作者背景：Dan Rosenthal，一家GTM（市场推广）领域AI原生服务公司创始人，在推特分享公司用AI改造内部流程的真实一线经验。
别教AI做事了，直接把公司说明书扔给它！一个让员工闭嘴惊艳的真实案例
这家公司干了一件很疯的事。他们把公司所有怎么干活的知识，比如销售话术、客服流程、写邮件规范，全部写成了纯文本文件，然后塞进GitHub里当代码管。
接着用一套叫MCP的万能插头，把公司用的25个对外工具像乐高一样拼上去。
最后结果就是，团队里20多个人，随便谁在几秒钟内就能叫出来一个特别了解公司所有内情、并且能直接动手干活的AI助手。
这个AI不是光会聊天，它能自己查客户记录，去Apollo找潜在客户名单，去HubSpot更新销售进度，甚至干了蠢事还有人兜底。
先把公司所有规矩变成AI能看懂的文件
公司的所有流程和规矩，以前要么写在厚厚的员工手册里，要么存在老员工脑子里。新人来了全靠问，老人一走就失传。这家公司干的第一件事，就是派了一个专门做研究的AI代理，把标准操作程序和市场活动手册这些老古董，全部翻译成一种叫Markdown的纯文本文件。Markdown就是那种你用电脑自带的记事本就能打开，长得跟聊天框里写的#号标题一样的文件。这么干的好处是，AI读这种东西就跟人看说明书一样简单，完全没有格式上的障碍。
最后他们靠这个方法搞出来50多个能直接用的AI技能模块。举个例子，一个叫“写开发信”的技能，你只要告诉AI目标客户是哪个行业的，AI就自动按照公司历史上最牛的那个模板给你写出来。这层最关键的一点是，它把70%的日常任务都变成了AI可以随时调用的现成菜谱。也就是说，以后谁再问“这个客户怎么跟”，答案已经不在任何人的脑子里了，它就安安静静躺在GitHub的那个文件里，AI随时可以翻出来照着做。
给每个客户单独建一个藏着所有黑历史的文件夹
光有通用的菜谱远远不够，因为每个客户的情况都不一样，用同一个模板去套所有人，那跟群发垃圾邮件没区别。这家公司做了个更绝的事，他们给每一个客户都单独建了一个代码库，你可以把这个代码库想象成一个专属的黑历史文件夹。这个文件夹里存了这个客户所有的聊天记录，包括在Slack里的私聊、跟销售的通话录音、Google Drive里放过的演示文档，还有各种营销活动的数据。
这些数据不是人工手动复制粘贴进去的，那得累死人。他们用了一个叫n8n的自动化工具，这东西就像一个勤劳的搬运工，每隔一段时间就自动把所有相关的客户数据同步到对应的文件夹里，完全不用人操心。然后公司配了一个全公司范围的插件，确保每次你叫AI出来帮忙的时候，AI会自动先去翻这个客户的专属文件夹。举个例子，你告诉AI“给王老板发个跟进邮件”，AI会自己先去翻王老板那个文件夹里上次的通话总结，发现王老板最讨厌长篇大论，于是写出来的邮件就特别短特别直接。整个过程你不需要做任何多余的配置，打开就能用，AI就跟在这个公司干了十年的老员工一样，什么八卦黑历史全知道。
用万能插头MCP让AI从军师变成能动手的士兵
光知道信息还不够，AI得能动手干活才行，不然就跟一个只会说“你应该这样做”但自己不动手的顾问一样没用。这家公司用了一个叫MCP的东西，MCP的全称是模型上下文协议，你可以把它想象成一个万能插头板，一头连着AI的大脑，另一头连着公司正在用的所有外部工具。他们接了多少个呢？25个，包括群发邮件的InstantlyAI、找潜在客户名单的Apollo、管客户关系的HubSpot、内部聊天的Slack、记笔记的Notion，还有数据库Supabase和Pinecone等等。
有了MCP之后，AI就不再是光说不练的军师了，它能直接上场当士兵。以前的AI工作流通常是这样的：你先让AI帮你查一堆资料，AI给你列出来一份报告，告诉你“根据资料我建议你发A版本的邮件”，然后你还得自己打开邮箱软件，把内容复制粘贴进去，点发送。现在完全不一样了，你跟AI说“给这批客户发A版本的活动邮件”，AI分析完确认没问题之后，下一步就直接去InstantlyAI里把邮件队列给你建好了，标题、正文、附件全填得整整齐齐，就等你点一个确认按钮。这家公司特别强调，他们已经从“研究阶段”正式跨进了“执行阶段”，AI不再是站在旁边出主意的人，而是直接上手干活的同事。
搞一个会自己偷学经验变得越来越聪明的数据库
这套系统最牛的地方不是它能干活，而是它会自己学习，越干越聪明。这家公司把所有对外营销活动的效果数据，比如发了什么LinkedIn帖子、给客户发了什么邮件、最后有多少人回复了、多少人成交了，连同每一条内容的完整原文，全部存进一个叫Pinecone的数据库里。Pinecone是一种专门用来做相似度搜索的数据库，你可以把它想象成一个超级智能的档案柜，你问它“找出去年效果最好的那种催单邮件”，它能在一秒钟之内把最像的那几封给你翻出来。
