撰文：深思圈

你是否还在一个个标签页之间来回切换，复制粘贴信息，手动完成那些重复性工作？大多数人使用 AI 的方式还停留在最初级的阶段：输入问题，获得答案，然后自己动手完成工作。但有一小群人已经跨越到了完全不同的维度，他们让 AI agent 自动管理邮件、日历、广告投放和日常运营，生产力提升了 10 到 20 倍。这不是夸张，而是正在发生的现实。

最近我深入研究了 Remy Gaskill 在 The Startup Ideas Podcast 上分享的一套 AI agent 工作流系统，这套方法让我彻底重新思考了如何使用 AI。Remy 用一个非常简洁的对比概括了这场变革："从问答模式到目标-结果模式"。传统的聊天就像打乒乓球，你来我往，但最终还是你在做事。而 AI agent 则完全不同，你给它一个目标，它会自己规划步骤、执行任务、交付结果。这种差异看似微小，实则是生产力上的代际跃迁。当这种效率优势在数周、数月的时间维度上累积，你会发现自己已经远远甩开了那些还在手动操作的人。

我花了很长时间消化这套方法论，因为它触及了一个更深层的问题：我们与 AI 的关系正在从工具使用者转变为团队管理者。你不再是在使用一个软件，而是在管理一支数字员工团队。这种转变需要的不仅是技术理解，更是思维方式的根本改变。

Agent 的运作原理：观察-思考-行动循环

在深入讨论如何构建 AI agent 系统之前，我觉得有必要先理解 agent 的底层运作逻辑。每一个 agent 都遵循同样的三步循环：observe（观察）、think（思考）、act（行动）。理解这个循环是掌握整套方法论的关键，因为它解释了为什么 agent 能够自主完成复杂任务，而不是简单地响应单个指令。

Remy 用一个具体案例演示了这个循环的运作方式。假设你给 agent 一个任务："为 Greg Eisenberg 搭建一个作品集网站。"agent 不会直接开始写代码，而是会启动这个循环。第一步，它会检查工作空间中是否有现有文件（observe）。发现没有相关信息后，它会判断需要先研究 Greg Eisenberg 是谁（think）。接着，它就会去执行这个研究工作（act）。完成研究后，循环重新开始。现在它掌握了研究成果，会思考："我需要制定一个计划。"于是它写下计划。再次循环，开始编写代码。又一次循环，启动网站。再循环一次，截图验证任务是否完成。

我第一次看到这个流程时，感到既兴奋又有些不安。兴奋是因为这意味着 agent 真的可以像人类员工一样分解复杂任务、自主决策。不安则是因为这要求我们必须清晰定义任务的完成标准，否则 agent 可能会陷入无限循环或者朝错误方向前进。但这正是关键所在：agent 会持续执行"观察-思考-行动"循环，直到它能够根据你设定的参数判断任务已经完成。这种自主性是传统自动化工具完全不具备的。

更让我印象深刻的是，这套循环逻辑是跨平台通用的。Claude Code、Codex、Antigravity、Cowork、Manus、OpenClaw，这些都只是不同的"agent harnesses"（agent 容器或框架）。Remy 把它们比作不同品牌的汽车。一旦你学会了如何开车——踩油门、刹车、转方向盘——你就能开任何车。丰田也好，路虎也罢，虽然配置不同（座椅加热、定速巡航等），但基本原理是相同的。Remy 现场演示了在 Claude Code、Codex 和 Antigravity 三个平台上用同样的提示词构建作品集网站，三个都成功了。同样的循环，不同的风味。这个洞察非常重要，因为它意味着你学到的技能是可迁移的，不会被某个特定工具锁定。

构建 Agent 的大脑：agents.md 文件

理解了 agent 的运作原理后，接下来就是实践部分。第一步是创建 agent 的"大脑"——一个 agents.md 文件。这听起来很技术化，但实际上非常简单直观。我按照 Remy 的方法试验了一次，才真正理解为什么这个文件如此关键。

首先在你的电脑上创建一个文件夹，比如叫"executive assistant"（执行助理）。现在这个文件夹是空的。如果你直接让 agent 帮你写一封商务开发邮件，它完全不知道你是谁、你卖什么产品、你的目标客户是谁。结果就是它会生成一封通用的、毫无针对性的邮件，你还得花时间大幅修改。这就是大多数人使用 AI 时遇到的问题：每次都要重复提供背景信息，效率低下且令人沮丧。

