通识内容更容易被看见。教老人用 AI、教孩子结构化思考，都可能是有价值的方向。但它们和我这些年在门店、会员、私域和数据上的经历，衔接得没那么紧。专业内容的观众少一些，却更容易遇到真正有业务问题的人。这是个取舍，不能只看哪条路流量大。

来看的人，和付钱的人

讨论个人 IP 时，很容易把这两拨人混成一拨。大家愿意听我讲一个行业问题，不等于愿意为我解决这个问题付钱。买课的人、买一次诊断的人、买具体交付的人，想得到的东西也不一样。

一个公关案例提醒了我：看内容的人和付钱的人，利益可能并不一致。如果为了讨好围观的人，把客户当成笑话，流量越好，生意反而越难做。这不能推成“通识一定反噬、专业就安全”，关键还是我说的话会把谁带进来，又会让谁受到伤害。

对现在的我，先围绕自己熟悉的行业问题表达，是一条更近的路。如果受众是行业运营从业者，我可以接受半年、一年播放量不好看。但这不代表线上只是一份别人来核实的简历。它也应该让原本不认识我的人发现我，看见我的判断，愿意继续读下去。

能看见问题，不等于要把整个问题接下来

“总部想明白了，门店却做不出来”是个值得讲的问题。不过，如果把这句话直接写进服务承诺，范围就太大了。总部的目标、门店的收益、部门的权限和资源，不是一个外部服务者都能控制的。

内容可以把完整的矛盾讲清楚，收费要落到一件能控制、能验收的事上。一次培训，应该让人学会约定的东西；一次诊断，应该帮人作出更清楚的判断；一个项目，应该说清楚交什么、需要客户配合什么、做到哪里算完成。不能因为理解了一个难题，就承诺替客户解决所有难题。

这也让我重新看了一遍“培训之后再做项目”的想法。培训可以独立有用，不必只是项目的入口。客户也可能已经具备条件，直接需要一次试做。具体怎么买，要看他要解决什么，不能先画好一条路，让每个人照着走。

哪些事我愿意做，哪些事要再等等

我不太想为了厂商商单，今天告诉大家必须用 WorkBuddy，明天又说必须用千问办公，后天再换成豆包。厂家出高价让我讲没用过的工具，我不会讲。这条是我已经想清楚的。

教老人、教孩子，我没有认为它们不好。只是这些方向的投入和回报还没验证，而眼前的行业机会离我更近。暂时不做，和判定它们不值得做，是两回事。

同样，能拿出多少时间做交付，是我的供给上限；有没有人愿意买，是需求。同行能卖什么价格，也不能直接当成我的成交价格。讨论时听起来很漂亮的一句话，放到账里可能根本没有证据。

下一次改定位，要看什么

那天讨论了好几轮，每一轮在当时都像答案。后来发现，有些推导要撤回来，有些承诺要缩小。光是选一句最像定位的话，还不够。

更值得留下的是：谁为什么买，谁为什么没买，买走的到底是什么，交付完以后我愿不愿意再做，客户能不能说清楚钱花得值在哪里。

目前，我更愿意沿着已有的讲台和行业关系，验证几次范围清楚的合作，同时在线上持续写，让熟悉我的人能核实，也让不认识我的人能发现我。这是优先试的路线，还不是已经成立的商业模式。下一次调整定位，要看新的交易和交付，而不是看哪一轮讨论说得最好听。

一个人花三十多万、五十多万开店，希望一年或者一年半收回投入，是个很朴素的期待。我会把它类比成购买一项投资，但开店当然不是保本理财。这个回本时间只是讨论中的期待，不能当成所有加盟商的标准，更不能当成品牌承诺。

老板挣的钱，里面有两本账

一家店每月剩下的钱，有一部分可能是老板亲自在店里劳动挣来的，有一部分才是资金投入带来的收益。两部分都能进自己的口袋，但如果全算作投资回报，就容易高估这笔投资。

已经实际收回多少投入，和假设未来经营顺利、预计多久回本，也要分开。如果房租、工资、维修或者老板自己的劳动没有算进去，一张看起来不错的回本表，可能只是把成本漏掉了。

