AI 越强大，越需要你先想清楚
本文由 AI 自动整理生成，可能存在错漏，请以原文链接为准。
周二好，我是 yanini。昨天聊到 AI 不懂「只有你才做得出来的东西」，今天想接着聊另一面——它也不知道你不想要什么。
有人让 AI 当销售教练，但不是随便让它点评，而是先想好评什么、按什么标准评。LangChain 让 AI 写邮件，也是先把「禁区」划好了——什么不能发、什么必须人确认，AI 只负责中间那段。
你不提前把边界画出来，它就照单全收往前跑——而且跑得特别快，快到你来不及拦。 这期 <mark>AI 新鲜萃</mark> 就从这儿聊起。
灵感百宝袋
这个销售把 AI 当私人教练用，秘诀不是工具选得好，而是「打分表」提前想好了
Reddit 上有个做销售的朋友发了个帖子，问大家 ChatGPT、Claude、Copilot 哪个更适合他的场景。
他希望拿 AI 当自己的私人销售教练，每次跟客户聊完之后，让 AI 帮他复盘哪里做得好、哪里还能改，从而提升自己的销售技能。
但真正有意思的不是他选了哪个工具，而是他在把材料交给 AI 之前，先把「教练该怎么打分」这件事想得很具体：
提问做得够不够深、有没有在听对方说什么、遇到反对意见是怎么处理的、客户释放的购买信号有没有捕捉到、下一步怎么跟。
想清楚这些标准之后，他才把通话记录贴进去，让 AI 对照着逐条打分。
他手头还有几本销售书的消化版和公司的话术框架，这些是教练的「参考答案」；三十多通真实录音是「考试题库」。
因为他提前想好了「什么算好、什么算差」，AI 给出来的就不是泛泛的「说得不错」，而是具体到某一句话、某一个反应的针对性建议。
更妙的是，他还让 AI 对比不同时期的录音找进步和退步，最后给两三句「像他本人会说的话」，下次直接拿来用。
这个思路完全不限于销售。比如你让 AI 帮你改活动方案，别直接说「帮我看看哪里不好」，先花 1 分钟想清楚你的检查项：有没有时间节点、预算拆没拆、负责人写清楚没有。你想得越具体，AI 的反馈就越准确。
LangChain 让 AI 跑市场推广，但最关键的不是 AI 多聪明，而是「禁区」提前划好了
LangChain 是一家做 AI 开发工具的公司。他们自己的销售团队以前也有个头疼的问题——每次要给客户发邮件，得先翻好几个系统查背景，光准备一封邮件就要十几分钟，而且经常搞不清楚同事昨天是不是已经联系过同一个人。
后来他们做了一个叫「市场推广自动助手」的东西。但做之前，他们花了大量精力在想另一件事：
什么情况 AI 不能碰。
比如：这个人最近被联系过没有？有没有正在处理的问题？有的话，AI 直接不发。
确认没问题之后，AI 才去拉历史记录、查对方公司的背景，按「老客户、温线索、冷联系人」三种情况写不同风格的邮件草稿。
草稿写完也不是直接发出去的。先推到团队的沟通群里，销售自己看，写得可以就发，想改就改，不想发就取消。
只有某些低优先级的线索，两天内没人管，才会按预设规则自动跟进。
他们在博客中提到，通过这个做法，每人每月少折腾大约 40 小时，三个月内线索到商机的转化率涨到了原来的三倍左右。
还有一个细节我觉得特别聪明：销售改过的草稿会被系统记下来，下一轮生成的邮件会更像这个人的风格。
人的每一次修改，都在帮 AI 校准方向。
https://blog.langchain.com/how-we-built-langchains-gtm-agent
行业有什么变化
GitHub Octoverse 报告：AI 让产出暴增，但没想清楚规则就上，噪音比信号还大
GitHub 官方博客最新一期 Octoverse 报告，把几个数摊开了讲：2025 年大约 3600 万新开发者加入了 GitHub，TypeScript 冲到了语言排行榜前列，Copilot 在开源项目里的渗透率越来越高。
但报告花了很大篇幅在聊一个问题：AI 降低了写代码的门槛，同时也带来了大量低质量的贡献。
大量自动生成的问题和代码提交涌进来，但有能力做审查的维护者并没有变多。
GitHub 自己的说法是，这就像一场「针对人类注意力的拒绝服务攻击」。
这是今天最能验证我们主线的反面教材：AI 太能干了，但如果用它的人没提前想清楚「什么该提交、什么不该提交」，结果只会是——噪音把真正有价值的东西淹没了。
不管你是管项目还是管团队，提前想清楚筛选规则这件事，只会越来越重要。
智谱把 OpenClaw 做成了一键安装的桌面版——门槛低了，但「想清楚要它干嘛」这一步别跳过
OpenClaw 是最近大火的开源 AI 自动化助手，较高的搭建门槛一直把大多数人挡在外面。
智谱推出的 AutoClaw（澳龙） 就是把它封装成了一个可以直接装的桌面软件，像装普通 App 一样，登录就能用。