这里有个非常实用的技巧。你可以用任何聊天模型来构建这个文件。只需说："用访谈的方式问我问题，提取所有你需要的上下文信息，然后帮我构建一个 agents.md 文件。"模型会从你脑子里把信息都挖掘出来，并且结构化地整理好。我试过这个方法，效果惊人。模型问了我大概 15-20 个问题，从我的工作角色、公司业务、目标客户、沟通风格、常用工具，到我对邮件签名的偏好，全部提取出来并生成了一个完整的 agents.md 文件。

这标志着从"提示词工程"（prompt engineering）到"上下文工程"（context engineering）的重大转变。当你给 agent 加载了足够多关于你业务的信息后，你的提示词可以简单到令人发笑。"给我写封商务开发邮件"就够了，因为上下文已经全在那里了。agent 知道你是谁、你在推销什么、你的语气风格，甚至知道你喜欢在邮件结尾用什么样的签名。这种工作方式的效率提升是指数级的，因为你不再需要每次都重复提供背景信息，可以直接进入核心工作。

给 Agent 配备记忆：memory.md 文件

构建好 agents.md 后，下一步是解决一个关键问题：记忆。我在使用 ChatGPT 等聊天模型时经常遇到这种情况：你告诉它"我最喜欢的颜色是薰衣草紫"，它说"明白了"。但下一次会话时，它完全不记得了。这非常令人沮丧，因为你不得不反复纠正同样的问题。

ChatGPT 这类聊天模型有自动记忆功能，它们会在云端保存信息，但你无法控制。Agent 的工作方式不同，你可以自己控制记忆。Remy 的解决方案非常优雅：在 agents.md 文件中添加两行指令。第一行："在每个任务开始前读取 memory.md 文件"。第二行："当我纠正你或者你学到新东西时，更新 memory.md 文件"。然后在同一个文件夹中创建一个空白的 memory.md 文件。

现在，当你说"别写得那么正式"，agent 会在 memory.md 中更新记录："保持语气随意，永远不要正式"。每次未来的会话都会继承这个偏好。这就像训练一个真正的员工。优秀的员工会记住你的偏好并随着时间不断改进，你的 agent 也应该如此。我按照这个方法配置后，发现 agent 的表现确实会随着时间推移越来越符合我的期望。它会记住我不喜欢用"显著"这个词，会记住我倾向于用数据支撑观点，会记住我喜欢简短的段落而不是长篇大论。

Remy 给出了一个最佳实践建议：保持 agents.md 文件在 200 行以内。如果你的 memory.md 文件开始保存一些微小的修正，可以更新指令说"只保存实质性的修正"。你随时可以手动清理这个文件。这个建议很重要，因为如果记忆文件变得过于庞大和混乱，反而会影响 agent 的表现。保持信息的精炼和结构化，是让 agent 高效运作的关键。

连接你的工具：MCP 协议

有了大脑和记忆后，agent 仍然是孤立的。它只能在自己的小世界里工作，无法访问你日常使用的各种工具和平台。这就引出了下一个关键组件：MCP（Model Context Protocol，模型上下文协议）。

默认情况下，大多数 agent 框架只自带网页搜索功能。就这一个。要连接 Gmail、Google Calendar、Notion、Stripe、Granola 或其他你使用的工具，你需要 MCP。Remy 用了一个非常简洁的比喻来解释 MCP 的价值。在 MCP 之前，你的 agent 必须学习每个工具的"语言"。Claude 说英语，Notion 说西班牙语，Gmail 说法语，Slack 说中文。连接它们需要针对每个工具进行定制开发，成本高昂且复杂。

Anthropic 开发了 MCP 作为通用翻译器。你的 agent 仍然说英语，你的工具仍然说它们各自的语言，MCP 坐在中间进行双向翻译。这个协议的出现大大降低了 agent 系统的构建门槛。现在大多数框架都让连接变得非常简单。Cowork、Codex、Manus 和 Perplexity 都有"连接器"或"技能"菜单，你可以浏览应用并登录，一键完成。

