单人创始人的角色化 AI 工作流：gstack 方法真正说对的地方

gstack 在开发者圈爆火——但真正的洞见与编码无关。Nova 拆解：为什么给 AI 一个清晰的角色（研究分析师、策略师、写手分开干）会改变一人公司的产出质量、认知科学依据与它的边界。

NovaApril 6, 20261 min read

嗨，我是 Nova。我和大多数非开发者一样偶然撞见 gstack——在应该赶交付物的时候刷 X，看到有人转发了 Garry Tan 在 GitHub 上的发布。这个仓库 48 小时内拿到 10,000 颗星，成为 2026 年 GitHub 上增长最快的开发者工具之一。我不是开发者。我差点继续往下刷。

然后我读到了它到底是什么——停住了。

**这篇文章不是把 gstack 当作编码工具来谈。**它讲的是底层的工作流逻辑，适用于任何一天内要扮演多个认知角色的人。我会讲讲角色化 AI 提示意味着什么、研究怎么说它为什么有效、我自己工作流里一个具体的前后对照，以及它的边界在哪里。

gstack 到底是什么——以及为什么这个想法比代码更大

gstack 是 Garry Tan 为Claude Code打造的开源技能包。Garry Tan 是 Y Combinator 的总裁兼 CEO。它把一个 AI 助手改造成一支结构化的专家团队：一个做产品评审的 CEO 角色、一个锁定架构的工程经理角色、一个会打开真实浏览器点来点去的 QA 工程师、一个管文档的发布经理。每个角色都作为一条斜杠命令运行。

Tan 公开分享的吞吐数字很惊人：用这套配置，他在 50 天里平均每周产出约 10,000 行代码和 100 个 pull request——大约 60 万行生产代码，其中 35% 是测试。（TechCrunch 在报道里指出，社区反应褒贬不一——有人觉得真有用，有人称之为"不过是提示词"。两种反应都说得通。）

背后的哲学是：**大多数人把 AI 当作万用工具，在同一个上下文里塞给它含糊的多任务指令。结果就是没有重点的产出，缺了真实团队能交付的那种深度。**gstack 的答案是他们所称的"认知分档（cognitive gearing）"——逼着模型进入不同角色，让它没法在任务中途来回切换上下文。

等等……这个想法不只是给开发者用的。

角色化提示真正在解决的问题

这是我读完那篇帖子之后一直在琢磨的事。

我经营一人内容业务。没有开发团队、没有经理——只有我，做研究、写作、做产品决策、处理一切冒出来的事。而且经常挤在同一个两小时里。

大多数 AI 用户干的是同一件事。打开一个聊天，输入当下需要的东西，处于什么模式就输入什么：帮我写这封邮件。现在帮我想想 Q2 策略。现在总结一下这个竞品网站。现在帮我算算定价。 AI 顺从地跟着你切换。但产出有点浅。它做了你要求的——只是没有站在正确的心智位置上做。

研究支持这一点。 MIT Sloan 关于 AI 与知识型员工的研究里一项 2025 年研究发现，使用 AI 的顾问在每一步都保持"认知付出与专家判断"时表现最好——研究者称之为像"半人马（centaurs）"一样运作，刻意在 AI 和自己之间划分任务。让 AI 在没有角色边界的情况下包办一切的员工，即便文字看起来漂亮，产出推理的质量也往往更低。

问题不在 AI。在于没有人告诉它该进入哪个角色。

前后对照：同一个研究任务，两种做法

说点具体的，因为关键就在这里——要么你一下就懂了，要么不懂。

**场景：**我在评估一个新的内容方向值不值得投入。我需要研究竞品定位，然后找角度，然后写一版开头的草稿。

**老办法：**开一个标签页，拉出竞品内容，粘进 Claude，问含糊的问题，然后中途转向"现在帮我写开头"。输出在技术上没问题——句子通顺、结构合理。但我看着它总觉得哪里不对。研究没有真正的锋芒。开头听起来跟这个领域里其他所有开头一样。

发生了什么：我在让模型同时扮演"分析师、策略师、写手"——平均化的输出。三样都及格，一样都不出色。

角色化版本长这样：

_第一阶段——研究分析师：在我输入任何东西之前，我先显式设定框架："现在你处于研究分析师模式。你唯一的任务是找出竞品行为里的模式，并标记出我可能正在做的假设。先不要生成内容或给建议。"_我粘进竞品例子。它抛出三件我没注意到的点。其中一个真的有用。

_第二阶段——内容策略师：新的会话，新的角色："这是研究得出的内容。现在你处于内容策略师模式。值得追的角度是什么，为什么？"_输出更锋利了——因为模型没有在同时试着写正文。

_第三阶段——写手：_到这一步我才要草稿，并显式把第二阶段的那个角度交给它。

同一个 AI。同一份信息。研究阶段多花了大约 8 分钟。但总修改时间大幅下降——我大概只重写了 20% 的草稿，而不是通常的 60–70%。

我没法给你一个受控实验。但过去三周我一直在稳定地跑这套模式，重写比例一直维持住。这对我来说足够继续做下去了。

为什么有效：角色分配背后的认知科学

角色边界能提升 AI 产出，有一个真实的理由——不只是安慰剂效应。

圣路易斯联储总结近期 AI 生产率研究的文章发现，每天用 AI 的员工平均省下 5.4% 的工作时间——40 小时工作周里大约每周 2.2 小时。但收益分布并不均匀。把 AI 整合进结构化、任务特定工作流的员工，时间节省最多——而不是把它当通用聊天工具用的那批人。

