书架
用AI之前，先知道它是什么。一句话：大模型是一台预测"下一个字"的机器。你输入"今天天气"，它靠读过的海量文本，预测接下来接"真不错"还是"很糟糕"。
这一个定义，能解释你遇到的所有怪现象。它为什么编造？因为它在预测"最像真的"，不是"是真的"。同一个问题两次回答不一样？预测带随机性，每次走的路不同。数学题老出错？预测擅长"像人说话"，不擅长精确计算。
看懂这一层，你对AI就不再有两个极端情绪——神化它，或者贬低它。它是一台能力强大但脾气明确的机器：给它预测的依据，它就稳；不给，它就编。
模型的能力边界，就是它的预测边界。
模型 17 天升级一次，追不动，也不用追。选模型跟吃饭一个道理：不会天天商务宴请，也不会拿宴请标准要求每一顿。
模型分三档：日常快餐、家宴便饭、商务宴请。而你 90% 的日常工作，吃的都是快餐——写微头条和公众号日更，模型能力早已过剩，瓶颈在选题和提示词；朋友圈文案、会议纪要、读文档做摘要、小红书标题，拼的是提示词不是模型。
什么时候才需要上顶配？复杂的推理、长链条的规划、高质量的长文创作。日常活儿交三档以内的模型，把纠结模型的时间省下来，去搭后面几章要讲的系统。
瓶颈从来不在模型，在你的用法。
同一个AI，两种吃法。网页版，是你去餐厅吃饭：排队叫号、按菜单点、一次一桌——主动权在餐厅。API，是把厨师请回家：你的厨房你的锅，接上流水线一次出一百桌——主动权在你。
网页等于人去用AI，一次一个对话框；API等于工具去用AI，接进软件里批量跑、自动跑。日常用网页完全够，别折腾。但三件事出现时，API登场：要把AI接进工具，要一次干五十篇的批量活，要没人守着也能跑的自动任务。
接入就三步，会一个工具就都会所有：拿到Key（一串sk开头的字符，你的钥匙），填进工具的模型设置，发一句话验证接通。记住一条：Key就是钱，泄露了等于别人刷你的卡。
下馆子省心，请厨师自由。看你要哪样。
同一个AI，别人一句话出成品，你改十遍还是废稿。先别怪模型，回头看你发出去的那句话——"帮我写个文案""帮我做个PPT"。
这些话有个共同点：悬着。谁来做、做什么、做到什么样，一个都没交代。你对着一个天才员工说"帮个忙"，他只能靠猜；猜错了，你还嫌他笨。
提示词的本质，是给AI下工作交代：角色（你是谁）+ 任务（做什么）+ 要求（做到什么样）。三件齐了，输出立刻换了一副面孔。这不是话术，是职场常识——你对真人下属怎么派活，就该怎么对AI说。
问题多半不在AI，在你的指令。
落地就一个动作：把指令里悬着的模糊词，换成具体词。
做个Excel表"换成"我要管理20个客户跟进记录，设计表格：列包括客户名、意向等级、上次联系日期、下次跟进事项，加一行示例数据"。"搜一下AI新闻"换成"搜索最近7天AI大模型的重要新闻，只要发布会和产品更新，每条给标题、来源、一句话摘要，按时间排序"。
发现规律没有？每一条都在交代"谁来做、做什么、做到什么样"。不用背案例，记住这个填空动作就够了：下次发指令前，把"帮忙""做个""写个"后面的空气，一个词一个词填上。
指令里的每一个空格，AI都会用猜测来填。
很多人把提示词当成玄学咒语， collect 一堆"神奇模板"。方向反了——它不是咒语，是工作习惯。
想想你怎么给靠谱的下属派活：说清楚背景、目标、标准、截止时间，必要时给参考样例。对AI一模一样，甚至可以更直接——它不嫌你啰嗦，只嫌你不清楚。
养成一个微习惯：每次发出指令后停三秒，问自己"一个新来的员工，看完这句话能开工吗？"能，发；不能，补。三件事（角色、任务、要求）练到条件反射，你就超过了大多数还在许愿的人。
你交代工作的水平，就是AI产出的上限。
前面两章，你学会了让AI"说"。但有个别扭的地方：所有环节还是你一句一句地指挥。你发指令，它干一步，停；你再发，它再干，停。
就像雇了个聪明的助理，却每件事都得你盯着：先搜资料，搜完你说"好，写大纲"，写完你再说"行，写初稿"。累的是你，不是他。