一旦连接完成，这才是真正的生产力飞跃发生的地方。Remy 做了一个现场演示，让我印象极其深刻。他让一个 agent 总结收件箱、从 Granola 提取会议笔记、创建一个 Stripe 付款链接、在 Notion 中设置一个项目、起草一封后续跟进邮件。一个提示词，agent 触及了每个工具，Remy 没有切换任何一个标签页。他说："即使你只是能把某件事做快七倍，不需要进入所有这些工具，这种效率提升真的会开始复利。"

我自己尝试后，这种体验确实令人震撼。我让 agent 检查我的日历、总结今天的会议、从 Notion 中提取项目状态、在 Slack 上给团队发送更新、创建一个跟进任务。整个过程在两分钟内完成。如果我手动操作，至少需要 15-20 分钟，还要在多个应用之间来回切换，思维不断被打断。这种无缝的工作流整合，才是 AI agent 真正的价值所在。它不是替代某个工具，而是成为所有工具的协调者，让信息和行动在不同平台间自由流动。

构建技能：AI 的标准作业流程

如果说 agents.md 是大脑，memory.md 是记忆，MCP 是手脚，那么 skills（技能）就是专业知识和经验的积累。这是整套系统中最具复利效应的部分，也是我认为最被低估的组件。

把技能理解为标准作业流程（SOP），但是为你的 agent 准备的。你解释一次流程，agent 就能每次完美重复。没有技能的情况下是这样的：你让 agent 写一份客户提案，你们来回沟通 30 分钟，改格式、把价格移到底部、用这个蓝色色调。最终得到一个不错的结果。但下周，你又得从头开始。有技能的情况下：agent 加载你的提案技能，它已经知道格式、颜色、价格应该放在哪里。几分钟搞定。

Remy 介绍了两种创建技能的方法。方法一：提供源材料。他拿了一个关于病毒式传播钩子（viral hooks）的完整课程文本，上传给 agent，然后说"基于这个课程给我构建一个病毒式钩子技能"。agent 就把它打包成一个 .skill 文件，包含指令和参考材料。方法二：从实际会话中构建。和 agent 一起手动完成一个流程，当你对结果满意时，说"为我们刚才做的创建一个技能"。它会把整个工作流打包起来。

Remy 分享了一个真实案例，特别能说明技能的价值。他构建了一个广告库分析技能，方法是和 Claude 一起走一遍完整流程：抓取竞争对手的广告、截图落地页、分析文案和创意、生成一份主报告。这个流程过去需要 3-4 小时。现在他只需输入两个词，技能就会运行。我算了一下，如果他每周做两次这样的分析，一年就能节省 300-400 小时。这些时间可以用来做更有战略价值的工作，而不是机械性的信息收集和整理。

更关键的是，技能是可以累积的。如果你每周自动化 3-5 个微小的手动流程，最终你会自动化整个工作流。这不是一夜之间发生的，而是一个渐进的过程。但正因为是渐进的，它可持续、可控制。你不是突然把所有工作交给 AI 然后祈祷它不出错，而是一点一点地将那些重复性、规则明确的任务转化为技能，逐步优化和完善，直到整个系统稳定可靠。

技能链接和任务调度

当你积累了足够多的技能后，真正的魔法开始显现：技能链接。单个技能很有用，但当你把多个技能组合起来，就能创造出完全自主的工作流。

Remy 举了一个会议准备的例子。一个会议准备技能会研究嘉宾并整理谈话要点。一个播客研究技能会深入挖掘嘉宾的背景。一个晨间简报技能会检查你的日历，如果看到有播客安排，就自动触发研究技能。这种技能的级联调用，创造了一种近乎魔法的体验：你醒来，打开电脑，晨间简报已经准备好了，今天的播客嘉宾的完整背景资料也躺在那里，你只需要快速浏览然后开始录制。

现在大多数框架都支持定时任务。你可以设置晨间简报技能每天早上 9 点运行。它会检查你的日历、总结收件箱、从 Notion 提取项目更新、交付一份每日行动计划。我设置了这样一个流程后，发现它彻底改变了我开始一天工作的方式。过去我需要花 30-45 分钟"进入状态"，检查邮件、看日历、回顾待办事项。现在这些都在我坐下来之前就完成了，我可以直接进入深度工作。

