AI工作流怎么搭才见收入：Eric Siu在Moz讲的技能、评分规则与循环

摘要：Single Grain创始人Eric Siu在Moz上讲，团队用AI用不出复利，毛病出在知识没沉淀，跟人行不行关系不大。他的办法分四步走：在Slack里放一个全员共用的AI大脑，把干过两遍的活写成技能文件，给每个技能配一套打分规则，再把几个技能串成能自己记录、自己修正的循环。他拿出的成绩大多是曝光量、AI搜索声量这类中间指标，真正跟钱挂钩的只有砍掉的重复开支和赞助报价。所以想照着搭的团队，最好在循环里一开始就写清楚要盯哪个收入数字。

不少团队现在的状态是这样的：人人都开着ChatGPT或Claude，每个人都攒了一堆好用的提示词，存在自己的备忘录里。哪天这个人离职了，提示词跟着走，接手的人又从“你是一名资深SEO专家”开始敲。

Moz在10月15日发了Eric Siu的一篇长文Operationalizing AI: Proven Workflows That Generate Measurable Revenue，内容是他在MozCon上那场分享的文字版。Eric Siu是增长代理公司Single Grain的创始人，也是播客Marketing School的主持人之一。他的判断很直接：几乎所有人都在用AI，却几乎没人用出复利，因为每一次提示都从零开始。

下面按原文的顺序讲他那套做法：共享大脑、技能、评分规则、循环，以及他给的几个案例。原文引用的几项研究，这里找回原始报告核对了口径。最后补上原文没展开的那块：这套东西到底怎么跟收入对上账。

团队里的AI为什么用了一年还是从零开始？

Eric Siu开篇就下了判断：团队的瓶颈九成九跟人没关系，是知识出了问题。工具之间不互通，知识就攒不起来，该交付的东西也交付不出来。

他举了一个每家公司都见过的场景。新招一个做SEO或AEO的人，上手要半年，这半年学到的东西全在他脑子里复利增长。等他一走，这些复利清零，团队重新开始。

原文引用了Panopto的研究：42%的组织知识只掌握在某个员工手里，这个人一走，同事就有42%的工作做不了。这个数字出自HR Dive在2018年7月对Panopto职场知识与生产力报告的报道，原始调查的对象是1000名美国员工。同一份报告还说，员工每周平均有5.3小时花在等同事给信息或者重做已经存在的资料上；新员工的正式培训平均2.5个月，真正上手可能要6个月。

引用这个数字要心里有数：它是8年前的问卷，42%是员工自己估出来的，没人实际测量过他们的工作内容。拿来说明“知识跟人走”这个现象够用，拿来给老板算具体损失就不够格了。

第二个数字来自BCG。原文说1250家公司里只有5%做到了规模化的AI价值，60%投了很多钱却几乎没拿到回报。核对BCG 2025年10月的报告The Widening AI Value Gap，原话是：60%的公司没有拿到实质性价值，收入和成本上的改善很小；另有35%在扩大投入、看到了一些回报。BCG管那5%叫“未来型企业”，它们的收入增速是那60%的1.7倍，息税前利润率是1.6倍。

这份报告同样有自己的口径问题。附录的调查方法写得很清楚：受访的是25个以上行业的1250位高管，AI成熟度由他们自己评估，结果反映的是受访者最熟悉的业务部门，不一定是整家公司；除非标明已实现，报告里的数字多是预期影响。收入和利润率倒是取自CapitalIQ和Orbis的财务数据，可报告也承认公司业绩受AI以外很多因素影响。所以这个5%更适合看成一个方向：用得深的公司和浅尝辄止的公司，差距确实在拉大，具体倍数别太当真。

在MozCon现场，Eric Siu问台下谁在用Claude Code或Codex，举手的人不少；再问谁在用Hermes、OpenClaw这类自主代理，他数了数，大概三只手。他说自己不是技术出身，花了好几周才弄明白X上那帮人天天挂在嘴边的“循环”是什么，弄明白之后的感受是：跑得最快的人已经不写提示词了。