品牌继续开店，和加盟商收回投入

这两个结果不能相互证明。假设一个加盟体系从开店收费、持续供货中获得收入，只要门店还在经营，就可能继续贡献收入。加盟商却要先付掉房租、人工和其他支出，剩下的钱才能用于收回投入。

这只是分析一种可能的机制，不是在核定某个品牌的收费结构。如果一位投资人亏损退出，另一位投资人接手了同一家店，品牌眼里仍是一家营业门店，前后两个人却是两次不同的投资。门店数量没少，不代表原来那个人的钱已经回来。

所以，想知道投资是否划算，不能只看品牌规模，也不能只看门店还开着没有。

信息不透明，可能掩盖了什么

我的疑问是：如果潜在加盟商把品牌规模当成赚钱能力的证据，而真实回报没有被核对，规模会不会支持信任，新的投资又继续支持规模？

这个机制值得追问，现在还不能把它当成结论。没有数据，不等于一定亏损；暂时没有回本，不等于永远回不了本。品牌、选址、供应链和运营都可能创造真实价值。账不清楚，也可能是信息分散、核算能力不足，不能直接推定有人故意隐瞒。

算清楚之后，结果也未必是整个品牌都不成立。可能是某些租金、投入和经营条件下成立，换一组条件就不成立。重要的是能不能在开店之前看出这些条件，而不是事后挑几家成功门店来解释。

要验证，不能只看还活着的好店

只报一个平均回本时间，容易把差异盖住。同一批开店里，已经回本、还没回本、转让和闭店的结果，都应该留下。缺少的账就标明缺少，不把缺项当成零，也不拿预测代替实际。

可以先找一家账能核对的门店，确认累计投入、经营收支和实际收回的资金，试一试算法是否可靠。单店能验证算账方法，不能代表整个品牌。即使拿到了更多回报数据，也还不能仅凭这些数据证明“不透明导致扩张”。

报表最后要改变一个决定

如果算下来，某个点位、某种投入规模在合理假设下不划算，会不会调整投入、改变条件，或者不建议开这家店？如果账只是变成一张报表，所有选择仍然照旧，那么要解决的就不只是数字化问题。

我真正想追问的是：加盟商充分知情之后，这个生意是不是仍然值得被选择。这个问题需要真实数据，也需要有人愿意根据数据改变决定。

讨论时，我想到教培。孩子成绩不高，家长却很愿意付钱，该怎么服务？但企业又不是一个孩子。里面有不同部门、不同职责，就算老板学会了，也不能替整家公司拿到“高分”。

最开始，是我把事情想大了

从“企业的结果需要协作”，很容易一路推到组队、选拔、补课、项目办公室和长期陪跑。这样一来，原本想做的轻量服务，就变成了替企业改造组织。

这里跳了一步：看出组织有问题，不代表有权限解决；客户愿意付钱，也不代表能在可承受的时间和成本里解决。培训、选拔、进场做项目，都只是可选办法，不能先把一整套流程当成必经之路。

更直接的问题是：客户愿意为什么具体价值付钱，我能不能在说清楚的范围里交出来。

培训本身就应该有用

一门课应该有明确的学习目标、练习和答疑范围。比如围绕一个真实任务，教会业务负责人怎么用工具，怎么检查结果。交付的是约定范围内的教学和反馈，不是企业增长，也不是无限陪跑。

即使客户以后不买项目，这次培训也应该有价值。企业暂时不具备落地条件，不妨碍一个人先学；一个人学会了，也不能写成企业已经落地。

不能把“没达到项目条件”自动变成“再来买补课”。学习和项目各有各的价值，应该分别判断。

项目可以先小到一件事

另一条路，是按一个具体问题收费，先做一次范围有限的尝试。要确认客户愿意为什么改善付钱，现有权限和输入够不够，谁来接手，怎样比较前后的质量、耗时或业务反馈。

例如，一个负责人本来就在解读报表，可以先试着让这项工作更快、更准确。不必一开始就接数据库、改全国流程。能否有效还要实测，省了时间也不能直接说成增加了收入。

人不用多，但依赖要清楚。缺口能在这件小事里补齐，就约定谁补、补到哪里；如果绕不开无授权、关键数据拿不到或者跨部门争执，就先缩小任务。仍然做不了，可以暂时不接，不能把协调和催促次数算成交付。

