# AI 工作流怎麼建？我用了兩年才發現自己一直在用的 12 個框架
Meta Description: 一人創業者的 AI 工作流不只是工具操作。從分離原則到儀式化工作流，拆解 12 個無意識在用的方法論，每個都有學術理論佐證。
Target Keywords: AI 工作流、一人創業 AI、AI 使用方法、內容創作 AI
首圖關鍵字: workspace laptop minimalist
前幾天有人問我：「你用 AI 做這麼多事，可以教我怎麼用嗎？」
我愣了一下。
因為我從來沒有「學過」怎麼用 AI。我就是每天用，踩坑，改，再用。用了兩年，回頭看，才發現自己一直在用一些固定的模式。
這些模式沒有名字，我也沒有刻意設計過。但當我試著把它們拆開來看，發現每一個都對應到某個管理學或心理學的理論。
這篇文章就是我把這些「隱性方法論」挖出來的紀錄。如果你也在用 AI 工作，你可能會發現，你自己也在用其中幾個。
第一層：我跟 AI 的分工是什麼
1. 分離原則：機械的歸 AI，判斷的歸我
我的工作裡大概有一半是機械性的：行事曆同步、學員表單撈資料、圖卡截圖、格式轉換。這些我全部交給 AI 跟腳本處理。
但「這個學員下個月應該專注什麼」「這篇文章的語氣夠不夠像我」，我從來不讓 AI 決定。
聽起來很直覺對吧？但大多數人用 AI 的時候，這條線是模糊的。有時候太依賴（讓 AI 幫你想策略），有時候太不信任（連格式轉換都自己來）。
我後來發現這跟 Daniel Kahneman 的系統一、系統二理論很像。機械性任務就是系統一，可以外包。判斷性任務是系統二，外包了你就失去思考能力。
Cal Newport 在《Slow Productivity》也講過類似的事：自動化 overhead（行政瑣事），才能保護 deep work（深度工作）。AI 最大的價值是幫你把行政瑣事消滅掉，讓你有空間去想真正重要的事。
我的心得：AI 是你的手，不是你的腦。手可以換工具，腦不行。
2. 回饋即規則：教一次，寫下來，永遠不用再教
這是我覺得最多人沒做到的一件事。
大多數人用 AI 的流程是這樣：問 AI 一個問題 → AI 回答 → 不滿意 → 糾正 → AI 改好 → 下次對話又犯一樣的錯。
我的做法不一樣。每次我糾正 AI 一個錯誤，我會把它寫成一條規則，存在一個 AI 看得到的地方。下次對話，AI 直接遵守，不用我再講。
舉個例子：有一次 AI 幫我回覆學員訊息，結果它把學員寫過的東西全部列出來，像在做口頭報告。我跟它說「不要複述別人的內容，一句帶過就好」。然後我就寫了一條規則：「回覆學員時不要重複列舉對方寫過的事，一句帶過直接進正題。」
現在不管哪一次對話，AI 都會遵守這條規則。
我目前有 12 條以上這種規則，涵蓋語氣、格式、操作偏好。每一條都是被某次「搞砸」逼出來的。
這個方法跟 Ray Dalio 在《Principles》裡的核心概念一模一樣：痛苦 + 反思 = 進步。每次失敗都應該轉化成一條可操作的原則。Toyota 的 Kaizen（持續改善）也是同一個邏輯，品質問題不只修復，要改流程讓問題不再出現。
Chris Argyris 把這叫做「雙迴圈學習」。單迴圈是改行為（這次修正），雙迴圈是改規則（以後都不會再犯）。
我的心得：不要每次都教 AI 同一件事。教一次，寫成規則，永遠不用再教。
3. 一次輸入，多次輸出：一個想法，五種說法
每週二我會寫一篇電子報。寫完之後，我不會「再寫一篇 Threads」「再寫一篇部落格」。
我會讓 AI 把同一篇電子報，根據不同平台的特性改寫。
Threads 需要場景感跟第一人稱，400 到 600 字最剛好。Carousel 需要 hook 翻轉跟視覺節奏，10 張圖，每張一個重點。WordPress 需要 SEO 結構，H1 用問句、關鍵字前置。Reels 需要前 3 秒抓住注意力。
同一個核心想法，五種完全不同的表達。
這跟一般人說的「內容再利用」差很多。一般人的再利用是複製貼上，頂多改個格式。但每個平台的讀者有不同的閱讀習慣跟認知負擔，你不能拿同一段文字去套。
Marshall McLuhan 在 1960 年代就說過：「媒介即訊息。」同一個想法在不同媒介上必須有不同的形態，因為媒介本身就在塑造你的訊息。
Gary Vaynerchuk 也在推這個概念，但我覺得他的版本太粗了。他的模式是拍一支長影片然後剪成短的。我的模式是從核心想法出發，根據每個平台的原生語法重新寫。不是裁切，是翻譯。
