先学先赢的 6 个 AI 技能

Nate Herk · 20:14 · 发布 2026-06-15 · 9万次观看(截至抓取) · 观看原视频

🔥 观众最高回放 12:09 — Skill 4「迭代速度」中段提到作者自用的 Glydo 语音转写工具(affiliate 链接),观众集中回看记录工具名/链接。

主旨

为「有正职、不想辞职开公司」的人列出 6 项 AI 时代可保住饭碗的技能:成为团队里的 AI 人、品控与品味、上下文工程、迭代速度、自建常驻 Jarvis、以及用多条收入流自建失业保险。

核心论点

成为「AI 人」是相对的,不是绝对的——你不需要懂每个模型,只需要在你团队内比谁都更早用 AI 出活,IBM 2026 CEO study 显示 85% 的 CEO 要求所有职能 leader 都成为本领域的 AI 专家。(→ 详解1)
AI 产出的署名是你的名字,所以「品味与判断」是必备滤镜——一旦你不过问,受众就通过 em dash 之类的小细节读出”这人是 AI 替他说话”。(→ 详解2)
提示工程正在被模型自身进步吃掉,真正长期可迁移的是「上下文工程」——给 AI 喂入你脑子里的业务上下文(产品、会议记录、过往素材),它的产出才会从「通用最佳实践」变成「只有你能拿到的输出」。(→ 详解3)
迭代速度是「把判断变成输出」的最短链路——它和品味互为表里,但独立成立:用键盘快捷键 + 语音输入 + 快速跑 POC + 给「完成」下定义,把别人的「2 张电子表格/周」拉到「10 张/周」并让它成为新基线。(→ 详解4)
常驻式 AI 助手(Jarvis)不等于所有自动化都要走 AI agent——vending machine(确定性)与 slot machine(随机性)的类比告诉你:能用 no-code 简单工作流搞定的就别堆 agent,「判断什么时候不该上 AI」本身就是精英级 AI 人。(→ 详解5)
AI 让你一个人能干过去五个人的活,这打开了「job stacking」的窗口——以一份主业 + 几条同领域分支收入搭出自建失业保险,让任何单一雇主都拿不掉你。(→ 详解6)

知识点详解

1. 成为「AI 人」:相对位置即可 00:29

作者开篇就把「AI 人」这个标签从「懂 AI 的人」重新定义为「在团队/朋友圈里相对最懂 AI 的人」(“being the AI person is relative”,00:59)。他用自嘲作锚——「你们大概把我当 AI 人,但其实我每天都被我还没搞懂的东西淹没」——意在把门槛从「成为全球最懂 AI 的人」压到「比身边同事早一步用 AI 出活」。

「相对位置」之所以重要,不是谦辞,而是因为公司里大大小小的事最终都得有一个人拍板「我们这次用 AI 试试」。那位被叫来牵头的人,通常不是因为 ta 真的最懂,而是因为 ta 在同事眼里最先被认作「那个玩 AI 的人」。视频用”people start picking up AI almost like a hobby… then what happens is they start showing people and that’s usually all it takes” (01:23) 把路径讲得很轻:不必先做出大东西,先在同事/老板面前用 AI 解决一件原本要 3 小时、现在只用 20 分钟的活,这条「相对靠前」就立住了。

这条相对优势有外部背书——IBM 2026 CEO study 给出 85% 的 CEO 要求所有 functional leader 成为本领域技术专家(不分 CTO/IT 全员适用,02:25);作者用「拒绝学 Excel 的会计」做反例——新工具普及后「不学」等于自己离开赛场,这个反例要解决的是「我现在的工作看似不需要 AI」这种短视(“your role will need AI because every single role will”,02:25 附近)。

落地动作是「选一个主用 AI 工具 + 选一个每周都能改进的流程」:“pick one main AI tool and actually get pretty good with it… then you can pick one workflow in your current job” (03:50)。注意一个关键守门——“don’t try to automate something at work without getting like permission”——他特意把这条放在战术清单里,避免「相对优势」变成「违规风险」。