Agent就是把这种局面终结掉的东西。一句话：Agent是会自己跑工作流的AI员工。你不用一步一步指挥，只干两件事——配零件、派任务。零件配齐，他自己转。
差别不在聪明，在于谁在指挥。
Agent 工作室里住着五个角色，一张图看懂全部AI用法：
soul.md 管规矩——所有活开工前先读它，治AI的啰嗦和屡教不改。工作流管顺序——选题、大纲、初稿、检查，先干什么后干什么。skills 管干活——一个技能包负责一道工序。MCP 管外接——要别人家的数据，走专门的插口。知识库管私料——你写过的文章、你的经验，AI随时翻。
五个角色不用一次配齐。先有员工（Agent），缺什么补什么：发现它胡说八道，去立规矩（第四章）；发现它颠三倒四，去排流程（第五章）；发现它不像你，去喂私料（第八章）。
规矩、顺序、技能、外接、私料——五句话，一整个工作室。
动手前的最后一块地基，三条判据帮你判断"什么该用什么搭"：
第一，AI自己能干的，做成 skill 环节——写大纲、写初稿、检查，都是。第二，要调别人家的数据，挂对应的 MCP——地图数据用地图的插口，一格一家。第三，你自己的私有料，存进知识库——你写过的文章、你的方法论。
以后遇到任何"AI能不能帮我做X"的问题，用这三条过一遍，答案自己浮出来。剩下的章节，就是把这三条逐一展开：规矩、顺序、技能、外接、私料，一件一件装。
会判断，比会操作值钱。
你肯定跟AI说过"回复别啰嗦""说话直接点"。然后呢——第二天打开，它照样啰嗦。你说一次，它改一轮；过两天，原样复发。
你以为它记性差，去调记忆功能。没用。因为记忆的本质就是一个文档：它把你的话记下来，但记不等于遵守。时间一久，新对话一开，该犯的错照样犯。
这不是AI的毛病，是"叮嘱"这种方式的毛病。就像公司里，老板天天嘴上叮嘱"别迟到"，总有人迟到；考勤制度一上，迟到自动扣钱——没人迟到了。
叮嘱靠AI的心情，铁律靠文件的机制。
解法叫 soul.md：给AI上的考勤制度——把你的规矩写成铁律清单，每次干活之前先读一遍。公开实测数据摆在那：同样的错，没铁律反复犯，有铁律一次写进规则不再犯；人工纠正量减少约四成，规则遵循率95%以上。
但别激动着写一百条。大模型能可靠执行的指令，上限大约一百五十到两百条，而平台自带的系统提示词已经占掉约五十条。规则越堆多，不是只有后面几条失效——是所有规则都开始频繁失守。
写铁律的纪律：每条都是"能判断是/否"的硬规则，写反例（"不要做什么"），定期删掉从没触发过的。五十条精兵，胜过两百条散兵。
规矩的上限，就是执行力的上限。
soul.md 和工作流，先立哪个？答案是反直觉的：先画流程，再立规矩。
你先知道"我的活分五步"，才会发现"AI在第三步老啰嗦"——这时候才把这条写进规矩。规矩是从流程的坑里长出来的，凭空立的规矩，AI用不上。没有流程时立的规矩，就像没有施工图先刷的墙，砌到一半准砸。
所以这一章的正确用法是：先往下读第五章，把流程排出来；跑一遍，把AI犯的错一条条记下；错的背后，就是你的第一条铁律。
规矩不是想出来的，是坑里长出来的。
同样用AI写文章，有人一句话出成品，有人改十遍还是废稿——很可能你们用的是同一个AI。差的不是模型，是干活有没有章法。
做个照妖镜测试就现形：让AI一句话写篇文章，写完回头问它"第二个案例的出处是什么"，它多半答不上来——因为那个案例是它编的。一句话硬扛，素材靠编、结构靠赌，这就是没有流程的样子。
章法这东西，工厂流水线一百年前就有：先干什么后干什么、干到什么程度算过。以前这流程在你脑子里跑，AI时代要做的事只有一件——把它写下来，交给AI照着跑。
差的不是模型，是流程。
工作流的定义：把一件大活拆成小步骤、定死先后顺序、每步带检查点。
三个要素缺一不可：拆步骤，大活变小活，每步只干一件事；定顺序，先后不能乱；带检查点，每步有明确的"怎么算过"。特别提醒第三条——只拆步、不设检查点，等于白拆：错误照样从上一步流到下一步，你拆了个寂寞。
