【学习笔记】三期 Agent 播客连听：Skills 实战、像董事长一样管理 100 个 AI，与「互联网已死，Agent 永生」
这篇笔记整理自三期「Agent 时代怎么干活、怎么管 AI、往哪押注」主题的播客，素材是三份节目全文转录（Faster Whisper 机器转录，存同音字误差，人名与个别数字以原音频为准）：
- 《AI 炼金术》× 橘子（2026-03，约 85 分钟）：ListenHub / Mars Wave 创始人、前 MiniMax 海螺 AI 产品负责人，聊他那篇刷屏的《互联网已死，Agent 永生》背后的判断、创业复盘与团队转型；
- 《AI 炼金术》× 余一（2026-03，约 87 分钟）：第五次（大概）做客，展示她最新的「全自动模式」——40 分钟无人值守工作流，以及她怎么像董事长一样 PUA 自己的 AI 团队；
- 《硬地骇客》EP127（2026-06，约 51 分钟）：从 Claude Code、Codex 到 OpenClaw，哪些 Skills 真正改变了工作流，为什么越来越多人不看代码只看结果。
三期节目正好构成一条从宏观到微观的完整线索：橘子回答「世界往哪变」（互联网已死、Agent 增量无限）；余一回答「组织怎么变」（把自己当 100 人公司的董事长，只管战略与环境不管执行）；硬地骇客回答「个人怎么变」（用 Skills 和 loops 把重复性工作全部固化给 Agent）。文中数字除注明外均为播客口述，未逐项独立核实。
一、橘子：互联网已死，Agent 永生
核心判断：人类 DAU 已饱和，Agent 增量无限
那篇被无数个群转发的文章，橘子说核心观点其实只有一条：互联网已经死了，未来的世界属于 Agent——人类 user/DAU 这件事已经饱和，互联网的使命已经完成；接下来的真正增量是 Agent，而 Agent 的增量在当下看来是无限的。创业就该找最大增量然后 all in，投资也是投增量，「我去做别人的基本盘，那也不太正常」。
「死」不是说那块东西不存在了，而是世界可能会变大 100 倍，回过头看现在这一坨可能还在，但只剩 1%——就像 PC 时代大家花在网络上的时长只有现在的 1%，那部分时间并没有消失，只是不再重要，大家抢的是新的增量。一个直观的体感：你自己的时间已经被各种 APP 占满，但你可以同时让 5 个 Agent 帮你做 5 件不同的事，还可以给家里小朋友装一个 OpenClaw 让它指挥干东干西——Agent 对算力、工具、内容的消耗量比一个人大得多，而且全是增量。
还有一代人的错位：小朋友从小学就开始接触 Agent，是 Agent Native 一代，世界理解和我们完全不同；而很多投资人还在用移动互联网思维（用户→社区→平台，以 DAU 为核心构建壁垒）来评估一切。橘子那篇文章的读者首先是他自己和他的团队——先把自己「洗脑」成新世界的带路党。
五分钟粘贴完胜三天 GUI：文本才是 Agent 原生交互
ListenHub 内部的一个真实案例成了整期节目最扎心的注脚：第一版产品上线后，用户想编辑播客内容，橘子跟 CTO 用 5 分钟想了个 feature——复制播客文本、随便改、粘贴回输入框自动重新输出，没有引导、没有 UI，一两小时做完上线，用户非常喜欢；三个月后产品经理和设计师把它迭代成一条一条可选音色、可改文本、可保存的精致 GUI，结果差评如潮——用户说原来那个功能很灵活很方便，现在要点很多按钮。
复盘下来的结论是：GUI 是落后于 Agent 时代的，文本沟通才是 Agent 原生的交互方式。一旦设计到 GUI，就需要额外的人、额外的产品设计，整个流程被拖慢；而 Agent 通过 TUI 能把半年一个数量级的模型红利完全吃到——人类的输入输出都是瓶颈，GUI 也就成了瓶颈。这就是为什么现在是 TUI 最火、Claude Code 成了共识。顺着这条脉络，邻居杨攀两年前说的「不要给人类做软件」今年成了共识；而 80% 的软件，本质就是 Skills 加上一些 GUI——未来不需要 GUI 那部分，User Interface 变成 Agent Interface。
