学了一下午AI，我发现最值得积累的不是工具，而是经验

2026年10月17日，周六。今天参加了一场AI线下交流活动，下午连续听了Anna和Sunny Yu两场分享，从Agent、Skill、MCP，到亚马逊AI工作台、Listing生成和广告优化，信息量很大。

不过，这一天的收获并不只有课堂内容。坐在我旁边的雪球，在听课时顺手分享了一个GitHub项目合集；活动微信群里，大家也分享了不少Skill资源。更开心的是，借着这次活动，一群认识了将近十年的老朋友又聚在一起，结束后还一起吃了饭。

晚上回想，今天的关键词好像不只是AI，还有积累、分享和重逢。于是把这次学习梳理成一篇比较完整的笔记：哪些知识值得学，哪些方法值得试，以及为什么我觉得人和人的连接仍然格外珍贵。

01｜工具更新飞快，真正要沉淀的是Skill

Anna讲了一句让我记得很牢的话：“铁打的Skill，流水的Agent。”

从聊天式AI、自动化工作流，到能调度工具执行任务的Agent，产品迭代太快。现场也提到，几个月前还需要搭建一串复杂流程的事情，如今可能有更直接的实现方式。如果只追着界面和按钮学习，很容易一直处于重新入门的状态。

但业务经验不会因为工具换代而自动过时。比如写一篇跨境行业文章，熟练的人知道应该先找哪些官方来源、怎样区分政策公布和正式生效、如何处理不同国家的法规差异、哪些结论必须人工复核。这些判断才是内容质量的底座。

我的理解是，Skill的价值，就是尝试把这些隐性的经验显性化：写清任务目标、输入资料、执行步骤、质量标准、异常处理，再交给兼容的AI工具反复使用。它不是一句万能提示词，也不是存一份Markdown文档就必然能跨平台直接运行；具体的文件结构和调用方式仍取决于所用工具。

工具可以不断更换，但只要工作方法足够清晰、可检验，就有机会迁移。今天我对学习AI的目标也发生了一点变化：少囤几个新工具，多沉淀几套真正管用的流程。

02｜Agent、Skill、MCP，放进同一个工作场景就容易理解了

今天反复听到三个词：Agent、Skill和MCP。它们不是同一个东西。

Agent更像任务执行者：接受目标，必要时分解步骤，调用可用工具完成任务。Skill提供专业的方法和规范：什么资料可信、按什么顺序操作、何时停止、怎样检查结果。MCP则是一种连接外部工具与数据的标准化协议，前提是外部服务支持相关连接并完成授权。API也可以承担不同形式的数据接入。

拿“每天生成跨境资讯早报”举例：Agent负责按任务搜集、筛选、整理；Skill规定来源优先级、时效范围、去重办法、文章字数和审核清单；接口负责连接资讯、文件或办公系统。最终仍由人确认关键结论和发布内容。

Anna介绍了现场用外部接口点咖啡、生成PPT等演示，也谈到Agent定时运行、与飞书等办公环境结合的可能性。这类展示的真正意义，不是点咖啡本身，而是AI开始有机会连接现实中的工具和工作流程。

当然，能操作不等于可以不受约束地操作。尤其是企业数据、客户资料、账号权限和对外发布内容，应从一开始就设置边界，重要动作保留人工确认。

03｜坐在旁边的雪球，给了我一份很实在的学习资料

这次活动还有个很有意思的小插曲。Anna正讲到GitHub的开源Skill，我旁边的雪球就顺手发来一个GitHub项目合集：

在此感谢跨境火箭叔的收藏整理

GitHub官网则是 https://github.com/ 。

活动微信群里，Anna也陆续分享了不少Skill合集。听着老师讲方法，旁边就有人递来可继续研究的资源，那种感觉特别好：原来学习AI并不是必须自己从零摸索，很多前人的成果都值得参考。

过去我对GitHub的印象偏向程序员使用的代码平台。但对普通AI使用者，它也可以是寻找开源工具、示例项目、技能包和说明文档的重要入口。

不过，找到仓库只是开始。我给自己定了一个简单流程：先从真实问题出发，再看项目的README、安装条件、更新记录、许可证和权限要求，最后在隔离环境测试。Stars能帮助发现项目，却不能代替安全审核；陌生代码和Skill都不该直接拿到带有客户数据和核心账号的生产环境运行。

公开资源解决通用问题，而真正形成自己特色的，还是后续根据业务规则进行取舍、修改、验证与沉淀。

04｜60GB知识库，让我重新理解“认真积累”

Anna介绍了自己从2018年开始积累个人资料的经历。据现场分享，她已经形成约60GB的知识库，并通过笔记、录音设备和相关接口与AI结合，用于日记、工作复盘等场景。

Ann老师分享的AI时代协助流程图，未来找时间去做出来

这个案例让我想起电脑里那些会议纪要、历史报告和项目文件。过去它们大多只是存档，需要时凭记忆翻找。现在，如果对资料做好整理、标注和检索，它们就有机会成为AI完成新任务时能够查证的参考。

