AI 不知道你是怎么工作的——这才是真正的问题

嘿，我是 Nova。这个问题我琢磨很久了。

我每天都在用 AI，已经用了两年多。很长一段时间里，我以为那种反复出现的挫败感出在工具本身——也许是输出质量还没到位，也许是我还没找到正确的提示词，也许我该换个模型。

然后几个月前，我发现自己在一周里第四次把同样的背景信息打进 ChatGPT。同样的背景、同样的项目设定、同样的"我通常喜欢这样的结构"。只是……又打了一遍。于是我停下来。

为什么我还在做这件事？

那一刻我想明白了：问题从来不在 AI 的智能。问题在于——AI 心里没有"我"这个模型。

为什么通用 AI 工具在一人公司里总是不够用

让我把话说具体些，因为"AI 不了解你"听起来很虚。

当我坐下来写客户 brief 时，我有自己的一套做法。一种经过上百次迭代才定型的结构；一些我总会检查的事项；一种针对特定读者校准过的语气；一系列我已经想清楚"什么才重要"的判断。这些全都不存在于任何我用过的 AI 工具里。每开一次 session，我都得靠提示词、靠粘贴上下文、靠精心布置——把它重新搭一遍。

我管这叫**"从零开始"问题**。对经营一人业务的单人创业者来说，它在无声无息地吞噬大量时间。

Tribe AI 对上下文感知记忆系统的 2025 年分析指出：用无状态 AI 工作的体验，就像访问一个每翻一页就会被登出的网站——需要不断重建上下文，既费时间也耗资源，逼着用户手动跟踪变更、保存历史、精心构造提示词，才能勉强维持连续性。这就是为了"有效使用 AI"而要交的"基建税"。而当公司里只有你一个人时，这笔税会滚得特别快。

AI 能帮你干活，却不贴合你的工作方式

我一直注意到一件事：AI 工具确实擅长处理任务。让它写一段话、总结一份文档、起草一封邮件——都做得不错，有时甚至很好。

但在"处理一个任务"和"嵌进我真正的工作方式"之间，有一道鸿沟。我的工作流不是一串任务清单，而是一连串按特定顺序、带着特定取舍做出的决策——决策依据存在我脑子里，来自日积月累的经验。当 AI 在脱离这些上下文的情况下处理孤立任务时，产出的东西就很泛。能用，也许。但它没有被我的思考方式塑形。

MIT Sloan Management Review 关于如何从生成式 AI 获得复利式收益的研究直接点到了这一点：多数专家无法完整说清自己的判断为什么好。这种说不出口的知识——研究者称之为"隐性知识"——正是让有经验的工作与众不同的东西。一个只能执行你明确描述的内容的 AI，会漏掉所有你凭直觉在做的事。

这个问题我琢磨了好几个月。我不认为答案是"更好的提示词"。我认为答案是：AI 要学会那些你从没想过要解释的东西。

什么叫"AI 贴合你的工作流"

在评估一套 AI 配置是否真的适合我时，我会看两件事。不是问"产出好不好？"——那是入场券。我问的是：这东西真的贴合我的工作方式吗？

上下文连续性——不用你交代，就知道你在做什么

我能找到的最好类比，是一个靠谱的助理。不是那种聪明高效、却每次都忘光对话的人；而是那种到了第三周，已经知道你在意哪些项目、对不同客户用什么语气、"完成"在你眼里长什么样的人。

这就是上下文连续性。而多数 AI 工具跨 session 并没有它。

对要做大量认知型工作的单人创业者来说，这不只是烦人，而是真实的成本。每一次我必须重新交代"我是谁、我在做什么"的 session，都是 AI 在低于自己潜力运转的 session。它有能力，只是没记下用好这能力所需的上下文。

执行记忆——记住你的标准，而不只是你的历史

这一点更微妙。不只是"记得我们聊过什么"，而是"记得我是怎么做事的"。

写内容时我有一套标准：结构偏好、我总会做的事、我绝不会做的事。这些不是随意的——它们来自大量迭代，我很在意。但每次开新的 AI session，我要么把它们写进提示词里、祈祷模型猜得够近，要么花时间把输出改回我想要的样子。

执行记忆意味着 AI 已经把我的工作方式内化——不是从一堆"泛泛写手"的训练数据里学来的，而是通过观察我本人：我做过的决定、打过的修改、认可的迭代。AWS 的工程博客在讲用持久记忆构建上下文感知 Agent时清楚地描述了这一区别：短期记忆捕捉的是当前 session 里发生的事，长期智能记忆则跨 session 储存持久的洞察与偏好——让 AI Agent 能保留上下文、从交互中学习、随时间提供真正个性化的体验。如今大多数消费级 AI 工具，恰恰卡在这两种记忆之间的空当里。

单人创业者真正需要什么样的 AI 配置

这里有一个值得坐下来想清楚的取舍：深度 vs 灵活性。

多数 AI 工具把灵活性放在首位。它们为"服务所有人"而生，也就意味着不会为"服务某个特定的人"而生。能力很广，个性化很浅。偶尔用用没问题；可当 AI 成为你每天交付工作的核心时，这套设计就开始散架。

我真正需要的不是更多能力，而是针对"我"的工作方式校准过的能力。而自己动手搭这套校准，有真实的成本——定制提示词、上下文文档、各种 workaround。搭起来要时间，维护更要时间，而且这套东西通常还游离在 AI 工具本身之外。

