构建你的个人 AI Copilot（AI 副驾驶）：将 AI 用作长期思考伙伴的指南（含即用提示词）

摘要

本文作者塔尔·拉维夫（Tal Raviv）分享了如何将大语言模型（LLM）从偶尔使用的通用工具转变为真正的"AI Copilot（AI 副驾驶）"——一个了解你、你的团队和你的组织的长期思考伙伴。文章提出四步法：① 用指令（Instructions）"招聘"你的 Copilot，设定角色、人格和行为准则；② 用项目知识（Project Knowledge）"入职"你的 Copilot，上传公司战略、客户洞察、团队结构等背景文档；③ 在独立聊天线程（Chat Thread）中"启动"每个具体项目；④ 用对话式提示词让 Copilot 投入工作。文章还覆盖了用 Copilot 辅助 AI 原型设计（Prototyping）、构建 AI 自动化（AI Automations）、通过"闲聊（Gossiping）"持续更新上下文等进阶用法，并展望了 AI Copilot 的未来演化方向。核心理念：AI 不是替代我们的思考，而是激发和磨砺我们的思考——关键在于提供足够的上下文（Context）。

正文

👋 欢迎阅读我的每周通讯 ✨免费版✨。每周我分享关于构建产品、驱动增长和加速职业发展的读者问答。更多内容请关注：Lenny's Podcast | How I AI | Lennybot | Lenny's Reads | 课程 | 周边商品** *

我最喜欢的合作者之一塔尔·拉维夫（Tal Raviv）又带来了一篇精彩文章，它将改变很多人的工作方式。如果你一直在寻找大家津津乐道的 AI 生产力提升，就从这里开始。

P.S. 你现在也可以通过播客收听这些文章：Spotify / Apple / YouTube。

更多 Tal 的内容：查看他的 63 个免费 AI Agent 视频教程、他的另一篇客座文章《PM 是一个不公平的角色，所以要不公平地工作》，以及他在 Lenny's Podcast 上的节目。你还可以预约 Tal 为你的团队进行 AI 构建冲刺（Build Sprint）。

这是我的尴尬故事：11 个月前，我在工作中完全不用 AI。

我和团队当时正在构建被数万人使用的 AI 产品。但轮到自己工作中使用 AI 时，我是个骄傲的卢德分子（Luddite）。

我不想听起来像"互联网平均水平"。我担心如果让 AI 工具替我做事情，我会失去自己的优势。当我尝试使用 ChatGPT 时，发现它在战略性和创新性工作上令人失望——就像咨询一个话多的维基百科（Wikipedia）。

内心深处，我感到沮丧，因为我不懂那些只有网红似乎才知道的精确提示词魔法。

然后我的工程团队为一个大型项目启动了一个新版、文书繁重的 Scrum（敏捷框架）。我需要编写数十个详细的用户故事（User Story）。我跟不上，突然之间我成了团队的瓶颈。

我做了任何有经验的产品经理（PM）都会做的事：抱怨和发牢骚。最终我的工程经理奥列克西（Oleksii）看不下去了，教我怎么用 ChatGPT 写出详细且近乎完美的用户故事（我在 Lenny's Podcast 的讨论中分享过！）。

Oleksii 指导我：(1) 粘贴一个用户故事模板示例，(2) 使用语音转文字，让我滔滔不绝地描述产品体验应该如何工作。我还把项目的背景故事口述给 ChatGPT，就像在团队启动会上做的那样。

ChatGPT 回复的用户故事简洁、深思熟虑且滴水不漏。边界情况（Edge Case）极其相关，好像它已经在团队里待了几个月。结果不仅把我的胡言乱语转化为工程的结构化模板，每个用户故事还包含了我经常会忘记的规定（移动端响应、无障碍、定价层级等）。