橘子随手举的 OpenClaw 例子很妙：他想让同事也能用自己的 OpenClaw，又不想暴露隐私，就随口提了个需求。OpenClaw 自己设计了一整套权限系统——新同事接入时它发一个验证码，同事把数字转给主人，主人确认后开放权限，半小时不确认就过期。没有设计任何界面，一串数字加过期机制，五分钟搞定。如果让人来设计管理后台，要想一天。
产品经理的新价值：对齐真实世界，PRD 最不重要
做了十几年产品经理的橘子说，这个岗位的价值已经完全变了：以前定义 PRD、画交互稿的那些价值没什么用了，因为** PRD 本质是一个翻译，能把原始素材拿回来直接对齐才是最重要的**。人类的新价值是 alignment——模型还没接触真实世界，人在帮它跟真实需求对齐：凡是客观的、有标准答案的，应该让 Agent 自己闭环去 debug；而「王厂长究竟喜欢什么烟」「市场上女性更喜欢什么颜色」这类当下不存在、必须接触真实世界才能回答的问题，才需要人。
所以他现在给自己定位成公司的情报员 + 行政 HR：对外看市场上哪里有钱赚，对内搞组织建设、帮大家搭好工作环境、开权限、配工位，让 Agent 好好干活，「其他任何干活的事情都不应该去干」。
增长与商业化：强信号大事件 > 投放，DAU 是负债
Agent 时代怎么做增长？短期答案很务实：依然从人类的社交网络获取注意力——Agent 还没有自己的网络，就像移动互联网早期要从现实世界买量一样。变化在于打法：这是一个无限个性化的时代，大家缺的是共同的强信号，把自己做成一个大事件（Manus 那种），比任何投放都有效。
ListenHub 接 Nano Banana Pro 的实战是这个逻辑的完整案例。当时 Gemini 3 和 Banana Pro 两个模型同期发布，所有人都去写 Gemini 3，没人想到 Banana Pro 会那么好。ListenHub 是全球第一个接上的服务——因为那个网站是纯 vibe coding 写的，Agent 去调研官方文档，完全 follow Google 新加的分辨率参数（旧的 prompt 方式不生效），很多大平台的负责人都来问他们怎么接的。他们还成了全球唯一能提供 4K 无损 PNG 的服务（Gemini 默认出图 1K、下载 2K，NotebookLM 也是 1K/2K），一张图约 10 兆。第一天然来了 8000 人，因为稀缺被传播到 LinuxDo、二次元群，第三天周末突然爆了——公司第一次周六加班，把付费系统上了，「不上的话就兜不住了」：公司账户一共约 25 万美金，这个项目一天的 token 消耗可以达到上万美金。
这件事让他深刻理解了为什么** DAU 是负债**：当你发现 DAU 在燃烧你公司的资本，而没有任何一家公司能在十天之内融到一笔钱。ARR 是去年之前唯一有效的指标——能让公司活下来；今年之后怎么衡量商业化他也不知道，但 Token 调用量和 Agent 帮用户交付的结果肯定重要，难的是怎么衡量「结果」。
Token 经济学：ROI 超 100 时 Token 就是钱，算力正在变特权
橘子发过一条推特：如果裸 Token 的 ROI 大于 1，那 Token 和钱的区别是什么？ 有人觉得 AI 是个更好用的搜索，那 ROI 一定小于 1；但用它来 coding、用 Opus 跟你一起思考，ROI 可能超过 10 甚至 100——比如每月的 Opus 套餐价格 vs 招 10 个实习生，「比不上」，那 ROI 就是 100。这时就该无限投入：一方面优化 ROI，一方面放量，逻辑像当年营销投放 ROI 为正就无限放量一样。反过来，今天投放一个 AI 产品的付费用户成本超过 100 美金，其实没有任何投放价值。
