有个数据我念叨了好久，长文跳出率八成，贴图卡片完读率六成以上。你辛辛苦苦写三千字，十个人里八个扫两眼就走了，广告都没来得及展示。反过来你做一套图文卡片，从头翻到尾那种，广告展示率几乎百分百，单次阅读收益差出来好几倍。 这两年公众号长文的竞争已经卷到天花板了，能写的人太多，能写得好的人也太多，读者注意力就那么多，分到每篇文章头上的时间越来越少。我身边好几个写长文的朋友都在找轻量化的路子，不想再跟三

我家小孩刚会走路那阵子，有回伸手去摸灶台上的热水壶，我一把拦下来，他吓得缩手，哇一声哭了。后来他又试过两回，每次都被拦，到第三次自己就不碰了。小孩学规矩就这套流程，一遍不行两遍，两遍不行三遍，你不会因为他三岁不懂事就觉得这孩子没救了扔掉。 但我发现很多人对AI，用的恰恰就是扔掉的态度。 工具装好，对话框打开，上来就让它干正事。写出来的东西不合胃口，改两轮还不行，一句这玩意不行就下了结论，转头去

团队从十二人砍到三人利润反而高了，人少怎么反而活得好。内容平台和AI把做内容的门槛拉低，一个人守得住也活得下来，但有了AI和IP不等于成了一家公司。关键在于砍掉搭钱看不到头的项目，做精一个方向，缺哪环找人补，让客户主动来找你。

前几天跟一家做SaaS的公司聊GEO优化，对方产品负责人把PPT翻到末了一页，上面整整齐齐列着公司简介、团队介绍、资质证书、获奖记录，排版精致得像杂志内页。我随口问了一句，你们这些信息在官网上能找到吗，他说当然能，我说那你打开给我看看。他掏出手机搜了半天，搜不到。换了个关键词，还是搜不到。那一刻他愣住了，不是在想怎么回应，是突然意识到自己好像从来没有认真检查过这些对外展示的东西到底能不能被人找到。

做一人公司的人有个共同的问题，时间永远不够用，内容永远不够发，你花了一整天写的东西发出去24小时就沉底了，然后你又要从头开始想下一篇，这个循环我跑了将近两年，到后面整个人是麻木的，不是写不出来，是觉得写出来的东西用一次就扔掉太浪费了。

前两天有个朋友跟我吐槽，说他用AI智能体干活，周一定好的画风，周二AI就忘了个干净，周一说好的配色方案，周三问它，它给你来一句没印象，气得他想砸键盘。我听完笑了，这事儿我太熟了，因为我之前也这样，AI的记忆归根到底就是一个文件，文件越攒越大，重要的约束和日常流水账全混在一起，大模型上下文塞不下，检索不到真正关键的东西，项目决策就容易丢，风格偏好这些细节更是别想保住。

刷小红书的时候我经常想一个问题，那些爆款笔记到底是运气还是真有方法论，后来自己试着发了十几条，发现运气成分顶多占两成，剩下的全是细节在起作用，封面怎么排、标题怎么起、发布时间选几点，这些东西看着琐碎但每一样都在影响流量。 前阵子在GitHub上翻到一个开源项目叫workbuddy-xhs-skills，专门给小红书运营做的一套Claude skill工具集，我点进去看了看，736行的README

GitHub上发现一个面向中国科研工作者的三技能包项目aiset-academic-skills，覆盖论文写作、学术Office文档生成和科研计算三大场景，三个skill互补协作形成从数据到论文到答辩PPT的完整链路，中文优先但不翻译公式变量名，不编造参考文献和实验数据，PPT生成内置学术质量规则。

前两天在GitHub上刷到一个挺有意思的仓库，叫weixin-liaotianjilu-skill，icodebase-cn这个组织搞的，刚创建没几天，星标还是零。这个仓库做的事情说起来简单，就是把微信聊天记录导出、校验、然后交给AI agent去总结分析。