结果近乎完美，而我的手指甚至从未碰过键盘。ChatGPT 展现出了我不知道它拥有的超能力。

我预感，仅仅写用户故事只是我能在工作中使用它的开始。AI 能帮我在更高层次的任务上吗？它能回答知识工作中那个终极问题吗：我接下来最应该做的最重要的一件事是什么？

我意识到 AI 工具之所以感觉像一个迟钝的通用工具，是因为我没有提供足够的上下文（Context）。大语言模型（LLM）在智能知识工作中可以非常有效，但前提是我们像对任何人一样，提供做同样工作所需的同样的背景知识。

LLM 的最新进展使我们能够随着时间和跨对话维护（并增长）这个上下文，就像我们让一个同事保持同步一样。我们甚至可以指导 LLM 使用一致的行为、价值观和与我们的互动准则。

当 LLM 拥有了关于我们的目标、角色、项目、团队和更广泛组织的持续且宝贵的上下文时，它们就成了我们的"AI Copilot（AI 副驾驶）"——一个真正的、面向长期复杂工作的思考伙伴。 还记得我害怕丧失优势吗？当我们将 LLM 视为激发而非替代我们思考的伙伴时，我们的产出只会变得更加敏锐。

AI Copilot 可能是使用 AI 最不"Agentic（具有自主智能体特性）"的方式，而这正是重点所在。随着 AI 工具的激增和能力增强，我们的 AI Copilot 在那里支持我们，让我们在工作中做得更好。AI Copilot 可以与我们一起工作，而不仅仅是为我们工作。这可以带来天壤之别。

在过去近一年里，我已向超过 20,000 名科技从业者和创始人讲授了如何利用 AI 处理工作中复杂、创新性任务。我可以确认：无论公司规模、行业或 AI 熟练度如何，许多科技工作者今天都在错失机会，原因和我当初一样。他们没有给 LLM 提供体验其全部潜力所需的上下文。

下面，我将分享如何改变你与 AI 协作的思路，以及如何实际构建你自己的 AI Copilot。

AI Copilot 擅长什么？

利用 Copilot 并不是让 AI 产出完美答案——而是让我们最大限度地发挥自己。丹尼尔·卡尼曼（Daniel Kahneman）因与阿莫斯·特沃斯基（Amos Tversky）的合作获得了诺贝尔经济学奖（Nobel Prize in Economics），我很喜欢他的反思："我不是天才。特沃斯基也不是。加在一起，我们是非凡的。"

在共同构建 AI Copilot 之后，我的学生开始用 LLM 来做战略决策、头脑风暴路线图想法、发展软技能，甚至在情感上支持他们。他们的 Copilot 挑战他们的思维、分析数据、应用决策框架、确定优先级，并帮助排练困难的对话。

AI Copilot 还让以下事情变得无比轻松：用 Vibe Coding 构建 AI 原型、进行有意义的数据分析、启动一个 AI 自动化、生成 AI 幻灯片，以及各种我们甚至还不知道的 AI 工具。因为我们的 Copilot 掌握着关于我们和工作最新的上下文，我们通常只需一条聊天消息就能得到一个可以带到任何地方的详细提示词。

当然，AI Copilot 也可以起草 PRD（产品需求文档）、用户研究计划、会议议程和 Slack 更新。（当你定期让 LLM 参与你的思考时，生成文档几乎成了一件顺带的事。）

构建 Copilot 几个月后，学生们告诉我他们"每天都用它"，而且它"在工作中始终开着"。他们的 Copilot 让他们保持专注，提醒他们该和谁沟通，捕捉他们可能错过的细微差别，把他们变成能够分析数据和探讨技术概念的超级贡献者。他们行动如此之快，以至于领导层让他们教其他人如何变得如此高效。

而且他们确实去教了！一位学生为团队中的女性创建了一个职业发展 Copilot。另一位正在试点为进行一对一会议的销售经理提供 AI 辅导。第三位在加入新公司时构建了一个入职 Copilot。入职两周后，当他展示产品战略时，他的 CEO 说："感觉你已经在这里待了好几个月了。"