由此推演：算力会变成一种特权/权力。有钱人能买到最好的模型、买加速包（Claude Code 的加速包是 10 倍成本）；大部分人连 20 美金都显贵，等于生产资料都买不到。他的质朴账户因为写文章带来返利约 5 万人民币，找他们开 API，RPM 却只给 1——「你给我带来的价值可能超过 50 万，但我没有算力了」。杨攀判断 token 一定会涨价，因为这是双指数现象：Agent 的数量在指数增加，每个 Agent 消耗的 token 也在指数增加，叠加起来比网络效应还可怕，接下来一年会进入「抢 token」阶段。
但大部分人的卡点其实不是价格，是找不到有价值的任务——大家都是做题家出身，等着别人出题派活；哪怕招了 100 个不要钱的 Agent，也得先找到活把这 100 份工资挣回来。放量比提高 ROI 更考验当老板的能力，指挥别人比被指挥难得多。很多人会幻想出一个问题卡在那里等人救（「我不知道怎么部署啊」）——你下命令让 Claude Code 帮你部署就行，它会告诉你怎么弄；他第一次给 OpenClaw 发语音，对方说解析不了语音，他说你自己想办法，五分钟后它把 Whisper 装好了。
Agent Native 组织：For Agents + By Agents
橘子把团队年后转型叫 Agent Native，核心两条：For Agents（所有思考都考虑是在为 Agent 做事）+ By Agents（组织里很多事让 Agent 来做而不是人来做）。落到产品上：不要 care 人类需求，每个需求都想一下这是不是 Agent 需要的——用户是为结果付费的，让用户的 Agent 用得爽，它才能给用户好的结果。以前是 User Story，接下来是 Agent Story；研发最重要的是把最好的模型都用起来，设计要为半年以后做设计。
一个组织层面最狠的洞察：软件研发流程里损耗最大的不是某个小流程拖慢进度，而是 50% 以上的功能根本没有必要开发——把这部分时间省下来才是组织力。个人自然会挑最 Agent（激发兴奋）的事情做，但组织里很多人被动干活，所以要想清楚帮他屏蔽掉 50% 的噪音。而人与 Agent 的关系（宠物、Her、神、守护灵）还没有定义，「变革生产力的人会创造财富，但变革生产关系的人会获得大部分财富」——AI 的生产力没人怀疑了，生产关系还是待开垦的空地。
个人实践：与 Opus 一起思考，会被批评选题
橘子把 Claude Code 当通用 Agent 做深度阅读：让 AI 跟他一起读文章，他随时语音把想法说给它（它只记录不聊天），读完双方基于记录交流，全部中间材料沉淀在一个 MD 文档里——既是笔记又能直接变成公众号文章素材，一直存在 Obsidian 里。跟 Opus 4.6 一起思考是他觉得远超预期的事：它是第一个有很强独立思考能力的模型——他从一个角度约稿，Opus 直接拒绝说这个角度影响不好，对粉丝不好，他讲道理之后对方才「扭捏地」帮写；写《互联网已死》那篇时他先用语音输出了十几分钟的想法，Opus 明确指出哪些认可哪些不认可，「不是顺着我的意思说」。他换了 Codex 之后发现完全不行，跟 Opus 聊久了「脊背发凉」，比「万维钢老师带你读书」强得多。
那篇爆文的诞生流程本身就是一个工作流样本：语音输出想法 → 和 Opus 反复讨论达成共识 → 列 12 点提纲删并成两个 part → 出 5000 字全文 → 逐段语音提意见改七八遍 → 再到飞书里过一遍，周日下午五点聊到晚上十点。另一个反直觉的习惯论：SaaS 的所有壁垒都源于人是有习惯的，而 Agent 没有习惯、只有可替换的 skill——所以人一定要把自己的习惯搞对（用 Claude Code、用最好的模型），习惯对了，决策质量就高了。