我的心得：一個好想法值得被說五次，用五種不同的方式。
第二層：怎麼讓 AI 越用越好用
4. 儀式化工作流：不問今天要不要用 AI，到了就跑
我沒有「決定今天要不要用 AI」這個步驟。
每天早上打開電腦，第一件事就是跑早晨流程：AI 會自動讀我的行事曆、讀我的專案狀態、告訴我今天最重要的一件事是什麼。
每週二，電子報產線自動啟動。每週五，週覆盤自動跑。每天收工前，AI 自動幫我把今天學到的東西分類歸檔。
為什麼要這樣做？因為「今天要不要用 AI」這個問題本身就在消耗你的意志力。
James Clear 在《Atomic Habits》裡提到一個概念叫 Implementation Intention（執行意圖）。意思是，當你把行為綁定在特定的時間和情境上（「週二早上 = 寫電子報」），執行率會提升 2 到 3 倍。因為你不需要決定，到了就做。
Cal Newport 的 Time Blocking 也是同一個精神：把工作類型鎖定在特定時段，消除「我現在應該做什麼」這個問題。
Mason Currey 研究了幾百位高產出的創作者，寫成《Daily Rituals》。幾乎所有人都有固定的日常儀式。儀式的力量在於消除啟動的阻力。
我的心得：不要問自己今天要不要用 AI。把它綁在你的行程裡，到了就跑。
5. 遞迴自訓練：每次對話都在幫明天的 AI 上課
這個可能是我做得最不一樣的地方。
大多數人用 AI 是線性的：問一個問題、拿到答案、結束。下次開一個新對話，從零開始。
我的用法是累積的。每天的工作不只是「完成任務」，它同時在餵養好幾個知識庫。
我跟學員的諮詢筆記會自動被萃取出觀點，存到我的「觀點庫」。日常閃過的靈感會自動分類（這是一個決策？一個觀察？一個靈感？還是一個情緒？），然後被路由到對應的知識庫。
當某個觀點在觀點庫裡被標記超過五次，系統會自動建議我：「這個主題你講過很多次了，要寫成文章嗎？」
每次的教訓會被存進教訓庫，永久修正 AI 的行為。
這是一個飛輪。用越久，AI 越懂我。懂我的品味、我的思考方式、我的偏好。AI 沒有變聰明，是我餵了它足夠多的「我」。
這個概念跟 Tiago Forte《Building a Second Brain》的 PARA 方法有點像，但我覺得 PARA 的分類太粗了。我是按照知識的類型做路由，觀點、決策、靈感、教訓各自有自己的流向。
更老的參考是 Niklas Luhmann 的 Zettelkasten 卡片盒筆記法。他一輩子寫了七萬張卡片，靠的就是知識之間的連結。重點不是存了多少，是它們怎麼互相連接。
我的心得：你今天跟 AI 的每一次對話，都應該讓明天的 AI 更好用。
6. 分層品控：80% 先做完，最後讓系統抓漏
我在做圖卡的時候，初稿階段很隨意。文案先寫出來，版面先放上去，80% 的完成度就往下走。
但到了最終輸出，我有好幾層品質把關：AI 感檢測（10 個項目，包括有沒有用太多「破折號」、有沒有不自然的對比句型）、品牌語氣比對、格式規範檢查。
這兩個階段的標準完全不同。初稿寬鬆是因為完美主義會殺死創意動能。你在想「這句話夠不夠好」的時候，你的創意已經走了。
但放到對外的東西上品質又不能馬虎。所以我的解法是：把品質把關從「我腦子裡的標準」移到「系統裡的檢查清單」。我不需要在寫的時候擔心品質，因為最後系統會幫我擋住不合格的東西。
Ed Catmull 在《Creativity, Inc.》裡分享 Pixar 的一個核心原則叫 Ugly Baby：每部電影的初版一定是醜的。這不是問題，重要的是你的迭代流程能不能把醜的東西打磨好。
Toyota 的自働化（Jidoka）也是同樣的概念：品質應該內建在流程裡，在問題發生的那個環節就被攔截，而不是等到最後才檢查。
我的心得：80% 先做完，最後 20% 讓系統幫你把關。
第三層：什麼時候該停
前面六個方法論是關於「怎麼做」。但我發現，用 AI 工作最難的部分其實是「什麼時候停」。
AI 可以幫你無限優化、無限延伸、無限改版。如果你沒有停止條件，你會永遠卡在「再改一下」的迴圈裡。
以下六個方法論，是我用來控制自己的。
7. 滿足即止：設定「夠好」的標準，到了就停
我不追求 Threads 每篇都破萬觀看。我設的標準是中位數 2,000 以上就好。到了，策略有效，不改。
諮詢的時候，我以前會給學員 8 到 14 個建議。後來我強迫自己上限 3 個，然後問：「這三個你最想先做哪個？」
