写作时间：2026年8月
💡我平时用AI做什么？我消耗 Token，不只是为了写文案，而是在把内容研究、软件工具、
Agent 程序和个人数字大脑逐渐连成一套协助工作的系统。
•用 AI 拆解小红书、视频号和抖音，并把学习结果做成三平台内容生产闭环。•做飞书原文转写 Agent 和飞书投喂数字大脑 Agent，处理原文、素材、拆解、入库和调用。•做 AI 机会雷达和自动日报 Agent，协助我筛选外部信号、整理任务和复盘工作。•做过“创始人决策蜂巢”这类决策记忆演示系统，也在继续建设自己的数字大脑。•等等等等等在此不一一列举。。。。。。
有朋友问我，我在生财 Token Rank 排行榜上，问我平时拿 AI 做什么。
这个问题我想了一会儿。我也不是AI大佬，比不了那些动辄几百亿的大哥。
但我确每天确实会消耗不少 Token（为了更好的重构曾经的工作系统）也做了不少 Agent，有一些拙见。
嗯嗯，容我借这个机会和大家分享：我平时具体让 AI 协助我处理哪些工作，这些 Agent 又是怎样进入我的实际工作流程的。
我现在用 AI，我更关心的是，能不能把自己平时说过的话、做过的项目、见过的客户、能不能把拆过的内容和形成的判断保存下来，再把那些不断重复的工作交给 Agent。内容拆解、Agent 程序和数字大脑，表面上是几个不同方向，实际上已经慢慢连成了一条线。（顺便在这里告诉大家 未来一定是agent的时代 她将重构我们传统的一切工作 ）
它给我解决了什么
我的身份在这里就不介绍了，在这里我就是一个内容创作者。
如果站在内容创作者的角度看，这套系统并不是为了把工具做复杂。我想解决的，其实是工作里反复出现的四个问题。
💡看了很多，真正写时还得重新找
💡拿到了文字，却不知道是不是原
文
样本看完以后没有留下结构、判断和后
续选题，所谓“学习”很容易只剩一点
平台简介、残缺媒体和 AI 补写出来的顺
模糊印象。
句子混在一起，后面的拆解越完整，越
可能建立在错误材料上。
💡同一个选题，换个平台又从头来💡内容发完就散了，结果没有回来
小红书、抖音和视频号的阅读方式不没有把播放、收藏、评论和线索重新连
同，但原始判断和真实素材可以共用，回选题、样本和版本，下一次依然只能
不该每次重新解释一遍。凭感觉。
这些程序最后要解决的是一件很朴素的事：做过的研究、确认过的原文和形成的判断，下次还能接着用。AI 先承担重复整理，人继续负责事实、方向和最后的取舍。
一、我先从内容拆解开始
我做新媒体和跨境比较久，平时会看大量小红书、视频号、抖音，也会研究不同账号的选题、表达和转化。以前看内容，更多靠人脑记忆：这一条开头不错，那一条标题可以参考，这个账号的人设可以学习。看得多的时候会觉得自己学到了很多，但过几天真正要写，还是得重新找、重新看。
后来我开始让 AI 参与内容拆解。一条小红书笔记进来，我不会只让它总结讲了什么。我更想知道这条内容在回答谁的问题，标题为什么让人想点，首图给了什么承诺，正文在哪一步建立信任，评论区的人还在追问什么，以及它最后有没有连接产品和成交。
账号拆解也是一样。我会看一个账号为什么能被记住，它到底靠的是人物经历、专业能力、情绪表达，还是某种稳定的内容形式。然后继续判断，这套东西适合谁学，换一个行业还成不成立，哪些是可以迁移的方法，哪些只是对方的人设和经历，不能直接照搬。
小红书重点看什么•选题、标题和主图封面•搜索词、收藏理由和评论区需求•人设、信任与产品承接
视频号 / 抖音重点看什么•前三秒、冲突和信息落差•口语节奏、情绪推进和完播•屏幕字、画面与转化动作
同一个选题，在小红书可能要做成一篇带有搜索词、值得收藏的图文；到了抖音，第一句话就得把冲突说出来；视频号又更重视完整表达和信任感。平台不同，拆解标准也不能混在一起。
AI 在这里帮我做的，是大量重复的信息整理、结构识别和样本对比。我自己继续负责判断：这条内容值不值得学，适不适合我的业务，会不会把账号带偏，以及它能不能连接后面的产品和交付。
拆解完成以后，结果也不会只停留在聊天窗口里。原始内容要保留，外部学习要标清来源，可复用的结构进入工作流，和我自己业务有关的判断再进入数字大脑，能发展的角度进入选题池。等到真正写内容时，再结合我自己的经历、案例和表达重新创作。哎说实话以前的时候拆解个内容要好多天，现在给到拆解标准，就可以自动深化。
以前看完一条内容，这次学习基本就结束了；现在一条内容拆完，会留下分析、判断、可迁移结构和后续应用。下一次再遇到相似选题，不需要完全从零开始。这种感觉是很爽的。
二、拆得多了，我开始做小红书、视频号和抖音拆解 Agent
以前很多步骤每次都在重复。比如每次拆小红书，都要看标题、首图、搜索词、正文结构、评论区、人设和转化；每次拆视频，都要看开头、节奏、情绪、完播和行动引导。如果每一次都重新给 AI 解释这些要求，虽然比纯人工快，但工作方式还是很临时。
所以我开始把这些过程封装成 Agent。我理解的 Agent 不是写一段特别长的提示词，也不是给机器人取一个名字。一个能长期使用的 Agent，要有明确的任务边界：它接收什么资料，按什么标准判断，中间要跑哪些步骤，最后交付什么，出现哪些情况必须让人确认。（嗯嗯，agent一定是未来）