什么才值得继续做

每次合作要说清楚交什么、谁提供什么、费用、截止时间、验收方式和暂停条件。要算进去的投入，不只有正式交付，还包括沟通、备课、等待、协调和返工。

一次做出了效果，也不等于商业模式成立。类似问题能不能再交一次，客户离开持续代劳之后能不能自己用，费用能不能覆盖实际投入，都要继续验证。

我想留下的边界是：培训可以独立购买，项目也可以直接购买；看清组织，是为了把合作范围选对，不是为了接管组织。先做一件对客户有用、自己能交付的事，再决定有没有下一步。

值得做，不等于有人愿意做

同一件事，对不同人意味着不同的收益、时间和风险。有的人负责目标，有的人承担操作，有的人需要提供权限。如果代价和收益落在不同的人身上，方案讲得再完整，也不会自动形成协作。

因此，判断逻辑是否成立之外，还要问：谁受益，谁付出，谁拍板，谁担责，为什么这几个人愿意一起把它做完。

和人打交道，不只是说服

“搞定人”容易被理解成关系或者权谋。它也可以是一种更具体的工作：听懂对方为什么不愿意，减少不必要的麻烦，把责任和回报讲清楚，给出做完以后能看见的反馈。

如果只是不断解释“这很重要”，却不改变对方的实际处境，很多阻力还是会回来。

也别把所有问题都归到人

有些事推不动，确实是产品没有足够价值，业务判断错了，或者投入根本不划算。不能因为协作困难，就绕过这些问题，最后把失败全解释成执行力不足。

下一次碰到推不动的项目，可以分开检查：这件事本身是否值得做，承担它的人和条件是否到位。可能两边都有问题，也可能只需要改其中一边。把这两层分清楚，比多加一次动员更接近解决问题。

但还有一个更难的地方：即使已经看见这个错误，能够把它讲给别人听，旧目标和旧排期也可能继续照常运行。认知改了，做事的安排不一定跟着改。

目标里，藏着尚未成立的条件

一个规模目标，可能默认所有渠道已经接通、所有人都愿意配合、每天的动作都能稳定发生。算术没错，但这些条件还没出现。

如果先认下这个数字，后面的功能、物料和资源就会围着它做加法。更可靠的起点，是目前真正能运行的范围：已经接通多少，稳定发生多少，哪里还缺证据。以后扩到多大可以是方向，不能直接当成现在的承诺。

少做一个页面，还不一定是 MVP

把完整系统缩成一个页面，已经克制了很多。但页面本身不等于结果。它还要接到真实行为：用户有没有用，得到什么，愿不愿意继续，承担投入的人有没有看见改善。

最小可行的东西，应该是一条能从动作走到反馈的短链路。中间如果还有一段只靠想象，功能做完也不能算验证完。

自动化没有消灭所有依赖

少让一线人员每天操作，不等于没人需要安装、联网、提供名单、处理异常和维护。每一个剩下的依赖，都要知道谁来做、为什么愿意做、没做怎么发现、断了谁来修。

如果关键一步只写“到时候推动一下”，它还不是安排，只是希望。

复盘要进下一版计划

把原因说清楚有用，但要减少下一次重犯，还得改目标、排期和资源分配。什么条件没满足就先不启动，先做哪一段验证，哪些东西现在可以删掉，都要落进实际计划。

反省自己和理解协作条件，可以同时做。前者解释为什么开始选错，后者帮助看见为什么错误会一直持续。只讲其中一半，都容易漏掉下一次仍会出现的原因。

一篇复盘有没有用，不只看它讲得多明白，也看下一版计划里，是不是真的少了不该现在做的东西。

开会、检查、出差、发通知、上线，都是动作。动作之后，有没有出现原先约定的结果，是下一层。把投入、协调成本和后面的麻烦扣掉，是否仍然划算，又是一层。最后还要看，这件事能不能离开某个人持续盯着，照样运转。

