究提示词大全，让 AI 询问你的工作、家庭和上周最头疼的事，聊完后通常能得到十个可尝试场景，挑一个高频、低风险的开始即可。对创作者和独立开发者，Peter Yang 的做法值得参考：把仍在手工复制、改格式、查数据的麻烦事写成 Skill，并在每次使用后告诉 AI“根据刚才的对话更新这个 Skill”，让规则随使用次数稳定下来。对企业团队，Sal Khan 的边界设定很明确：AI 可以起草邮件但不能发送，可以准备内容但不能发布，涉及医疗和战略的决定必须真人确认。成本判断也要回到具体任务——3000 美元算力省下三四个月开发时间，这笔账才算得过来。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，有几个观察点值得留意：一是 Peter Yang 把 Skill 与记忆文件分离的做法是否会被更多工具原生支持，让个人知识库和工作流更容易维护；二是 Kalshi 正在解决的权限问题——Agent 读得越深，法律、合规和监控资料的访问边界如何设计，这可能是企业级 AI 工作流能否规模化的关键；三是可汗学院高算力消耗模式能否被其他教育或内容团队复制，还是只适合预算充足的机构。这些案例中提到的工具并不神秘，真正的变量在于谁在持续维护数据连接、更新流程规则，并有人对系统本身负责。
