风格指南写得越像你,AI 写得越不像你。
这是 Every 评估负责人 Mike Taylor 折腾了 6 年得出的结论。早在 2023 年,他用 AI 写的文章就已经能骗过朋友和同事,没人分得出真假。但他自己一眼就能看穿——甚至同事问起他“写过”的某段内容时,他根本认不出那是自己的想法。
问题就出在风格指南上:指南里列的全是他的“招牌动作”,比如自嘲、单句成段、“Here's the thing”这类口头禅。AI 照单全收、用力过猛,最后写出来的不是他,而是一幅对他的夸张漫画。
后来他换了个思路,把“描述风格”变成了“考试优化”:
1.攒题库并划出考卷:收集 185 篇自己的文章(共 33.5 万字),特意留出 54 篇当“期末考卷”,绝不提前喂给 AI。
2.提取纯干货简报:把每篇文章拆解成“只留实质、不留风格”的简报——论点、大纲、事实、来源、故事、原话全保留,但把句式、开头钩子、笑话全拿掉。
3.设立盲测判卷人:拿真实的原文章当标准答案,让 AI 对比两份新写的草稿,挑出更像他的一份(为防偏差,还会调换草稿顺序各比一次)。
4.用优化器迭代提示词:让 AI 不断修改写作指令(Skill),生成草稿去判分,只保留得分更高的改法。
结果非常惊人:在那 54 篇没见过的“考卷”上,Claude Opus 5.5 写出的草稿被判定“更像他”的比例,直接从 16% 飙升到了 93%。他自己从有想法到成稿,也从以前的一整天缩短到了 1 小时,手动改稿更是从几百处降到了 44 处。
核心逻辑只有一条:风格不是靠总结描述出来的,而是靠考试“考”出来的。 而且考卷必须是留出来的真文章,否则 AI 只是在死记硬背你的旧作。
如果你想复刻这套做法,可以按这四步走:
• 备素材:攒 12 到 25 篇同一平台的文章(如果文风变了,就用最近的 30 篇);没有文章,就用最近 30 场会议的录音转文字,千万别用推文和邮件凑数。
• 做简报:只提炼论点、事实、来源、故事和原话,剔除所有修辞和句式。关键原则:简报里必须有你的核心观点,且你喂给 AI 的字数要比它吐出来的多,否则写出来的就不是你的思想。
• 建判卷:用原文章作对照,让 AI 盲测两份草稿(正反顺序各测一次),并要求它写出两份草稿的具体差距。
• 搞迭代:只保留让得分变高的指令修改;同时把你每次人工改稿的痕迹喂回去,作为下一轮的训练数据。
一句话总结:先想好怎么考,再想怎么改。
你平时让 AI 写过东西吗?写出来的有“内味儿”吗?
4
2
382
Gemini Notebook 又一新功能:
一句 “帮我创建一个网站”,就能基于你的来源资料出一个网站。仪表盘、项目跟踪都能做。
You can now turn your sources into interactive, shareable websites 🤯
Just type "make me a site" in the Chat with a description of what you want to build (interactive dashboards, project trackers, etc). Once built, open it in a new tab or share it directly with others.
Available globally on web for ALL (18+) users. Share your examples below!