机制在于：**当你给语言模型一个范围清晰的受约束角色时，你就降低了"什么算好产出"的模糊性。**模型不是在同时满足多个目标。它在优化一件事——你此刻真正需要的那件事。

这跟系统提示词不同。系统提示词设定一般的行为和语气。角色化框架走得更远——它定义模型该优先什么、该忽略什么、以及对_这一步_来说什么算成功。"要有帮助"和"你是一名研究分析师，你的工作是暴露数据里的矛盾，而不是解决它们"——差别就在这里。

一个值得点出的保留：关于角色提示的研究结论并不一致。Sander Schulhoff 2025 年那份综合性的提示技术分析——基于他与 OpenAI、Microsoft、Google、Princeton、Stanford 研究者合著的一篇综述——发现"你是一位数学教授"这类简单角色提示对准确率几乎没影响。重要的不是标签——是你绑在角色上的约束和范围。"你是一名研究分析师"什么用都没有。"你是一名研究分析师。你的唯一产出应该是模式和标记出的假设，不是建议，也不是成段文字"——这才不同。

角色化 AI 在哪里失效

关于局限我想诚实一点，因为我觉得有些 gstack 的报道把这些问题一笔带过了。

**当你的任务定义清晰时，角色分配很有效。**当你知道自己处于研究模式或编辑模式，分配角色又快又真的有用。

但有一类真实的工作——那些"搞清楚你到底想解决什么问题"的混乱中间地带——过早强加角色反而会收窄你的思路。我有过这样的会话：分配了分析师角色，得到一个非常自洽的回答，然后发现自己问的根本是错的问题。角色没能帮我察觉这一点。

**另一个真实的限制是记忆。**gstack 的虚拟团队跨会话没有共享上下文。CEO 角色周二的洞见，到周三就没了。对跑单一专注项目的开发者来说，这可控。对同时跑四条工作流的单人运营者来说，这是真实的摩擦。每个会话都要重新建立"谁知道什么"。

这其实是 AI 工作区工具变得相关的地方——不是作为角色化提示的替代品，而是作为一层跨会话保持上下文的载体。Floatboat 通过他们所称的 "Tacit Engine" 来接近这个目标——理念是工作区会随时间从你真实的工作模式里学习，让角色分配得以延续而不是每次重置。我用了它几周。它还不是一个完成品，我也还在琢磨怎么在不制造太多额外负担的前提下组织我的工作流。但底层逻辑——角色化提示在 AI 已经了解你上下文的时候会更强大——这部分我觉得说得通。

一个实用框架：不懂开发也能用

下面是我把 gstack 的逻辑转译成非代码工作流的方法。三步，不需要 CLI。

**第一步：在开始输入前，先说出当前的认知模式。**每次 AI 会话前，写一句话："现在我处于 [X] 模式。你的任务是 [具体产出]。不要 [要避免的事]。" "不要"那部分和其余部分一样重要。

**第二步：把不同阶段拆到不同会话里。**别让研究、策略和执行共享一个上下文窗口。每个阶段都有自己的开场框架。一开始会感觉更慢。其实不会——它砍掉的是修改时间。

**第三步：把产出存档往前带。**每个会话结束时，存一份 3–5 句的摘要，记下你发现了什么、决定了什么。下一个会话开始时把它粘进去当上下文。这是手动记忆，但有用。

总之，这是我把这套方法跑了三周后得出的结论。gstack 这套开发者的外壳对程序员来说确实有意思。而底下那个想法——当 AI 知道自己戴的是哪顶帽子时会更锋利——适用于任何独自做复杂工作的人。我还在琢磨细节。但这个基本模式已经留下来了。

回去继续干活了。

上一篇系列文章：

常见问题

用角色化提示需要懂开发吗？

不需要。这篇文章里的一切在 Claude.ai、ChatGPT 或任何通用聊天界面里都成立——你改变的只是开场会话的方式，不需要安装工具。gstack 本身是给开发者用的 Claude Code 技能包，但底层的角色化模式可以转成一套非代码工作流：先说出认知模式、把阶段拆进不同会话、把摘要存档往前带。

这不就是写个更好的提示词吗？

它是提示词里的一个特定模式。关键区别在于：你显式约束任务所需的认知框架——定义该优先什么、该忽略什么、什么算成功——而不只是加细节。而且「不该做什么」的约束，往往比你要求它做什么更有价值。

如果我不知道该用哪个角色怎么办？

这说明你处在前置阶段：先把问题本身搞清楚。那部分自己做，或显式跑一次自由探索会话——告诉模型你还没有明确的问题，想一起想想。对混沌期的问题过早强加角色，反而会收窄思路；等问题清晰了，再进入角色化阶段。

这对创意工作也适用吗？

适用——只是角色的样子不同。「发散式创意模式——先出十个方向、不做筛选」和「编辑模式——收紧、删减」不是一回事，但原理相同。要紧的不是角色标签：关于角色提示的研究结论并不一致，收益来自你绑在角色上的约束与范围。

这和每个任务用独立工具有什么不同？

更轻。你是在一个工具内切换框架，而不是切换应用——拿到专业化的大部分好处，却不必付上下文切换的代价。系统提示词设定一般行为；角色化框架更进一步，把「这一步该优化什么」圈出来，更像有位专注的专家，而不是在一堆应用间来回倒腾。

我设的角色能跨会话延续吗？

默认不能。gstack 的虚拟团队没有共享上下文——CEO 角色周二的洞见，周三就没了；同时跑多条工作流时，这是真实的摩擦。对策是手动的：把 3–5 句摘要存进下一个会话，或用一层替你保存上下文的工作区载体——Floatboat 的 Tacit Engine 正是这个方向，它随时间学习你的工作模式。