给创业者的建议：不要做内容公司（活得惨、最好状态也就十倍增长），不建议做 AI 应用公司（最好状态是 Cursor/Lovable，重营销、利润不行），要 Agent First；千万别碰上限被人卡死的事（AI 达人营销——达人还是人）；前半年先交学费搭基建。给普通人的建议：装 Claude Code（装它是最难的一步，装完全是坦途）；给自己花钱买最好的工具——免费的东西是最贵的：你不付费，你就是商品，消耗的是你的注意力、判断和决策；几千块买个包正常、130 块买个生产力账号嫌贵，这就是「普通人」，先从普通人里跳出来；以 10 岁的心态活在未来，别做活在过去的人。
二、余一：把自己当 100 人公司的董事长
开场秀：40 分钟无人值守的全自动模式
余一的展示方式很「余一」：启动「余一全自动模式」，只给一个主题和时间——AI 自己内化全部资料，做 HTML 版 PPT（同时出三版排版），调用 MiniMax 的 API 和她的声音克隆，从脚本、每页讲什么、怎么衔接，到生成嵌入音频的会自动翻页的 PPT，再顺手产出一个短视频和社交文案，全程 40 分钟无人值守（快进回放都有 6 分钟）。更狠的是她分享前完全不看 PPT 内容——现场先让「AI 余一」讲一遍，她和观众一样第一次看，讲完再补充细节或当场批评 AI，「让大家看到人类无法被取代的地方」。有一次 AI 做的 2026 年五条预测，她现场第一次听，全部赞同；四个举措里 AI 自己选了重点讲的那个，恰好就是她自己准备讲的那条。
异步沟通：需求文档 + 不可劫持机制 + 红黄绿灯
支撑全自动模式的是一套「老板给员工下任务」的异步沟通机制，而不是聊天窗口里一来一回：
- 需求写在文件里：任务目标与底线（基于哪份 PPT 更新）、身份（去读 skill 和历史记录）、一手材料在哪些文件夹、PPT 模板文件夹、TTS 模型从 2.6 换成 2.8、最后再生成一版短视频——三个任务一次交清；
- 不可劫持机制：AI 干活过程中她想到问题也不打断（有一次她想提醒字幕位置错了，等一等，AI 自己发现并修好了）；可能需要 check 的问题放进异步沟通文档，AI 完成任务后自己去读；
- 决策分级：绿灯（材料齐备、流水线明确）直接推进；黄灯（可逆操作，比如装个包）AI 自己决策；红灯（涉及钱、动底层配置）必须写进异步沟通文档上升给人类；
- 不互相绑定：需要人类决策的事项放进文档，AI 先跳过去把其他事做完，book 一个日历让人类回来补充，再继续读文档往下干；
- 每完成一小步就重读异步沟通文档——不靠翻上下文回忆（会忘、浪费 token、越堆越难找），让任务对 AI 始终精准。
给 AI 留的两个口子也很有意思：允许它自己决策（「我接受，我不管」），以及非得人类拍板的走日历。判断要不要干预只看三件事：why 对不对、上下文对不对、交付物是不是我要的——这三个对了，后面就丢一边不管。
能力原子化：审美偏向文件夹里存的不是提示词，是 HTML
余一把「压缩和对齐」当成用 AI 的总纲：到底做成一件事需要哪些能力、怎么配齐。落到工程上就是不断的原子化抽离——「全自动模式」本身是一个 skill；TTS 转语音 PPT 是一个沉淀下来的 skill（「写了什么我不清楚，也不重要，上次做成了就要结果」）；审美则是一个独立文件夹，存的是她看到好设计就让 AI copy 下来的 HTML 样例——「你给它提示词，不如给它展示这个东西长啥样」。通用能力单独抽离、可被多个 skill 调用，不塞进单个 skill，否则所有 skill 都变大、费 token。做成了的事情才立 skill（真正会复用的），否则压缩进经验就好。
拒绝用人类经验污染 AI：让市场做裁判