Agent 设计问题需要回答的内容
输入是什么截图、正文、账号主页、视频、链接或人工确认稿
按什么判断平台规则、目标人群、内容结构、业务承接和原创边界
怎么执行读取资料、拆解证据、归纳方法、适配账号、标出风险
交付什么结构化拆解、可复用点、不能照搬的内容和本账号方向
谁来拍板AI 负责整理和执行，人负责方向、事实、公开边界和最终发
布
拆完以后，Agent 还要回答一个很重要的问题：这条内容和我的业务有什么关系？如果只是觉得对方写得好、数据看起来不错，但和我正在做的 AI、跨境、内容获客、企业服务没有关系，那就先放在学习区。如果它能和我的项目、客户问题或者产品方向连接起来，才考虑继续发展成原创内容。
我不希望 Agent 把自己变成一个更高效的搬运工。它应该帮我减少重复劳动，同时把我的注意力留给判断、方向和业务连接。清楚的了解这项工作原来是怎么做的，哪些步骤每天都在重复，输入和输出能不能说清楚，最后由谁审核。
一个实际结果：从拆小红书爆款，到跑出一条有爆款播放表现的内容
这套 Agent 后来没有只停在“帮我分析一篇爆款”的层面。我把它做成了一条可以反复执行的小红书学习和内容生产流程：先在真实平台里找近期有数据的样本，确认它真的是爆款，再拆出成立机制，最后换成自己的经历、判断和业务场景，做成能拍、能发、能复盘的内容。
实际结果：按这套方法完成样本拆解和内容迁移以后，跑出过很多有爆款播放表现的内容。证明，Agent 是能把“看见爆款”变成一套可执行、可验证的生产过程。
第一步不是让 AI 到处搜标题，而是让 Hermes 在已登录的某红某书真实页面里做连续巡航。它会按AI、跨境、Agent、企业服务、创业口播等关键词寻找近期样本，优先看近 15 到 30 天的高互动内容、低粉爆款和评论区需求具体的垂类账号。Hermes 在这里更像后台巡航员和调度员，负责按任务单持续搜索、翻页、记录和汇报，不负责凭感觉宣布哪条一定能火。
第二步是给样本做证据分层。搜索页看到标题、作者、发布时间和一个互动数字，只能算初筛；如果看不到点赞、收藏、评论、粉丝量或评论原话，就只能标成待复核样本。只有进入详情页或账号页，确认互动、发布时间、账号垂直度和评论区真实问题以后，才允许进入已学习爆款。登录失效、验证码、数据看不清时，Agent 要停止采样，不能拿搜索摘要补结论。
执行环节Agent 实际做什么
平台巡航围绕多组关键词连续寻找近期高互动、低粉爆款和真实评论需
求，不只看一个关键词或一个大号。
证据复核区分搜索页线索、待复核样本和已学习样本；没有详情页数据，
不把它写成已经验证的爆款。
结构拆解同时看人设、形式、选题和变现，并继续拆标题、首图、前三
秒、正文推进、信任证据、收藏理由、评论需求和转化动作。
机制提炼判断它为什么能点击、停留、收藏、评论或转化，提炼可以迁移
的结构，而不是复制原句。
本账号适配删除对方不可复用的身份、故事、数据和收益承诺，换成我自己
的 AI、跨境、客户、项目和工作流场景。
平台生产把同一个核心判断重新写成小红书图文或短视频口播，补前三
秒、完整逐字稿、画面、屏幕字和结尾动作。
人工发布由人检查事实、隐私、品牌语气和平台风险，再决定是否录制和
发布，Agent 不自动代发。
结果复盘记录播放、点赞、收藏、评论、私信和线索表现，判断真正起作
用的是选题、钩子、表达还是发布场景。
拆解时，我最关注的不是“这句话能不能换几个词继续用”，而是内容成立的机制。比如低粉账号突然跑出一条远高于平时的数据，往往说明它命中了一个真实需求，而不只是靠账号体量；收藏接近或超过点赞，通常说明内容提供了路线、清单、模板或工作流；评论区大量追问工具、成本、风险和具体步骤，说明用户不只是看热闹，已经产生了下一步需求。
到了二创阶段，Agent 不能把对方的经历、客户、收入和结果拿过来。它要保留的是选题为什么成立、开头怎么让人停住、内容怎么建立信任、结尾怎么引导行动，再换成我的真实业务。最终产出的也不是一篇看起来很像对标账号的稿子，而是能和我正在做的 Agent、我本人的“数字大脑”知识库、跨境项目或企业 AI 场景连起来的内容。
后来跑出播放表现的那条内容，对我最大的意义不是“以后每条都能爆”。爆款不能被程序承诺，平台分发、账号状态、表达、画面和发布时间都会影响结果。它证明的是另一件事：当样本选择有证据、拆解能看见机制、二创有自己的事实、发布后还会复盘时，Agent 确实可以把内容生产从碰运气，变成一套能不断迭代的流程。
三、我做了一套独立飞书原文转写 Agent，用来协助日常工作
截至 2026 年 7 月 22 日：这已经不是一段临时 Prompt，而是一套独立运行的工作服务。它在飞书里接收任务，用 jobid 管理媒体、版本和操作者，用本地 Whisper 听音频，再通过机器门禁、人工回听、确认稿哈希和拆解产物校验决定下一步能不能继续。它可以读取经过筛选的 只读知识快照，但媒体、原始 ASR、人工确认稿、拆解、二创和日志只写入自己的数据目录。
