把 AI 变成可复利的工作流：skill、eval、loop 三层落地法

大多数人用 AI 都是每次从零写提示词，人一走经验就清零。这篇文章给出一个可操作的框架：把流程写成 skill、用 eval 定义「做完的标准」、再把 skill 串成会自我改进的 loop，并附上 X 长文、赞助邮件、AEO 内容三条真实工作流和具体数据。

问题不在人，在知识没有沉淀

• 作者认为团队瓶颈几乎都是知识问题：工具之间不互通，经验无法复利，人一走就归零。
• 引用 Panopto 的数据：42% 的组织知识只存在于持有者个人脑中，这个人离开后同事有 42% 的工作做不了。
• BCG 调研 1250 家公司：只有 5% 在规模化层面真正拿到 AI 价值，60% 投入很大但收获很小甚至没有。
• MozCon 现场问谁在用 Claude Code 或 Codex，举手的人不少；问谁在用 Hermes、OpenClaw 这类自主 agent，只有三个人。

先建一个团队共用的「大脑」

• 作者把 agent 放进 Slack（或 Microsoft Teams），因为团队本来就在那里工作，不需要额外推动「AI 转型」。
• 实际用法举例：向付费媒体 agent 要 Meta 和 Google 的 ROAS，再让它生成 200 个头部广告素材变体；SEO 负责人向 SEO bot 要漏斗底部机会，并让它起草 100 个 programmatic 页面。
• 可以用 OpenClaw、Hermes 这类 agent 搭建，可能需要 IT 配合；关键是让多人共用，只有少数人有权限就是浪费。

把流程 skill 化，让它可复用可迭代

• skill 就是交给 AI 执行的一段流程，通常是一个 MD 文件，每次按同样方式跑。Anthropic 在 2025 年底发布 Agent Skills，OpenAI 也在 ChatGPT 和 Codex 中支持，格式已成开放标准。
• 原则：任何要做两次的事，先做好一次，然后 skill 化。ChatGPT 现在能观察你的操作并自动生成 skill。
• X 长文 skill 的链路：输入选题和反常识角度 → 生成带强钩子和 ASCII 图的结构化长文 → humanizer 扫描 AI 腔 → 命中就重写。
• 效果数据：作者账号从 1 月的 18 万曝光涨到 6 月约 310 万，且每月继续复利。
• skill 要放在统一仓库里，让团队在最好的版本上继续改；作者自评自己的 X skill 只有 5 分，团队里有人做到了 8 到 9 分。

用 eval 定义「做完的标准」

• eval 不神秘，就是你对成功的定义：skill 是过程，eval 是完成的样子。
• 运行方式：skill 出稿前先按 rubric 打分，维度包括质量、准确性、搜索可读性、契合度；过线才发，不过线就重写再打分。
• X skill 里的 humanizer 就是一个 mini eval：每篇从 100 分起，每出现一个 AI 痕迹扣分，90 分以上才发。
• 有了这个分数，loop 才能脱离人自动跑。

把 skill 串成会学习的 loop

• 作者的定义：loop 是会学习的工作流，可以理解为一串首尾相接的 skill。
• agent 与 loop 的区别：agent 接一个提示词或 slash command，调用 Moz API、STAT、GSC、GA4 等连接器，返回答案或产物，适合边界明确的执行；loop 则设定目标状态、观察现状、评估差距、行动并记录 trace，随时间学习。
• 举例：目标是全站页面加载低于 50 毫秒，现状平均 150 毫秒，差距 100，loop 行动、记录、继续逼近目标。
• 赞助邮件 loop：每周约 20 封播客和 YouTube 赞助询价，loop 自动回复「Mr. Siu 只接受每条视频 2.5 万美元」，有人真的付了；它还会每天早上汇报回复了谁、当天做了哪些微调，并自己学会了主动发媒体资料包。
• 模型要按步骤分配，不必每步都用最贵的模型；作者用 OpenRouter 做模型路由。

AEO 内容 loop 的完整链路

• 取材：用 Gong 录制通话，加上作者的 YouTube 频道和播客内容。
• 找高频主题：loop 识别作者反复回到的话题（如 loop、复利营销），转成 AEO 和自然社媒的角度。
• 起草与发布：用自建工具 ClickFlow（API + MCP）起草，再由 WordPress MCP 放进后台。
• 人工审核：由人检查设计和质量，再决定是否发布；CRO 也有一条类似的 loop。
• 为什么值得做：Pew 的分析显示，出现 AI 摘要时 Google 用户只有 8% 的访问会点传统结果，没有 AI 摘要时是 15%；作者一个客户在 AI 搜索中的声量份额从约 5% 提到 20%。