别把四本账合成一本

一个项目可能按时上线，却没有被使用；也可能有很多人使用，但付出的成本比改善还大；还可能短期很有效，一旦没人每天催就停了。这些情况，都不能只用“已经完成”概括。

评价一项工作时，可以分别看动作、结果、净价值和留下的能力。未必每本账都能精确到小数点，但至少不能因为第一本账很厚，就默认后面三本都成立。

看见的成绩，和分散的代价

完成一项任务很容易被看见，团队为它额外加了多少班、其他事情推迟了多久、协作有没有变困难，却可能分散在不同人身上。短期汇报里看不到，不代表没有成本。

这也提醒人不要只把“谁很忙”当成贡献。要回到事前承诺的结果，看看变化有多少来自这项工作，扣掉代价之后是否值得，以及停止持续维护后还能不能继续。

经验要从具体的人里抽出来

亲自在现场待过，会看到书里没有的细节。但经历本身不会自动变成方法。一次冲突也不够证明普遍规律。

更有用的复盘，是从人物和情绪再往下看：谁掌握资源，谁承担成本，谁得到收益，谁知道信息，谁可以决定事情算不算成功。把这些关系说明白，经验才有可能用于下一件事。

下次复盘一个项目，我想先问它到底留下了什么，而不是先数它做了多少动作。

在一个行业活动上讲了 30 分钟，题目叫从 Demo 到生产，讲的是我这半年来做 AI 尝试踩的坑。这篇是现场内容的初步整理，话糙，但都是真事。

我把 AI 落地拆成三步，其实这是我花真金白银换来的分法。

第一步，能生成，出总结，出图，出文案，打开一个 App 就能做到。便宜到什么程度呢，我们一天十几万条外卖评价，以前人工看三四个小时，AI 十几分钟出结果，提效二十来倍，但在我做过的所有项目里，这是整条链上最便宜的投入。

第二步，能持续运行，接真实业务数据，每天自动跑，出了问题有人管。这一步我做成过一个，会员拉新战报，每天自动推到企业微信管理群，它也真出过事，把两个挨在一起的数据口径读串了，当着全国管理者的面，艾特了一个表现很好的分公司，说人家数据糟糕。我发现的时候，消息已经在群里挂了一阵子，想撤回，发现自己不是管理员。

第三步，有经营结果，门店真的因为它改了动作，数据真的变了，这一步，我到今天没有证据。

战报刚上线的时候，领导每天在群里点名，好的表扬，掉的批评，两三周以后，群里安静了。我去找分公司沟通，对方很客气，好的好的，我去催，然后就没有然后了。这也不能怪他们，一个主管要盯五十家店，事情太多，AI 再强，他原先的工作一件也没少。

所以再有人跟我说 AI 落地了，我会问一句，到哪一步了，能生成，能持续运行，有经营结果，这是三件事，不是一件事。三种里面，我做了一堆第一种，做成了一个第二种，第三种，到今天没有。

想亲手试的话，有个最省钱的办法，自己充一百块钱 Token，把你们家的顾客评价丢给 AI 跑一遍，一百块够你把想试的都跑完，跑完大概就有数了，别人嘴里几亿 Token 的叙事，到底值多少钱。说白了，这一百块买的不是效率，是价签。