Herbert Simon 拿諾貝爾獎的研究就在講這件事。他發明了 Satisficing 這個詞：設定一個「夠好」的門檻，達到就做決定，不繼續找更好的選項。Barry Schwartz 在《The Paradox of Choice》裡也用大量實驗證明，選項越多，人越不快樂。
設定停止條件，不然你會永遠在優化。
8. 約束即自由：限制越多，做得越深
我一天只推進一個專案。學員上限 10 人。一天工作 2 到 4 小時。
很多人覺得這些是限制。但正因為我一天只能推一個專案，所以每個專案我都推得很深。正因為學員只有 10 個，所以每個人我都有時間好好看他的狀況。
Greg McKeown 在《Essentialism》裡的核心主張就是這個：「如果你不替自己決定什麼重要，別人會幫你決定。」約束其實在保護你。
少做，才能做深。做深，才是護城河。
9. 數據驗證，不數據驅動：數據告訴你哪裡偏了，不告訴你該往哪走
我有一次分析了 1,240 篇 Threads 貼文的數據，發現我的觀看數從平均 5,000 掉到 2,700。
我用數據做的事情是找出「哪裡偏了」：原來是我發太多純理論的內容，演算法不知道該把我推給誰。
我沒有用數據做的事情是：追逐觀看數最高的內容類型然後只做那種。因為那樣我就會失去自己的特色。
Goodhart’s Law 說得很精準：「當一個指標變成目標，它就不再是好指標。」數據是羅盤，拿來校正方向，不是拿來追的兔子。
數據告訴你哪裡偏了，不告訴你該往哪走。方向還是你自己決定。
10. 市場測試大於內部分析：定位是測出來的
我有一個學員花了一年在想自己的定位，想到都焦慮了，還是沒有答案。
我跟他說：「你不如花兩週，發 15 篇不同切角的文章，看哪一種有人回應。定位不是想出來的，是測出來的。」
Eric Ries 在《The Lean Startup》裡的 MVP（最小可行產品）就是這個精神。Reid Hoffman 講得更狠：「如果你對第一版不覺得丟臉，你就發布得太晚了。」
80% 完成度就發布。市場會告訴你什麼是對的。
11. 系統加逃生口：自動化一定要有 Plan B
我的學員入學流程是自動化的：付款完成 → 系統自動開通課程平台權限。
但我還是保留了一個手動工具，可以隨時手動開通或檢查狀態。因為自動化會壞，API 會改，伺服器會當機。如果你的自動化沒有手動備援，遲早會在最關鍵的時候炸開。
Nassim Taleb 在《Antifragile》裡講的就是這件事：好的系統不是不會壞，是壞了之後能優雅降級，而不是整個崩潰。
自動化要有 Plan B。沒有 Plan B 的自動化是定時炸彈。
12. 教練反轉：用你教別人的標準來對待自己
這是最私人的一個。
我對學員很清楚、很果斷、很溫暖。但對自己，常常模糊、否定、充滿「好像」「可能」「不確定」。
我後來在系統裡設了一個機制：當 AI 偵測到我在否定自己的時候，它會問我：「你剛剛對自己說的那句話，如果學員說，你會怎麼回？」
每次被這樣一問，我就會意識到，我給學員的建議其實也適用於自己。只是我習慣性地對自己比較嚴格。
Kristin Neff 的自我疼惜（Self-Compassion）研究證實了這件事：大多數人對別人比對自己慈悲。而學會用對待別人的標準來對待自己，跟自尊提升和更好的決策品質有正相關。
用你教別人的標準，來對待自己。
把 12 個方法論串起來
如果要用一句話總結這 12 個方法論的共通點，我覺得是這個：
設計一個系統，讓做對的事情變成最省力的路徑。
我的早晨流程不需要我決定「今天做什麼」，因為系統會告訴我。我的品質把關不需要我記住所有規則，因為系統會幫我檢查。我的知識管理不需要我手動整理，因為系統會自動分類路由。
我做的事情很少。但因為系統幫我處理了所有機械性的東西，所以我有時間把少數幾件事做得很深。
這就是我理解的「慢」。
慢不是不用 AI。慢是用 AI 把不重要的事情消滅掉，把時間還給重要的事。
| 層次 | 核心問題 | 方法論 |
|——|———|——–|
| AI 怎麼用 | 我跟 AI 的分工是什麼？ | 分離原則、回饋即規則、一次多出 |
| 系統怎麼建 | 怎麼讓 AI 越用越好用？ | 儀式化工作流、遞迴自訓練、分層品控 |
| 人怎麼想 | 什麼時候該停？ | 滿足即止、約束即自由、數據驗證、市場測試、逃生口、教練反轉 |
這 12 個框架都不綁定任何特定工具。不管你用 ChatGPT、Claude、Gemini 還是其他什麼，底層的思考方式是一樣的。
工具會一直換。方法論不會。