前面三篇文章，我讲了WorkBuddy的三个招式。
万剑诀，一句话批量处理一万多个Excel。吸星大法，指定一个主题自动搜集几十份资料。乾坤大挪移，把知识在ima、飞书、Obsidian之间自由流转。
写完之后我翻了一下后台数据，有一位朋友的反馈让我停住了。
是一个做财务的读者。她说，「你写的这些我都试了，但不知道为什么，我用出来的效果跟你说的差很远。批量化我用了，但格式不对。集中化搜集回来的资料有很多用不上。」
我当时回了一段，说可能是指令写得不够具体。
但放下手机之后，我突然意识到一个问题。
我回错了。
不是指令的问题。是缺了一样更根本的东西。
看过武侠小说的都知道一个设定。
同样的招式，内力深厚的人使出来和内力平平的人使出来，威力天差地别。令狐冲在华山派的时候也使独孤九剑，但他内力不够，碰到任我行这种级别的高手就吃瘪了。后来学了吸星大法，内力暴涨，同样是独孤九剑，剑招完全没变，但威力翻了几倍。
AI工具也是一样的道理。
同一款WorkBuddy，同一个批量化功能。有些人用起来行云流水，有些人用起来磕磕绊绊。差别不在工具上，在人身上。
用AI的人，也需要修炼内功。
前段时我一直在琢磨这个事，到底AI时代人的内功是什么。想了挺久，后来慢慢归结为三项，场景化、流程化、标准化。
这三项修炼，不仅仅适用于WorkBuddy，也包括ima、Codex、Chat GPT、豆包……可以说，是AI时代一套通行的内功心法。
应用场景，又一个大词，听起来很虚，但恰恰是最实在的。
说简单点，就是你得清楚自己到底在什么情况下、遇到什么问题的时候，需要用到AI的什么能力。这个不是AI工具能帮你判断的。AI工具只能在你确定了场景之后、在你发出了指令之后替你执行，但它不能替你识别「什么时候该用」。
最近ima官号分享了一位化工工程师的案例，特别能说明这个问题。
一个石化仪表工程师，把“老师傅”装进了ima
李硕是一位仪表兼安全工程师。他干了件什么事呢，他把几十个厂家的选型样本、200多项国标行标、公司制度、督查通报、故障记录，加上10多个公众号的数万篇文章，全部分类归档到了ima知识库里。库内接近3万个文件。
但他真正厉害的不是「存了3万个文件」，而是他知道在哪些场景下能用到这个知识库。
比如仪表参数计算。以前算一个Pt100热电阻的温度值，得翻分度表查对应关系。他把分度表和计算公式手册上传之后，输入参数后几秒就可以出结果。
再比如英文说明书翻译。德国弗莱克森超声波流量计几百页全英文说明书，以前要么人工逐词翻译，要么请厂家驻场。他上传之后，现场员工可以直接用中文提问，V法Z法适用管径、信号质量低怎么排查，ima直接从原文提取对应章节用中文回答。
一共七大场景，每一个都是李硕自己识别出来的。
他每天在装置区转，他知道哪些活最耗时间、哪些地方最容易出错、哪些环节最需要「确定性」。正因为他对自己的场景有深度的体察，他才知道AI该往哪个方向用力。
反过来想。如果一个人对自己每天在干什么都没有清晰的感知，你给他最先进的AI，他也只能拿去问问「今天的天气怎么样」。
场景识别出来之后，下一个问题是，你清楚自己处理这件事的流程吗。
流程化，就是把你隐性的工作逻辑显性化，写成一套可描述的步骤。
说个我自己的事。
我做咨询快二十年，写报告的基本流程已经刻在肌肉记忆里了。选题、列框架、搜资料、整理素材、撰写文稿、审稿、交付展示。七个节点，依次推进。
但有意思的是，当我真正坐下来把每个一级流程往下拆到二级流程的时候，我发现很多细节我自己以前从来没有有意识地去梳理过。
比如选题这个环节。看起来就两个字，但拆开之后是五个动作。第一步，对比上级单位的政策导向，看哪些方向是上面关注的。第二步，排查自己已经做过的选题，避免撞车。第三步，回顾基层调研中发现的问题，找一线需求。第四步，把三个维度的交叉点拎出来，形成一个选题库。第五步，内部分讨论、征求专家意见、领导反馈，最终确定。
