AI 寫作的護城河不是模型，而是你喂進去的獨家數據
Every 作家 Katie 兩年裡把 ChatGPT 從失業期的職業教練，變成一人內容公司與複利式編輯器；核心心法不是提示詞，而是用獨家經驗補足模型夠不到的「最後一公里」。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
AI 教練最大的價值不是省錢
被裁員後她正處於低谷，承擔不起真人職業教練的時薪，但 $20 一個月的 ChatGPT 訂閱可以接受。她發現把想法寫出來、讓 AI 從外部提問和反駁，能幫她外化思考、對抗災難化傾向，也給她一種問責感。這個經驗最重要的遺產不是省了錢，而是讓她相信：AI 真的可以在人生裡推動具體改變。當時她正猶豫要不要接 Every 的 freelance 邀約，是 ChatGPT 推了一把，讓她先試起來。
— Katie Parrott產能來自前置上下文，不是聰明的提示詞
她曾在一週半內接下 8 篇博客、3 本電子書、24 條 LinkedIn、24 條 X 和 16 條 Instagram 的交付量。能做到不是因為她會寫更聰明的一句話提示詞，而是做了大量前置的 context engineering：把品牌信息、產品細節、受眾畫像、差異化一次性餵給模型。大量需求本質上又是內容再利用，AI 擅長把一篇長文改寫成不同平臺版本。她總結的規律是：前期把場景搭好，後面才能跑得快。
— Katie Parrott先給模型一個圍欄，再談語氣用詞
在 Claude Projects 出現之前，她只能把持久性文檔存在 Google Docs 裡，每次手動複製粘貼進上下文。這套結構並非從天而降，而是內容營銷裡的 style guide 傳統：先定義受眾是誰、痛點是什麼、產品怎麼對應、競爭對手和差異點在哪。她說這等於給模型一個帶圍欄的遊樂場，先確保它不會跑偏，再談用詞、語氣和閱讀難度。後來 Projects 一上線，她就為每個客戶和每個專欄建獨立項目。
— Katie ParrottAI 寫作的最後一公里只能由人補上
她認為 AI 寫作裡有一個「最後一公里」問題：模型有知識截止日期，而且不在真實物理世界裡。所以人的職責是補上 AI 夠不到的最新數據和真實經驗。她提醒，你只丟一句「寫一篇關於 style guide 的博客」給模型，得到的只會是它本來就懂的通用內容，那是商品化信息；真正讓寫作獨特的是公司內部研究、第三方報告、個人經歷這些模型沒見過的新鮮食材。寫作系統是廚房，人負責提供好食材。
— Katie ParrottAI 的價值是減少摩擦，不是加快產出
她公開談論自己的雙相情感障礙，指出 AI 的價值不只是更快地產出內容，更是減少生活中的摩擦。她把預約初級保健醫生拖了三年，最後直接讓 Codex 去找接受自己保險、還接收新病人的醫生並完成預約；郵件則先由自動化篩選，只有真正需要人回的信才進她的收件箱。她說這徹底解決了她的郵件焦慮。這不是把 AI 當生產工具，而是當支持性技術，讓她「作為一個人」的日常運行變得更容易。
— Katie Parrott讓 AI 反覆採訪你，它才能替你排優先級
兩年前她只是問 ChatGPT「能不能當我的職業教練」，如今這個教練住在 Codex 項目裡：裡面有她的職位檔案、Every 的品牌定位、內容表現數據、讀者好評文件夾和 OKR。她自己不維護看板，靠語音對話讓系統按最高影響力幫她排優先級，系統還替她維護 Kanban。能搭成這套系統，關鍵是讓 AI 用採訪的方式反覆問她，再把訪談內容沉澱成上下文。她說這像是有一個 Chief of Staff，而不只是一個寫手。
— Katie Parrott反饋只改當前這一稿，就浪費了
Compound Writing 插件的核心是複利思維：給 AI 的每一條反饋都應該回流進系統，讓下一次輸出自動更好。她 fork 了 Kieran Klassen 的 Compound Engineering 插件，再把它改造成寫作流程：代碼和寫作同樣有頭腦風暴、規劃、草稿、審閱幾個階段，只不過寫作更關注結構、聲音和證據。編輯又分成看大結構和論證的 substantive edit、逐句處理的 line edit，以及出版前檢查的 final pass。現在她不在網頁聊天窗口裡寫，而是在這套系統裡灌入當日的新鮮材料。