如何构建 AI Copilot？

你可以用多种方式构建一个有价值的 AI Copilot——从维持一个长聊天线程，到创建一个极客风的 Cursor 仓库。但我偏爱的方法是在我最喜欢的 LLM 中使用"Projects（项目）"功能。Projects 功能在 ChatGPT、Claude、M365 Copilot 和 Gemini 的付费和企业版中均可用（后两者分别称其为"声明式 Agent"和"Gems"）。

有了 Projects，构建你的 AI Copilot 很像引入一位新队友。每个项目由三个要素组成：项目知识（Project Knowledge）、指令（Instructions） 和聊天线程（Chat Threads）。每个要素对应入职流程中的一个步骤：

1. 招聘你的 Copilot： 使用指令来设定 Copilot 的角色、人格和行为。
2. 入职你的 Copilot： 用公司级和组织级文档填充项目知识，作为未来所有对话的共享上下文。
3. 启动一个项目： 为你正在处理的每个项目开启一个聊天线程。
4. 让 Copilot 投入工作： 创建简单的对话式提示词。

有了这个框架在心中，打开你最喜欢的 LLM（如果还没有付费版请升级），导航到 Project/Gem，让我们动手实操。

如果你的公司 LLM 没有 Projects 功能怎么办？别担心，我在本文末尾提供了一个变通方案。

第一步："招聘"你的 AI Copilot

第一步是创建一个新项目。我把我的命名为"Tal's AI Copilot"。不用费心给它添加描述。

在项目内部，我们将通过决定我们希望它拥有的价值观和行为来"招聘"我们的思考伙伴。就像选择一个同事或教练一样，我们会选择超越当前项目、公司战略或所处季度的品质。

Projects 允许我们通过定义指令来实现这一点。把指令想象成 LLM 在整个对话中应用的"超级提示词"，比你输入到聊天对话中的任何提示词都更加持久。（如果你曾参与过 AI 产品的工作，你可能认为这类似于扩展"系统提示词（System Prompt）"。）

要开始，请将以下提示词复制并粘贴到你项目的指令中。务必用与你角色相关的内容填充占位符：

我是一名 [公司名称] 的 [角色]，你是我的专家教练和顾问，协助并主动指导我最大程度发挥潜力。

我将向你提供有关我们公司的详细信息，如我们的战略、目标客户、市场洞察、产品、内部利益相关者和团队动态、过去的绩效评估和回顾结果。

在每次对话中，我将向你提供特定项目的信息，以便你帮助我驾驭它。

我期望你：在必要时向我提问以获取更多上下文，补充重要的缺失信息，并挑战我的假设。问我那些能让你最有效地辅导和协助我的问题。

鼓励我：[列出让你在角色中成功的价值观和行为]

我希望你找到以下方面的平衡：[你在思考伙伴和教练身上想要的特质，既要高效，又要愉快共事]

这个提示词没有什么神圣不可侵犯的。它是一个起点，你应该根据自己的需求随时间调整。也许你想让它更毒舌一些，或者对你说的更持怀疑态度。也许你想要它更有支持性，或者更大胆地发挥创造力（或者以上全部！）。关键是让它成为你自己的：把这些指令当作一组你可以终生调整的旋钮。

第二步：入职你的 Copilot

恭喜！你已经招聘了一个拥有出色人格和一致价值观的 Copilot，现在是它的入职第一天。是时候让它了解你的组织、团队和角色的现实情况了。

想一想：在一位新队友入职第一周、在被分配任何具体项目或职责之前，你会给他们提供什么？哪些信息与你的所有项目都相关且对其有指导意义？我们就从把这些文档上传到我们的项目知识开始。

以下是给你的 AI Copilot 提供的有价值上下文的示例：

• 你的公司/产品落地页（使用浏览器"另存为 PDF"）
• 你的公司战略演示文稿（导出为 PDF）
• 你的所有客户细分和研究洞察
• 竞品格局研究
• 公司愿景、战略、季度规划文档等
• 公司流程
• 团队组织架构图和角色
• 团队过往回顾总结
• 你上一次绩效评估或非正式经理反馈