五个动作，一个都不能少。
以前我没梳理的时候，选题就是「感觉哪个方向不错就做了」。但梳理完之后我发现，过去的选题其实也是按这个流程在走，只是我自己没意识到。把潜意识拿上来放到桌面上看，你才知道你真正的决策逻辑是什么。
流程化的价值有三个：
1️⃣ 你梳理清楚了，才能把流程交给AI去执行。AI可以辅助你梳理和优化流程，但最终的判断和拍板必须你来。
2️⃣ 梳理的过程中，你一定会发现冗余环节和瓶颈节点，每优化一次，效率就提升一次。
3️⃣ 有了清晰的流程，你才能建立标准。
有人说，这也太麻烦了吧。坦率的讲，是麻烦。但没有什么「不麻烦就能变强」的事。
AI帮你省的是执行的时间，不是思考的时间。你把思考的债欠着，迟早得还。
流程解决的是「怎么干」，标准解决的是「干成什么样算合格」，直至「优秀」。
没有标准，AI的输出就是随机的。今天给你一篇三千字的报告，明天同样的指令给你一篇八百字的。格式不一致、深度不均匀、质量不可控。
但标准不是天上掉下来的。
以写文稿为例。一篇文稿的标准至少包含，格式规范的要求、语言表达的风格、论证逻辑的规则、内容的可靠性。
其中论证逻辑的标准最吃功夫。有一个经典的原则，论点必须能覆盖住论据，论据必须能支撑住结论。简单一句话，内涵非常丰富。
比如说，你常常会发现自己的论据太单薄了，三个数据就想撑起一个宏大的结论。这时候你就知道需要去找更有力的支撑，政策文件、专家观点、理论研究、多维度案例。交叉验证、多重支撑，才能把结论立住。
再比如说，论据和论点不相关，张冠李戴了。你拿A领域的规律去解释B领域的现象，逻辑上根本就不是一回事，但你自己写的时候浑然不觉。
这些判断力怎么来，靠的是人在日常工作中的积累。客户的反馈、专家的意见、团队的讨论、反复的修改。每一次别人告诉你「这个逻辑不合理」「这个表述不到位」，你就在自己的标准库里加了一条。日积月累，你的标准就厚了。
李硕的做法就是贯彻这一套逻辑的典型案例。
他的审查标准是分三层的。公司制度是第一优先，因为最严、最贴近现场。行业标准是第二层。国标是底线。三层逐级加严，最严的先查，后面的自然就过了。这套标准不是AI给他的，是他自己十几年在石化行业摸爬滚打积累出来的。AI只是他的执行工具。
还有他的故障记录归档。每处理完一个故障，生成标准化笔记，标题统一用「日期+装置位号+故障现象」的格式，内容包含现象、排查、根因、处理。为什么是这个标准，因为只有按这个标准写，新员工才能在系统里按装置、按位号、按故障类型，几秒钟定位到历史记录。
翻纸质本、找老师傅问、靠记忆力扛……这些老路，在AI时代已经过时了。
标准是人定的，但定好之后，AI就能替你按标准执行了。
写到这，我突然想到一个事。
场景化、流程化、标准化，这三项不是并列关系，是递进的闭环。
你先通过场景化，找到那些值得AI介入的问题。然后通过流程化，把解决问题的路径显性化。最后通过标准化，让每一次的输出都稳定在可预期的水准上。
三个都有了，你再回头用那些招式——批量化、集中化、连接化——你会发现以前觉得「用不好」的那些功能，突然就顺手了。
不是你变强了。是你的地基打牢了。
批量化的时候，文件名怎么命名、格式怎么规范、保存路径怎么指定，这些是你定的。集中化的时候，搜哪些信源、存什么格式、怎么分类归档，也是你定的。连接化的时候，哪个平台的数据往哪个方向流、触发条件是什么，还是你定的。
招式是AI替你发力。但招式往哪个方向打、使多大劲、打到什么程度算命中，这些永远是人来定的。
这也是为什么我始终坚信一件事。AI能替你执行，但替不了你判断。能替你省时间，但替不了你积累。能替你输出，但替不了你定义什么是对的。
学会用AI很重要。但比学会用AI更重要的，是你脑子里有没有值得让AI去执行的场景、流程和标准。
这个不是一朝一夕的事。慢慢来。先从一个场景开始。
✦ ✦ ✦