做内容拆解时，我遇到过一个很现实的问题：很多值得学习的内容都在音频和视频里。一条抖音、一段视频号、一场课程或者一次访谈，真正有价值的可能是说话人的完整表达、开头怎么圈人、中间怎么推进、结尾怎么收口，以及某句话放在具体上下文里到底是什么意思。
如果没有相对可靠的原文，后面的拆解很容易建立在错误基础上。现在不少工具拿到一个链接以后，会直接返回标题、简介或者平台公开的预览文字，然后把这些内容包装成“视频全文”。还有一些工具会在 ASR 识别错误以后，让大模型顺手润色。最后文字确实变通顺了，但你已经分不清哪些是说话人讲的，哪些是模型猜的。
这对普通摘要可能影响不大，但如果后面还要做内容拆解、案例学习和二创，问题就很大。原文一旦错了，后面分析得越完整，离真实内容反而可能越远。所以我在电脑里单独做了一套飞书原文转写Agent。
它接收的不是一段文字，而是一项带原始证据的任务
平时使用时，我可以在飞书里给机器人发送音频、视频原文件，也可以发送它支持的平台链接。系统收到以后，不会马上让大模型总结，而是先尝试取得真实媒体。
“取得真实媒体”听起来很简单，实际上是整套流程里很容易出问题的一步。有些平台分享页只提供标题、封面和简介，真正的视频文件藏在授权会话或者动态接口后面。如果系统没有拿到真实媒体，只看到了公开简介，它就不能宣布任务成功，更不能把简介当成全文转写。
尤其是视频号，我给它设置了比较严格的规则。只有在用户授权的腾讯会话中取得官方媒体地址，并且地址、视频类型、文件长度、实际接收字节、文件哈希和本地视频时长都能对应上，才认为拿到了可以继续处理的媒体。如果这些证据不完整，系统会要求重新获取或者直接上传原文件。
平台公开简介、标题、描述和预览文字都不算全文。拿不到真实媒体时，系统宁可返回失败，也不能把可能截断或错误的文字包装成“完整原文”。
每一个通过媒体获取的任务都会生成独立的 jobid。原始媒体、提取后的音频、识别结果、质量诊断和后面的版本记录，都绑定在这个任务编号下面。以后不管是复核、拆解还是二创，都必须带着同一个jobid 继续往下走。
听音频的是本地 Whisper
拿到媒体以后，系统会先提取音轨，转换成本地语音识别需要的格式，再运行 Whisper large-v3 做ASR。这里我特意把本地 Whisper、DeepSeek 和人的职责分开。
[图片] 组件职责：Whisper 听音频，Agent 执行门禁，人做最终确认
即使 DeepSeek 没有配置、余额不足或者临时不可用，本地 Whisper 依然可以继续完成语音识别。AI把一句听错的话改得很通顺，不代表它改对了，因此原始 ASR、模型建议和人工确认稿必须是三个不同版本，不能混在一起。
系统生成的原始 ASR 保存后不能被覆盖。如果后面人工回听发现错误，只能新建一个版本化的候选稿和确认稿，原始机器稿始终保留。以后出现疑问时，还能回头看机器最初识别了什么、人修改了哪里、确认的是哪一个版本。
四、完整流程：先取证和确认，再拆解和二创
我把这条链路拆成十二个阶段，不是为了故意把流程做重，而是把三个容易混在一起的判断分开：来源是否完整、文字是否经过真人确认、内容是否有资格被改写。前一关没有通过，后一关就没有权限继续。这样做会比“丢一个链接给大模型”慢一点，但每一步都能解释，也能追溯。
[图片] 飞书原文转写 Agent 的十二阶段证据闭环
转写完成以后，还要经过质量门禁
Whisper 输出文字，并不代表任务已经可以拆解。这套 Agent 会继续检查原始媒体和提取音频的完整性，核对原作品时长、媒体时长和音频时长，要求音频覆盖至少达到 99.9%，而且尾部缺失不能超过一秒。它还会检查时间轴有没有无法解释的大空洞、片段数量和语音时长是否自洽、时间轴里的文字能不能和原始 ASR 对上。
除了完整性，它还会检查识别置信度、低置信片段、异常字符、文字密度和疑似听错的短语。质量问题会被分成两类：媒体不全、文件损坏、音频截断、时长和时间轴证据缺失属于硬故障，不能靠人工口令强行放行；少量低置信词、疑似误听和个别不确定片段，则可以进入人工回听。
问题类型处理方式
硬完整性故障必须重新取得完整媒体或重新识别，不能直接进入复核、拆解
和二创。
可回听问题由操作者对照原音逐段保留或修正，Agent 不负责猜补。
所以质量门禁通过，只能说明自动指标达到了进入人工复核的条件，不代表文字已经百分之百准确。任何自动 ASR 都不能诚实承诺每次 100% 逐字无误。我做这套系统的思路不是假装 AI 永远不会错，而是尽量保留证据，把疑点暴露出来，遇到不确定内容就停下来。
人工必须在创建任务的原飞书会话完整回听
任务通过自动门禁以后，Agent 会把 jobid 返回到创建任务的飞书会话。操作者需要发送复核命令，查看低置信片段和疑点。确认没有问题的片段可以保留，听出错误的部分可以修正。每一次修正都会生成新的版本和记录，不会覆盖机器原始稿。
即使系统没有检测到低置信片段，操作者依然要完整回听原音。完成以后，需要明确发送“我已完整回听”的确认指令，系统才会生成当前版本的人工确认稿。