随手拿两三份现成的；不要想太多。

如果你没有太多现成的书面文档，让你的 LLM 采访你以弥补知识的任何空白。想象成一位敏锐的同事加入团队几天后和你喝咖啡——他们可能有一肚子问题。

请回顾我已分享的内容，并向我提问以帮助你完善知识。

为了帮助我推进所有项目（当前和未来的），你缺失了哪些重要信息（公司层面和产品层面）？

更多聚焦于公司、组织和行业层面。少关注短期条件或具体项目（如资源、约束或个别人），因为那些会随时间变化。

我希望你依次向我提问（最关键的问题在前），这样我可以一个一个回答。

当你准备结束对话时，让它生成一份你可以上传到项目知识的文档：

请创建一份文件，包含你在这次对话中学到的新信息。只包含本次对话学到的新信息（即项目知识中尚不存在的内容）。不要在文档中列出来填补的空白。

优化文档以便添加到项目知识中，使其能适用于我们未来所有的对话。

对于最重要和最关键的内容，使用我原始话语的精确引用。

文档准备好后，下载为文件，并重新上传到你的项目知识中。

第三步：启动一个项目

现在你的新 Copilot 已经了解了全局，是时候让它参与具体项目了。

我建议将每个项目保留在它自己的聊天线程中。这样，你的 LLM 可以在你花费最少精力的情况下追踪完整上下文。你将使用这个专用聊天线程来启动、头脑风暴和与你的 Copilot 共同做决策。在这里，你将在项目生命周期中不断更新你的 Copilot，你们将一起应对不可避免的曲折。（下面我们会讲遇到线程限制时怎么办。）

在你的项目内，打开一个新的聊天线程，粘贴以下提示词：

现在你已经掌握了关于我公司和团队的上下文，我想告诉你一些关于我正在做的项目，并给你提供具体的项目上下文。

这是我知道的起点，随着更多信息和洞察的到来我会持续更新：

[以任意顺序分享你对这个项目目前已知的一切。]

我建议使用内置的听写功能（ChatGPT、Gemini 和 M365 Copilot 都内建了这个功能，Claude 在移动应用中也有），喋喋不休地把你所知道的一切说出来。放开讲：问题、客户、背景、利益相关者、组织政治——所有在你脑海中、与这个项目相关的东西。

不要担心以干净、专业的方式结构化你的思路。就用意识流（Stream of Consciousness）的方式把它倾倒出来。我发现当我一开口，就会想起如果过早结构化思维可能会遗漏的额外细节。

这时人们通常问我应该选择什么模型。我的回答始终是：你在工作中能用到的最聪明的模型。我们这里不是规模化使用 AI，所以能拿到最好的大脑就用最好的，即使按工程标准来说它"昂贵"或"慢"。（你唯一的限制应该是公司允许你在哪些地方、以什么方式上传敏感信息。）

回顾一下：你用指令"招聘"了你的 Copilot，用项目知识"入职"了你的 Copilot，现在你已经在聊天线程中启动了一个项目。有了所有这些上下文，是时候让 Copilot 投入工作了。

第四步：让 Copilot 投入工作

在你的项目线程启动后，将以下内容粘贴到聊天中：

我接下来最应该做的最重要的一件事是什么？

看看结果。你能想象把这句话发给一个空白的 LLM 聊天线程（在你拥有 Copilot 之前）吗？由于你提供了充足的上下文和指令，你的 Copilot 返回的是发人深省的反思、切中要害的问题和具体的下一步。就我而言，因为我告诉了 Copilot 关于我的团队成员和利益相关者，它竟然按名字点名了同事们（！）。

当我们把 AI 当作充满相关上下文的思考伙伴时，它可以作为无尽的灵感源泉。以下是一些使用案例和示例提示词来激发你的想象力：

请注意这些提示词没有什么花哨之处。由于 LLM 已经拥有大量上下文，对话式的一两句话往往就足够了。期待惊喜和愉悦的时刻。借用卡琳娜·阮（Karina Nguyen）的话——一位曾在 Anthropic 和 OpenAI 工作过的 AI 研究员——"模型真的很擅长连接点。"