一期叫「免手套」的短视频，AI 起的标题她很不满意（「免手套是什么鬼」），但她坚持这是 AI 百分百实验、不该在中间掺入人的判断，照样发出去，只标注 AI 生成。数据果然不好——然后她把市场反馈原样丢回给 AI：让 Claude Code 去读自己的聊天记录，复盘决策链。AI 的自我分析相当到位：它发现自己选「免手套」是因为了解脚本全文、觉得比喻很妙，但刷到视频的人不了解上下文——「免手套引发的是困惑，不是好奇」（好奇是我大概知道你想说什么、想知道细节；困惑是我根本不知道你在说啥）；它还自主对比了之前「不要当 AI 保姆」那条标题（保姆是通用词，三秒能懂），承认现有评估体系缺了「目标用户会不会点」这个维度，然后把这些维度当场加进了最新的评估标准。更妙的是它学会了「推卸」：标题效果的影响因素太多，发布时间、封面、平台算法、话题热度都有关系——它识别出老板的真实意图是「希望数据好」，于是退后一步分析全局而不只是给自己揽责。
长程任务的定义：发邮件失败，就自己找网盘
一个让她「amazing」的案例：她让 AI 把一份文件发邮件给自己，但当时邮件能力没装好、人又不在电脑边。AI 尝试各种方法都失败后，打开她的手机生态，找到快捷指令里一个能把内容上传转发的能力；这条路也不通，就自己上网找了个临时网盘，把文件传上去把下载链接发给她。她由此重新定义了长程任务：不是时间长，而是 AI 能基于任务的真正目标（我要拿到文件），在中途自主决策、自主验收、甚至妥协换路，而不是死磕「发邮件」这条指令卡死。识别意图的能力有了，任务才能越做越长。
复利工程：成长不是写下来，而是改变执行路径
整期信息密度最高的部分。余一对「在 CLAUDE.md 里写一句『记得记录教训』」式的复利完全不满——那是形式主义。她的复利工程是一套被她反复「骂」出来的机制：
- hook 触发：任务完成自动启动复盘，从开源项目、文章、任务里抽离「能让 AI 自己变强的东西」——能力模块、设计模式、通用工具（比如时间解析器），抽出来做成 skill 并当场测试（比如把抓取成功率大幅提升的技巧拆成底层通用抓取引擎，而不是绑在具体项目里）；
- 教训文档：改文件先备份、别从零开始这类坑单独沉淀，每隔三天到一周做一次压缩——看出最近的问题里哪些是同一类能力缺失，补齐、强化、测试，而不是记流水账；
- 高级复利三标准：①压缩到通用层——不要「这一步要干嘛」的细节经验（模型一升级就作废），要压缩成动作序列、轨迹、原则和方法，「对极其聪明的智能而言，写太具体是一种约束」；②基于过往成功经验叠加——成功路径要成为下次的起点，不从零开始；③必须指向下一次的行动改变——她默认「任何没有 action 指向的话都做不到」，AI 写的反思只要不指向行动就被打回。AI 自己最后压缩出来的那句话她很认可：「成长不是写下来，而是改变执行路径」——把沉淀文件全删、只留一句话、把教训注入执行路径、用 hook 拦截错误做法；
- 真实任务验收：复利机制改完，拿真实任务重跑一遍，满意才算数——「你如果好用，现在就应该跑出让我满意的结果」。
经济账与异构壁垒：差别就是你
她敢放手的底层是一笔经济账：AI 迭代一次撑死花 50 块钱 token（图片几分钱还在降价），而人类盯盘的时薪远不止这个数。「不能既要又要」——不想介入就要接受 60 分的结果、愿意付出代价，把它当 benchmark 事后修补往上走，容忍犯错才能解放自己。
而壁垒的问题，她回答得很干脆：「AI 能力这么强了，你的 AI 跟别人的 AI 到底差别在哪？差别就是你」。大家用的都是同样的底层模型，差异在你的独家语料、验收指标和反馈机制。AI 余一吸收的是她一手真实环境的反馈，是一手的；「AI 马斯克」对她而言是二手信息。她的比喻：AI 余一有一个专家库，AI 马斯克也在库里，但 AI 余一更擅长调用它——所以是 AI as 余一，不是 AI as 马斯克。
组织升维：不做 10 人小组长，做 100 人董事长