比如一个项目结束后，不只保存结果，还记录当时的前提、选择的方案、遇到的问题、复盘的教训。下一次碰到类似业务，就不用仅凭印象重来。

现场提到的“三类文件夹”也非常实用：原始资料、AI专用语料和AI生成结果分开管理。尤其不要把未经核实的AI产出混进权威资料里，否则错误很容易被循环引用。

我还想补充一条适合专业领域的原则：知识条目最好注明来源、更新时间、适用国家或场景、审核状态。资料多不是目的，能够追溯和正确复用才是价值。

05｜跨境AI应用，关键是方法、数据和执行条件

Anna分享的跨境应用覆盖亚马逊巡店、广告数据拉取、库存联动、达人开发信、选品分析、素材生成等。

以达人开发为例，AI可以先根据达人内容、受众与产品特点生成个性化邮件草稿，人再判断合作对象是否匹配。选品也是类似：把成熟运营的筛选逻辑明确下来，再结合取得授权的数据源进行初筛，而非让模型凭空猜一个“爆款”。

内容素材方面，现场提到了分析竞品视频结构、再为自有产品制作新素材的思路。这里要特别注意，不应把直接复制他人受版权保护的内容当作正常运营捷径，产品表达和素材使用仍应遵守知识产权和平台规则。

现场关于站外巡检的讨论也提醒了我现实边界：不同网站和App提供的接口与数据权限并不一致，一些平台接得通，一些平台没有现成接口。AI理解了任务，不代表数据就能自动合法获得。

很多看似“AI能不能做”的问题，实际要拆成三个：有没有成熟业务方法、有没有可用而可信的数据、有没有合规可控的执行通道。

06｜Sunny Yu提醒：自动化不是目的，业务结果才是

第二场Sunny Yu的分享更聚焦亚马逊运营与企业AI工作台。她强调，别在工具选型上消耗过多注意力，更不要为了自动化而自动化。

这个观点很能解释一种常见现象：员工原来做报表需要两小时，AI十分钟就能处理，但企业却没有明显感受到结果改善。因为个人某一环节变快，不等于整体业务链条就变快；如果审批、沟通和校验依旧层层等待，整体交付周期未必缩短。

因此，评价AI应用不能只看“少点了几次鼠标”。更值得衡量的是：任务质量是否提升、错误率是否下降、端到端周期是否压缩、成本和经营结果有没有实质变化。

Sunny Yu还提出，人应该继续掌握方法论、判断力和审美，系统则更多承接SOP、规则和数据流转。我很认同：AI可以放大成熟经验，但不能自动替代没有被表达清楚的业务逻辑。

07｜婴儿监控器Listing：把专业流程放在“一键生成”之前

今天最值得反复研究的，是Sunny Yu展示的婴儿监控器Listing工作流。

过去使用AI写Listing，常见做法是丢进产品名称和几个卖点，马上要一个标题、五点描述和详情页。效率看起来很高，但如果产品参数没核对、属性没分析、关键词没验证，生成得越快，可能越快产出不可靠的文案。

现场演示把流程拆成若干关键步骤：先填产品事实表，再分析产品属性与用户收益，之后整理词根与关键词，接着输出不同版本的文案，最后进行核验。部分关键步骤不能随意跳过。

我觉得这种设计的精髓，不是把文案生成按钮做得更漂亮，而是把成熟运营人员的思考次序固化下来。对于婴儿监控器这样的产品，还需要特别核查功能、兼容性与安全相关表述，不能把AI推测当成产品事实。

以前问“AI能不能写Listing”，现在更应该问“AI是否能够帮助团队按正确的流程写出经得起审核的Listing”。后一个问题更接近真正的业务价值。

08｜广告优化：时间、对象、动作、幅度

Sunny Yu还分享了一个很有操作感的广告框架：时间、对象、动作、幅度。

什么时候检查？检查哪个关键词、广告活动或产品？决定采取增加、降低、暂停或观察等哪种动作？一次调整的幅度多大？这四个问题的答案，不是模型“灵机一动”就能得出来的，而是运营策略和经验规则。

她特别谈到，不能让自动化系统只盯着固定ACOS。新品、成熟品、清库存和冲排名等阶段，广告目标可能不同；库存、利润和转化表现也会影响判断。

现场交流中，有参会者分享了使用某些广告工具时遇到费用控制、竞价灵活性和人工介入方面的困难，个人反馈改为手动操作后更符合预期。这是特定使用者的经验，不等于对相关产品效果的普遍结论。

另一个让我印象深刻的点是：一些被称为AI广告优化的功能，底层仍包含大量规则引擎与自动脚本。这不是什么坏事。只要规则正确、边界清晰、能追踪效果，传统自动化与大模型辅助完全可以结合。重要的是能够解释“为什么调整”，而不只是“已经替你调整”。

09｜工作台从1.0到4.0：不是把工具堆进一个页面

Sunny Yu介绍了自己AI工作台的演进：早期1.0是文案、图片、数据处理等单点小工具；2.0、3.0逐步接入API，让系统之间可以传递数据；到4.0则进一步区分轻量工具与结构性业务模块。