利用 Copilot 的其他方式

用 Copilot 构建 AI 原型

使用 AI 进行原型设计可以通过三种方式缩短打造人们想要的产品之路：

1. 与自己迭代：打磨愿景
2. 与团队迭代：让对话保持务实
3. 与客户迭代：验证可用性和可行性

用于构建原型的 AI 工具（即 Vibe Coding）已经做得非常好，以至于最困难的部分变成了清晰表达你的需求。

由于我们的 Copilot 一直陪伴在我们的整个旅程中，产出一个详细的解决方案描述就变得容易得多。一旦你确定了一个方向，让你的 Copilot 直接在聊天中创建一个原型（例如 Claude Artifacts 或 OpenAI Canvas）。在同一个对话线程中继续，填写以下提示词：

帮我生成这个想法的交互式原型。

我们只构建交互式的客户端原型版本（不包含深层功能），作为一个好的内部反馈工具，也可用于测试与客户的可用性。

范围要极其聚焦于我们明确讨论过的内容。目前只做"Happy Path（理想路径）"。

[可选：我已附上当前界面的截图。请确保它像素级完美，尽可能接近原始界面。]

先不要构建；先制定计划。如果需要，提醒我应该提供哪些其他文件、图片或资源来帮你做得更好。

你也可以让它生成一个用于外部文本到 UI 工具（如 v0、Replit、Lovable、Bolt 等）的提示词。只需将以下内容追加到上面的提示词后：

创建一个单独的文档，包含一个我可以直接粘贴到外部 AI 原型工具中的提示词（所有注释应放在外面，这样我就可以按原样复制粘贴文档）。这应该是一个开发者就绪的规格说明，可用于构建此交互式原型。

假设该工具除了你在提示词中包含的内容之外没有先前的上下文。

用 Copilot 构建 AI 自动化

AI 自动化（AI Automations）可以将重复、消耗精力的任务从我们手中接管。不幸的是，它们不是魔法精灵，只在特定条件下发光。这让人很难开始，因为第一个挑战是想出一个既真正有价值又适合 AI 自动化平台的使用案例。

说到基于个性化上下文生成想法？听起来很适合你的 AI Copilot。你可以在现有聊天线程中使用此提示词，或开启一个新线程进行一次性头脑风暴。无论哪种方式，它都将基于你的项目知识生成想法：

基于你对我及我的组织的了解，请头脑风暴五个我可以使用 Zapier Agents/Lindy AI/Relay App/Cassidy AI/Gumloop 等平台构建的 AI 自动化想法。将范围限制在适合在这些平台上构建的内容。

这些应该帮助我，作为产品经理，节省那些消耗精力却是必须的任务上的时间，让我把注意力和精力投入更有价值、更战略和更有创意的事情上。

问自己：什么持续性的重复工作需要一定的判断力和写作能力——但不需要我的全部专业知识和直觉？换个说法，如果公司给我配了一个初级实习生（Junior Intern），我会让他/她做什么？

尝试用一两句话表达每个想法，就像你在给一个初级实习生发消息。此外，用简短说明为什么选择这个想法而不是其他。以业务成果和时间价值的角度向我这个产品经理来推销。

# 重要：这些应该是事件驱动的 AI 自动化，而非批量任务。

只建议逐个处理到达事项的事件驱动型自动化——使用当前可用信息。不要建议按计划处理多个事项的批量任务（例如"每天早上，扫描所有……"或"每周，汇总……"）。

[原因：AI 自动化在逐个的重复性任务中表现最佳。它们在设计用于对单个触发器即时响应时做得最好。]

❌ 错误（批量任务）："每天早上，扫描所有新支持工单并总结它们"

✅ 正确（事件驱动）："当新支持工单到达时，分析并紧急提醒我"

在最终确定建议之前，逐一验证：

- 它是否由特定事件触发？✓
- 它是否每次只处理一个事项？✓
- 它能否在事件发生的一天内多次运行？✓

如果任何答案是"否"，请修改为事件驱动型。

唯一的例外是最终结果的价值在于特定时间线上的交付，例如为了集中信息和减少噪音（如每周更新、每日简报或每周变更摘要）。如果你认为某个使用案例属于此例外，请说明你的理由。