软件可以记录是谁在什么时间提交了确认，也可以保存确认稿的哈希和修改比例，但软件不能独立证明这个人真的从头到尾听完了。完整回听依然是一项由操作者承担责任的审计声明。
只有人工确认以后，才允许进入八部分拆解
人工确认完成以后，系统也不会自动开始分析。操作者还要明确发送拆解命令。拆解固定包含八个部分，并且每一部分都必须从人工确认稿里找到可以回查的短原文，再解释这段原文承担了什么功能。
拆解部分具体看什么
基本信息领域、类型、呈现方式、目标人群和内容定位
开头拆解圈人群、钩子、悬念、反差、结果前置和价值预告
中段拆解信息推进、现场感、获得感、证据、信任和转化伏笔
结尾拆解自然收尾、情绪闭环、价值回扣或行动指令
爆款因子点击、停留、完播、信任、收藏、评论和转化的原因
可复用点可以迁移的结构、表达、画面和转化动作
不能照搬身份、案例、数据、客户反馈、平台风险和素材不足本账号适配结合我的业务、经历、语气和产品，判断应该怎么重新表达
如果没有原文证据，只会写“开头吸引人、中间有干货、结尾有升华”，这份拆解就不算完成。它还要讲清楚哪些结构可以迁移到我的账号，适合什么主题，需要什么真实素材，以及哪些前提不成立时不要硬学。
拆解和二创必须分开
完成八部分拆解以后，Agent 依然不会自动生成文案。只有操作者检查完拆解结果，再明确指定口播、小红书、公众号或者朋友圈，系统才会生成对应平台的内部草稿。
我把拆解和二创强制分开，是因为学习一条内容和把它写成自己的内容，本来就是两个动作。拆解阶段应该尽量忠实地理解原内容为什么成立，哪些地方能学，哪些地方不能碰；二创阶段才回到我的业务、经历、语气和目标人群，重新写成适合自己的内容。
系统还会把二创权限绑定到任务所有者、原飞书会话、当前人工确认稿和真实拆解产物。每一个确认稿和拆解文件都有独立校验记录。如果后面重新修改了确认稿，旧拆解会自动失效，必须基于新版本重新分析，不能拿旧拆解继续二创。
五、我用这套 Agent 做什么
1. 提高学习音视频内容的效率。平时看到值得研究的抖音、视频号或者其他平台内容，我可以把原文件或支持的链接发到飞书。系统先确认有没有拿到真实媒体，再完成本地转写和质量检查。我回听确认以后，才进入八部分拆解。这样我研究的不是一段平台简介，也不是大模型根据标题猜出来的内容，而是一份保留来源、时间轴、原始 ASR 和人工版本的任务。
2. 为平台内容拆解 Agent 提供可靠原料。内容 Agent 再聪明，如果输入是一段错误或不完整的文字，后面的判断也不可靠。原文转写 Agent 更像前置证据层，先把媒体、原文和版本处理清楚，小红书、视频号、抖音拆解 Agent 再负责分析平台结构和迁移方式。
3. 把确认后的素材加工成不同平台的内部草稿。同一个主题可以根据需要生成口播、小红书、公众号或者朋友圈，但每个平台会重新组织，不能把一篇长文机械压缩成四种版本。
4. 逐步做成团队或客户可用的独立服务。新用户先在飞书申请接入，由管理员审批。每个人只能访问自己在原会话创建的任务，客户之间的数据放在不同隔离目录里，不能互相读取。
从“能跑”到“能长期用”，我补的是服务能力
真正上线以后，判断它是否可用，不能只看网页能不能打开，也不能只看进程还在不在。后端、飞书长连接、Whisper 模型、只读知识快照、数据库和持久数据要同时健康；同一个飞书 App 只能有一个正式监听器，重复事件要拦截，连接卡死后要能被监督器拉起。备份也不能只复制一张 SQLite 表，原媒体、音频、ASR、确认稿、拆解和动作记录必须一起保存，故障后才能还原完整证据链。
本机模式适合个人使用和调试，关闭 Codex 不影响已经独立启动的服务，但 Mac 一旦睡眠、关机或断网，飞书链路就会停。要做到电脑关机后仍能收任务，就要把服务迁到长期在线的 Linux 主机，用Docker 监控后端和监听器，用持久卷保存数据与模型，再通过真实飞书任务验证备份、恢复和业务闭环。重点不是“上云”三个字，而是让这套程序变成可以被监控、恢复和交接的工作服务。
[图片] 本机与长期在线部署的运行边界
当然，能部署不等于已经完成所有生产验证。这套程序目前仍在持续研发和测试，我会继续处理不同平台的媒体获取、识别准确率、权限、数据隔离和恢复问题。宁可明确返回失败，也不能拿不完整的内容冒充全文。
补充说明：这套程序形成了怎样的闭环，Hermes 在里面做什么
更准确地说：当前程序已经形成从素材取得、原文确认、证据化拆解到平台草稿的“内容生产闭环”。发布后的播放、评论、私信、线索和成交数据还没有自动回流，所以它暂时还不是完整的“增长闭环”。
我给这套程序设定的原则是：先证明拿到的是完整作品，再确认文字确实接近对方原话，之后才学习结构并重新创作。任何一个事实门禁没有通过，Hermes、DeepSeek 或 Codex 都不能靠一句命令跳过去。
步骤阶段产物与门禁
01飞书提交素材优先接收原音视频；平台链接必须继续取得可核验的
真实媒体。
02取得完整媒体记录作品身份、来源、字节、哈希和时长；公开简
介、封面和预览文字不算全文。
03 Whisper 本地转写生成原始 ASR、逐段时间轴和置信度，机器原始稿独
占保存，不允许后续模型覆盖。