这事儿我到现在也没迈过去，有进展了再来汇报。

当朋友问我AI有啥好玩的，我说：

每天都熬夜，睡不够，这样不行，Token没耗尽，人先耗干了

很高兴看到开源/闭源，海外/国产的大模型差距越来越小～

我以前也习惯把查资料、想方案、执行和检查全丢给同一个 AI。

后来发现：同一个模型既当运动员又当裁判，一旦开头理解错了，只会把错误执行得越来越完整。

于是我把多个 AI 组织成一支临时团队：总指挥拆任务，主力施工，质检员独立验收；复杂任务再加军师、资料员、唱反调、执笔人和配图师。

核心不是多开几个 AI，而是让责任有主、检查独立、交接留痕，最后拍板仍在人。

这篇长文完整拆解了我的 Cindy 协同模式：最小三人组、四条原则，以及 Worker ≠ 子代理这个最容易踩的坑。

超级碗也出烫捞🍲了，可见餐饮有多卷。

拿到marmos内测了（腾讯AI原生数据分析平台），有一说一完成度很高，看得出来野心也很大，后续会有企业版也支持私有化部署。

让它查资料、想方案、写代码、做检查，最后再告诉我"已经完成"。

这很省事，但有一个隐藏的问题：提出方案的、执行方案的、检查方案的，始终是同一个大模型。 它一旦在开头理解错了，后面往往只是把错误执行得越来越完整。

后来我换了一种方式：不再追求"一个 AI 包办一切"，而是让多个 AI 像一个小团队那样工作——有人规划、有人施工、有人质检；需要时再请研究员、反方审稿人、写作者和配图师进场。

这就是我在 Cindy 里使用的"协同模式"。

先说清楚：Cindy 是什么？

Cindy[1] 是一款开源 AI 助手。你可以把不同模型、执行工具和技能接进来，让它们共同完成一个任务。

而"协同模式"不是简单地同时打开几个聊天窗口，也不是让一群模型自由讨论。它更像一套临时组队规则：

• 每个角色只负责自己擅长的工作；

• 每次交接都留下文件、测试结果或来源；

• 写的人不负责给自己打分；

• 删除、覆盖、发布等高风险动作，最后仍由人确认。

一句话概括：Cindy 提供工作台，协同模式负责把 AI 组织成一支有分工、有交接、有验收的临时团队。

别一上来就组八个人：先从三人小队开始

大多数任务，其实只需要三个角色。

1. 总指挥

总指挥就是你正在对话的主会话。它负责理解目标、拆任务、派工、汇总结果和最终验收。

它不一定亲自写大量代码或正文，最重要的工作是让每个人知道：要做什么、不能做什么、交付什么、怎样才算完成。

2. 主力施工

主力施工是唯一允许修改文件的人。代码任务里它写代码，内容任务里则由对应的"执笔人"成为唯一写稿者。

为什么只留一个写入口？因为多人同时改同一份东西，最容易出现重复、冲突和风格缝合。

3. 质检员

质检员只读文件、跑测试、查日志、找边界条件，不直接替施工者修改。

它的价值不是再给一套意见，而是提供独立证据：测试有没有过、问题能不能复现、改动有没有碰到不该碰的地方。

不要让一个 AI 包办一切。让每个 AI 只把自己那一段，做得可以被下一个人检查。

三个人的工作关系很简单：

总指挥派工 → 主力施工交付 → 质检员拿证据检查 → 不通过就退回修复 → 通过后总指挥验收

理解这个最小闭环，就理解了协同模式的一半。

任务变复杂，再按需加角色

三人小队已经能覆盖日常开发和修 Bug。但当任务风险升高、涉及大量资料或需要成篇写作时，再往里加人：

这里有一个分工细节值得注意：资料员和唱反调必须是两个独立的人，哪怕它们来自同一家模型。 资料员吃的是速度和走量，唱反调吃的是推理深度——两种任务用不同的配置才划算。更重要的是，自己收集的资料自己批评，下不去手。让一个独立的角色来挑刺，视角才是新鲜的。

不需要记住每个角色的名字或绑定哪个模型。选择模型时只看一件事：它能不能稳定完成这个角色的职责。模型会更新，角色之间的制衡关系不会。

这套模式真正有用的四条原则

原则一：最强专家只出现在高杠杆节点

最强、最贵的模型不应该常驻处理杂活。

"军师"只在开局定计，或者终局争执不下时做一次裁决——两次都是一次性出场，用完就退。规划完成后，把结果写进 计划.md、框架.md 或 大纲.md，然后归档。

这样既把能力用在刀刃上，也避免整个流程被一个昂贵会话绑住。

原则二：让结果留在文件里，不要只留在聊天里

聊天记录适合讨论，文件才适合交接。

军师的每一份产出都固化成文件。全队照文件干活，军师不在线也不影响推进——这才是能用得起"一次性专家"的关键。不只是军师：计划写成文件，资料带来源，代码改动能看差异，测试结果可以复跑。即使某个角色已经退出，后来者也能沿着文件继续工作。