其中的功能有很多——飞书群里直接@它派任务、内置 50+ 预设 Skills、还集成了自研的浏览器自动化能力，主流模型都能接，也有免费额度。
但越是「开箱即用」，越容易让人跳过前面我们说的那步：我到底要它替我做哪几件事？
建议装之前先列清楚，其他能不开的权限就不开。
https://mp.weixin.qq.com/s/ksLlPO58gnHgm2W-zVi4Rw
AWS 给编程助手加了个「一键部署到云」的插件——但最后一步还是你点确认
做云服务的 AWS 开源了一个叫 Agent Plugins for AWS 的东西，其实就是给 Cursor、Claude Code 这类 AI 编程助手装了个「云部署技能包」。
你跟它说一句「把这个应用部署到 AWS」，它会自动帮你：分析代码用了什么技术栈 → 推荐用哪些云服务 → 给你算一笔月度费用 → 生成部署代码。
但注意这个流程的设计：你确认后才真正上线。
AWS 官方文档里也反复提醒，部署前要审查生成的代码、按最小权限配置、跑一遍安全扫描。
AI 把中间那段苦力活干了，但上不上线这个决定留给了人。
已经在用这类编程助手、又需要往 AWS 上部署的，可以按官方文档装一个试试。
https://aws.amazon.com/blogs/developer/introducing-agent-plugins-for-aws/
OpenAI 收了 Promptfoo，把 AI 安全评测收进自家体系
OpenAI 宣布收购 Promptfoo——这是一家专门做 AI 应用安全测试和漏洞检测的公司。
对开发者来说，这意味着以后这类安全工具会更贴 OpenAI 的生态。
如果你不做开发、只是日常用各种 AI 产品的话，记住一点就行：
连厂商自己也在做同一件事——在 AI 跑起来之前，先把安全检查这一步想清楚、做到位。
https://openai.com/index/openai-to-acquire-promptfoo
今天就能试的一件事
拿一段真实沟通让 AI 帮你复盘，但先花 1 分钟想清楚你要它看什么
跟前面销售陪练那套一个道理，不用攒一堆素材，一段就够——可以是和同事、客户或上级的一通电话录音，也可以是一段聊天记录、邮件往来的截图或会议纪要，只要是你想改进的「真实沟通」就行。
但在贴出去之前，先花 1 分钟想清楚：你希望 AI 从哪几个角度帮你看？
比如「有没有回应对方的核心诉求」「有没有给出明确的下一步」「语气是不是太生硬」。
把这几条标准写在前面，再贴那段内容（记得脱敏），让它按你定的标准只回三行：做得好的一个点、可以改进的一个点、下次可以直接用上的一句话。
产出就是一张小备忘录。有标准的复盘和没标准的复盘，AI 给出来的完全不是一个量级。
好工具速递
n8n：不用写代码，用拖拽的方式把一堆重复操作串成自动化流程
n8n 是一个开源的自动化工具。你可以理解为：把你平时重复做的「从 A 系统抄数据到 B 系统，再通知 C」这种事，用画流程图的方式串起来，让它自己跑。
触发条件、判断逻辑、调用外部服务、发通知，全在一个画布上拖拖拽拽就行。
AI 相关的节点也有——比如定时让 AI 帮你总结邮件、或者收到特定消息后自动转发。
看到这里，不知道你会不会觉得，n8n 好像与 OpenClaw 有点像呢？都是有点自动化的意思，同时又有 AI 的参与。
那他们的区别又是什么？
简单来说，n8n 是你先把流程画好——哪一步触发、哪一步调 AI、哪一步发通知，全是你定好的，执行时按流程图跑。
OpenClaw 是你只下一句指令，具体做哪几件事、先做哪个后做哪个，交给 AI 自己决定。
Open WebUI：想在自己电脑上用 AI 聊天、又不想数据全传到外面，用它当壳
Open WebUI 是个开源的 AI 聊天壳子。你在自己电脑或服务器上装一个，后面接上你想用的模型，打开就是一个聊天窗口，用起来跟网页版 ChatGPT 那种差不多。
不想把对话内容全放在别人的服务器上、又有机器能跑模型的人，拿它当统一入口特别顺手。想清楚「数据放哪里」这件事再选工具，本身就是一种好习惯。
https://github.com/open-webui/open-webui
以前工具不够强的时候，我们动手前都会先在脑子里过一遍：要做什么、怎么做、做到什么程度算好。
现在 AI 越来越强了，但「先想清楚」这一步不但不能省，反而更重要了。
因为不管 AI 多强，它始终只是一个执行者，你的想法和计划，就是它执行的前提。说直白点，你给它的上下文越清楚，它干出来的活儿就越对。
如果你自己都没想清楚要什么，AI 也没办法替你想。你费劲说了一堆，它也只能顺着你的话给一个「看起来合理」的答案——但很可能不是你真正想要的。
下次打开 AI 之前，不妨先停 1 分钟问问自己：我想好了吗？