04严格质量门禁检查至少 99.9% 音频覆盖、尾差不超过 1 秒、截断损
坏、时间轴空洞、片段自洽、文字对齐和异常字符。
05人工完整回听在创建任务的原飞书会话逐段保留、修正或补尾部；
硬完整性故障不能靠人工口令放行。
06确认原文版本另存人工确认稿并用 SHA-256 锁定；原始 ASR 始终保
留，不被覆盖。
07八部分证据化拆解输出基本信息、开头、中段、结尾、爆款因子、可复
用点、不能照搬和本账号适配，每部分都要有原文锚
点。
08按平台二创只有确认稿、操作者、原会话、拆解文件和版本哈希
全部匹配，才生成小红书、口播、公众号或朋友圈内
部草稿。
09人工审核发布人负责最终事实、隐私、品牌和合规判断；程序不自
动发布，也不擅自删除、移动或改名文件。
系统把三种文字严格分开
[图片] 原始 ASR、模型建议与人工确认稿分开保存
Whisper、DeepSeek、Hermes、Codex 和人的关系
角色负责什么明确不负责什么
Whisper系统的“耳朵”，负责听音频，生不做平台拆解，不判断商业事实，
成原始 ASR、时间轴和置信度。也不能替代人工最终确认。
DeepSee当前生产使用的文字分析师和写没有听到音频，不能修改原始k手，在明确命令后做校对建议、八ASR，也不能把猜测当成原话。
部分拆解和平台草稿。
Hermes可选的后台调度员和项目经理，可不是转写模型，不能证明媒体完
以接任务、排工具、管理长任务进整、确认原话，也不能跳过复核和
度、统一入口和日志，也可承担小发布审核。
红书巡航采样。
Codex可选的工程执行器，也可以配置成程序运行时不要求 Codex 一直开
替代性的拆解或二创引擎，用于程着；关闭 Codex 不影响已经独立启
序维护、规则实现和批量处理。动的生产路线。
人最终事实确认者和主编，负责完整不能用一句“我已完整回听”绕过
回听、确认原话、审核事实、隐硬完整性故障；有疑点仍要重新取
私、品牌和合规，并手动发布。媒体或回听。
最容易讲清楚的比喻是：Whisper 是耳朵，DeepSeek 是当前分析师和写手，Hermes 是可选项目经理，Codex 是可替换的工程执行器或内容引擎，人是最终校对员和主编。调度器和文字模型可以替换，但“完整媒体证据、人工确认原文、拆解标准、原创边界和版本哈希”这条主链不能被替换。
Hermes 如果接进来，可以放在最前面做统一客服入口或后台任务调度，也可以让它连续巡航小红书、管理关键词批次、保存阶段报告和监控长任务。但它不是当前闭环的必需组件。即使不安装 Hermes，飞书专用 Agent 仍然可以直接完成媒体获取、Whisper 转写、人工复核、DeepSeek 拆解和平台草稿这条主流程。
这套闭环还缺最后一段数据回流
现在每一个任务已经有 jobid，原始媒体、ASR、确认稿、拆解和草稿都有版本与证据；程序也可以独立运行，不需要 Codex 常驻。没有 DeepSeek 余额时，本地 Whisper 仍能转写，只是校对建议、拆解和二创暂时不可用；Mac 睡眠、关机或断网时，本地飞书链路会停，如果要 24 小时在线，就需要把后端、飞书连接、Whisper 模型和持久数据一起部署到长期在线的 Linux 主机。
但严格来说，内容发布以后，平台播放、点赞、收藏、评论、私信、线索和成交数据还没有自动回到Agent。现在跑出播放结果后，仍然需要人工记录和复盘。下一步如果把这些结果自动绑定到对应jobid，再回写“哪个选题、钩子、结构和账号组合有效”，系统才会从内容生产闭环继续升级成增长闭环。
六、它和我的数字大脑知识库是什么关系
💡飞书原文转写 Agent🧠数字大脑
负责一次具体媒体任务的取证、转写、保存我自己的经历、项目、判断、内容
质量检查、人工复核、拆解和二创记策略和长期工作流，是唯一可编辑的主
录。运行数据只写自己的目录。知识库。
这套飞书原文转写 Agent 可以读取一份经过筛选的只读知识快照，里面只放完成当前任务需要的定位、语气、原创边界和工作流规则。这个快照是从主库派生出来的副本，不是第二套可以随便修改的数字大脑。
Agent 日常产生的原媒体、ASR、确认稿、质量报告、拆解和二创草稿，都保存在自己的数据目录里。要不要把其中某个判断、案例或者成稿带回数字大脑，需要经过另外的确认和入库流程。
这个分离对我很重要。数字大脑负责保存我自己的经历、项目、判断和长期工作流；原文转写 Agent负责处理一次具体的外部媒体任务。它们可以协作，但不能混成一个没有来源边界的大仓库。
让每类信息都有明确的入口、处理过程和最终去向。
七、除了原文转写，我还做了这些协助工作的 Agent 和工具
前面把飞书原文转写 Agent 写得比较详细，在这里跟大家分享一些我的拙见，但并不是说我只做了这一套。
我现在很愿意很开心从自己正在做的业务里找场景：哪些工作反复出现，哪些资料容易丢失，哪些流程一直靠人来回搬运，再把它们做成可以真正协助工作的程序。
有些程序已经在实际接收任务，有些完成了本地可用版本，有些还是演示验证。我会把状态写清楚，但它们都不是停留在聊天里的想法，而是已经留下了页面、程序、内容包、任务记录或运行日志。