Remy 分享了一个更激进的案例。他正在购买一辆特定颜色、特定配置的汽车。每三小时，一个 agent 会自动抓取 CarMax、Cars.com、Autotrader 等市场平台，如果有匹配的车出现，就发送通知给他。这为他每天节省了大约一小时的疯狂刷新标签页的时间。这个例子让我意识到，agent 不仅可以处理工作任务，还可以接管生活中那些耗时但重要的监控任务。

我开始思考更多可能性。一个 agent 可以监控特定主题的新闻，每天生成行业动态摘要。另一个可以跟踪竞争对手的产品更新和定价变化。还有一个可以监控社交媒体上关于你品牌的提及，识别需要响应的重要评论。这些都是过去需要专人负责或者完全忽略的任务，现在可以完全自动化。

运营整个业务的文件夹结构

当你开始系统化地构建 agent 团队时，组织结构变得至关重要。Remy 分享了他的完整设置，这个结构非常有启发性。

他为每个公司或客户创建一个大文件夹。里面按部门划分子文件夹：executive assistant（执行助理）、content team（内容团队）、head of marketing（营销主管）、sales（销售）。每个子文件夹都有自己的 agents.md、memory.md、技能文件夹和 MCP 连接。营销 agent 知道广告创意规则，内容 agent 知道品牌语气，执行助理知道你如何签署邮件。在顶层，一个总管 agent 管理所有这些。

这个结构让我想到真实公司的组织架构。每个部门有自己的知识库和工作方式，但都向同一个目标努力。Remy 还提到了全局技能和项目级技能的区分。有些技能适用于所有场景，比如"让这个更简洁"的技能，这些应该放在全局。而"将某人转介给 Sebastian"这样的技能只属于执行助理文件夹，应该保持在项目级别。

我按照这个思路整理了自己的 agent 系统，发现这种组织方式确实大大提高了可管理性。过去我把所有东西都塞在一个文件夹里，结果是技能互相冲突，记忆文件变得臃肿，很难追踪哪个 agent 负责什么。现在每个 agent 都有明确的职责范围和知识边界，整个系统变得清晰可控。

更重要的是，这种结构是可扩展的。当你想添加一个新职能，只需创建一个新文件夹，配置相应的上下文和技能，就可以立即投入使用。当某个 agent 的表现不佳时，你知道确切在哪里进行调整。这种模块化的设计让整个系统既强大又灵活。

如何开始

看到这里，你可能会觉得这套系统很复杂，不知道从哪里入手。Remy 给出了一个非常清晰的起步路径，我认为这个路径既实用又循序渐进。

第一步，选择一个 agent 框架。Remy 推荐 Cowork 作为初学者的最佳选择，因为它的界面最友好、设置最简单。但正如前面提到的，一旦你理解了基本原理，切换到其他框架非常容易。第二步，创建一个叫"executive assistant"的文件夹。从执行助理开始是明智的，因为这个角色涉及的任务类型最广泛，能让你快速看到价值。

第三步，使用访谈式提示词构建你的 agents.md 文件。这一步不要着急，花时间把上下文建立好，后面会节省大量时间。第四步，添加带有自动更新指令的 memory.md 文件。第五步，通过 MCP 连接你最常用的工具。不要一次性连接所有工具，从 3-5 个最核心的开始。

第六步，这是最关键的：开始使用 agent 处理真实任务。不要只是测试，要让它参与你的实际工作。当你发现自己重复执行某个流程时，把它转化为技能。第七步，每周自动化 3-5 个小流程。这个节奏是可持续的，不会让你overwhelmed（不知所措），但会稳步积累。

我自己的经验是，前两周会感觉有些笨拙，因为你在学习如何与 agent 有效沟通，如何构建好的上下文和技能。但过了这个阶段，效率提升会变得非常明显。我现在每天早上的第一件事不再是手动检查邮件和日历，而是查看 agent 准备好的晨间简报。我写邮件的时间从平均每封 5-10 分钟降到了 1-2 分钟，因为 agent 已经掌握了我的写作风格和常用模板。

Remy 强调了一点我非常认同：真正未来导向的技术栈是你电脑上的 markdown 文件。各种框架会不断变化，但你的上下文文件、记忆和技能可以迁移到任何一个。这意味着你投入的时间和精力不会因为某个工具被淘汰而浪费。你构建的是一套可迁移的数字化工作流资产。