好的检查点长什么样？每一条都能判断"是/否"："你从3个候选里挑了1个——不挑不动笔""凑够3条真实案例——不够继续搜""你点头——不点头不写初稿"。没有一条是"写得再好一点"这种没法验收的话。
验收标准定不了是/否，等于没定。
流程图怎么排？所有工作流只用两种结构。
推演结构（串行）：一条线走到底，上一步的产出就是下一步的原料——选题定了才挖料，大纲定了才写初稿。步骤之间有依赖，素材层层加厚，保的是质量。并行结构：走到岔路口，同一份原料分给几条互不依赖的线——文章写完，同时变视频、变图文、发公众号，一份原料多处复用，保的是效率。
判断就一句话：下一步要不要吃上一步的产出？要吃，串行；同吃一个源头、互不依赖，并行。正经流程都混着用：主干串行，末端并行。两个提醒：源头坏了全线遭殃，所以串行段的检查点更重要；并行不是越多越好，先跑顺三条再加。
下一步吃不吃上一步？一句话，结构自己出来。
流程画好了，它现在在哪？在你脑子里、纸上——每次干活，你还得自己当"流程执行器"：第一步发指令、看结果、第二步再发。人成了流水线的一部分。
这一章把流程装进包，交给AI随叫随到。一句话定义：Skill = 提示词 + 工作流（含脚本、工具调用）。关键认知：skill不是一份静态文档，是一条能反复跑的生产线。它和提示词模板的区别就在这——模板管"一句话怎么说"，skill管"一件事怎么分步干、每步怎么验收"。
一堆提示词，没有顺序、没有检查点，就是一堆死句子。
模板管一句话，skill管一件事。
打开一个skill包，里面通常是三件套：说明书（SKILL.md），写明干什么、什么时候用、分几步、怎么验收；参考资料，方法模板、案例、检查清单，按需加载；脚本（可选），机械重复的固定动作。
为什么参考资料要分出去？AI的注意力有限，全塞在正文里反而稀释重点——要哪份翻哪份。为什么脚本可选？跑顺了发现哪个动作天天重复，再补不迟，新手第一版零代码够用。
还有个关键机制叫门牌：每个技能包贴一句描述，AI每次接活先扫一遍所有门牌，匹配上就自动激活。门牌写不清，装了技能AI也想不起来用；写得太泛，动不动乱触发。写法判据："什么时候用 + 干什么"，一两句话、带具体触发场景。
门牌写不清，AI想不起你。
流程怎么装包？两种方式都对：单独搭建，一个功能一个技能，靠产出交接串成产线；整合搭建，所有功能装进一个大包。拿不准就过三问：流程每次都一样吗？中间产物单独有用吗？一共几步？都不确定，先合后拆——跑一个月再评。
写完不是终点。跑三轮测试：触发测，说句正常人话，看AI会不会自己用它；步骤测，真跑一遍，检查点过不过；换人测，换个新会话再跑，照跑不走样。不跑三遍的skill，等于没做。
用着别扭怎么办？按坑改，不推倒重来：想不起来改门牌，某步跑偏写细加验收，用不上就删。skill是长出来的——AI用着别扭的地方，就是你要改的地方。
skill是长出来的，不是一次设计出来的。
AI能写文章、能算题、能搜全网——但你让它查"现在从武汉站到天河机场的路况"，它张嘴就编。
为什么？大模型的知识停在训练那天。训练之后世界发生了什么，它只能靠猜；而你家的数据——地图路况、订单库、合同文档——它根本碰不着。这不是它笨，是它没插线。就像一台笔记本，性能再强，没插网线就是上不了网。
这一章讲六大件的第五件：MCP，管外接数据。
没插线，性能再强也是单机。
给个定义：MCP是外接别人家数据源的统一插口——AI的USB-C。
想想USB-C之前的世界：手机一个口、相机一个口，出门带三根线。MCP之前，AI接数据也这么惨：接地图单独写一套，接数据库再写一套。2024年11月，Anthropic发布了MCP开放标准：任何数据源做一个插头，任何AI都能插。几个月内全行业跟进，后来捐给Linux基金会——通用标准，不怕被绑死。
这笔账很好算：没有标准，5个AI接5个系统要写25个对接；有了标准，5个插头加5个插口，10个全通。
标准的价值，是把25个对接变成10个。