1
3
515
我只打了一句话,DeepSeek Harness 就直接接管我的电脑,全自动完成从读资料 → 出图 → 进 PS 的全套设计! 🚀
这句话是:「打开我的 photoshop,然后设计一张插件推广海报」。
DeepSeek Harness 调用 Computer Use 功能干了三件事,我一次鼠标没点:
1.读我那个插件目录的 README,自己挑出能上图的文案和数字
2.写 HTML,用无头 Chrome 渲出 1600×2000 和 3200×4000 两张
3.open -a "Adobe Photoshop 2026" 启动它,把图丢进画布,再截图回来给我核
最后 PS 里躺着一张 3200×4000、RGB/8 的图,缩放 33.3%。
不过,图是扁平单层,改一个字都改不了。它干的是「送到 PS 里给你看」,不是「在 PS 里排版」。要分层 PSD,得再让它写脚本 —— 这一步我没做。
我赌一句:Computer Use 会先淘汰「导出下载再手动导入」这一整段流程。
你觉得下一个被它干掉的跨软件繁琐操作是什么?👇
#DeepSeek #ComputerUse #AI工作流 #Photoshop
AI 没把内容写烂。
它只是把烂内容的产量翻了 10 倍。
SEO 凑字数、标题党、复制粘贴的“干货”,在聊天机器人出现之前就已经在刷屏了。AI 不是罪魁祸首,也不是救世主,它只是个加速器。
但加速之后,有两件事彻底变了:
1. 生成一篇只要 10 秒,瓶颈全卡在了审稿的人身上。
2. 内容多了 10 倍,读者的时间一分钟也没多。慢慢打磨的东西不是变差了,是先被挤出了信息流。
我自己天天拿 AI 写初稿,深有体会 🫠
现在最花时间的早就不是“写”,而是“删”。
所以我给自己立了一道很土的规矩:
一条草稿里,如果没有一个别处找不到的真实例子、一手数据或踩坑经历,就不发。
哪怕写完了,也不发。
说实话挺难守的,毕竟大家都在卷日更。
你发帖前,AI 初稿一般要删多少?
A 几乎不删
B 删一半
C 基本重写
D 我不用 AI 写
评论区回个字母 👇
6
5
266
有没有这样的经历:你正盯着屏幕看 Agent 丝滑重构第 14 个核心文件,进度条走到 95%,屏幕突然蹦出来一行字——「你的额度已用完」。
那一刻真的脑子嗡的一声,会让人彻底陷入存在主义危机:
手足无措地盯着屏幕,满脑子只有“完了,这下怎么办”。重开一遍得把刚才的几十轮对话重新喂一遍,硬等冷却又急得要死,干坐着完全不知道下一步该干嘛。
被坑过好几次之后,我现在每次遇到这种突然断粮,都是这么硬救的 👇
1、千万别手快刷新页面!先把页面上已经吐出来的内容全选复制下来,能抢救多少算多少。
2、直接打开免费/便宜的轻量小模型(比如各种 Flash 版),把刚才的半成品和最后一句指令丢过去让它硬接上收个尾,救急完全够用。
3、长任务跑个四五轮,就顺手让它总结一句“目前进度”,哪怕下一秒突然没额度了,换个号也能直接接着干。
你们平时都是怎么防突然断粮的?有啥野路子评论区教教我 👇
3
3
252
你是不是在用 DeepSeek Harness 时,面对「标准 / PTC / 极简 / 创造」四个模式,总拿不准哪个才配得上手头这个任务?
最好的交互,应该是“没有多余的交互”。既然人脑懒得记规则,不如直接交给自然语言。
于是我搓了个「模式推荐」插件 dsh-npie-modeguide,把「选模式」变成一句人话 👇
1️⃣ 拒绝硬编码:构建时直接从当前内核的 4 份预设 YAML 真解析出能力表(4 列 13 行),只对比真正有差异的能力。
2️⃣ 极简交互:在会话框用大白话写下需求 ➔ 点输入框工具栏图标 ➔ 点「给建议」,秒出匹配结果。
3️⃣ 判得准且快:不靠玄学“猜意图”,而是精准反推「这任务需要哪个模式独有的工具」。本地规则优先,拿不准才调模型兜底(带硬超时,绝不卡死)。
💡 交互与边界说明:
✅ 空白新任务:支持点击「切到这个模式」一键无缝切换。
⚠️ 诚实的限制:任务一旦开始,底层模式在创建时即锁定,此时插件只给建议、不提供切换按钮(留着下个新任务再用)。
让“说人话”成为唯一的配置入口,把精力彻底留给干活本身。
你平时哪个模式用得最多?欢迎评论区聊聊,插件开源地址放首楼了 👇
DeepSeek harness 用下来,体感很不错。
原因就俩字:自由。
它不替你决定该怎么用,缺什么自己补上就行。
图里这几个都是我这阵子自己搭的:
【插件 1-dsh-npie-reader】:澄境 | Limina 阅人际,留寸心。
【插件 2-dsh-npie-mirror】:镜界 | Mirror 像不像,不靠 AI 说,靠同一把尺子量。
【插件 3-dsh-npie-scheduledtasks】:定时任务看板 一句话排期,到点真开一场会话。
【插件 4-dsh-npie-hub】技能 • MCP • 市场 一处管完,装了就生效。
……
写完最大的感受是,以前是我去适应工具,现在是工具来适应我的工作流。工具不规定你怎么干活,这种感觉很久没有过了。
自由度给够了,能玩出很多花样。
你最想给它加个什么插件?