2. 品味与判断:AI 替你写,你替它把关 04:47

第 2 个技能的标题是”taste and judgment” (04:51)。作者从一个 meme 切入:左图是一个员工把 bullet point 交给 AI 改成看起来很专业的邮件,右图是收件人用 AI 把同一封邮件压回成 bullet point——所有人都被 AI 裹着,没人真正在读。这个画面把「AI 让我们看起来更忙、但生产的信息密度并没有真正提高」的隐忧摆到台面。

真正的陷阱不是「AI 写得不好」,而是「AI 写得够好,人就开始放手」。作者用一个非常私人的例子——em dash——说明「看的人是会察觉的」:“AI is notorious for putting em dashes in everything, because it’s been trained on so many white papers and formal documents” (05:35)。他自己说这辈子没手动打过 em dash,所以一条消息里出现 5 个,认识他的读者马上就能读出「这是 AI 替 Nate 写的」,随之开始怀疑「这消息他到底有没有读过?」——一旦怀疑发生,整段产出的可信度都跟着塌。

由此他引出这一节最核心的一句话:“AI can generate the work. Taste is deciding what deserves your name” (07:15)。同义表达在几秒后又换了一个说法:“Because remember, if you produce something with AI, your name is signed to it” (07:18)。无论 AI 写得对还是错,署的是你,credit 给你,blame 也归你;「品味」之所以是个独立技能,是因为它决定「哪些东西值得被你署名」——本质上是接受/拒绝 AI 产出的门槛,不是文笔。

训练品味的实操分三条:① 持续研究你这个领域的好作品(销售信、落地页等)并保存范例;② 每次「这个好」不止抄下来,继续问「为什么好,什么让它清楚、什么让它可信」,把判断逻辑固化进指令;③ 每次改 AI 的产出时把改动清单+原因回喂给它(“here are five things that I changed. Here’s why”),让它下次更贴你的判断。这套训练不只是为「写」,视频最后落到一个更广的判断:“AI can write the sales email, you still need to know if it’ll annoy the prospect. AI can draft you the HR memo, but you still need to know if it’ll make the employees feel weird” —— 任何领域,AI 出草稿、你做最终用户感受那一关。

3. 上下文工程:从「怎么问」到「AI 知道什么」 07:42

作者把第 3 技能命名为”context engineer” (07:42),并给出一句非常清晰的判别:“prompts are how you ask, context is what your AI actually knows” (08:12)。他用 Karpathy 的一句原话给”context engineering”这词下定义:“the delicate art and science of filling the context window with just the right information” (08:12)。作者在前面补了一段把”prompt engineering”搁到历史里:“prompt engineering is getting less important over time because the models are just getting so much better on their own” (08:12 附近)——给角色/格式/例子这些”怎么写 prompt”的技巧正在被模型自身进步稀释,真正长期可迁移的只剩”你喂给 AI 的上下文是什么”。

这条主张的现实范例是作者的”AI OS”——一个能调取他会议记录、YouTube 视频、Slack DM、邮件的内部系统。他的玩笑话是:“if someone couldn’t get a hold of me, they should just message my AI OS and it would actually give them an answer that’s better and faster than waiting for me to respond” (08:51)。他随后给出与 Harness 高度同构的比喻:把新 AI 助手当成一个刚来的实习生,“you have to sit them down and kind of onboard them… you have to tell them what current projects matter” (09:31)。没有 onboard,再聪明的 AI 都只是在猜。

本节最容易被忽略、但对本片主线很关键的一句:“the context about your subject matter expertise, your brain, your IP, that’s what makes the outputs unique” (09:53)。它的反面就是经验护城河的正面——如果所有人都在用同一个模型,问同一个问题,出来的就是同一份通用答案;你喂进去的私有上下文(你的业务、你的判断、你的素材)就是它跟别人长得不一样的地方。换句话说:品味(技能 2)决定你挑什么、怎么改;上下文工程(技能 3)决定 AI 能不能知道你脑子里那些不在训练集里的东西。