# 示例

以下是产品经理从 AI Agent 中获得大量价值的使用案例示例。请记住，这些只是激发你自己思考的示例。

1. 汇总需要大量点击才能收集的碎片化信息：

"当新消息发布在 #feature-requests Slack 频道时，提炼客户请求为 2-5 个关键词。在最近的 Slack 线程、HubSpot 对话和 Gong 片段中搜索这些关键词，并回复线程附上找到的链接。"

"每天早上，扫描我的日历中的客户会议，不要搜索网络，而是通过私信发送 Salesforce、Gong 和 Zendesk 中该客户最近的互动。"（例外示例，价值在于每日集中信息的交付时间线）

"每周一早上，通过扫描最近的博客文章、App Store 更新和 X 公告来准备竞品动态摘要。"（例外示例，价值在于每周减少噪音的交付时间线）

"当客户流失时，在 #churn-lessons 频道发布包含最近支持互动、NPS 评分和日期、以及流失调查回复的消息。"

2. 枯燥却回报很高的西西弗斯式任务：

"监控 5 个竞争对手的定价页面的变化。"

"当 Bug 接近相关客户的 SLA 截止日期时，在专用 Slack 频道发出通知并抄送各自的客户成功代表。"

3. 扫描海量数据：

"当支持案例被标记为'产品混淆'原因而非技术问题时，发私信给我。"

"当看到一个首次出现的功能请求时，通知此频道。"

"当 NPS 调查文本回复发布在 Slack 频道时，判断它是否明显是技术问题，如果是则在 Zendesk 中创建支持工单。"

4. 起草更新：

"每周五上午 10 点，汇总我们项目看板上所有团队的进展、所有史诗、范围变更，并突出任何时间线变化。"（例外示例，价值在于每周集中信息的交付时间线）

注意到规律了吗？好的自动化始于"当[特定事件发生]",而非"每[时间段]",除非以每日/每周等节奏触发有特定价值。

浏览产生的结果并将其作为灵感。进行对话！参与结果并挑战你觉得不妥的部分。目标是找到一个让你兴奋去实现的使用案例。找到后，打开深度研究（Deep Research）模式，让 Copilot 生成一份个性化的分步教程教你如何构建该自动化。

向 AI Copilot "闲聊"

烂事总会发生。利益相关者改变主意，新数据到达，或者事情被证明远比计划的更高投入。一次走廊对话可以颠覆一切。

为了让 AI Copilot 帮你应对变化，你需要让它保持同步。我称这个习惯为向 AI"闲聊（Gossiping）"，因为我就像靠着身边同事吐苦水一样向 Copilot 倾诉。

我也喜欢在这里使用语音转文字："你简直不会相信刚才跟某某的对话发生了什么……"就这样。没有结构化格式，没有正式的更新流程。只有那种自然而然的疲惫分享。

即使我没有任何行动项，我的 AI Copilot 也会记住并在日后引用这些更新。和大多数同事不同，你可以直白地加上：

我现在不需要解决方案；我要你听着。回复一个"好的"就好。

闲聊让上下文保持新鲜和有效。

小贴士：我个人在通勤时使用 LLM 的原生移动应用进行听写。这让闲聊感觉像给朋友或同事发 WhatsApp 语音消息一样轻松。

最大化 AI Copilot 价值的习惯

从 Copilot 获得最大化价值取决于我们，而不是 AI。"还行"的 AI Copilot 和"非凡"的 AI Copilot 之间的差别不在于技术——而在于我们围绕它建立的习惯。

培养"AI 思维模式"

你的 AI Copilot 无疑会令人愉悦，但它肯定不会总是正确。这就引出了使用 AI Copilot 时最重要的要素：我们的思维模式。

与思考伙伴——无论人还是机器——成功合作，在于取其精华，去其糟粕。如果我们的汽车驾驶辅助在宽敞的高速公路上大声蜂鸣，那也无害。我们仍然保持它激活，以防它提醒我们路上我们没看到的东西。或者想想你最喜欢的导师或知己：我们不会不断评判他们的建议是否会"取代我们的思考"。相反，我们专注于他们所说内容中有价值和启发性部分。