说一个,我挑一个来搭 👇
有的任务一个 agent 就够,有的得一整个团队。分清这两者,本身就是本事。
单 agent 是一个会推理的模型,自己做计划、自己挑工具、循环干到完事。适合三种情况:任务是一条清晰的直线、一个 agent 能把整个问题装在脑子里、你想要搭得简单、出问题好找原因。
多 agent 是一个总管把任务拆成小块,分给各管一摊的 agent。适合三种情况:小块能同时干、一个写、另一个独立验、问题大到一个 agent 协调不过来。
单 agent 便宜、好搭,但复杂活儿会到顶;多 agent 更能干、更可靠,但要多花协调的力气。
论点:先单后多。先用单 agent 起步,只有一个 agent 装不下全部信息、或者自己验自己老漏错,成了瓶颈,才上多 agent——不是任务一看就复杂就加 agent,而是真卡住了才加。
我的做法是这样:
第一,接一个新任务先问一句:这事是一条直线,还是能拆成几块同时干?
第二,是直线就一个 agent 干到底,别急着拆。
第三,出现两种信号再拆:一个 agent 装不下全部信息了,或者一个 agent 自己验自己、老漏错。
第四,拆的时候一个写、一个验,验的那个独立干活。
一句话:能一个 agent 干完的活,别派一队 agent 去干。
你最近一次从单 agent 换成多 agent,是因为什么卡住了?
5
6
279
AI 写一千行代码的成本快归零了,读它的成本一分没降。
这是 AI 工程师大会 AIE Code 上一群演讲者和参会者联名写的《No AI Slop 宣言》,HumanLayer 创始人 Dex Horthy 在闭幕演讲里提了出来,之后被顶上了技术社区 Hacker News 的首页。
宣言给 AI 垃圾下了个定义:你花在生产上的力气,比你要求读者花在理解上的力气还少。用 AI 本身不等于产垃圾,垃圾是你把 AI 的输出直接发出去、没为质量和读者的体验负责。
宣言先亮了五条价值观:结果重于产量,理解重于速度,自己的思考重于模型的第一稿,更好的工作重于更容易的工作,改进系统重于修补输出。
宣言还点了一个现实:一群 agent 一天能产出的东西,一个人一辈子都审不完。垃圾还会越积越多:知识库、聊天记录、代码里的垃圾,都会被下一个 agent 读到、抄走。越是没人愿意较真,质量就滑得越快。
AI 产不产垃圾,不看你用不用 AI,看你发之前有没有为质量负责——只有人还愿意把关,AI 才是帮手,不然就是垃圾生产线。
我的做法是这样:
第一,发之前自己读一遍,关键部分一个字一个字对。
第二,是 agent 写的东西,先标清楚是它写的,再检查关键部分。
第三,同一个错出现两次,就去改系统和规则,不再逐条修输出。
一句话:发出去的东西有没有人用、帮没帮上忙,比写了多少行、跑了多少个 agent 重要得多。
你最近收到过最典型的 AI 垃圾是哪一份?
3
4
211
别再把品牌手册一遍遍粘贴进 AI 对话框了。
真正会用 AI 的营销人,已经在搭“系统”,而不是只靠写提示词。
我拆解了一套 30 天搭建 AI 营销系统的思路,每周解决一个具体痛点👇
Week 1|让 Claude 记住你的品牌、客户和语气
→ 从此不用每次对话都重新交代背景
Week 2|周一早上,Planner Agent 先给你一份周计划简报
→ 告别对着空白文档发呆
Week 3|Creation Agent 写初稿,Brand Editor Agent 按品牌语气审稿
→ 改稿时间大幅减少
Week 4|拿真实的一周营销工作跑一遍
→ 你只负责审核、拍板、找优化点
核心逻辑就一句话:
AI 干重活,你定方向、决定发什么。
Claude Pro 就够起步
每周投入大约 3–4 小时
你现在用 AI 做营销,卡在哪一步?