落地动作很简单:“stop opening Claude or ChatGPT in a blank chat. Instead, spin up a custom GPT or spin up a Claude project and feed it real context” (09:01)。把每次新任务都从”开新空白对话”改成”开一个挂好文档的项目”——这就把 prompt engineering 升级成 context engineering。

4. 迭代速度:把品味变成产出 10:13

第 4 技能是”iteration speed” (10:13)。作者把这条定位成”如果技能 2 是判断好不好的眼睛,这条就是尽可能快到达那个好的腿”。两者独立但配对:“If you can move fast without sacrificing quality, you’re just going to outperform everybody” (10:32)。他给出一条”更多数据”的正反馈逻辑:“every iteration is more data. Every iteration is a chance to learn what’s working and what’s not” (10:35) / (10:37)——跑得快,不是线性收益,而是反馈数据复利。

他把这条逻辑用一个具体到能照搬的比喻讲清楚:“you can’t just chuck a kid on a bike and say have fun and expect them to go ride a mile” (10:48)——教孩子骑车是「扶、跑、感、纠」的循环,一节一节扶下去,扶的力气逐渐变小,直到脱手。搭 AI 自动化是同一形态:你不能用一次 prompt 就「一次性出活」,得跑一轮、改一轮、回灌一轮,你的”扶”是反馈,车是 prompt/context/agent。三次五次之后你就有了”process in building agents gets better every time”。

实操的起点比听上去平凡——作者列了三件具体的事:① 练键盘快捷键,丢掉鼠标;② 别再手打一切,改用语音输入(他在 12:09 提了一句自己每天用的 Glydo 语音转写工具,挂 affiliate 链接);③ 用 rapid prototyping 跑 POC,先做丑版本、看出哪里塌、再修。

但本节最有价值的是它给「迭代到什么时候停」划了条硬线——作者承认 AI 工具的特点是”it can feel like there’s no such thing as a finished product” (12:30),于是提出”define what done is. You have to define what done looks like before you even start building” (12:44)。具体做法是「绑一条单点指标」:客服自动化绑”每日解决工单数”、销售自动化绑”每周合格预约数”、运营自动化绑”退款比例下降 X%“。他用一条总结句把这条规矩压死:“a clear definition of done is what keeps you from scope creeping on yourself” (13:07)。这恰好是 2026-06-22-学完Claude之后做AI顾问才是正解「约束优先, KPI 次之」那条元规则的工程化版本——先给一个客观「完成」判据,再开始 build,不要让迭代无限延长。

5. 自建 Jarvis:不是所有自动化都要走 AI agent 13:13

第 5 技能是”build your own Jarvis” (13:13)——参考 Iron Man 的设定:Jarvis 不等你问,自己观察、识别、触发,有事才 ping Tony。这一节与技能 3 的关键区别是触发主体:“context engineering was about teaching your AI what you know. Skill number five is about teaching your AI to act on what it knows without you having to be the trigger” (13:36)。技能 3 是给 AI 喂信息,技能 5 是让 AI 拿着这些信息自己跑——这层差异是 “automation” 与 “agent” 的边界。

进入实操,作者先给入口动作:“do an audit of your day. What things do you do every week that get triggered by something predictable” (13:54) / (13:58)。他列了几个最常见的「可预测触发」:某类邮件进来、每周一早 9 点、CRM 进新 lead、新用户注册——每一个都该被识别出来,被打包成”if X, do Y”或”if X, ask agent Z”交给系统。

但作者特别提醒一个他强调的”高手级判断”:“a system has to be pretty air-tight and pretty battle-tested” (14:27)。人一离开环路,系统就得自己扛出错成本——一条短信发错人、一笔退款打错账户,都得系统自己兜,不能等你下次开电脑时发现。这里他用 vending machine vs slot machine (14:50) 做核心类比:“a vending machine is deterministic. You put in a quarter, you hit E4, you get a Coke. Same input, same output, every single time” (14:52)。工作流(workflow)是 vending machine,输入决定输出,5 分钟搭好,基本不出错;而”AI agents are slot machines” (15:03)——“every time you talk to an AI, it’s almost like you’re gambling” (15:14),贵、慢、不可预测,只在需要”理解+推理+生内容”时才上。

