AI 写作的护城河不是模型，而是你喂进去的独家数据
Every 作家 Katie 两年里把 ChatGPT 从失业期的职业教练，变成一人内容公司与复利式编辑器；核心心法不是提示词，而是用独家经验补足模型够不到的「最后一公里」。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
AI 教练最大的价值不是省钱
被裁员后她正处于低谷，承担不起真人职业教练的时薪，但 $20 一个月的 ChatGPT 订阅可以接受。她发现把想法写出来、让 AI 从外部提问和反驳，能帮她外化思考、对抗灾难化倾向，也给她一种问责感。这个经验最重要的遗产不是省了钱，而是让她相信：AI 真的可以在人生里推动具体改变。当时她正犹豫要不要接 Every 的 freelance 邀约，是 ChatGPT 推了一把，让她先试起来。
— Katie Parrott产能来自前置上下文，不是聪明的提示词
她曾在一周半内接下 8 篇博客、3 本电子书、24 条 LinkedIn、24 条 X 和 16 条 Instagram 的交付量。能做到不是因为她会写更聪明的一句话提示词，而是做了大量前置的 context engineering：把品牌信息、产品细节、受众画像、差异化一次性喂给模型。大量需求本质上又是内容再利用，AI 擅长把一篇长文改写成不同平台版本。她总结的规律是：前期把场景搭好，后面才能跑得快。
— Katie Parrott先给模型一个围栏，再谈语气用词
在 Claude Projects 出现之前，她只能把持久性文档存在 Google Docs 里，每次手动复制粘贴进上下文。这套结构并非从天而降，而是内容营销里的 style guide 传统：先定义受众是谁、痛点是什么、产品怎么对应、竞争对手和差异点在哪。她说这等于给模型一个带围栏的游乐场，先确保它不会跑偏，再谈用词、语气和阅读难度。后来 Projects 一上线，她就为每个客户和每个专栏建独立项目。
— Katie ParrottAI 写作的最后一公里只能由人补上
她认为 AI 写作里有一个「最后一公里」问题：模型有知识截止日期，而且不在真实物理世界里。所以人的职责是补上 AI 够不到的最新数据和真实经验。她提醒，你只丢一句「写一篇关于 style guide 的博客」给模型，得到的只会是它本来就懂的通用内容，那是商品化信息；真正让写作独特的是公司内部研究、第三方报告、个人经历这些模型没见过的新鲜食材。写作系统是厨房，人负责提供好食材。
— Katie ParrottAI 的价值是减少摩擦，不是加快产出
她公开谈论自己的双相情感障碍，指出 AI 的价值不只是更快地产出内容，更是减少生活中的摩擦。她把预约初级保健医生拖了三年，最后直接让 Codex 去找接受自己保险、还接收新病人的医生并完成预约；邮件则先由自动化筛选，只有真正需要人回的信才进她的收件箱。她说这彻底解决了她的邮件焦虑。这不是把 AI 当生产工具，而是当支持性技术，让她「作为一个人」的日常运行变得更容易。
— Katie Parrott让 AI 反复采访你，它才能替你排优先级
两年前她只是问 ChatGPT「能不能当我的职业教练」，如今这个教练住在 Codex 项目里：里面有她的职位档案、Every 的品牌定位、内容表现数据、读者好评文件夹和 OKR。她自己不维护看板，靠语音对话让系统按最高影响力帮她排优先级，系统还替她维护 Kanban。能搭成这套系统，关键是让 AI 用采访的方式反复问她，再把访谈内容沉淀成上下文。她说这像是有一个 Chief of Staff，而不只是一个写手。
— Katie Parrott反馈只改当前这一稿，就浪费了
Compound Writing 插件的核心是复利思维：给 AI 的每一条反馈都应该回流进系统，让下一次输出自动更好。她 fork 了 Kieran Klassen 的 Compound Engineering 插件，再把它改造成写作流程：代码和写作同样有头脑风暴、规划、草稿、审阅几个阶段，只不过写作更关注结构、声音和证据。编辑又分成看大结构和论证的 substantive edit、逐句处理的 line edit，以及出版前检查的 final pass。现在她不在网页聊天窗口里写，而是在这套系统里灌入当日的新鲜材料。
— Katie ParrottVonnegut 做编辑，给的是视角不是判决
她把 Vonnegut 的八个叙事要素、Hitchcock 关于桌下炸弹的悬念原则、Sorkin 和 Sedaris 的表达方式，都做进插件里当编辑技能。Vonnegut 会检查「故事是否尽可能靠近结尾开始」「每一句话有没有挣到自己的位置」；Hitchcock 的视角则追问读者会不会因此想往下读。她强调这不是让大师的灵魂来批改你的稿子，而是给你一个可以接受或反对的新视角；非专业写作者可能反而受益更多，因为他们不太会一边写一边挑自己毛病。
— Katie ParrottAI 的复利可能只复利给早入场的少数人
她说自己今天对 AI 的核心论题是：教育和使用机会将比以往更重要。她住在俄亥俄州哥伦布，没在纽约或旧金山待过，但也因此更在意机会分布。她坦言自己能走到今天，是因为有经济余裕、时间预算和接触优秀同行的网络；她希望 AI 社群主动创造条件，让更多地方、更多类型的人也能上车。因为她清楚看到 AI 有巨大的复利效应，代价是收益可能只复利给少数恰好早早入场的人。
