个人知识库

2026-05-13-ai-agent-productivity-20x

15分钟阅读

生产力提升20倍的秘密：用AI Agent把一周工作压缩进一天

来源：人人都是产品经理 | 作者：深思圈 | 消化日期：2026-05-13

基本信息

核心观点

  1. AI Agent 的生产力跃迁不在“回答更聪明”，而在“从问答模式切到目标-结果模式”。传统聊天像打乒乓球：你提问、AI回答、最后还是你自己去执行；Agent 则是给它一个目标后，它会自主规划步骤、调用工具、执行任务、交付结果。作者引用 Remy Gaskill 的实践指出，这种模式切换可把邮件、日历、广告投放、日常运营等工作提速 10-20 倍，本质是把人从工具操作者转成数字团队管理者。

  2. Agent 的底层机制是持续运行的“观察-思考-行动”循环。文章用“为 Greg Eisenberg 搭建作品集网站”的案例说明：Agent 先检查工作空间有没有现成文件（observe），发现没有后思考需要先研究人物背景（think），随后执行研究（act），然后再回到下一轮循环——制定计划、写代码、启动网站、截图验证。这个闭环解释了为什么 Agent 可以完成多步骤复杂任务，也揭示了一个前提：人必须给出清晰的完成标准，否则 Agent 可能会无限循环或偏航。

  3. 真正可迁移的资产不是某个 Agent 框架，而是上下文、记忆和技能文件。Claude Code、Codex、Antigravity、Cowork、Manus、OpenClaw 在文章里被归类为不同的“agent harnesses”，类似不同品牌的汽车——底层原理相通。作者强调最有长期价值的是你电脑上的 markdown 资产：agents.md（系统上下文）、memory.md（可控记忆）、各类 .skill/SKILL.md 文件（流程和规则）。这些是跨工具可迁移的“数字化工作流资产”。

  4. AI 协作范式正在从“提示词工程”升级为“上下文工程”。agents.md 的作用不是再写一条更长的 prompt，而是把角色、业务背景、客户类型、沟通风格、常用工具、邮件签名等稳定上下文预先注入。这样你的日常指令可以从“请根据以下公司背景、产品能力、目标客户和语气写一封商务开发邮件”压缩成“给我写封商务开发邮件”，因为关键信息已经提前载入。效率提升的来源不是 prompt 写得更花哨，而是减少重复喂背景信息。

  5. memory.md 让 Agent 像被持续训练的员工，而不是每次失忆的聊天机器人。文章提出在 agents.md 中加入两条规则：任务开始前先读取 memory.md；当用户纠正你或你学到新东西时，更新 memory.md。这样“别写得那么正式”“我喜欢用数据支撑观点”“不要用‘显著’这个词”之类的偏好会被持续记住。作者建议把 agents.md 控制在 200 行以内，并限制 memory.md 只保存实质性修正，避免记忆文件失控。

  6. MCP 的核心价值是把多工具协作的集成成本标准化。文章将 MCP 比喻成通用翻译器：Agent 继续“说英语”，Notion、Gmail、Slack、Stripe、Google Calendar、Granola 等工具继续“说自己的语言”，MCP 在中间做双向翻译。这样 Agent 就能在一个任务里跨 Gmail、日历、Notion、付款系统、项目管理工具完成串联动作。作者举的例子包括：总结收件箱、提取会议纪要、创建 Stripe 付款链接、在 Notion 中建项目、起草跟进邮件，整个过程中不需要手动切换标签页。

  7. Skill 的本质是写给 AI 的标准作业流程（SOP），是整个系统里复利最强的层。没有 Skill 时，每次做客户提案都要来回改格式、挪价格位置、调颜色；有 Skill 后，只要加载“提案技能”，Agent 自动知道格式、配色、价格放哪里。文章给出两种构建方法：一是上传课程/方法论文档，让 AI 基于源材料生成 Skill；二是先和 Agent 手动走一遍真实流程，再让它“把刚才做的流程打包成 Skill”。作者分享的广告库分析案例中，原来 3-4 小时的工作被压缩到输入两个词即可运行，体现了 Skill 的复利。

  8. 单个 Skill 只是自动化零件，技能链接和定时调度才会形成真正的自主工作流。例如“晨间简报 Skill”会检查日历，若发现今天有播客录制，就自动触发“播客嘉宾研究 Skill”；会议前准备、邮箱总结、Notion 项目更新也都可以由定时任务每天早上固定运行。文章还举了一个更生活化的案例：每三小时自动抓取多个汽车交易平台，监控特定配置的车辆，一旦出现就发通知。作者的核心判断是：这类 Agent 不只自动化工作，也适合接管那些“耗时但需要持续关注”的监控型任务。