这个数据库是怎么用的呢？举个例子，公司的文案写手在写一封新邮件之前，会先去这个数据库里搜一下。比如要写一封给制造业客户的开发信，数据库就会返回历史上给同类客户回复率最高的三封邮件是什么样子的，写手照着那个格式改吧改吧就行了，不用从零开始憋。更有意思的是，如果AI干了一件蠢事，比如发了一封语气特别冲把客户惹毛了的邮件，人工纠正之后，这个“什么情况下不能这么写”的教训也会被存回数据库里。所以这套系统用得越久，犯的错误就越少，相当于整个公司的AI智商在持续增长，你今天喂进去的经验，明天所有同事的AI都能用上。
给跑得飞快的AI拴上狗绳装上护栏和安全带
前面几层让AI跑得飞快，但跑太快容易撞墙，所以这最后一层专门负责踩刹车和装护栏，防止AI干出什么让人想撞墙的蠢事。首先，每个客户的代码库里都藏着一个叫“安全文件”的东西，里面写死了AI绝对不能干的事情。比如“绝对不要给已经退订的客户再发邮件”、“绝对不要在邮件里承诺任何折扣金额”、“绝对不要用感叹号连续结尾”。AI每次动手之前都得先看一眼这个安全文件，就像赛车手发车之前得先看赛道上的限速牌一样。
第二条规定听起来特别反直觉，但这家公司的老板说这是最重要的规矩：AI输出的内容，百分之百不许不经过人工审核就直接用。也就是说，每个人都要对自己叫出来的AI干的事情负责，邮件发出去了客户投诉了，那就是你的责任，不能甩锅说“都是AI干的”。
这家公司的逻辑是，AI犯错不可怕，可怕的是没人觉得自己要对AI犯的错负责。最后一条是关于拆任务的，当任务特别复杂的时候，比如要搞一个包含五个步骤、面向三类不同客户的营销活动，一个总AI不会自己闷头干，而是会把任务拆成五到二十个小任务，再分给一群专门的子AI去干。这些子AI各管一摊，干完了再把结果汇总回来，就跟一个项目小组一样，有人负责写文案，有人负责找名单，有人负责检查格式，有人负责最后发送。
这套做法的目的是，即使单个AI偶尔犯二，但一群AI分工明确并且有人类最后把关，整个系统就不会跑偏。
真正干过的人补充的六个血泪教训
上面这五层是这家公司公开分享的正面经验，但是底下那些回复里，有大量真正自己动手干过这事儿的人，补充了更扎心的现实经验。有个叫陈艾夫纳里的老哥直接指出，大多数人的配置都少了一层最关键的东西，也就是约束层。他原话说得很形象，AI不能做什么，比它能做什么重要一万倍。如果没有这层约束，系统可能会在凌晨三点因为某个无聊的测试指令，给你所有的客户群发一百封测试邮件，等你早上醒来发现的时候已经来不及了。
另一位叫罗布·勒胡安的人说，他那边十四个AI代理跑得也挺好，但最让他头疼的不是AI不会干活，而是AI跟AI之间交接任务的时候疯狂掉链子。比如A代理干完了，告诉B代理“该你了”，结果B代理不知道从哪一步开始接，或者接过去又从头干了一遍，搞得一团糟。他的解决方案是在所有AI上面再放一个“首席幕僚代理”，专门负责指挥谁干什么、干完了传给谁、传的时候带什么资料，就跟给一群瞎忙活的蚂蚁配了个交通警察一样。
托马斯·鲍尔点出了一个本质转变，他说真正的变革不是“用AI工具”，而是把公司本身变成一个可编程的操作系统。你的知识、工作流程、记忆、决策树、营销活动和执行，全都要变成可以像软件一样被反复调用和修改的零件。能做到这一点，公司就不再是一个人力集合体，而是一个活的软件，改一行配置文件就能改变整个公司的销售话术。
还有一个叫Nicholas的人问了一个特别实际的问题，戳中了大部分公司的死穴。他问的是：如果团队里有不懂GitHub、不懂代码的普通人，他们用Claude聊天版或者网页版怎么接入这套系统？因为绝大多数销售和市场人员根本不想碰代码库，你让他们用GitHub比让他们学火星语还难。这家公司的回复是，全靠那个全公司范围的插件，它把GitHub里的所有内容静默地在后台注入到每一次AI对话里，用户完全感知不到GitHub的存在，就像你用手机的时候感觉不到背后的基站一样。
Jongmin Park单独夸了那个自我提升的数据库设计，他说用Pinecone存营销活动效果数据这个部分，增益效果是复利级的。因为你今天存进去的一个成功案例，以后可能被调用一千次，每一次调用都在创造价值，而且永远不会被忘记。
最后是Giorgio Pallocca的忠告，他说第五层运营原则是最重要的，但也是所有人都会跳过的那一层。因为建立规则和护栏这事儿，短期看起来不产生任何产出，还费时费力，所以大部分人的选择是先让AI跑起来再说。但是AI干活的速度是人类的十倍，它留下的复杂度债务要花一百倍的时间去填坑，等你发现系统已经在生产环境里跑偏了的时候，改起来比重新建一个还麻烦。