下面这五项都能在电脑里找到程序、页面、内容包、任务记录或运行日志。我把“正在使用、本地可用、演示验证”分开标注，不会把不同成熟度的项目都写成已经上线的产品。
已经做出的东西状态它怎样协助我的工作
飞书投喂数字大脑正在使用我可以从飞书发送文字、链接、转写稿或文Agent
件，系统会区分“投喂、拆解、写作”三种任
务，保存原文和来源，生成拆解与入库建议，
再把摘要回传到飞书。它已经有常驻监听器、
收件箱任务和运行日志，主要帮我解决素材散
落、看完就丢、每次写作重新找资料的问题。
Trevo AI 机会雷达已做成自动化它先读取我的定位、产品、客户和判断标准，
看板
再扫描近期公司、政府部门、研究机构等公开
信号，把结果分成“值得做、去研究、与我无
关”，同时整理企业需求、合作线索和内容选
题。每天生成独立报告并发送到飞书，每条外
部判断都保留来源和日期。它不是替我追热
点，而是先替我过滤信息。
Trevo 内容生产闭环已有真实内容同一个核心判断进入系统后，小红书线会生成V1包
图文文案、图片页和发布包；视频号线会重新
生成真人口播、分镜和屏幕字；公众号线会生
成长文、HTML 预览和可粘贴内容。三个平台
共享原始判断，但不是把同一篇文章机械改
短，每个任务都有自己的状态文件，最后仍由
我人工审核发布。
自动写日报 Agent本地可用版本它把每天输入的工作内容和文本文件先提取成
任务，继续编辑的 Markdown 日报，并写回
Obsidian。任务、项目、投喂记录和报告状态
保存在本地数据库里。这个工具解决的是每天
都要重新回忆“今天做了什么、明天继续什
么”的重复整理。
创始人决策蜂巢项目这套系统把失败复盘、成功打法、老板判断和
业务原则整理成可以检索的记忆，再编译成
Agent 能调用的业务 Skill。下一次遇到投放、
招聘、展会获客或项目推进问题时，系统先召
回过去的经验，再辅助讨论新决策。它目前是
演示项目，不是已经上线的企业产品，但程
序、界面、记忆和技能生成链路都已经做出来
了。
销售话术海外海外团队销售重点解决跨时区和下班后的客户承接问题：先
人员
处理高频、标准化咨询，记录客户需求、沟通
进度和待办事项；遇到报价承诺、投诉退款、
合同条款等高风险问题时停止自动回复并转交
人工。第二天，销售人员可以直接查看客户摘
要、风险提示和跟进清单。它不是替销售自动
成交，而是减少重复回复，让新人更快学习公
司的销售判断，也让多年积累的话术不再只留
在老员工脑子里，这套 Agent 准备把公司十年
以来积累的销售话术、产品资料、客户常见问
题、报价逻辑、成交案例、失败复盘和异议处
理经验，整理成海外销售团队可以随时调用的
销售知识库。销售人员遇到产品咨询、价格异
议、信任问题、交付疑问或售后问题时，系统
会先识别客户所处阶段和真实顾虑，再从历史
经验中检索相应的回复参考、追问方式和下一
步跟进建议，并根据海外客户的语言习惯调整
表达，不做生硬直译。
短视频agent生成ai带货短我可以给它一个已经确认的主题、真实素材、
视频
录音整理稿、项目复盘或数字大脑里的核心判
断，它会先明确这条视频要讲给谁、解决什么
问题，再生成适合视频号和抖音的前三秒钩
子、完整口播稿、标题、分镜、屏幕字、拍摄
提示和结尾引导。它不会把公众号文章简单缩
短，也不会机械照搬小红书文案，而是重新组
织成真人能够自然说出口的短视频表达。
每条任务都有独立的状态和内容文件，方便继
续修改、复盘和重复调用。它还可以与飞书投
喂和数字大脑连接：前端负责接收素材、转写
和拆解，短视频 Agent 负责把已经确认的判断
转成拍摄脚本，最后由我人工审核、出镜、剪
辑和发布。它解决的是每次拍视频都要重新找
选题、想开头、改口播和列分镜的问题，让短
视频生产从临时灵感变成可以持续运行、能够
沉淀经验的工作流程。
等等领域。。。。
例如跨境市场研究 Agent：
跨境市场研究 Agent 是我准备继续验证的方向。它不应该直接回答“给我十个爆品”，而是先确定产品、地区和这次要解决的决策问题，再去收集公开市场信号。比如 Google Trends 可以观察搜索变化，TikTok Creative Center 的 Trends 可以按行业和时间查看热门话题、地区热度与相关内容，Top Ads 也可以按地区、行业和目标研究已经公开的广告创意。
环节Agent 应该怎么做
确定问题明确目标市场、产品、价格带和需要做出的决策，避免无边界地
抓一堆资料。
收集证据读取公开趋势、竞品页面、广告创意、用户评论和行业资料，保
留原始链接、采集日期和证据等级。
结构化分析整理成竞品与价格表、用户痛点表、内容表达表和风险清单，区
分观察到的事实与模型提出的假设。
形成测试给出需要人工判断的机会和下一步小测试，后续再把真实内容、
询盘、成交或失败结果回写，修正下一轮判断。
这些程序背后逻辑
公开研究里的 RAG 讲的是生成前先检索外部知识，ReAct 讲的是让推理和调用外部工具交替进行，Generative Agents 又把记忆、反思和计划放进 Agent 架构。放到我的工作里，就是让程序知道该读什么资料、调用什么工具、把结果存到哪里，以及什么情况下必须停下来让我判断。