什么数据该挂MCP？判据一句话：看数据长在哪。长在模型身上——自己人，做进skill环节，比如模型自带的绘图；长在别人服务器——外人，挂MCP，比如地图、你家数据库。
顺带解一个常见疑问：AI不是能联网搜索吗？能——但自带搜索只能看公开网页。公开的归搜索，私有的归MCP。没挂MCP，AI不会瘫：自己能干的部分照跑，涉及私有数据的步骤，要么编、要么干不了。
最后是安全三原则，一条都不能少：可信来源，来历不明的插头不挂；最小权限，只给完成任务必需的权限；敏感操作人确认，删东西、花钱、外发的动作，设置成要你点头。
自己人做进skill，外人挂上MCP，公开的交给搜索。
配齐了员工、规矩、流程、技能包、外接插口，还剩最后一类料——你自己写过的文章、攒下的经验。
让AI写一篇"你风格的公众号文"，它写得漂亮，却不像你；让它用你那套成交话术，它根本不知道你有什么话术。为什么？你的经验在你脑子里和电脑里，AI一样都摸不着。这不是它笨，是它没读过你家的书。
解法是六大件的最后一件：知识库——把你自己的资料，存进一个AI能随时检索的地方。人记不住六百份文档，AI能：你问一句，它翻遍全库给你答案，还标出处。
AI是天才员工，但没读过你家的书。
知识库跟收藏夹、网盘差在哪？收藏夹存了不看；网盘只存文件。知识库把内容解析成AI能读的料——你提问，它基于库回答。差的就这一个属性：可检索。
所以知识库不是"存东西的地方"，是"AI能翻的东西"。搭起来就三步，有手就行：存——好文章随手收，自己的笔记、案例传进去，格式基本不挑；理——按用途建文件夹，分类不是给眼睛看的，是给AI检索铺路；用——直接问"我库里有没有关于XX的素材"，AI自动检索全库、标出处。
门槛是收藏题，不是编程题。十篇的时候它是个文件夹，三百篇以上它才是第二大脑——威力在积累。
存的不是文件，是AI能翻的料。
库建好只是开始，喂料原理决定了它的价值：AI生成是延续你给的料——库里的料是爆款，它延续的就是爆款套路；库是空的，它延续的就是全网平均水。垃圾进垃圾出，精华进精华出。
养库三动作：挑着存——一手的、验证过的、带案例的优先；定期清——过时的、重复的、低质的，三删，库是精粮仓不是杂物间；存回去——每次干活产出的好东西（话术、复盘、成稿）随手存回库。这就形成闭环：越干活库越壮，库越壮干活越强。
至此，六件套配齐：规矩（soul.md）、顺序（工作流）、技能（skills）、外接（MCP）、私料（知识库），外加那个派活的你。串起来，就是一条替你干活的生产线——这就是AI时代的个人基建。
越干活库越壮，库越壮干活越强。
八章拆下来，其实就一句话：AI时代的个人基建，不是学会某个工具，而是把规矩、顺序、技能、外接、私料一件一件配齐，让天才员工真正上岗。
工具会过时，模型会更迭，但"交代清楚、立好规矩、排好顺序、装包随叫、插线取数、建库存料"这套装配思路，大概能管用很久。它不依赖任何一家厂商，只依赖你动手去搭。
如果你读完，写出了第一条铁律，画出了第一张流程图，往库里存进了第一条经验——你的工作室就已经开工了。
小卡
个人基建
AI时代，配齐你的六件套
作 者：小卡
本书框架与方法论由小卡结合公开资料、AI 工具实践与个人使用经验独立组织撰写，全部行文为作者独立表述。
案例细节已作化名与改编处理。书中内容不构成投资、法律建议。
2026 · 第一版 · 版权所有，未经许可不得复制转载
【作者微信：M422970338】
欢迎交流个人基建的一切：规矩、流程、技能、外接、大脑。
也欢迎把这本书转给那个还在"一句一句指挥AI"的朋友。
《个人基建》 · 小卡 著 ｜ 2026 第一版
作者微信 · M422970338 ｜ xk.pojuai.com
本书观点与方法论整理自公开资料、行业观察与个人实践，案例细节已作化名与改编处理。
书中内容不构成投资、法律建议，具体经营决策请以官方口径与自身情况为准。
版权所有，未经许可不得复制转载。