共享大脑要放在团队天天待的地方

他们提速最明显的一步，是在Slack里（用Microsoft Teams也行）搭了一个全员共用的AI大脑。原文给了两个使用场景：

• Eric Siu问付费投放代理Meta和Google两边的广告支出回报率，然后让它把表现最好的那条广告素材扩出200个变体。
• SEO负责人Amy问团队的SEO机器人Oracle，下一步该追哪些转化前端的机会词，Oracle直接起草了100个程序化页面。原文自己在括号里补了一句“效果因人而异”。

为什么放在Slack里？他的解释很实在：团队本来就待在那里，不用专门去推一场“AI转型”。一个同事在频道里向大脑提问，旁边的人看见了，自然会琢磨自己的活能不能也这么干。人脑容量跟五万年前比没大多少，进步变快是因为人开始交换想法，共享大脑在团队里起的就是这个作用。

放到国内团队，对应的就是飞书、钉钉这类协作工具里的机器人。原文提醒了一句，接这类代理可能要找IT开权限，而且只给少数几个人用等于浪费。这里再补一个原文没说的提醒：共享大脑能读的东西越多，权限就越要分清。投放数据、客户合同、财务报表放进同一个频道之前，先想好谁能问什么。

那100个程序化页面也值得多看一眼。批量生成页面在Google的垃圾政策里有专门一条“规模化内容滥用”，判断依据是页面有没有给用户提供价值，跟用不用AI无关。站内那篇程序化SEO的风险算在整个站头上讲过，一批薄页面拖累的是全站的信任度。机器人起草得再快，上线前还是要有人按页面价值把关。

技能怎么写才会越用越好用？

很多团队都写流程文档，问题是写完没人看。Eric Siu的办法是把流程交给AI去执行，他管这叫“技能化”。

技能文件到底是什么

原文的定义是：技能是一个由AI来跑的流程，通常就是一个交给AI的Markdown文件，AI每次都按同样的方式执行。这个格式已经成了公开标准。查原始公告，Anthropic在2025年10月16日推出Agent Skills，同年12月18日把它作为开放标准发布；OpenAI的ChatGPT与Codex技能文档也写明遵循这个开放标准。

按这两份文档，一个技能就是一个文件夹，里面必须有一个SKILL.md，至少写明名称和描述，另外可以放脚本、参考资料和模板。代理加载技能分三步走：

站内MCP、Skills、Hooks三种扩展机制的区别和Agent Skills跨工具迁移的对照两篇讲过技能和MCP各管什么、换工具时哪些东西搬不走，这里不重复。

他的规矩是：任何要做两遍的事，先认真做好一遍，然后技能化。他天天问团队“这个有没有技能”，问到大家嫌烦。他还提到ChatGPT现在可以看着你干活，替你生成技能；听到一个好点子，他会转给自己的Hermes代理，问一句“这个怎么技能化”。

他拿出来的成绩，要分开看

最有代表性的是他的X长文技能。流程是这样的：

• 输入一个话题和一个反主流的切入角度；
• 技能起草一篇结构完整的长帖，开头要抓人，配ASCII示意图；
• 一个“去AI味”检查器扫描草稿里的AI痕迹；
• 凡是触发痕迹的地方，打回重写。

他说这个技能让他的X账号曝光量从1月的约18万涨到6月的约310万，而且每个月还在涨，因为团队一直在加强这个技能。后来他们把同样的模式改成了一个AEO技能。

这个成绩要分开看。曝光量是平台给的中间指标，跟收入之间还隔着点击、关注、咨询好几道；同一时期他发帖的频率、话题、X的推荐算法有没有变，原文都没交代。它能说明技能化让内容产量和质量稳住了，说明不了带来了多少生意。

另一个例子离钱更近。有个月他的token开销超了，他的CFO技能跑了大约30分钟，指出哪里在重复付费、该砍哪些，他三天内就把这些成本砍掉了，不用再等好几周的数据导出、跟财务来回沟通。这类“省了多少”的结果最容易核对，账单上就看得见。

技能交出去，让团队去改

他把X技能交给一个新来的营销人员，对方靠这个技能自己完成了上手。有个实习生说，没有这些技能干活，就像拿叉子喝汤。Eric Siu给自己写的X技能打5分，一个同事改出来的版本能打8到9分。所以他的建议是把技能放在同一个仓库里，大家都在最好的版本上继续改。

