把真实工作转化为一个可验证的AI实验，再把反复有效的方法沉淀为属于自己的知识资产。
很多人已经安装了Codex或其他通用AI智能体，却仍然不知道：它到底能在我的工作中做什么，我应该从哪里开始？
AI Work Starter是一个开源Skill。它先用少量国内外公开研究建立有证据边界的讨论起点，再回到你最近真实做过的工作，选择一个小任务，建立基线，设计人机分工，完成一次低风险实验，复盘真实结果，并决定这个方法应该继续、修改、停止，还是沉淀进个人知识库。
它追求的不是让你生成更多内容，而是让你逐渐获得一种可验证、可复用、能独立迭代的AI工作能力。
- 我知道AI很重要，但不知道怎样和自己的职业结合。
- 我能让AI生成答案，却不知道是否真的提升了工作结果。
- 我收藏了很多提示词和工具，但没有形成稳定工作流。
- 我想建立个人知识库，却不知道应该保存什么、如何判断内容是否可靠。
- 我想知道自己只是“会用AI工具”，还是已经在形成超级个体能力。
- 不是提示词合集或行业案例大全；
- 不是一键生成完整职业转型方案的报告工具；
- 不会因为一次成功就宣布方法已经验证；
- 不主张用AI无审核地替代需要人承担责任的工作；
- 不要求上传完整公司资料、客户数据或私人知识库。
flowchart LR
A[理解最近的真实工作] --> B[比较2—3个候选任务]
B --> C[选择一个最小实验]
C --> D[记录原方法与基线]
D --> E[让AI参与并保留人工检查]
E --> F[复盘时间、质量、错误与成本]
F --> G{证据是否支持复用?}
G -->|否| H[修改、停止或降级]
G -->|是| I[沉淀为个人知识资产]
I --> J[在下一次真实任务中重新验证]
首次讨论采用两层知识：
- 公共研究层：国内政策与产业分析、海外现场研究和反例，用来提出假设，不替你定义真实工作；
- 个人知识层：你的概念、工作事实、隐私约束、判断、实验、失败和资产，默认私有，由实际记录不断更新。
当两层发生冲突时，Skill会保留冲突并把它转化为可观察的实验，而不是用公共报告压过你的第一手经验，也不会用一次个人成功推翻更大样本研究。
它支持七种状态，可以从现有进度继续，而不必每次重新做职业问卷：
| 状态 | 适用情况 |
|---|---|
| Start | 只知道自己的职业，还没有具体AI任务 |
| Design | 已找到任务，但缺少基线、验收标准或人机分工 |
| Execute | 已有实验设计，需要输入模板、提示词、工作流或检查表 |
| Review | 已经实际执行，需要复盘真实收益、错误和审核成本 |
| Deposit | 有证据支持的方法需要整理进个人知识库 |
| Revalidate | 旧方法因模型、政策、数据或工作变化需要重新验证 |
| Assess | 想判断当前处于AI工具使用者还是更成熟的协作阶段 |
根据当前阶段，Skill会协助形成以下一种或几种资产：
- 工作画像与隐私边界；
- 用户自己的概念、判断及其反例；
- 真实任务地图：触发、输入、动作、输出、接收者、验收和常见失败；
- 2—3个候选任务的比较与推荐理由；
- 一张包含基线、样本、AI职责、人工检查点和停止条件的实验卡；
- 包含时间、质量、错误、返工和维护成本的复盘记录；
- 带来源类型、适用边界、反例和复核日期的个人知识资产。
最终目标不是让你长期依赖这个Skill，而是让你能够独立完成：
发现任务 → 设计实验 → 审核结果 → 记录证据 → 沉淀方法 → 再次验证
假设你是房产销售，宽泛问题是：“怎样用AI把我变成超级个体？”
AI Work Starter不会立即输出几十项改造计划，而可能先选择一个实验：
- 样本：10段已经脱敏的客户沟通记录；
- 原方法：人工整理需求、风险点和下一步动作；
- AI职责：生成结构化需求摘要与跟进选项草稿；
- 人工职责：核对事实、关系语境、法律表述及最终联系决定；
- 检查指标：修正后的净节省时间、遗漏数量、建议采用率和客户反馈；
- 停止条件：数据无法安全处理，或人工复核成本高于原方法。
真正值得沉淀的不是某一份客户摘要，而是经过验证的任务边界、处理方法、检查标准和已知失败条件。
仓库还提供社区慈善活动和个人音乐创作者的匿名示例，但示例只用于解释方法，不能代替对用户真实工作的诊断。
将仓库克隆到Codex的Skills目录：
mkdir -p ~/.codex/skills
git clone https://github.com/XXFH1277/ai-work-starter.git ~/.codex/skills/ai-work-starter重新开始一个Codex任务，然后输入：
使用 $ai-work-starter 帮我从真实工作中选择并运行一个可验证的AI实验。
你也可以直接描述职业和最近做过的工作，例如：
我是一名社区工作者，经常需要策划公益活动。我刚开始使用AI，但不知道应该先改造哪一项工作。请使用 $ai-work-starter 帮我开始。
如果你的智能体支持兼容的Skill目录，可以复制整个仓库；如果不支持，可以先让它完整阅读SKILL.md，再按照其中的工作流协作。不同产品的自动触发、文件访问和工具权限并不保证一致。
ai-work-starter/
├── SKILL.md # 给AI执行的核心工作流
├── agents/openai.yaml # Codex界面名称和默认提示
├── references/ # 公共证据、方法、量表和验证协议
├── assets/personal-work-vault/ # 含公共依据入口的个人知识库模板
├── .github/ISSUE_TEMPLATE/ # 匿名、隐私安全的真实测试反馈
├── HANDOFF.md # 版本工作与待办交接
└── LICENSE # MIT许可证
- 先记录基线，再声称提效；
- 公共研究只生成待验证假设，不推断用户的真实工作与权限；
- 一次成功只算实验结果，不算普遍有效；
- 至少在第二次真实使用中重新检验方法；
- 同时计算设置、人工审核、纠错和维护成本；
- 保留失败、停止和降级记录；
- 敏感、受监管、公开、不可逆或对外行动必须设置人工责任点；
- 不在Issue中发布客户资料、完整工作记录、凭据或任何可识别个人的信息。
当前版本已经完成结构校验，并使用三个匿名场景做过前向测试：模糊职业起步、缺少证据却要求升格资产、敏感数据与自动决策。
这只能说明Skill具备初步可用性，不能证明它已经普遍有效。下一阶段需要真实外部用户完成以下漏斗：
建立基线 → 完成实验 → 结构化复盘 → 第二次复用 → 独立设计下一个实验
欢迎通过仓库的Field test report提交匿名测试结果。失败、中止和“审核成本超过收益”的案例与成功案例同样重要。
提交前请确认内容不包含个人、客户、公司机密、受限资料或可识别信息。
这个Skill源于“从超级个体到超级团队”研究中的一个实际问题：普通人愿意学习AI，但拿到通用智能体后面对空白输入框，往往不知道应该做什么。
它把“职业分析”进一步收紧为“真实任务实验”，并采用以下判断：
超级个体不是使用了更多AI工具的人，而是能理解真实问题、分配人机角色、验证结果，并把有效方法转化为可复用资产的人。
AI Work Starter is an open-source Skill that helps people turn real work into one small, verifiable AI-assisted experiment. It guides task diagnosis, baseline collection, human–AI role allocation, execution review, and evidence-based knowledge reuse. It is designed for people who have access to a general AI agent but do not know where to begin.
MIT License. You may use, modify, and redistribute this project under the license terms.