一个很实际的设计是，把简单的单点任务放在顺手的入口，例如浏览器插件；把涉及统一方法论、业务协作、权限和决策的功能留在系统层。不是所有功能都值得为它建设一个独立后台。

现场还讨论了通过ERP等来源接入经营数据，使用API或MCP连接外部能力，并根据企业情况考虑本地部署。对企业来说，自建工作台的价值不在于模仿所有SaaS功能，而在于承载自己真正差异化的业务规则。

AI时代：AI-OS，AI时代的操作系统。

当然，本地部署也不等于绝对安全。仍然需要做权限分级、日志留存、备份和外部模型数据流向管理。

最重要的启发是：工作台不是AI功能的陈列柜，而应该是一套围绕真实业务问题设计的协作系统。

10｜个人提效与组织提效，是两道不同的题

Sunny Yu提到，个人单点任务可能大幅提效，组织效率却常常卡在跨部门等待和重复校验上。

拿备货来说：运营完成分析，后面还有采购、财务、物流、仓库等环节。就算运营用AI把分析从两小时缩短到十分钟，如果审批依旧排队几天，客户感受到的整体周期不一定改善。

所以企业AI建设需要更务实的顺序：先找到可独立闭环、重复性高、容易衡量的任务；把流程跑通、记录问题、证明收益；再逐步连接下一段流程。

“先把一个点打穿”，比第一天就宣布搭建全公司AI工作台靠谱得多。真正的组织升级还涉及流程责任、数据定义、培训与内部信任，不可能只靠更换一个模型完成。

11｜下一步：不贪多，先做三件事

听完今天的课，我给自己列了三个准备尝试的方向。

第一，整理今天收到的Skill资源，包括雪球分享的GitHub仓库合集和活动群里的资料。先分类，再逐个筛选和试用，优先看内容创作、政策研究、数据表格与批量文档处理。

第二，把已有工作SOP提炼成可测试的Skill。比如公众号文章撰写，可以明确选题范围、信息源优先级、事实核验标准、成稿结构和人工发布检查。目标不是让AI无条件代替编辑，而是尽可能减少重复劳动、稳定质量。

第三，逐步建设可追溯的知识库。把项目、会议、研究材料放进清楚的分类结构里，记录来源与版本。等单点任务跑稳以后，再考虑是否需要更完整的Agent或工作台。

我给自己的标准也很简单：每次实践都要能回答“解决了什么问题、花了多少成本、质量有没有改善”。工具装得多，不能自动等于用得好。

12｜比学到新知识更开心的，是快十年的老朋友又聚在一起

其实，今天最开心的事情，还不只是学习AI。

借着这次活动，我们一群认识了将近十年的老朋友，又一次聚在一起。平时大家都有自己的工作和生活，要凑齐并不容易。这次一起听课、交流，结束后还约着吃了一顿饭，真的很开心。

很奇妙，认识这么多年，每个人都经历了不少变化，但见到熟悉的面孔，还是觉得格外亲切。有时候甚至不用聊什么重要的话题，就算坐在一起什么也不说，只是看到大家，就觉得很舒服、很安心。哈哈哈哈。

还有一位朋友OY，特意打了一个招呼，之前一直都是微信好友，上次见面也是将近10年前。也是一起不禁感叹下时间过的可真快呀。

下午一直在聊效率、自动化、技能沉淀，到了晚上却忽然发现，有些东西根本不用算效率。十年里留下的，不只有专业经验，还有这些熟悉的人和共同走过的时间。

今天既有新知识可学，又有老朋友可见。这样的周六，确实值得好好记录。

写在最后｜技术迭代很快，值得珍惜的东西可以慢慢积累

回看今天，两场分享提供了两条相互呼应的线索。Anna让我更关注知识库与Skill的长期积累；Sunny Yu让我更加重视方法论、业务流程和结果验证。坐在旁边的雪球和活动群里的同学，则让我感受到学习资源在交流中流动的价值。

而老朋友们的相聚，让这一天不只是一场技术学习。

AI工具会不断更新，专业知识需要持续刷新；有些友谊却是在很长时间里自然沉淀下来的。学习与生活，好像都需要认真投入，也需要一点耐心。

希望以后既能保持对新技术的好奇，也能有机会和老朋友常常聚聚。

继续学习，继续实践，也继续好好生活。

我越来越觉得，下一阶段真正拉开差距的，可能不是谁掌握了更多 AI 工具，而是谁能更早地把企业积累的经验、数据和工作流程，转化成 AI 能够理解、执行并持续优化的任务。

对亚马逊卖家来说，AI Agent 的落地不一定要从复杂的系统开始，也许只需要从今天手上的一张 Excel 表格开始。

我也希望未来能和更多跨境电商卖家一起，结合真实业务场景，共同测试和探索 AI Agent 的应用。

从实际问题出发，分享经验、验证效果、不断优化，让 AI 真正融入日常运营，帮助我们解决问题、提升效率，创造看得见的业务价值。