原文没提的一点是安全。Anthropic的公告里专门写了：技能可以让Claude执行代码，用之前要留意来源，尽量只用可信来源的技能。从网上下载别人的技能包，先打开SKILL.md和脚本看一遍，跟装来路不明的浏览器插件一个道理。

评分规则就是“做完”的标准

产品圈天天说eval，Eric Siu第一次听到也懵，觉得这个词太大。后来他想明白了：eval就是你对成功的定义。技能是流程，评分规则是“做完了长什么样”。

他的用法是：技能在交付结果之前，先由评分规则按一份打分表检查，维度包括质量、准确性、搜索可读性（能不能被搜索引擎和AI读懂）、以及是否切题。过了线就发，没过线就由技能重写，再打一次分。

X技能里的去AI味检查器就是一个小型评分规则：每篇草稿从100分起扣，每出现一处AI痕迹扣一次分，90分以上才发。他说正是这个分数，让循环可以在没人盯着的时候自己跑。

给外贸团队的一份打分表样例

原文没给打分表的具体写法。拿外贸站常见的产品页草稿来说，一份能直接用的打分表可以长这样：

这张表的思路照搬原文：能用规则判的交给规则判，错一项就要命的设成一票否决。规格参数写错比文风差严重得多，所以权重不能平均分。

评分规则也有它的毛病。规则一旦成了唯一的考核，模型会想办法讨好规则，分数涨了，实际效果不一定跟着涨。站内AI代理考核指标会被刷数那篇专门讲过这个现象。对付它的办法是定期人工抽查高分稿，发现分高质量差，就改打分表。

从技能到循环，多出来的是“留痕”和“学习”

Eric Siu对循环的定义只有一句：会学习的工作流。你可以把它想成几个技能串在一起，比如一个SEO或AEO循环可能包括关键词研究、起草内容、加内链、做程序化页面、做数字公关。可如果这条链不会学习，它就不会复利，也永远不会变好。

他专门区分了代理和循环：

他强调代理并没有过时，范围明确的活用代理就挺好。循环多出来的是两样东西：一个可度量的目标状态，和一份每次行动的记录。

原文举的例子是页面速度：目标是全站每个页面在50毫秒内加载完，现在平均150毫秒，差距100毫秒，循环就不停地行动、记录、学习，直到把差距补上。他们用一个“循环生成器”技能来搭这类循环。

这个例子的思路没问题，数字得改一改。整页加载50毫秒，对绝大多数网站是不现实的目标，光是一次跨洋网络往返就可能超过这个数。真要照这个思路搭循环，目标应该选一个有公认标准、能持续测量的指标，比如Google给的最大内容绘制（LCP）75分位不超过2.5秒，或者服务器首字节时间。站内TTFB与多层缓存那篇讲过首字节时间受哪些环节影响，这些环节正好就是循环可以去动的地方。

一个替他回赞助邮件的循环

原文最有意思的例子跟SEO无关。Single Grain每周大约收到20封播客和YouTube的赞助合作请求，Eric Siu自己不想处理，也不想让团队任何人处理。

他搭了一个叫“Mr. Siu Sponsorship”的循环。名字来自朋友的建议：谈判时自称“Mr. Siu”，身价立刻高十倍。现在赞助方发来邮件，循环会回复说Mr. Siu只接受每条视频25000美元的报价，有些人真的付了。

他说最好的部分在每天早上：循环会汇报前一天回了谁、当天自己做了哪些微调。赞助方老是来要合作指南和媒体资料包，循环就学会了主动附上，而他从没下过这个指令。他管这叫递归式自我改进，并建议把它用在任何没人愿意碰的烦人活上。

这个例子好在结果直接用钱结算。原文没公布成交了几单，但报价是明码，成交多少查合同就知道，谁来核都核得清。也正因为这样，它比X曝光量那个例子更能说明循环的价值。

每一步配合适的模型

他还有一句话很好记：每件事都用最大最贵的模型，就像用喷灯点雪茄。顶级模型留给最难的策略问题，用模型路由让每一步自动配上合适的模型，他们用的是OpenRouter。OpenRouter的自动路由文档说，它按任务类型参考全平台用户过去7天的实际花费来选模型。他的原话是：人不是来干机器人的活的，人该做策略，然后指挥机器人。