他紧接着给一条可以直接抄的判断规则:“a simple workflow could do that in 5 minutes and basically never fail” (15:33)——以”每早 9 点拉上周 Stripe 营收发 Slack”这种任务为代表,确定输入确定输出,vending machine 5 分钟搭好即可。读客户邮件并理解意图、起草定制回复——这种「输入脏、要推理、要生内容」的活才用 AI agent。

这一节最后一句金句把”不必 AI” 摆成精英级立场:“this is the elite version of being the AI person that we talked about at the start” (15:47)。在大家都喊”AI, AI, AI”时,你能站出来说”这里不需要 AI,workflow 更便宜、更稳”,这种”敢不用”的判断本身就是最高阶的 AI 人——比”哪里都堆 AI agent”更显出你懂业务。

6. 自建失业保险:job stacking 的多收入流 16:40

第 6 技能是”unemployment insurance”——自建失业保险(16:40)。作者承认这是 hot take,不一定所有人都同意,但他非常确定这会越来越主流。机制是:“The old career model was basically like one job, one income, a 401k, maybe a few investments, but basically all your eggs were in one basket” (17:05)。新模型他叫 job stacking:“Your day job plus a couple of AI powered side income streams” (17:19)——主业打底,同领域几条分支变现,任何单一雇主都拿不掉你。

他用 AI 把”一个人干过去五个人” 的能力放大:“AI lets one person do work that used to take a team of five” (17:31 附近)——所以你不应该再用”全职工时”的标准去衡量一个人的产能,产能空出来,自然可以分到几条收入流上。但同时他非常明确劝阻不要”五个不同领域五条流”:“That’s how people end up burnt out and broke” (18:02 附近)——他给的版本是”one passion with multiple branches”——一条主轴心(North Star),围绕它长出几种不同形式的分支。

实操上他给了一个默认动作:“building in public. Experiment with AI tools, build small things and share what you’re learning” (19:23 附近)。把每天用 AI 做的实验公开化,一边拿反馈、一边让机会/客户/工作找上你。他同时给了一条很有分量的反直觉:“if you don’t exist basically at all somewhere where an AI can find you and find information about you, then it’s going to be a lot tougher to be discovered” (19:23)——未来大量搜索/发现是 AI 代理在帮你”被找到”;如果 AI 找不到你,你就会被绕过。

落地分两步:先 pick one and go hard until you have momentum” (18:34)——挑一条主分支做到有人买单,再 branch out;分支的形式由你选——课程、niche newsletter、blog、micro SaaS、咨询都行,只要同领域。最后作者给了一条价值连城的反向提醒:“don’t do anything sketchy and don’t burn your day job chasing the side thing” —— 这条把整个第 6 技能拉回到”自建失业保险”而不是”裸辞创业”,与本片主标题「保住饭碗」高度一致。

可执行步骤

关联

印证:经验护城河主张「AI 知识面已超普通人但第一手经验是相对不可复制的优势」,本片”成为 AI 人”的核心是「在团队内比同事更早把 AI 跑通」(相对位置),与经验护城河的论点同源——本片告诉你「做」的姿态(经验护城河告诉你「做」这件事的护城河落在哪)。
印证:Harness 把 agent 实战效果 90% 归到”你能控制的那一层”(上下文/规则/工具/workflow),本片第 3 技能「上下文工程」用 Karpathy 的原话把同一层做法叫做 context engineering——本片是 harness 思维在「个人日常 AI 使用」场景下的具体呈现,harness 是「个人/团队 agent 工程」语境下的同一条原则。
互补:2026-07-03-Claude如何缔造新一代百万富翁走的是”用 Claude 把产品造出来”的工具层路径,目标是用 AI 创造高收入;本片走的是”造完之后,怎么给饭碗加保险”的策略层路径,目标是用多条 AI 增强的收入流对冲单点失业风险——两片分别覆盖「AI 时代饭碗」问题的「收入端」与「防御端」,构成互补阅读。
复现:上下文工程一次说清给出上下文工程的完整定义与六大组件,本片第 3 技能是该定义在”个人日常 AI 使用”场景下的具体呈现。
进阶:2026-06-25-我让Claude Code帮我尽可能多赚钱给你具体的反谄媚 skill (roast)、验证循环、context handoff 等战术级方法;本片在你装上这些战术之后回答”接下来该往哪走”的战略问题——先读战术片获得「把活干漂亮」的工具,再读本片决定「把活漂亮之后,如何让自己更值钱、更多元、更难被替换」。