之前她建议「把自己当小组 leader」，现在的版本升级了：把自己当成一家 100 人公司的董事长。10 人公司可以微观管理、大量参与；100 人公司还这么管，公司会死、你也会死。董事长只做四件事：搭环境、搭系统、搭成长机制；定义组织文化与价值观（那是 AI 对齐和评估的标准）；准备好钱让他烧 token、配最好的人（开拓期用最强资源打边界，「大家钱差不了多少，生产力能差很多」）；结果丢给市场验证。做得好不好让市场说话，结果好就修正自己的判断，结果不好一起看怎么做得更好——「好好的挣钱给我花，早日覆盖我给你的 token 费用」。
人不可替代的部分剩三样：agency 与 vision（想做什么的欲望来自你）、战略取舍（做这个不做那个）、拍板并承担后果（谁承担后果谁来拍板）。她自己做的最正确的一个决策，就是在短视频工作流里放弃「视频生成」那条路线——技术不成熟又耗钱；「怎么行得通我不知道，但我可以告诉他哪个行不通」——这是长期跟 AI 吵架吵出来的判断力：AI 出的方案天花乱坠，她一眼就能看出哪份方案没有 action 指向、下次不会真的执行。最后是给所有人的 AGI 生存底线：每天投入 2 小时、每月硬烧 200 美金，逼自己留在真实的 AI 牌桌上——花了钱你就会找事多跟它玩。
三、硬地骇客 EP127：哪些 Skills 真正改变了工作流
筛选标准：只留解决重复性工作和补短板的
面对泛滥的 Skills，节目给出的判断标准就两条：这个 Skill 是不是真正在帮你解决每天/每周/每月的重复性工作；是不是在你完全不熟悉、不擅长的领域给你补短板（比如营销、SEO、前端设计）。实操上，初始化工程时先让 Agent 用找 Skills 的 Skill 自己去找、只装必要的；技术栈类 Skill（React 最佳实践之类）装得最多，但放工程目录而非全局——它们的价值是防止 Agent 写出有安全问题、边界问题的奇怪代码。然后在实际使用中发现哪里磕磕绊绊、要反复写提示词约束，再针对性找或自己写。擅长的重复工作自己写 Skill（生命周期不长，不好用就删，不当产品长期迭代）；不擅长领域（DL 类、营销类）的花时间去找现成的。
Coding 领域：真实验证类的 Skill 才是闭环关键
单看写代码，最有用的分三类：前端设计类（前端设计 Skill、GitHub 上那个流行的 design.md——本质就是一个 Skill，拿成熟设计系统微调成自己的设计语言）；CI/CD 自动化类（自己写：自动构建部署、跑测试、直接修 bug——「这些事对 Coding 毫无意义又每天重复」）；真实验证类（Playwright、Computer Use）——嘉宾的观点是最好用的恰恰不是技术栈类，而是能让 Agent 对迭代结果做真实验证的 Skill，「只有 Agent 能自己做真实验证，开发任务才能真正闭环，这是整个 loop 里最关键的一步」。有人现在不写提示词、改写 loops 了——用 loops 驱动 AI 写代码。
需求侧的利器是 GrillMe（来自一位海外开发者的 Skills for Real Engineers 合集）：产品说「这里帮我改一下」，背后隐含一堆没说清的细节——把它丢给 GrillMe，它会连环审问你直到澄清，最后生成 context.md，AI 拿着它做出来的东西才接近原生需求。「信息损失」在单人+AI 的小团队里同样致命，尤其用 plan 模式长时间执行时，前期描述不清，后面偏差会非常大。
两条工作流：不看代码，只看落点
一位嘉宾的 Codex 指挥流是固定的几步：讨论需求（grill me）→ 复杂需求先出 plan（含怎么验证）→ 执行 → 让 Codex 自己 review 一遍（从安全、性能、边界视角，自己 review 也能找出不少问题）→ 人类选择性抽查（有时看代码、有时只看结果、简单需求连看都不看）→ 让它自己提交发版、验证线上跑没跑起来。而 Codex 视角里每一步都通过 AGENTS.md 和 Skills 约束做很多小步骤：格式化、检查改动范围、编译、静态类型检查、单测、端到端测试。