刷GitHub的时候翻到一个小众仓库，icodebase-cn/weixin-liaotianjilu-skill，名字一下就把我勾住了。做写作工具这么久，看到writing和dna放一块儿，本能地想点进去看看到底在干嘛。 仓库的思路其实挺简单，它想把一个作者的写作风格拆解成可复用的结构化数据。不是那种"你的风格偏口语化"的模糊描述，而是把句式偏好、段落节奏、用词频率这些东西量化出来，存成一个可以调用的配置文件。

被朋友拉去给团队讲AI落地，翻完自己这两年的折腾经历发现一条线，AI本身不产生钱，它只是放大你的判断力和执行力。真正靠AI赚到钱的人不是靠工具，是靠前期积累的判断力，能把真实问题拆解到AI能消化的颗粒度。学AI用AI积累AI三步缺一不可，跳过中间直接从学到赚钱的鸿沟得自己填。

先把结论摆在前面来讲，大模型本质上属于一种工具，而Agent则是一条完整的流程。 大模型通常是你问一句它才答一句，比方说你提出要求说写一篇种植牙的科普，它便会给你生成800字的内容，产出的质量全凭你提问的方式高明不高明，要是换个问法得出的结果就截然不同了，更为致命的一点在于大模型本身是不具备长期记忆的，一个会话结束之后要是再新开一个会话，AI便不再记得你先前聊过些什么，并且也不了解你的做事风格和

cangjie-skill 是个把整本书蒸馏成 AI 可调用技能的元 skill，作者袋鼠帝，仓库 12.5k 星。我在 AISet 里拿《黄帝内经》跑了一轮，素问加灵枢拆出 22 个能力。这篇讲清楚 RIA-TV++ 七阶段流水线怎么转，v2.5 的 Capability Bundle 为什么是分水岭，安装和编译模式选择上我踩过的坑，以及蒸馏产物怎么接进我自己的分层 Wiki 知识库。

GitHub上出现了一个专门给AI视频生成做流程编排的开源项目，把分镜、提示词、参数配置全塞进一个skill里，让AISet直接驱动视频生成工具链。本文从实际使用角度拆解这个项目的结构和思路。

医疗AI项目从PPT到真实医院落地，头一周就露馅。数据没法用、品类变化太快、维护跟不上、安全性和可用性难平衡，真正的瓶颈在组织层不在技术层。科室自己跑起来才是项目成败的关键，家庭筛查推荐能把单次就诊变成长期健康管理关系。

AI在办公场景里到底扮演什么角色？从方案撰写到合同审查，从会议纪要到数据可视化，AI正在把执行层面的门槛拉平，让判断力和沟通能力成为职场新的核心竞争力。本文用具体案例聊聊AI如何改变日常办公方式，以及为什么它不是替代者而是数字助手。

前几年开诊所的人应该都有个体感，靠地推和广告拉来的客户一年比一年贵，转化还越来越差。以前在小区门口摆个摊发传单，或者投一波本地广告，总能来几个人。现在患者连传单都不愿意接了，广告费倒是涨得挺欢。这套打法不是不好用了，是整个环境变了，人在哪儿注意力就在哪儿，患者的注意力早就不在传单上了。 说到底医生手里真正的核心资产一直就不是那块招牌，是患者对这个人本身的信任。以前这个信任靠面诊建立，患者坐你对面

AI落地有两条路，单一高频流程自动化小但容易跑通，AI获客销售系统链条长但离钱近。真正值钱的不是演示好看，是接了真实数据能支撑决策。离客户的钱越近，报价才越高。头一次跑通比赚多少更重要。

很多人卡住不是因为没能力，而是知道自己的能力和资源却找不到方向。本文拆解了一套从能力到变现的完整路径：先向内看把自己拆成能力模块，再看谁愿意为你的经验付费，用多维度标准验证市场，最后用低价获客高价转化的模型跑通商业闭环。

数据挺扎眼，部分地方的外流率能冲到40%以上。医生累得半死，病人觉得没被接住，转头就去大城市了。这时候有人提AI，说它能读片、能写病历、能查文献。听着很美好，但真落到业务系统里，你会发现它像个站在门口的聪明实习生，话挺多，就是进不了屋。 因为它缺了最核心的东西，结构化数据。 没有这个底座，AI就是个高级外挂。它能告诉你某个结节有点像恶性，但它不知道这个患者在你们医院的既往病史是什么，也不知道他