— Katie ParrottVonnegut 做編輯，給的是視角不是判決
她把 Vonnegut 的八個敘事要素、Hitchcock 關於桌下炸彈的懸念原則、Sorkin 和 Sedaris 的表達方式，都做進插件裡當編輯技能。Vonnegut 會檢查「故事是否儘可能靠近結尾開始」「每一句話有沒有掙到自己的位置」；Hitchcock 的視角則追問讀者會不會因此想往下讀。她強調這不是讓大師的靈魂來批改你的稿子，而是給你一個可以接受或反對的新視角；非專業寫作者可能反而受益更多，因為他們不太會一邊寫一邊挑自己毛病。
— Katie ParrottAI 的複利可能只複利給早入場的少數人
她說自己今天對 AI 的核心論題是：教育和使用機會將比以往更重要。她住在俄亥俄州哥倫布，沒在紐約或舊金山待過，但也因此更在意機會分布。她坦言自己能走到今天，是因為有經濟餘裕、時間預算和接觸優秀同行的網絡；她希望 AI 社群主動創造條件，讓更多地方、更多類型的人也能上車。因為她清楚看到 AI 有巨大的複利效應，代價是收益可能只複利給少數恰好早早入場的人。
— Katie Parrott原話 · 已逐字校驗
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.
事後的那份清晰，並不會由數字助手或真人教練打包送來；它需要我自己在一次次提問和提示詞裡親手挖出來。
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.
作為人類，我們的工作就是補完這最後一公里：提供 AI 拿不到的真實世界經驗——它們發生在模型知識截止之後，發生在真實世界裡，而 AI 還沒有真正進入物理世界。
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.
我們都把 AI 當成生產力技術，對吧？我們用它的產出能力來衡量它。但我的親身經驗是，AI 作為一種支持性技術，同樣強大。
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.
複利的意思是：你給 AI 的每一條反饋，都應該回饋到系統裡，讓下一次輸出變得更好。
Katie Parrott32:27
My thesis on AI today is that education and access are going to matter more than they ever have before.
我今天對 AI 的核心論題是：教育和使用機會，將比以往任何時候都更重要。
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.
風險在於，收益會複利到少數恰好早入場的人身上。我認為更有說服力的 AI 未來，是每個人都能上車同行的未來。
Katie Parrott46:32
數字與實體
| 真人職業教練時薪 vs ChatGPT 月費 | 約 150 美元/小時 vs 20 美元/月 | 3:11 |
| 拖延預約初級保健醫生的時間 | 約 3 年 | 23:53 |
| Codex 在她的 Tastemaker 項目裡發現的安全漏洞數 | 5 個 | 43:24 |
術語
- context engineering上下文工程
- 把品牌、受眾、產品、差異化等信息預先組織成固定背景，讓每次 AI 對話都朝正確方向走。
- last mile problem最後一公里問題
- 模型訓練有知識截止日，需要人類補上最新數據與現實體驗，寫作才不落入通用套話。
- compound engineering複利式工程
- 把給 AI 的一次性反饋沉澱進系統，讓同樣好的決策在未來反覆自動生效。
- computer errands計算機雜務
- 讓 AI agent 代辦預約醫生、報保險、整理收件箱等一直拖著不想做的行政瑣事。
收聽指南
正被 AI 寫作成品質量問題困擾的獨立寫作者、內容創業者，以及想讓 AI agent 分擔生活與行政管理的人。
開場幾分鐘的被裁故事和插播廣告可快進；從 8:26 的交付案例開始聽方法論。