— Katie Parrott原话 · 已逐字校验
Clarity, it turns out, doesn't arrive gift wrapped from a digital assistant or even a human coach. It's something I had to dig out for myself, question by question and prompt by prompt.
事后的那份清晰，并不会由数字助手或真人教练打包送来；它需要我自己在一次次提问和提示词里亲手挖出来。
Natalia Quintero5:13
And our job as the humans is to close that last mile and provide the real world experiences that AI can't get because they come after the knowledge cut off and it's also out there happening somewhere in the real world and AI is not in the real world, the physical world yet.
作为人类，我们的工作就是补完这最后一公里：提供 AI 拿不到的真实世界经验——它们发生在模型知识截止之后，发生在真实世界里，而 AI 还没有真正进入物理世界。
Katie Parrott15:40
We think about AI as a productive technology, right? We value it for its ability to produce output and get things out of our, like just put stuff out. And what I found in my personal experience is that AI is just as powerful as a supportive technology.
我们都把 AI 当成生产力技术，对吧？我们用它的产出能力来衡量它。但我的亲身经验是，AI 作为一种支持性技术，同样强大。
Katie Parrott22:50
compounding is the idea that every piece of feedback that you give to AI should feed back into the system to improve the next output.
复利的意思是：你给 AI 的每一条反馈，都应该回馈到系统里，让下一次输出变得更好。
Katie Parrott32:27
My thesis on AI today is that education and access are going to matter more than they ever have before.
我今天对 AI 的核心论题是：教育和使用机会，将比以往任何时候都更重要。
Katie Parrott44:49
But the risk there is that value is going to compound to the small subset of people that happen to be early. And I just think that a much more compelling vision for an AI future is one where everyone is able to come along for the ride.
风险在于，收益会复利到少数恰好早入场的人身上。我认为更有说服力的 AI 未来，是每个人都能上车同行的未来。
Katie Parrott46:32
数字与实体
| 真人职业教练时薪 vs ChatGPT 月费 | 约 150 美元/小时 vs 20 美元/月 | 3:11 |
| 拖延预约初级保健医生的时间 | 约 3 年 | 23:53 |
| Codex 在她的 Tastemaker 项目里发现的安全漏洞数 | 5 个 | 43:24 |
术语
- context engineering上下文工程
- 把品牌、受众、产品、差异化等信息预先组织成固定背景，让每次 AI 对话都朝正确方向走。
- last mile problem最后一公里问题
- 模型训练有知识截止日，需要人类补上最新数据与现实体验，写作才不落入通用套话。
- compound engineering复利式工程
- 把给 AI 的一次性反馈沉淀进系统，让同样好的决策在未来反复自动生效。
- computer errands计算机杂务
- 让 AI agent 代办预约医生、报保险、整理收件箱等一直拖着不想做的行政琐事。
收听指南
正被 AI 写作成品质量问题困扰的独立写作者、内容创业者，以及想让 AI agent 分担生活与行政管理的人。
开场几分钟的被裁故事和插播广告可快进；从 8:26 的交付案例开始听方法论。