检索与判断
先读取和当前任务有关的数字大脑、历史任务或公开来源，保留链接、日期、版本和权限边界，再判断哪些资料真的相关。没有这一步，大模型很容易只根据当前聊天临时发挥。
执行与留痕
确认任务后再调用脚本、平台接口或模型执行，并用 jobid、状态文件、日志、哈希或数据库保存过程。涉及事实、客户、公开发布和业务决策时，最终确认权仍然在人。NIST 的 AI 风险管理框架也强调要明确人机角色、监督和持续管理。
什么是 AI Agent
AI Agent，中文通常译为“人工智能智能体”，是指能够围绕外部设定的目标，感知和获取信息，进行任务判断，调用工具采取行动，并根据执行结果持续推进任务的人工智能系统。
OpenAI 将 Agent 定义为能够代表用户、以较高独立性完成任务的系统；NIST 将其描述为能够与环境交互、接收信息，并为实现外部指定目标采取自主行动的软件程序。(OpenAI、NIST)
一个完整的 AI Agent 通常包含以下组成部分：
1. 模型：负责理解信息、分析任务和作出决策。
2. 指令：规定任务目标、执行流程、行为标准和限制条件。
3. 知识与上下文：提供完成任务所需的业务资料、历史记录和环境信息。
4. 工具：用于搜索资料、读取文件、调用接口、操作软件或更新业务系统。
5. 运行状态：记录任务进度、执行结果、错误信息和待处理事项。
6. 安全边界：通过权限控制、规则约束、人工审批和操作日志降低风险。
AI Agent 与普通聊天机器人、传统自动化程序存在明显区别。
普通聊天机器人主要根据用户输入生成回答；传统自动化程序通常按照预先设定的固定规则执行；AI Agent 则可以在授权范围内，根据当前信息和执行结果判断下一步行动，动态选择工具，完成包含多个步骤的任务，并在任务完成、发生错误或触及风险边界时停止运行或移交人工处理。
因此，AI Agent 并不等同于完全自主运行的人工智能。可靠的 Agent 必须拥有明确的目标、有限的权限、可追踪的执行过程、必要的安全约束以及适当的人工监督。
简要定义：AI Agent 是一种能够围绕指定目标，自主组织和执行多步骤任务，并通过工具与外部环境进行交互的人工智能系统。
什么是 AI-native（AI 原生）
AI-native 是指从设计之初，就将人工智能作为核心能力的产品、企业或工作流程。人工智能不是后期添加的辅助功能，而是直接参与系统架构、产品体验、决策方式和业务流程。
与普通的“AI 辅助”产品相比，AI 原生产品如果移除人工智能，其核心功能或商业模式通常就无法正常成立。例如，基于大模型运行的智能助理、AI 编程工具、自动生成内容的平台，以及由 AI 驱动的客户服务系统，都可以属于 AI 原生产品。
简单来说，传统产品是“原有产品加上 AI 功能”，而 AI 原生产品是“围绕 AI 重新设计产品和业务”。
AI 原生的主要特点包括：
1. AI 是产品或业务的核心，而不是附加功能；
2. 数据、模型和用户反馈能够形成持续优化的闭环；
3. AI 深度参与内容生成、分析、预测或决策；
4. 产品功能会随着模型和数据的更新不断进化；
5. 企业的工作流程、组织方式和商业模式也围绕 AI 重新设计。
因此，AI-native 不只是“使用了 AI”，而是代表一种以人工智能为基础进行产品设计、业务创新和组织运营的新方式。
八、AI 给我带来的结果
以前的工作方式现在的工作方式
看完一条内容，只记住几个标题和观点留下结构拆解、证据、可迁移方法和原创
方向
视频链接拿到什么文字就直接使用先验证真实媒体，再转写、检查、回听和
确认
AI 润色以后，已经分不清机器稿和原话原始 ASR、模型建议和人工确认稿分开保
存
拆解完马上模仿和改写拆解与二创强制分开，版本变化会让旧拆
解失效
每次重新解释身份、语气和边界稳定规则进入数字大脑、工作流和只读知
识快照
我没有统计过文案效率提高了多少倍，但我能感受到我的工作方式已经发生了很具体的变化。以前研究一条视频，先要想办法下载，再找工具转文字，然后检查有没有截断，最后才能开始拆解。现在我在飞书里提交原文件或链接，系统会按照固定流程获取媒体、转写、检查、建立任务和提醒复核。开个会组织各业务也很费时间。现在好了很多。
以前 AI 给出一份文字，我很难判断它到底来自完整视频、公开简介，还是模型根据上下文做的补全。现在任务里会保存媒体、时长、音频覆盖、时间轴、原始 ASR、人工版本和校验记录。后面出现疑问时，可以回到证据，而不是靠记忆。
以前每次让 AI 写东西，都要重新解释我的经历、业务、语气和边界。现在这些稳定规则会进入数字大脑、工作流和只读知识快照。AI 写偏以后，我也不只修改这一篇，而是判断问题出在原始资料、拆解标准还是写作规则，再把应该长期保留的修改沉淀下来。
我现在衡量 AI 效率，不只看这次任务快了多少，还会看这次任务有没有给下一次工作留下东西。如果处理完一条视频，只生成一篇文案，价值还是有限；它能不能留下可靠原文、内容结构、迁移判断和后续选题，才是我更关心的结果。