我对这套方法的深度思考

在深入研究并实践了这套 AI agent 工作流系统后，我有一些更深层的思考，这些思考超越了具体的技术细节，触及了我们与 AI 关系的本质。

我认为这套方法最深刻的地方在于，它重新定义了"自动化"这个概念。传统的自动化是预先编程的、僵化的，只能处理完全相同的场景。而基于 AI agent 的自动化是适应性的、情境感知的。它不是简单地执行固定步骤，而是根据具体情况做出判断。这种差异是根本性的。一个传统的自动化脚本会在遇到意外情况时崩溃，而 AI agent 会调整策略。这意味着你可以自动化那些过去被认为"太复杂、变数太多"的任务。

我也注意到一个有趣的悖论：agent 越智能，你需要的技术技能越少，但对业务理解的要求越高。过去，构建自动化系统需要编程能力，但不一定需要深刻理解业务逻辑。现在，你不需要写代码，但你必须能够清晰表达任务目标、定义完成标准、识别关键决策点。这是一种不同类型的技能，更偏向战略性思维和流程设计。

从更宏观的角度看，这套方法体现了一种新的工作哲学：压缩繁琐工作，专注关键决策。Remy 在文章结尾说："你不是在替代自己，而是在压缩琐事，这样你就能专注于真正重要的决策。"这句话点出了核心。AI agent 的价值不是让你失业，而是让你的时间用在更有价值的地方。那些重复性、规则明确、不需要创造性的任务，应该被自动化。而那些需要判断、创意、同理心和战略思维的工作，应该得到更多时间和精力。

我还思考了这套系统的复利效应。每个技能的价值可能不大，但当你积累了 50、100 个技能后，整个工作方式会发生质变。就像复利投资一样，前期看不出太大差别，但随着时间推移，曲线会陡然上升。Remy 说"把一周的工作压缩进一天"，这不是夸张，而是数学上的必然结果。如果每个任务都快 5-10 倍，一天确实可以完成过去一周的工作量。

但我也看到一些潜在的陷阱。过度自动化可能让人失去对细节的感知，过度依赖 agent 可能削弱自己的技能。我的应对策略是：定期审查 agent 的输出，确保质量不下降；有意识地保留一些手动工作，保持技能的活跃；把 agent 当作助手而非替代品，最终决策权始终在人类手中。

最后，我认为这套方法预示了一个更大的趋势：个人生产力的极大提升将重新定义竞争。过去，一个人的产出受限于时间和精力，现在，通过 AI agent，一个人可以拥有一个小团队的产出能力。这会让小团队和个人创业者具备前所未有的竞争力，因为他们可以以极低的成本实现过去需要大团队才能完成的事情。我们可能正在见证"一人公司"时代的真正到来。

底层逻辑：从工具到团队

回到最开始的问题：为什么大多数人还停留在 AI 使用的初级阶段？我认为根本原因在于思维模式的差异。大多数人把 AI 当作工具，一个更聪明的搜索引擎或写作助手。但那些生产力提升 10-20 倍的人，已经把 AI 当作团队成员。

这不仅仅是用词上的区别，而是完全不同的使用方式。当你把 AI 当作工具时，你会在需要时调用它，用完就关闭。当你把 AI 当作团队成员时，你会给它持续的上下文、教它记住偏好、构建它的技能库、让它主动承担职责。就像管理人类员工一样，你投入的培训和指导越多，它的产出就越好。

这套由 Remy 分享的系统，本质上就是一套"管理数字员工"的方法论。agents.md 是员工手册，memory.md 是工作日志，skills 是专业技能，MCP 是工作权限。整个结构映射了人类组织的管理逻辑。理解了这一点，你就能明白为什么这套系统如此强大：它不是在优化工具使用，而是在构建一个可扩展的、能够自我改进的数字化团队。

循环非常简单：连接工具 → 构建上下文 → 创建技能 → 自动化流程 → 重复。从执行助理开始，本周构建一个技能，下周再构建一个。把这个过程堆叠数月，你就能把一周的工作压缩进一天。这不是科幻，而是现在就可以实现的现实。