文件、浏览器、决策——零散的上下文如何毁掉产出

有一件事快把我逼疯：我经常同时跨好几样东西工作。正在编辑的文档、正在参考的网页、正在回复的 Slack 消息、正在取数的文件。而我在用的 AI，除非我手动搬进来，否则对这些一概接触不到。

结果就是：我的 AI 帮手跟我真正的工作是脱节的。我同时在跑两条线——一边是工作，一边是 AI——还得手动把它们接起来。Taskade 对一人公司的研究发现：一个同时摆弄多个互不相通的 AI 工具的单人创业者，很快就会撞墙——调研工具不跟写作工具说话，自动化不知道 Agent 昨天学到了什么，每次交接之间上下文都在丢失。效率红利就是在这样的碎片化里蒸发掉的。不是因为 AI 不好——而是因为上下文永远到不了 AI 所在的地方。

可复用的执行 vs 一次性提示词

我想要的另一件事是"可重复"。不是复制提示词。我的意思是：我搭好了一条能跑的工作流，明天换一批新输入还能再跑一遍，得到稳定的产出，而不必每次从零重建。

一次性提示词用来探索没问题。但真正支撑我业务的工作——每周都在做的那些事——必须可重复、可靠。一套只能给我"一次性帮助"的 AI 配置，等于把大部分价值留在桌上没拿走。

如何判断一个 AI 工具是否贴合你的工作方式

在投入任何新东西之前，我会问自己三个问题。它们帮我避开过不少"技术上惊艳、却跟我实际工作方式不合"的工具。

**第一：它需要的上下文，我是不是每个 session 都得重新喂？**如果答案是"是"——对多数工具来说确实如此——那我得搞清楚这笔开销有多大。有多少时间花在喂上下文上，而不是干正事上？

第二：它是从我的行为里学，还是只从我嘴里听？两者差别很大。斯坦福商学院关于 AI 与隐性知识的研究发现，最有价值的那部分收益，来自 AI 能捕捉到工作者通过行为展现出的模式——而不只是靠明确指令。你经年累月攒下的判断力，恰恰是通用 AI 工具漏掉的东西，因为它从没被写下来。

**第三：我能不能搭出可复用的工作流？**如果每次使用都是一次性的，效率天花板就很低。我愿意把某件事一次性搭好，让这笔投入随时间复利。

AI 助手和 AI 工作区不是一回事

我开始把这件事想成"工具"与"工作区"的区别。

AI 助手负责干活。你把问题丢给它，它给出产出，session 结束。有用。但每个 session 本质上都是零和的——投入力气、得到产出、什么也不带走。

AI 工作区是另一种东西。它是一个"你的工作和 AI 共存"的环境——上下文在这里积累、工作流在这里延续，AI 的帮忙会随时间越来越准，因为它一直在看着你真实的操作方式。你在编辑的文件、你在做的决策、你打下的修改——全都变成信号。

"工作区"这个框架会改变你优化什么。不再是"这份产出够不够好？"，而是"这个环境有没有在学着按我的方式工作？"

在我的思考里，Floatboat AI 这类工具就落在这个位置——它们倾向工作区模型而非助手模型，核心理念是让 AI 随时间适应你特定的工作模式，而不是每个 session 都从零开始。我用它的时间还不够长，无法断言它是否真的兑现了这一点，但至少这个框架跟我想解决的问题对得上。

务实的下一步：先画出你最常重复的工作

如果你想弄清楚现在的 AI 配置到底有没有用——别从那些有趣的边角案例入手。从无聊但重复的事开始。

你每周都会稳定去做、而且每次结构都相似的事情是什么？客户报告、内容草稿、调研摘要、外联序列——你的那几件是什么。这些才是值得投入的工作流。

原因在于：**可重复才是复利发生的地方。**一次性任务靠 AI 加速——不错，但有限。一条你跑五十次、AI 每次都执行得很好的工作流——真正的效率差在这里显现。

挑两三个你重复最多的任务。对每一个，写下：输入是什么、想要什么产出、以及沿途你总会做的那些判断。最后那部分——判断——正是通用 AI 工具会漏掉的隐性知识所在。

MIT Sloan 与 BCG 关于 AI 与组织学习的联合研究指出：在人与 AI 之间建立系统化反馈回路的组织，随时间复利价值的能力明显更强——这条原则放到"一个人"的层面同样成立。收益不是来自某一次漂亮的 session，而是来自一套"越用越好"的配置。

这就是我目前想清楚的部分。我仍在为自己摸索合适的配置——我不认为存在对所有人都正确的唯一答案。但视角的转变帮到了我：别再问"这个 AI 好不好？"，改问"这个 AI 知道我是怎么工作的吗？"

这是两个截然不同的问题。而对独自经营的人来说，后者才是真正要紧的那个。

往期文章：

• 如果你还在摸索"真正的 AI 工作流长什么样"，从这里开始

• 这篇文章拆解了 AI 工具为什么总是忘光 session 之间的事

• 想理解从助手到 Agent 的更大转变？

• 读这篇 不确定自己需要的是 AI Agent 还是更好的助手？这篇讲清楚了

• 如果你正纠结于"自己搭工作流"还是"用现成工作区"，这篇对你有用