原则三：坚持"单一写入者"

代码只让主力施工改；文章只让执笔人改；配图只让配图师生成——配图师产图，不碰字，和"只有执笔人能碰稿子"是同一条铁律。

质检员和唱反调可以把问题说得很尖锐，但不要直接下场重写。否则写与审混在一起，责任不清，最后也不知道哪次改动解决了哪个问题。

原则四：裁决看证据，高风险动作由人确认

我给团队设的证据优先级是：

测试结果 > 可复现报错 > 文件与日志 > 推理与意见

删除数据、覆盖文件、上线部署、对外发布——这些动作无论 AI 多有把握，都要停下来让我确认。

按张计费的配图也是同一条逻辑。配图师必须先交一份清单（封面 + 每张插图的位置、意图和 prompt），我确认张数和风格之后才允许生成。没确认，不烧钱。

这篇文章本身，就是协同模式做出来的

你正在读的这篇文章，原始素材是一张角色配置表和五份提示词模板——给内行看的操作手册，陌生读者完全读不进去。

把它变成现在这个样子，走的就是上面的流程：

1. 总指挥筛选变化：先对照原始配置与已有的 X 稿，决定哪些方法变化必须同步，哪些操作细节应该留在模板里。

2. 执笔人写初稿：Opus 4.6 把干巴巴的表格和规则改写成一篇陌生读者也能进入的叙事文章。

3. 军师独立审阅：Fable 5 只挑问题，不直接改稿；它指出哪些段落又写成了配置手册，哪些新内容值得保留。

4. 执笔人修订、总指挥整合：筛选审阅意见后交回 Opus 4.6 修订，再由总指挥做最终取舍、统一口径。

5. 配图与发布：文字定稿后，配图师先交清单、我确认再生成；标题、正文、图片、链接全部核对完，真正点"发布"的是我。

这条流水线比"一句话生成全文"慢，却把最容易出问题的地方拆开了：方向有人定，文字有人写，漏洞有人挑，配图有人把关，发布有人确认。

四类任务，怎么选编排？

• 日常开发 / 修 Bug：最小三人组（总指挥 + 主力施工 + 质检员）就够。做到一半风险变大，随时说"加个唱反调"，不用推倒重来。

• 大重构 / 数据迁移 / 上线前检查：加军师先写 计划.md，加唱反调在计划阶段和完工阶段各攻击一次，中间实施不参与，避免扯皮。

• 技术调研 / 长报告：军师定框架，资料员走量搜集标来源，主力做深度分析，唱反调最后查证据能不能支撑结论。

• 文章创作：军师 + 资料员 + 执笔人 + 唱反调，定稿后再加配图师。批评意见先汇总到总指挥再转执笔人，不让矛盾的声音带偏写稿者。

Worker ≠ 子代理：一个最容易踩的坑

协同模式的制衡不依赖你用哪个固定模型，但有一件事必须保证：每个正式角色都有独立会话。 会话不独立，分工就失真——审自己写的代码、批自己收的资料，制衡就名存实亡了。在 Cindy 里，独立会话意味着建成 Worker。

总指挥自带一种叫"子代理"的轻量帮手，用的是总指挥自己的模型，没有独立会话，用完就丢。它图省事拿子代理顶替正式角色时，你安排的模型搭配全部落空。最容易中招的是军师：它是"一次性"角色，总指挥很容易觉得"就问一次，拿子代理跑一下得了"。