术语

AI 人(AI person):在自己团队/朋友圈里相对最懂 AI、且被其他人视作 AI 切入点的人,不是绝对意义上的 AI 专家。
上下文工程(context engineering):把”该让 AI 知道什么”主动组织好(项目文档、业务背景、过往素材)喂进 context window 的工作,相对”写好一条 prompt”更长期可迁移。
品味(taste):决定哪些 AI 产出值得被你署名、哪些需要被改掉的判断力,本质是接受/拒绝 AI 输出的门槛。
迭代速度(iteration speed):把判断变成产出的最短反馈循环;含键盘快捷键、语音输入、rapid prototype、给”完成”下定义四个具体动作。
Jarvis 自动化(Jarvis automation):无需你触发、AI 自己根据事件/时间/输入自动跑的常驻式 AI 助手;与”按命令触发”的工具型 AI 相对。
自动售货机 vs 老虎机(vending machine vs slot machine):vending machine = 输入输出确定的工作流(便宜/稳);slot machine = 输入脏/要推理的 AI agent(贵/易出错);能前者就别上后者。
自建失业保险(unemployment insurance):用多条收入流(主业 + 几支同领域分支)让任何单一雇主都拿不掉你的兜底结构,作者主张用 AI 拉高单人产能后”job stacking”是合理且必要的。
job stacking:主业打底 + 几条同领域 AI 增强 side income 组合成的多收入流模式,与”五份不同领域兼职”完全不同。
building in public:把用 AI 做的实验与项目公开化(笔记、demo、case study),让机会/客户/工作主动找上你,作者给”被 AI 代理找到”作为新时代 visibility 的核心。

金句

“prompts are how you ask, context is what your AI actually knows” → 一句话把 prompt engineering 与 context engineering 切分清楚,是技能 2/3 的分水岭。(08:12)

“AI can generate the work. Taste is deciding what deserves your name” → AI 替你写,你替它把关——这条把”品味”从一个软技能转成可训练的硬标准,直接定义技能 2 的全部分量。(07:15)

立场与利益

视频中作者把免费 AI OS 社群(skool)、付费 AI Automation Society 课程、Work with me 合作入口、podcast 申请全部挂在 description 第一屏;同时挂 Glaido 语音转写(affiliate)与 Hostinger VPS(优惠码 affiliate)。本片实质是给这个 lead magnet 链路导流。

按本片关键主张分三档:与利益同向(待印证)——“85% of CEOs 要求 functional leader 成为本领域 AI 专家”(IBM 2026 CEO study 引用,需查原始报告核验样本与定义)、“context engineering is more durable than prompting”(Karpathy 引用,概念属业界共识但其归因于 Karpathy 的措辞需核验)、“AI 时代 job stacking 是新常态”(作者观点,无独立验证);利益中性——Excel 类比、em dash 现象、IBM CEO study 主张(若原文核对无误)、vending machine vs slot machine 类比(纯机制观察、与变现脱钩);与利益反向(可信度最高)——技能 5「不需要 AI 时就别上 AI」(“a person who can actually step back and say we don’t actually need AI here. We can solve this cheaper, faster, and with way less risk” 附近)、技能 6「don’t burn your day job chasing the side thing」(“don’t do anything sketchy and don’t burn your day job chasing the side thing” 附近)——这两条明确劝阻过度自动化与激进副业,削弱”全员来买 AI 课”的市场话术,属不利己的提醒,值得单独标出。