站内子代理派活与模型路由那篇讲过派活之前怎么判断该不该拆给子代理、各配什么模型，省下的大头往往是上下文，可以对照着看。

AEO循环和收入怎么对上

原文把循环用到了AEO上。他的出发点是：你最有意思的内容，很可能已经存在于公司内部的通话里，前提是你被允许用。

他们的AEO循环分四步

• 采集：用Gong录通话（自己搭的录音方案也行），再把他YouTube频道和播客的全部内容拉进来。
• 找热点：循环找出他反复提到的话题，比如循环、复合营销，变成适合AEO和社媒的切入角度。
• 起草：他们自建的工具ClickFlow通过API和MCP起草内容，再由WordPress的MCP把草稿放进WordPress。
• 审核：由人检查设计和质量，决定发不发。

WordPress这一步现在有官方方案，站内写过WordPress官方MCP Adapter插件，AI能调用站点的哪些功能，由能力接口和用户权限说了算，可以只开放写草稿、不开放发布。原文的审核环节留在人手里，跟这个设计正好对得上。

录音这一步，国内团队要多想一层。客户通话里有姓名、电话、报价这些个人信息，《个人信息保护法》要求处理个人信息要有合法依据，最常见的就是取得本人同意。原文那句“前提是你被允许用”，落到国内就是：录音前告知、拿到同意，喂给模型之前先把客户信息脱敏。

原文给的结果，以及它没说的部分

原文用Pew的数据说明为什么被AI引用变得重要：页面上出现AI摘要时，Google用户点击传统搜索结果的比例是8%，没有AI摘要时是15%。查Pew在2025年7月发布的分析，样本是900名美国成年人在2025年3月的浏览记录，共68879次Google搜索，其中12593次出现了AI摘要；点AI摘要里来源链接的，只占这类访问的1%。

这组数字也要看清楚：出AI摘要的搜索和不出摘要的搜索本来就不是同一类。Pew自己写了，词越长、越像完整问句，越容易出摘要，10个词以上的搜索出摘要的比例是53%，一两个词的只有8%。所以8%对15%反映的是两类搜索的整体差别，不能直接读成“AI摘要让点击减半”。点击变少的大方向没问题，具体幅度因查询类型差别很大，站内排名位置点击率曲线那篇整理过不同数据源的结果。

原文的结果是：一个客户在AI搜索里的声量份额从大约5%涨到20%。Eric Siu自己说他有点讨厌这个指标，只是大家都在用。原文没交代这个涨幅用了多长时间、统计了哪些提示词、哪些AI平台。声量份额本身还有一个毛病，各平台的权重怎么分全凭工具定，站内AI可见度分数怎么加权那篇对比过14份份额切片，同一个平台的权重从1.2%到11.7%都有。

回头看原文的标题，说的是能产生可度量收入的工作流。可通篇真正用钱结算的只有两处：CFO技能砍掉的重复开支，和赞助循环的报价。其余的成绩，曝光量、声量份额、员工效率，都是中间指标。他的方法本身没毛病，只是收入这一步，要靠搭循环的人自己补上。

给每个循环挂一个钱的数字

循环本身就有“目标状态”这个位置，把它填成一个跟钱有关的指标，衡量问题就解决了大半。几个常见循环可以这么对：

AI搜索带来的流量有一个现实困难：很多来访在分析工具里认不出来源。站内写过ChatGPT来的流量被GA4记成直接访问的情况，也写过零点击环境下的AI搜索归因。比较稳妥的做法是留一个对照组：同一类页面，一部分交给循环维护，一部分保持原样，跑够两三个月再比两组的询盘和成交。这样拿到的差别，才算得上循环自己挣来的。

技能库、新人技能包，和这周就能动手的事

技能只有被找到才会复利。Single Grain为此做了一个内部技能库，叫Skills Dojo，从X长文写手到视频字幕生成器都收在里面。团队可以收藏、分享、复制修改技能，后台能看到哪些技能被用得最多。