解决方法：提示词里写明"所有正式角色都建成 Worker，不许用子代理顶替"。发现它犯了，一句"停，建 Worker 做"就行。

可以直接复制的最小提示词

第一次使用，不需要把所有角色一次写全。先复制下面这段，把任务填进去：

开启协同模式。本会话是总指挥，负责拆解任务、派工、验收和整合，不亲自写大段代码或正文。

创建"主力施工"：它是唯一允许修改文件的成员，负责实施与修复。

创建"质检员"：它只读文件和运行检查，不修改任何文件；负责搜索定位、测试、日志、边界条件，并用证据清单汇报。

所有正式角色都建成 Worker（独立会话），不许用子代理顶替。

每次派工都要包含：任务目标、工作目录、允许改动范围、禁止事项、交付格式和验收标准。主力完成后先交质检；不通过就退回修复，通过后再由总指挥验收。

涉及删除、覆盖、部署或对外发布时，必须先向我确认。

任务是：【在这里写具体任务】

如果任务风险突然变高，不用推倒重来，只要补一句：

请军师先把方案写成 计划.md，再加一个唱反调的角色攻击这份计划；两者都建成 Worker、只给意见，不修改实施文件。

如果要写文章，可以补成：

只有执笔人允许修改正文；资料员只交带来源的素材，唱反调只交"必须改 / 建议改"两档意见。文字定稿后，配图师先交配图清单，经我确认再生成。

我现在的角色配置（2026 年 8 月快照）

下面只是我当前使用的一套配置，不是协同模式的永久标准：

不需要照抄这张表。模型更新很快，重要的是分工逻辑：贵在刀刃上——最强模型留给规划和裁决，中档模型做走量和质检，写作和推理各用各擅长的。

最后

协同模式的价值，不是"同时开更多 AI"，也不是把模型数量当成生产力。

它真正改变的是：复杂任务开始有明确责任、独立检查、可追溯交付和最后的人类决策。

第一次使用时，从三人小队开始。任务变复杂，再加角色；风险下降，就让角色退场。

不要让一个 AI 包办一切，让每个 AI 只把自己那一段，做得可以被下一个人检查。

引用链接

[1] Cindy: https://github.com/makecindy/cindy

Grok 4.6

DeepSeek V4 Pro 0813

过年了过年了🧨睡什么睡！

又一个，marmos（马尔摩斯），腾讯出品的 AI 原生数据分析平台。产品看点：无需 SQL，用自然语言一句话即可生成可持续演进的智能动态看板…

我的本意不是要评价徐新老师，我很尊重敬佩她，我的本意是：即使是这么高认知的徐新老师，也会说类似几千万 token、几亿 token 消耗是一个衡量 AI 能力的标准。这是我听到看到觉得很不可思议的，也是给自己的一个警钟：一切都要去实操才能有实感。

如果觉得她是在说 1 亿元 token 的话，可以看看这个视频原话，截取至访谈第 52 分钟。我不是在抓她的漏洞，我只是在表达一个观察。

做了 私域运营 skill之后，感觉自己被吸干了，没有太多东西往外掏，要逼自己不断学习。

千店咖啡直营+6千店快餐加盟，双体系私域经验沉淀，精准适配连锁餐饮/零售行业，workbuddy一键免费安装调用，从新手村到高认知，从单店到百店千店，从老板到专员，有关私域运营装这1个skill就够了。

私域运营skill新增基础的 #用户增长 行业knowhow，测试下来效果不错，workbuddy在【技能】中搜“马甲实战”即可安装调用。

不要迷信大佬，她应该不知道：1亿token=10块钱人民币的DeepSeek用量

身边不少朋友对token消耗没有体感，今天看后台觉得正好适合来科普：以还未涨价DeepSeek V4 Flash为例，1千万消耗成本不到1块钱，下次不要再被几亿token唬住了。

你拍抖音去宣传，新用户在视频停留3秒之后安装注册，一个人头给你15块，这种拉新手段和财力真的学不来。

读完之后，我觉得它们和前几天整理的认知笔记，以及自己做的内容工具，讲的是一条连着的路：从真实经历里找到问题，形成判断，表达出来，再用产品和交付证明这句话有没有用。

AI 替不了真实经历

材料里值得留下来的，并不只有用 AI 搭内容框架。生活碎片先经过真人反馈，选题还要看搜索、评论和历史内容，之后才进入制作。

AI 能帮助整理、检查和改表达，却不能替作者经历一件事，也不能替市场表态。对我来说，从门店做到总部，做过会员、私域和数据，也经历过创业和转型，这些才是内容的来源。工具可以让它更容易表达，但不能凭空长出这些经历。