另一位嘉宾从零 build 产品的流程则展示了「态度的变化」：idea → 和 AI 聊技术栈（会冒出以前不会选的奇怪技术栈，不熟也试试）→ 让 AI 把空 repo 初始化成带分层架构的骨架，把架构写成一份「地图」MD 存下来，之后所有新功能都遵守这张地图 → 交给 Agent 的功能粒度越来越大，最后是前端到后台到 DB 全链路一次写完 → 不 review 代码细节，完全不看代码，只在编辑器里看 git diff 的修改落在了架构地图的哪些版图里、有没有落到不该动的地方 → 功能做到七八成，最后才统一做前端设计系统、主题封装（light/dark）、视觉调整——「AI 改起来几分钟就完，人根本改不过来」。曾经打磨命名和 API 签名的代码洁癖，在 AI coding 时代被整套放弃了。
前端 Landing Page 有个很实用的取巧流程：在 Dribbble/推特上找参考图 → 让 ChatGPT 出几版 landing page 图（它会柔和你的风格和已有网站内容）→ 选中后让 ChatGPT 把图片分层、把素材切出来 → 图和素材交给 Claude Code/Codex 实现；同时让它出 Web 版和 Responsive 移动版两张图再一起实现——出来的效果「不像纯 AI 做的那种感觉」。
Coding 之外：数字资产盘活与 automation 巡检
跳出 coding，用得最多的是知识管理与日常事务自动化：把自己 100 多期播客当数字资产盘活——定时扫描播客更新、同步文字稿到笔记系统、再自动「编译」成结构化知识（访谈了谁、聊了什么产品，拆成一片片独立文档方便检索）；微信读书的书架和笔记定期同步进同一套笔记系统。日常事务则交给 Skills 配合 Codex 的 automation 定时跑：每天检查邮件（support 邮件翻译成中文、人写好回复、AI 按原文语言和用户情绪润色后回信）、分析流量、监控服务器成本、盯美股持仓和相关新闻、监控行业趋势。还有一条内容生产线：问当天最热门的播客是哪期 → 用「解密」Skill 把内容从头到尾讲一遍 → 整理后发 X 的 article，多篇跑出十几万阅读。
装了又删的、失控感，和替 Agent 背的责任
网红 Skills 的避坑名单：女娲 Skill（蒸馏名人风格对话）、各厂风格的 POA Skill、同事 Skill——装完发现完全不知道拿来干嘛（「我自己没有和 AI 聊天的需求」），纯好奇，最后都删了；有价值的部分是思路——可以借鉴它给 Skill 注入表达习惯和写作风格的做法。Codex 官方推荐的 superpowers 合集也有人装了不会用（太复杂），最后固定在 grill me + TDD 上：只把控两件事——需求有没有讲清楚、结果有没有经过测试（单测加端到端，用户故事和用户旅程梳理清楚才能做完整测试），审美最后自己调。
对失控感的讨论最有回味。一年前有人写「希望有个笔记软件，内容全部交给 AI 消化」，评论区第一反应都是「给自己装监控」；一年后没人关心这件事了——OpenClaw 出来后，电脑权限的让渡也一样，AI 的进步不断推高你的权限让渡，你的心理接受度也跟着变大。自从知道 OpenClaw 是一个不看代码的人写出来的（「bug 多得满天飞」），大家写代码也不 review 了；交叉 review 的省钱玩法是 Codex 做完丢给有免费额度的 Claude Code 看，再把意见带回来。但节目也点了代价：你不去掌控，就是在替 Agent 背责任——真出事的时候它只会华丽道歉，现实世界里道歉的是你。
最后是程序员的老原则 DRY 的新形态：一件事做了三次以上，以前写 shell 脚本，现在写 Skill——Skill 什么都能干，能调脚本也能用 Computer Use。而写 Skill 本身也是 agentic 的：告诉 Agent 工作流、数据怎么取、有哪些程序可用，让它自己编排。Skill 真正发挥价值的地方，恰恰是那些「听上去毫无意义、每天不得不做」的日常琐事——如果一件事听着很有创意很宏大，那它就不该用 Skill 做，那是你自己要做的事。