他们还按岗位打包技能。新人加入SEO或AEO团队，第一天就拿到一个20个技能的技能包。半年的上手期就这么省了：知识存在库里，人走了也带不走。这就回到了文章开头那个Panopto的问题，“知识跟人走”的解法是把知识从人脑里搬到库里。

Eric Siu说他们的技能里没有敏感内容，所以把Skills Dojo开放在skillsdojo.com，免费，也可以上传自己的技能，前面讲的AEO循环就在里面。他还说公开分享技能本身也是营销：他在GitHub上的AI营销技能仓库有大约2600个星标，一个朋友的仓库有约5万星标，带来了大量销售线索。发布前按名字查了一下，他名下这个叫ai-marketing-skills的仓库创建于2026年3月，星标已经到了3600多。

他说自己“没东西要卖”，这话听听就好。Single Grain本身就是一家增长代理公司，技能库和开源仓库都是很好的获客入口，他自己在文中也承认了这一点。这不影响方法的价值，只是读的时候知道作者站在哪里。

这周可以先做的三件事

原文结尾的建议是：挑一个最耗团队时间的搜索工作流，关键词研究、写内容简报、页面优化都行，先把它技能化；然后给它加一套评分规则；再用循环生成器把技能变成循环，盯着Search Console里的曲线看变化。放到国内的外贸团队和独立站团队，可以这样落：

• 周一到周二，把团队里重复最多的一件活写成SKILL.md。最好让最熟这件活的人口述，另一个人记录，把他脑子里那些“一看就知道不对”的判断也写进去。
• 周三，给这个技能写一张打分表，一票否决的项和普通扣分项分开，拿过去做过的十份成品试打一遍分，看看打分表跟人的判断对不对得上。
• 周四到周五，定下这个技能要影响的那个收入数字，以及从哪里取数。先别急着串成循环，等技能稳定跑了两三周、记录攒够了，再加自动修正。

保哥的建议是，第一个技能挑数据有标准答案的活，比如每月更新价格表、核对产品规格。这类活的打分表最好写，跑偏了也最容易发现。写文案、做选题这种好坏见仁见智的活，等团队熟悉了评分规则再碰。

站内麦肯锡讲的内容系统五项能力和用Claude Code搭AI运营系统两篇，讲的是同一件事的另外两个角度：前者偏组织和分工，后者偏具体的目录结构。三篇对着看，基本能拼出一个小团队从零开始的路线。另外，团队把活大量交给技能之后，新人还要不要从基本功练起，可以看去技能化陷阱那篇，技能库省掉的是上手时间，判断力还得人自己练。

常见问题解答

技能和提示词有什么区别？

提示词是一次性的指令，用完就散了。技能是存成文件的流程，按Agent Skills标准就是一个带SKILL.md的文件夹，能附带脚本和参考资料，代理每次按同样的方式执行，团队可以放进同一个仓库持续改进。

Agent Skills只能在Claude里用吗？

不是。Anthropic在2025年10月推出这个格式，同年12月作为开放标准发布，OpenAI的文档也写明ChatGPT和Codex支持这个标准。不同工具在脚本执行、权限上有差别，换工具前要逐项检查。

评分规则一定要用代码写吗？

不一定。原文的去AI味检查器就是一份扣分表，从100分起扣，90分以上才放行。能用规则判断的项，比如参数一致、目标词是否出现，可以写成脚本；文风这类项可以让另一个模型按打分表评分，再定期人工抽查。

代理和循环该怎么选？

范围明确、做一次就完的活，用代理就够了。需要长期逼近某个目标、每次结果会影响下一次做法的活，才值得做成循环。循环比代理多两样东西：一个可度量的目标状态，和每次行动的记录。

原文说的50毫秒加载目标能照搬吗？

不建议照搬。整页50毫秒对大多数网站不现实，原文只是拿它说明循环的思路。实际搭循环时，目标要选有公认标准、能持续测量的指标，比如最大内容绘制75分位不超过2.5秒，或者服务器首字节时间。

怎么证明AI工作流真的带来了收入？

给每个循环的目标状态挂一个跟钱有关的指标，比如询盘数、成交额、每月少付的开支，并且留对照组：同类页面一部分交给循环、一部分不动，跑两三个月比较两组差别。只看曝光量或AI声量份额，证明不了收入。

权威参考资料