选题要让人认出自己的处境

几份材料有的说痛点，有的说用户想达到的状态，有的说旧方案的“虽然，但是”。放在一起看，都是在问：他现在困在哪里，想去哪里，旧办法为什么没带他过去？

比如，“方案很完整，实际却推不动”。如果只再讲五个步骤，可能还是停在方案里。读者更想知道，难在哪里，谁承担成本，换一种办法后会有什么不同。先把处境说准确，方法才有地方放。

被看见，和被相信

播放、点赞和涨粉，说明内容被看见、被回应了。它们还不能证明有人愿意购买，更不能证明买完以后得到了价值。

内容还在积累另一种东西：别人因为什么相信我。可能是我讲清了一个难题，也可能是我拿出了真实经历和证据，或者明确说出了哪些事情现在还不知道。

不过，重视信任也不能变成忽略传播的借口。没人看到的证据，很难发挥作用。标题、封面和开头仍然要让人愿意停下来读，同时不能为了吸引人把话说过头。

成交之后，才有下一段证据

一条内容还要继续问：吸引的是谁，建立了什么信任，能承接什么产品，交付范围是什么，最后有没有结果。

免费内容、课程、诊断和具体项目，可以提供不同的价值，但不是先把价格排好，就算商业化完成了。如果交付边界不清，成交越多，也可能要花更多时间处理问题，承担更多责任。

真正值得重复的是：从表达认识彼此，完成一件范围清楚的合作，让结果成为下一次表达的证据。能否走通，要看实际购买和交付，不能拿一个爆款替整条路作证。

工具已经够用时，别只盯着工具

我很容易把问题整理成流程和系统。它有价值，也很容易让人一直忙着优化，好像再补一个功能总是合理的。

但工具做好之后，还要决定这次具体讲什么，拿什么证据讲，谁会在意，能承接什么。发出去之后，也要看有没有出现具体问题和真实合作，而不是只改下一版封面。

所以，我想把制作之前的选题判断，和制作之后的实际反馈接起来。外部案例可以帮我学习，最后仍要回到自己的经历、客户和愿意长期做的事情。爆款有它的价值，生意还需要另外一段路。

字节刚发的组织调整： 产品团队整合进 ，飞书负责人向豆包负责人汇报。

这相当于腾讯的 并入

上架啦上架啦，  技能栏搜索：马甲实战，一键安装免费开源的 私域专家团 skill，实测效果非常不错哦～

我不是数据分析师，做过 O2O、实体零售，现在在一家餐饮加盟连锁做会员体系。

搭过看板，导过数据集，整过ETL，但真不算专业的数分人。

这条视频是一次完整直播实录，我用观远 CLI，让 AI 替我做区域运营角色的数据巡检。

不打开任何网页、看板，全程只用中文在 中操作，提示词都极其简单。

问了它三个问题：

一、为什么亏

深圳那家店亏钱。它自己去排除，最后定位到房租，同是深圳商场店，别人不超标，这家超了 5.6 个百分点，结论直接到人：店长复盘出品和服务，区域经理去谈房租。

二、该不该报

宁波校园店 2 月大幅亏损，兰州新店"不太行"，它告诉我：这两家都不用管。

校园店寒假营收从 2 万多掉到 1 万，四五月就恢复，4 月还是标杆门店；

兰州那家 3 月才开，给它点时间。

这一步是我最在意的：教 AI 干活容易，教它闭嘴难。

三、没问题吗

青岛那家店没报警，异常清单里也没有，明面上很健康，但加盟商在吐槽。

它像侦探一样顺藤摸瓜：利润 OK,然后查堂食和外卖评价，负评占比从 0 涨到 20%。

没触发任何报警，但在一点点消耗这家店。

我最后想说的其实不是 AI 多强。

它给我一个 70 分的答案，而我只是提了个很朴素的业务需求。

真正省不掉的是底表，没有这些底表，它肯定没办法做到精准识别和输出。

模型用哪个我实际体验里不太重要，之前维护的多维数据集才是最重要的。

还有一个反直觉的：你维护的异常清单，本身也存在异常，这个局限 AI 能很好的解决。

视频里演示的所有内容我都开源了，GitHub搜majia-huiyuan

观远 AI 创新赛一等奖 · 直播实录精编