实操内容保留

Agent 的 Observe-Think-Act 循环

observe（观察） → think（思考） → act（行动）

作品集网站示例流程：

  1. 检查工作空间里是否已有相关文件。
  2. 若没有，先研究目标人物背景。
  3. 基于研究结果制定实施计划。
  4. 开始编写网站代码。
  5. 启动网站。
  6. 截图检查结果是否符合完成标准。
  7. 若未完成，继续进入下一轮观察-思考-行动循环。

agents.md 的构建方式

推荐提示词：

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。

可沉淀的信息包括：

  • 我的工作角色
  • 公司业务与目标客户
  • 常用沟通风格
  • 常用工具
  • 邮件结尾签名偏好
  • 对正式/口语化表达的偏好
  • 需要避免的写作习惯

memory.md 的两条关键规则

在 agents.md 中加入：

在每个任务开始前读取 memory.md 文件
当我纠正你或者你学到新东西时，更新 memory.md 文件

示例偏好：

  • 保持语气随意，永远不要过于正式
  • 多用数据支撑观点
  • 不要使用“显著”这种空泛词
  • 偏好短段落而非长篇大论

MCP 的典型跨工具工作流

一个提示词可串联以下动作：

  1. 总结收件箱邮件
  2. 从 Granola 提取会议纪要
  3. 创建 Stripe 付款链接
  4. 在 Notion 中建立项目
  5. 起草后续跟进邮件

作者强调：整个过程中无需手动切换多个标签页，Agent 通过 MCP 直接触达各工具完成协同。

Skill 的两种构建方法

方法一：基于源材料生成 Skill

  • 上传完整课程文本/流程文档
  • 让 AI 基于课程内容打包成一个 .skill 文件
  • Skill 中同时包含规则、流程和参考材料

方法二：从真实会话中抽取 Skill

  • 先和 Agent 手动跑完整流程
  • 在结果满意后追加一句：

为我们刚才做的创建一个技能。

  • Agent 会把整套工作流封装成可复用的 Skill

起步路径（作者建议）

  1. 选择一个 agent 框架（作者推荐初学者先用 Cowork）
  2. 创建一个 executive assistant 文件夹
  3. 用访谈式提示词构建 agents.md
  4. 添加会自动更新的 memory.md
  5. 通过 MCP 连接 3-5 个最常用工具
  6. 用 Agent 执行真实任务，而不是只做演示
  7. 每周自动化 3-5 个小流程，并逐步沉淀为 Skill

推荐的文件夹组织方式

按公司/客户建立大文件夹，再按职能拆分子文件夹：

  • executive assistant
  • content team
  • head of marketing
  • sales

每个子文件夹拥有自己的：

  • agents.md
  • memory.md
  • skills 文件夹
  • MCP 连接

顶层再由一个总管 Agent 进行协调。

关键概念

  • AI Agent 智能体：从问答工具升级为可观察、思考、行动并自主交付结果的执行主体。
  • agents.md：给 Agent 提供系统级上下文的“数字大脑”，承载角色、业务背景、偏好和工作方式。
  • memory.md：给 Agent 提供可控长期记忆的文件，用于记录用户偏好、纠正和经验更新。
  • MCP 模型上下文协议：把 Agent 与 Gmail、Notion、日历、支付、项目管理等工具连接起来的标准化协议层。
  • Skill：给 AI 的 SOP，把人的流程经验打包为可反复复用的技能。
  • 提示词工程：本文认为其正在向“上下文工程”演进——重点从单次提示词优化转向长期上下文注入。

与其他素材的关联

  • 与 2026-05-11-skill-sop-for-ai 强关联：那篇文章解释了 Skill 的认知理论基础、知识层与编排层定位，本文则展示 Skill 在 Agent 工作流中的实际复利价值。
  • 与 2026-05-11-claude-code-6-skills 互补：前者回答“哪些 Skill 值得装”，本文回答“为什么要持续把真实流程沉淀成 Skill，以及 Skill 如何串联成自动化系统”。
  • 与 2026-04-29-yupi-ai-guide-core-concepts、2026-04-29-yupi-ai-guide-programming-tech 呼应：这些早期资料解释了 Agent、ReAct、MCP 的定义，本文补充了在业务执行和个人生产力中的一线用法。
  • 与 AI办公自动化 直接相关：文章中的 Gmail/Calendar/Notion/Stripe/Granola 工作流，是“办公自动化”从 Office 内嵌升级到跨 SaaS 工具编排的下一阶段。
  • 与 AI编程开发 形成交叉：本文强调 Agent 框架、上下文文件、技能资产的可迁移性，说明 AI 编程不只是生成代码，还包括管理一个由上下文、记忆、工具和技能组成的数字团队。

原文精彩摘录

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”。

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。

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。

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。

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。

相关页面

关系图谱

快速导航

反向链接