盯着十几个工作文件夹发了会儿呆。
文件名“项目材料 final”、“参考资料 2”、“讨论纪要稿”……以前文件夹命名要清晰、分类要合理，为的是让人好找。
但是，文件夹里天然存放着上下文和背景，应该是给 AI 消费的。
一个文件夹就是一个 Agent 员工，这件事改变了我对工作和任务的理解。
一个文件夹，如果装的是业务上下文、脚本代码、口径说明，那 AI 打开它，就能像熟悉这个项目的老员工一样接手。
为什么文件夹需要被重新设计
先来看运营的工作是怎么被设计出来的。决策层定方向，中层把战略拆成可落地的流程，要求员工录入 CRM、OA 等系统。
执行层在系统里点点点，运营则把数据做汇总展示，监控业务的运作，反馈在数据和报表上。
于是在数字流水线上取数、对口径、调格式、做图表。每一步都在做事，但问这件事对业务结果有什么影响，答案往往是沉默。
工作的特征是任务、流程、重复导向，聚焦 task 而不是结果，也称为 fake work。
这套体系在 PC 时代非常有效。一个人记不住 1000 个客户信息，但 CRM 打开数据就能查，只有存在系统、表格里的结构化数据可被分析。
但 AI 来了之后，这套逻辑开始失效。甚至非结构化数据蕴藏着更多信息——会议纪要、邮件往来，AI 都能读懂，也能自己完成分析。
因此，用流程把人变成数据节点，这件事正在被 AI 取代。开始改造自己的文件夹，把它变成一个一个自主或半自主完成任务的 Agent。
如何改造三个文件夹
以数据运营工作为例，逃不开取数、做报表、写报告，每个文件夹中 AI 参与度越来越高，留给人的事情越接近“判断”。
第一个 SQL 取数文件夹——AI 替代记忆。
之前一个简单的取数需求，30 分钟起步。翻相关字段在哪个表里 → 东拼西凑 SQL → 对口径 → 出错再改。
哪个字段在哪张表、表和表之间怎么关联、口径什么时候改过。这些全靠人脑记忆，但 AI 现在读一遍 Markdown 文档就能秒 get。
把写 SQL 和跑 SQL 分离，我在 SQL 文件夹至少有三样东西：第一，数据字典；第二，常用 SQL 代码；第三，说明文档。
📁 SQL 取数文件夹/ ├── 📄 数据字典.xlsx ← 记录所有表的字段 ├── 📁 常用 SQL 代码 ← 按场景，标注口径，保留修改记录 │ ├── 📁 业务过程管理/ │ │ ├── 跟进拜访.sql │ │ └── 回款明细.sql │ ├── 📁 客户管理/ └── 📄 SQL维护说明.md ← 常见业务问题索引、关键口径说明
拼在一起，就是一个 SQL Agent 员工。AI 读字段清单，查阅模板，拼出 SQL，我来审结果对不对。
第二个 Excel 报表文件夹——AI 替代流程。
运营还有一类数字搬砖类的工作内容，每周我都要更新几份报表，给老板看的商业指标、给业务方看的周报。
下载数据、粘贴到对应位置、确认公式没出错、再调整格式，从 A 系统搬到 B 表，把格式 X 调成格式 Y。
为了用最小精力维护固定的模板。我把 Excel 模板拆成三层：展示层是给人看的内容，有固定的图表和格式；处理层是中间公式、加工过的数据；数据源是原始下载的数据。只要更新数据源，前两层自动更新。
不仅是 Excel，像 Tableau BI 看板也可以遵循这3层来设计，有数据源、工作表和看板是处理过程、仪表盘是展示层。
文件夹里放已搭好的 Excel 模板、一个自动下载脚本、一个自动更新脚本。把需求告诉你的 Agent 她来写脚本，读不懂没事，能跑通就可以。
📁 Excel 报表文件夹/ ├── 📄 Excel模板.xlsx ← 有固定格式和图表 ├── 📁 Python脚本 ← 分布拉取和更新的脚本 │ ├── 📁 download │ ├── 📄 download.py │ └── 📄 update_excel.py └── 📄 报表维护说明.md ← 记录口径、公式逻辑、更新时间
运行脚本 → 数据自动下载 → Excel 自动更新 → 我打开做最终检查。
前两个文件夹的任务边界是清晰，答案是确定的。但还有一类模糊问题，连分析什么维度都需要探索的。
第三个 探索性分析文件夹——AI 替代试错。
比如老板问了一句“最近转化率怎么掉了”，一个开放问题，你要自己决定从哪个维度切入、看哪些数据、排除哪些干扰因素。
以前我的做法是：凭直觉猜几个假设 → 逐个取数做图验证 → 发现不对再换方向 → 反复几轮 → 最后拼一个故事讲。
整个过程花一两天，时间消耗在验证错误假设上，试了五个方向，可能只有一个是对的，但前四个也得跑完才知道不对。
文件夹里放着业务上下文文档、原始数据，让数据、模板和代码分离。
📁 探索性分析文件夹/ ├── 📁 原始数据/ │ ├── 📄 业务上下文信息.md ← 业务背景、指标定义、已知影响因素 │ ├── 数据明细1_脱敏.csv │ └── 数据明细2_脱敏.csv ├── 📁 分析报告/ │ ├── **专题分析报告_202606.html ← 采用总-分-总结构，多模块 + tab切换 │ ├── build_report.py ← 渲染脚本，Plotly生成交互图表 │ └── template.html ← 分析报告格式模板 + 占位符 └── 📄 报告维护说明.md ← 沉淀分析的假设和结论，避免重复试错
结合DIG探索性分析流程，我提供分析的问题和可探索的方向，AI 读上下文文档理解业务，按分析框架拆维度，穷举可能的切面，输出一份初步发现。
轮到我判断，采取单点深挖、总分总扫描的分析范式，哪些建议靠谱、哪个方向值得深挖、怎么样、怎么落地。
写在最后
三个文件夹改造完了，回头看，发现它们底层是同一个结构。
无论 SQL、报表还是探索性分析，拆开都是三层：
Input 是给 AI 的业务上下文或者原始材料；
Process 由AI 写脚本，完成查找、复制粘贴等中间加工和重复步骤；
Output 则是留人做判断。
旧的工作模式里，人的注意力大部分耗在 Process 上。取数、整理、调格式、试错，这些吃掉我们时间的东西，AI 把这部分接过去了。
于是注意力慢慢往两端迁移。Input 端，积累私有上下文，那些你知道的业务口径、字段关系、分析框架。以前存在脑子里或会议记录里，现在把它写成 AI 能读能写的Markdown文档。
Output 端，你的时间从“做”变成了“判”，比如这个方案可行吗、结果靠谱吗、方向对了吗、故事能讲通吗。
文件夹不再是给人找东西用的，它是你写给 AI 员工的文档。至于文件夹用什么打开，TRAE、Claude Code、Codex、Workbuddy 都可以。
从你最常打开的文件夹开始，把里面给人看的和给 AI 读的分开吧。