即使说错了，LLM 也可能奇怪地具有启发性和激励性。经常当我不认同 AI Copilot 的建议时，它仍然能让我思考。和任何外部建议一样，它刺激我明确我认为我应该做什么。

运用品味和基于艰辛积累的产品直觉做出判断，取决于我们。引用大卫·利布（David Lieb，YC 合伙人，Google Photos 创始人）的话："你的直觉是世界上有史以来最复杂的机器学习模型。"当使用生成式 AI 时，运用你的手艺和品味来识别有价值的东西。

如果你频繁得到不满意的输出，问自己："AI 要在这里成功需要什么上下文？"或者"它有足够的指导来交付结果吗？"由于我们使用 LLM 是为了它们的智能（而非知识），我们有责任思考应该提供什么来帮助它们成功。

要调整你的输入，将鼠标悬停在你最后一条聊天消息上，点击所有主流 LLM 中都能找到的"编辑"按钮（或 ✏️ 图标）。提供一点点更多指导或背景信息，然后重新提交。如果你发现相同的空白反复出现，考虑将该信息添加到项目知识中。

随时间增长 Copilot 的知识

我们对 AI Copilot 的投资还能获得复利。除了在每个项目线程中定期提供上下文外，我们还可以确保项目知识持续增长，立即惠及当前项目以及未来的项目。

项目结束是一个更新项目知识的绝佳机会。从分享结果开始，无论好坏。包括团队进行的任何回顾总结。打开语音转文字，加上你的个人反思。最后，让它输出一份"新学到的经验教训"文档。

你大概猜到接下来要做什么了：下载文档，上传到项目知识中。当我们将真实世界的经验教训添加到项目知识中时，我们加速了 Copilot"连接点"并带来明智建议惊喜的机会。

你可以把这看作是记忆，但是一种透明的、经你精心策划的、完全在你掌控之中、适用于职业场景的记忆。

注意：遇到聊天大小限制怎么办？

不同的 LLM 有不同的上下文窗口（Context Window）限制。如果你遇到限制，可以使用一个提示词让 LLM 总结对话，然后带着关键上下文开启一个新线程。

要使用此提示词，将鼠标悬停在你最后一条聊天消息上，点击"编辑"按钮（或 ✏️ 图标）。替换为以下提示词，然后回车。

最后，用输出结果开启一个新线程。

此对话已达到其上下文限制。创建一份可以作为全新空白 LLM 线程初始上下文的文档。你的目标是保留对话约 90% 的价值和上下文，同时将其长度缩减约 90%。

作为一名专家向另一位将帮助我的专家做交接，为他们的最大成功做好准备，尽可能接近一直在这里的状态。告诉新专家我隐性或显性要求你展现的指令或行为。按时间顺序讲述故事。

当你认为使用用户或 AI 的原始精确话语特别有价值时，依最佳判断使用。

跳过项目知识或系统指令中已有的任何上下文，因为这些会自动提供给新线程。

再创建一份单独的文档，列出你选择不包含的内容及原因。

AI Copilot 下一步将如何演化？

感觉我们才刚刚开始。每天使用我的 AI Copilot 时，我都会碰到这样的时刻：我心想，"我希望它能直接……"从我工作坊参与者那里听到的情况来看，我不是一个人。

今天的摩擦点揭示了创始人和老牌公司同样面临的真正机会所在，许多初创公司正从不同角度瞄准这些机会。以下是我对下一步的愿望清单：

让更新项目知识变得更容易

今天，我是我的 Copilot 和其他一切之间的"人类 API"。我手动复述对话中发生的事，将战略演示导出为 PDF，在想起来的时候更新项目知识。它确实有效，但需要大量工作。