利益证据:description 第一屏同时挂 skool 免费群、付费 + 群、uppitai 合作入口;中段挂 Glaido affiliate (get.glaido.com/nate) + Hostinger affiliate(annual plan VPS,code NATEHERK)。

价值定位

适合有正职、不想辞职开公司、但希望「在现有岗位/行业里把 AI 这件事立起来」的中等水平从业者。认知价值大于实操价值——你在这里能拿走的是 6 个明确的方向(AI 人 / 品味 / 上下文 / 迭代 / Jarvis / 多收入),以及”敢不用 AI”这条精英级判断,而不是具体的 prompt 模板或可一键部署的 skill。实操层面只给到「选一个工具+跑一个工作流 / 开一个 Project / 设一条完成指标 / 做触发器审计 / 围绕 North Star 挑一个分支」这套动作骨架,没有现成 skill 文件或 case study 链接。不适合两类人:已经在开 agency 的人(本片的”保住饭碗”框架对他们太窄)与完全没碰过 AI、连基础 prompt 都不熟的人(本片假设你已经会用 Claude,基础未打底时先别读)。

与同频道既有的 2026-07-03-Claude如何缔造新一代百万富翁重叠在「AI 时代职业策略」这个大题上,本片独有的是「job stacking / 自建失业保险」这条防御性视角(那篇是进攻性的”用 Claude 造产品拿百万收入”路径)以及”vending machine vs slot machine”这条反过度自动化的判断。

自检问题

为什么作者说「becoming the AI person is relative」而不是「becoming the AI person means you need to know everything」? 答案:因为公司里”我们这次用 AI 试试”这种时刻需要一个人牵头,被叫来的人不是因为 ta 真的最懂,而是因为 ta 在同事眼里”最先被认作那个玩 AI 的人”——这是相对位置,不是绝对水平。IBM 2026 CEO study 给 85% 的 CEO 都要求 functional leader 学会本领域 AI 的数据,是为了让这条相对优势变成”迟早要发生的事”。详见「详解1」。00:59 / 02:25
“prompts are how you ask, context is what your AI actually knows” 这句话想说明什么?为什么 context engineering 比 prompt engineering 更长期可迁移? 答案:提示工程(给角色/格式/例子)被模型自身进步稀释,模型越强、prompt 技巧越不重要;而「AI 该知道什么」(你的业务、会议记录、私有素材)永远是模型训练集外的部分,不靠你自己喂。所以哪怕十年后模型再强,context engineering 这件事也不会被自动完成——这是它长期可迁移的原因。详见「详解3」。08:12
技能 4(迭代速度)里为什么要先给”什么算完成”下定义,再开始 build? 答案:AI 工具的特点是”it can feel like there’s no such thing as a finished product”,总有 nice-to-have 可以加。绑一条单点指标(工单数/预约数/退款率)让”完成”有客观判据,达到就转 maintenance,避免 scope creep 让一个 automation 永远停不下来。详见「详解4」。12:30 / 13:07
“vending machine vs slot machine” 这条类比在决策时怎么用? 答案:vending machine = 输入输出都确定的简单 workflow(便宜、稳、5 分钟搭好),slot machine = 输入脏/要推理/要生内容的 AI agent(贵、慢、不可预测)。判断规则:能用 workflow 搞定的就别上 agent(每早 9 点拉上周营收发 Slack 这种就别上 agent);只有”读邮件理解意图+起草定制回复”这种需要 AI 推理的才用 agent。详见「详解5」。14:50 / 15:33
技能 6(job stacking)为什么不主张”五份不同领域的兼职”,而主张”one passion with multiple branches”? 答案:五份不同领域既学不过、又难以做深,容易 burnout;以一条 North Star(同一领域同一专长)为轴心,长出课程、niche newsletter、micro SaaS、咨询等不同形式分支,既复用同一份 expertise、又分散单点收入风险——是”做深+分散”的组合而不是”广撒网”。详见「详解6」。18:02 / 18:34

YT 学习笔记

探索