A. 每次都要重新喂背景
B. 初稿总不像自己的语气
C. 不知道怎么串成流程
评论区告诉我👇
4
5
173
同一个代码评审,token 从 460 万降到 50 万,时间从 12.8 分钟砍到 6.6 分钟。
问题不在模型,在技能的用法。我把重复流程写成技能,agent 每次跑都要重新读一遍技能、重新决定每一步该怎么走。等于每跑一次,都要花 token 把流程从头想一遍。
Swamp 的办法是反过来的:让写代码的 agent 把重复的技能一次性搭成工作流,搭好之后反复跑。
每个步骤的输入和输出都是事先定好的,下一步走哪条由代码决定,不由模型临时想。模型只在真正需要判断的那几步才出场。
Swamp 官方公布的一组实测是这样:同一个代码评审技能,在 Codex 里跑要花约 460 万 token、23 个 agent、12.8 分钟;改成 Swamp 工作流后,约 50 万 token、3 个 agent、6.6 分钟。
省得最多的一块,是把协调这活儿从 agent 手里交给了代码。
流程跑第二遍的时候,就不该再花 token 想流程——判断请模型,流程交给代码。
我的做法是这样:
第一,新任务第一次跑,照常用技能,先跑通。
第二,同一个任务跑到第二遍,就让 agent 把它改成工作流。
第三,改的时候先问三个问题:哪几步真的需要模型判断?上周那次跑到底发生了什么?需要判断的那一步,换个便宜模型行不行?
一句话:技能是草稿,工作流才是定稿。
你手里现在跑得最勤、每次都要重新讲一遍的那个流程,是哪一个?
AI 最缺的不是算力,是你的注意力。
Every 的 CEO Dan Shipper 和评估负责人 Mike Taylor 这周给出了一个公式,算的是 AI 问你的一个问题值不值得问:
value(q) = P(engage | q) × I(θ; A | q)
公式只有两块。
第一块是你会不会回答:P(engage | q) 就是你真的回答这个问题的概率。
第二块是你的回答能教会模型多少:I(θ; A | q) 是你回答了这个问题之后,模型对你的口味能多了解多少,θ 就是模型脑子里装着的「你的口味」。
公式是乘法,两边任何一边是零,整个值就是零。
点赞死在第二块上:你顺手就点,会不会回答没问题;但点赞几乎没带信息,模型学不到东西。
长反馈死在第一块上:你的回答信息很多,模型能学不少;但大多数人根本不愿意写,直接关掉页面走人。
所以 Dan 的标准是:AI 问你的问题,只有同时满足两条才值得问——你真的会回答,而且你的回答能帮模型摸清你的偏好。反过来也一样:你之所以肯一直回答,是因为 AI 每次都给你带回点东西——有用的发现、勾起你的好奇,让你觉得这力气花得值。
Dan 举了个好采访者的例子,我很认同:先读完你的东西再开口,问一句「你一讲抽象的东西就爱举个具体场景,怎么这里没有?」——你讲着讲着,反而更懂自己了。好的协作者就是这样,聊一次,你就比聊之前更清楚。
想让 AI 越用越像你,关键不是反馈写得多,而是只在你的反馈真能让模型变聪明、你自己也觉得花这力气值的时候才开口。
我的做法是这样:
第一,把会重复的任务交给模型时,不让它直接解题,让它先写一个能解这类题的工具。这是 Common Tools 联合创始人 Alex Komoroske 的办法,Every 的评估负责人 Mike Taylor 也这么说:「让 AI 造解决问题的系统,比直接解题更便宜更好」。
第二,模型问我问题,我只挑那种答一次就能管很久的答。
第三,点赞只用来标「这个方向对」,不指望它教会模型什么。
一句话:注意力是你给模型最贵的燃料,别花在批改作业上,花在造机器上。
你最近一次觉得「这反馈写得值」的 AI 对话,是哪一次?
1
1
169






