想象如果你的 Copilot 能直接从新的部门模板、项目管理或团队消息中拉取信息，随着世界的变化动态更新。我希望它能拥有所有这些信息，而不会感到困惑、不堪重负或对无关细节过度索引。我也希望信息能向另一个方向流动：如果思考、规划和剪贴簿式探索（Scrapbooking）能够在同一个地方进行呢？

但真正让我兴奋的是透明、可编辑的知识，感觉像一份活的文档。想象今天消费级的"记忆"功能，但具有专业级的控制。

我受到 Cursor 在编程方面工作方式的启发：想象选择性上下文，你可以选择 Copilot 为每次对话考虑哪些文档和项目。有时你希望一个功能项目考虑另一个；有时你不希望。

我想从团队中受益

如果每一位加入的队友都有一个 80% 就绪的 Copilot 在等着他们呢？不必从零开始，想象领导层精心策划的共享知识层。你仍然有自己的个人上下文，但现在它建立在团队的集体智慧之上。

新 PM 将从公司特定模板、相关框架和真实经验教训开始。随时间推移，我们的 Copilot 不仅通过个人经验变得更聪明，还通过你整个团队的成功和失败变得更聪明。

推动我

即使拥有构建得最好的 Copilot，也会有卡壳的时刻。我该更新它什么呢？我到底该问什么问题？建立习惯比构建工具更难。

我希望 AI 能像一个不等待被问的精锐幕僚长（Chief of Staff）一样推动我。想象基于你的日历进行检查："嘿，你明天有那个利益相关者评审。想角色扮演下场景吗？"或者推动我聚焦："这将是安排用户研究并获取销售团队意见的绝佳时机。"

机会不在于让 Copilot 更聪明，而在于让它们更互联、更协作、更主动。AI 在职场中的未来可能更多在于向我们提出更好的问题，而非提供更好的答案。

上下文改变一切

在工作中使用 AI 不应该意味着筛选泛泛的回复或念出完美提示词。思考如何使用 LLM 的最富有成效的方式是：把它想象成一位鼓舞人心的同事，他知道你的公司战略，记得上周二你跟经理的那次对话，并在所有其他人都回家后挑战你的假设。

当我们给 AI 它需要的上下文——并把它当作坐在我们身边的伙伴而非神奇的先知——我们不会丧失优势；我们会磨砺它。

感谢亚历克斯·弗曼斯基（Alex Furmansky）作为这些想法的出色（人类）思考伙伴。感谢科林·马修斯（Colin Matthews）贡献他在 AI 原型设计方面的深厚专业知识。

附录：如果我的 LLM 没有"Projects"功能怎么办？

虽然所有主流 LLM 提供商的所有付费计划都支持 Projects，但许多科技工作者（尤其是在大科技公司）无法在他们被要求用来访问 LLM 的内部工具中使用 Projects。

如果你是这种情况，别担心。Projects 并非 LLM 的基础能力；它是一种 UX 便利功能。

最简单的解决方案是手动操作。将你的指令和项目知识组合到一个长文本文件中。每次开启新聊天线程时，从粘贴整个文件开始。这大致近似于 Projects 在幕后工作的方式（而且比完全没有上下文工作要好得多）。它不够优雅，但希望你不会太频繁地需要这样做（稍后会详细讲聊天线程）。

对于那些想要更具冒险精神解决方案的人：一些大科技公司的员工意识到，虽然他们无法访问 Projects，但他们确实可以访问 AI 驱动的软件开发环境，如 Cursor。他们意识到这些环境包含与 Projects 功能相同的所有要素（知识、指令和聊天线程），并将这些工具重新用作思考伙伴（用自然语言而非代码使用它们）。

（如果极客方案听起来吸引你，我正在举办一场免费的闪电课程，展示人们如何用 Cursor 做到这一点的现场实操演示。）

谢谢，Tal！

祝你度过充实和高效的一周 🙏

如果你觉得这份通讯有价值，请分享给朋友，如果尚未订阅请考虑订阅。可选用团体折扣、礼品选项和推荐奖励。

真诚地，

Lenny 👋