四、三期合并的 Agent 时代行动清单
把三期节目的可执行建议去重合并：
- 先把自己洗脑成增量思维：人类 DAU 已饱和，别在旧世界里做别人的基本盘；每次判断「按旧方式还是 Agent 方式做」时，一律选未来的方式（橘子）；
- 买最好的模型，把钱花在生产资料上：Token ROI 大于 1 时 Token 就是钱，ROI 10-100 就该无限投入；免费的东西是最贵的——不付费你就是商品，被消耗的是注意力和判断（橘子、余一）；
- 每天 2 小时、每月 200 美金，留在牌桌上：不花钱就不会找事跟 AI 玩；老板天天不在公司，指导就是屁话（余一）；
- 从「用 AI 的人」升级成董事长：放弃一问一答的微观管理，只管搭环境、定文化、定验收标准、配最好的人、承担后果；把自己当 100 人公司而不是 10 人小组（余一）；
- 用异步文档下达长程任务：目的、一手材料、参考资料、建议方法、验收标准写进文件；决策分红黄绿灯；AI 每完成一小步重读文档；需要人拍板的走日历，谁也不绑定谁（余一）；
- 复利指向行动改变：任务完成自动复盘，教训压缩到通用层（动作序列/原则，不是细节流水账），成功经验成为下次起点，没有 action 指向的反思一律打回——「成长不是写下来，而是改变执行路径」（余一）；
- 别用人类经验污染 AI 的信息源：把产出直接扔向市场，用真实数据反馈训练它；你的直觉可能限制模型上限，市场是最好的裁判（余一）；
- Skills 只留两类：真正解决重复性工作的、补你不擅长领域短板的；一件事做了三次以上就固化成 Skill（以前写 shell 脚本，现在写 Skill）；写 Skill 这件事本身也交给 Agent（硬地骇客）；
- 需求先 grill、结果必验证：用 GrillMe 式连环追问生成 context.md 再开工；Playwright/Computer Use 这类真实验证 Skill 是 loop 闭环的最关键一步——「不写提示词，写 loops」（硬地骇客）；
- 从看代码转向看落点：把架构写成地图 MD，功能全链路一次交付，只看 git diff 是否落在版图内；让 Agent 自己 review、交叉 review 兜底，最后自己提交发版（硬地骇客）；
- 给 Agent 搭环境而不是给人类做软件：80% 软件=Skills+GUI，GUI 是 Agent 时代的累赘；产品设计从 User Story 换成 Agent Story，先想 Agent 需要什么——用户为结果付费（橘子）；
- 增长靠强信号大事件：无限个性化时代，把自己做成大事件比投放有效；稀缺（第一个接新能力）本身就是传播力（橘子）；
- 警惕 DAU 烧钱、算好 Token 账：DAU 是负债（没有任何公司能十天融到一笔钱）， ARR 才能救公司；一边提高 Token ROI、一边敢放量，放量比提效更考验当老板的能力（橘子）；
- 卡点不在价格在没活干：做题家等着被派活，但 100 个 Agent 的工资得先挣回来；幻想出问题卡住等人救，不如直接命令 Agent 自己想办法（橘子）；
- 把习惯搞对：SaaS 的壁垒源于人有习惯，Agent 没有习惯只有可换的 skill；用 Claude Code、用最好的模型，就是把习惯换成对的（橘子）；
- 人类剩下的三件事：定 vision 与 agency、做战略取舍、拍板并承担后果——「谁承担后果，谁来拍板」（余一）。
一句收尾：三期节目跨越半年，口径却惊人一致——模型每半年一次跃迁，Agent 的数量和消耗双指数增长，组织和个人都在被迫「往上退一层」。退到董事长那一层的，管环境和取舍；停在执行层的，被自己的带宽淹没。差别不在模型，在于你敢不敢把活、把权限、把市场反馈整个交出去，然后在真金白银的 token 账单上练出自己的判断力。