九、哪些人可以复用这套思路
可以这样开始
新手同学不需要先搭一套和我一样的系统。可以挑一个每周都会重复的内容任务，先跑通一次，再看有没有必要继续加自动化。
先做什么做到什么程度
选一个重复任务例如每周拆三条同行视频、整理一次会议录音，或者把一批用户
评价整理成选题。先选一个，不要一开始就包办全部工作。
固定输入规定每次交给 AI 的是原文件、完整正文还是经过确认的链接。
来源不清楚时先停，不让模型自己补全。
固定输出用同一张表记录原文、开头、中段、结尾、可复用结构、不能照
搬的内容，以及一个适合自己的选题方向。
留一个人工确认点原话、案例、数据和最终发布由人确认。AI 可以标疑点，但不
能替你宣布“已经核对”。
一周后回看结果检查哪些选题真的发了，哪种开头有人继续看，哪些判断后来被
证明不成立。把结果写回原任务，不要只留下草稿。
📌最小闭环可以只有五步：固定材料进来，AI 按固定标准整理，人确认关键事实，产出一份能
发布的草稿，发布结果再回到原任务。这个流程能稳定重复以后，再考虑接飞书、数据库、
自动监听和更多模型。
•销售团队：把已经获得授权的客户录音整理成需求、异议和跟进线索，但客户原话、人工确认和公
开边界必须分开。
•企业服务：把交付会议和项目复盘整理成案例与 SOP，让经验不只留在某个员工脑子里。•电商团队：把用户评价、竞品视频和产品讲解转成可核验文字，再分析用户关心的卖点和情绪。•培训与知识工作者：处理自己的课程录音，或者在获得授权后整理学员问题和课堂反馈。•个人使用：先从每周都会重复的一件事开始，把输入、输出、判断标准和人工确认点写清楚，跑通
一个能省时间的小闭环。
十、我目前做 Agent 的几个实际个人心得
1. 先找重复发生的真实工作，再考虑做 Agent。没有业务场景，只为了展示技术做出来的 Agent，很快就会闲置。一个每周都会发生、每次都很烦、输入和结果又比较清楚的任务，才值得先做。
2. Agent 的核心是流程。模型负责理解和生成，但任务怎么进来、按什么标准判断、结果写到哪里、谁来审核，这些才决定它能不能长期使用。
3. 自动化不等于取消所有人工步骤。原文转写 Agent 里最重要的一步，恰恰是人工完整回听。AI 适合找疑点、整理证据和减少重复操作，但不能假装自己听过没有听过的音频。
4. 知识库需要真实业务持续投喂。只放几篇文章、几个模板，AI 最后只能写出很标准的行业内容。客户怎么问、自己怎么判断、项目哪里失败、团队哪里卡住，这些带着现场感的信息进去以后，AI 才会逐渐理解你的业务。
5. 人不能把判断权一起外包。AI 可以转写、检查、拆结构、生成草稿，也可以提醒风险，但客户案例能不能公开、产品能不能承诺、一个判断是否符合当下情况，还是要由人负责。
十一、回到最开始的 Token Rank
所以朋友问我，这么多 Token 花在哪里，我现在会回答：一部分花在内容拆解，一部分花在不同平台的 Agent，还有很大一部分花在不断整理和训练自己的数字大脑，以及研发这些可以独立运行的native程序。
💬很多前辈提过一句话：Token 用得越多，人越闲。
我理解的“闲”，不是人什么都不做，也不是把所有事情扔给 AI。它指的是那些重复整理、反复查找、机械执行的工作，应该逐渐从人的时间里消失。人可以把精力留给判断、沟通、学习、关系和家庭生活，这些事情暂时还很难完全交给 AI。
如果 Token 消耗了很多，自己反而一天比一天忙，可能只是借助 AI 生产了更多文案、更多任务和更多信息，还没有真正改变工作方式。现在的我也没有完全做到“人很闲”。研发 Agent 的过程本身就会遇到大量问题：AI 会写偏，ASR 会听错，平台链接可能拿不到完整媒体，权限和数据隔离也需要反复测试。
但只要这些问题被找到，修改能进入后面的程序、规则和工作流，下一次就有机会少犯一次。内容拆解、媒体处理、原文转写和资料整理这些工作，也确实开始逐渐由系统承担。
Token 排名本身没有太大意义。更值得看的，是消耗以后留下了什么。如果最后只多了几篇没有发布的文案，Token 只是成本；如果留下了能继续使用的案例、方法、程序、工作流和 Agent，它就开始接近一种长期能力。
我还在持续搭这套系统，也远远没到可以说“全部跑通”的程度。但我已经不太想回到每次从零开始的工作方式了。我希望以后无论是见客户、做项目、研究内容、讲课、拆视频还是带团队，做过的事情都不会轻易消失。它们能被整理、被重新调用，也能在下一次工作里继续发挥作用。也希望有大佬来给我指点一二。新手伙伴一起成长。
我自己也只是一个正在学习 AI、不断做项目和试错的人。把这些过程分享出来，不是想以老师的身份给大家下结论，而是希望把我正在做的事情、踩过的坑和形成的判断拿出来，和大家一起交流学习。
如果大家也在做自己的个人数字大脑（个人知识库）、内容 Agent、企业 AI，或者已经把 AI 用到了其他真实业务场景里，也欢迎一起讨论。每个人的行业、业务和工作方式都不一样，互相看看各自是怎么用 AI 的，也许比单独研究一个新工具更有价值。
彩蛋：下一次跟大家深度分享社交媒体IP起号干货。
暂无评论内容