神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：产出泛滥的AI时代，堆砌内容已死。像Figma干掉文件那样拆解思想，才是不可替代的“原生工作”。文章来自编译。
我有很长一段时间没在这里发声了。
去年年底，我开始琢磨一个问题——既然“生产”工作成果不再是瓶颈，那么工作现在应该呈现出怎样的形态？
说得更大一点，什么是“人工智能原生”（AI-native）的工作？在产出成果不再困难的时代，我们这些过去围绕“产出高难度成果”建立起职业生涯的人，又该如何重塑自己的工作？
但在深入探讨这些之前，我想先推出一个我过去几周一直在捣鼓的东西。
你们中的许多人都很喜欢读我的《洗牌》这本书。
我非常高兴地宣布，《洗牌》的配套指南正式上线了。
我在书中曾提到，我将在2026年初推出《洗牌》的配套指南。
刚开始着手准备时，我原本打算把它写成另一本书。但随着工作的深入，我意识到，对于我想做的内容来说，书的形式并不一定合适。
在以极具说服力和结构化的方式传播宏大思想方面，书籍依然是一种非凡的媒介。《洗牌》本身就是以此为目的创作的。但在人工智能时代，很多思想需要以不同的方式去触达。有些需要被探索、查询、重组、导航和应用。它们需要的是互动，而不仅仅是阐述。
我相信，书需要被拆解并重新组合。
这一感悟让我重新审视了这份配套指南。我没有把它做成一本静态的书，而是将其作为一个互动式产品推出——一个与《洗牌》相伴的动态工具。
目前，它包含三个核心板块，并且随着时间的推移，它的内容还会不断扩充。
首先，也是最重要的，你可以通过《洗牌》思维导图来梳理书中的观点，这张图清晰地展现了核心概念以及它们之间的内在联系。
你可以探索图谱中的特定主线或路径。比方说，“协调”主线：
或者，你也可以顺着书中的四条路径之一进行研读——这些路径探讨了人工智能在四个层面上带来的冲击：岗位、组织、生态系统以及更广泛的宏观经济。
最后，如果你只是想随便逛逛，也可以跟着主页的“滚动叙事”（scrolly-telling）情节一路看下去。
书/newsletter的拆解与重组
这让我们回到了一个核心问题：
在人工智能时代，我们应该如何重塑自己的工作？
在知识经济的大部分时间里，我们都是通过产出来评估知识型工作的。我们看报告、表格、程序代码、设计稿、演示文稿、书籍或newsletter。这些有形的产品成了工作成果的显性证明。
但这造成了一种微妙的扭曲。我们开始过分看重这些产品本身，却低估了这些产品本该解决的问题。比方说，一本书的价值在于它能帮助读者理解、相信、记住、应用或传播某个观点。一份newsletter的价值在于它能围绕一系列观点创造出节奏、关注度和连接。
然而，这些产品本身，可能并不是解决其初衷问题的最佳方案。
人工智能揭示了这一区别，因为它让产品的生产变得更加容易，阻力大为减少。当产出变得泛滥时，一个包装精美的产品也就不再那么物稀为贵了。
真正有价值的是搞清楚到底需要解决什么问题，以及如何将观点以最佳的形式呈现，从而漂亮地完成这项任务。
这种转变改变了知识型工作的本质。价值不再体现在生产单一的成品上，而是体现在设计一个系统上——通过这个系统，思想可以被结构化、重组，并为了不同的目的以不同的形式表现出来。同样的核心观点，可能需要演变成书的一个章节、一张思维导图、一幅视觉图表、一个决策工具，或者一个互动式的配套应用。
因此，真正的工作不再是生产具体的产品。更重要的，是“思想架构”。它要求我们理解一个观点需要发挥什么作用，将其拆解为可重复使用的组件，并建立相应的机制，以便将这些组件针对特定场景重新组合成最合适的产出物。
在一个可以根据需求随时生成产出的世界里，稀缺的技能不再仅仅是“做出产出”。而是明白这个产出是为什么服务的，并掌握实现这一过程的拆解与重组逻辑。
以《洗牌》的配套指南为例。它绝不是一个十全十美的终极方案，但它做到了两件事，你一眼就能看出来。
它把一本书拆解成了核心的观点组件。
然后，它允许通过不同的重组形式，让这些观点以全新的方式重新焕发生机。
那张思维导图就是重组的一个例子。
研读路径是另一个例子。
一旦你浏览了这些页面，你就会发现它们不过是把相同的基础组件进行了不同的打包。
就此而言，书本身也是这些观点的一种特定组合，它通过特定的叙事风格串联起来，旨在带给读者某种认知上的转变。
然而，一旦读者读完了这本书，它可能就不再是满足读者下一步需求的最佳产品了——比如查阅观点、应用观点、在此基础上进行拓展等。
而这正是通过拆解和重组书本、来构建一个可复用的“思想架构”大显身手的地方。
做“人工智能原生”的工作，究竟意味着什么？
大多数人在回答这个问题时，都只是把人工智能当成一种工具。他们用它来总结一本书，把主题演讲变成社交媒体的幻灯片图集，把图集变成一条长推文，把推文变成播客，再把播客变回博客文章。
他们速度更快了，覆盖的渠道更多了，感觉自己生产力满格。
但这和当年云计算浪潮来临时 Adobe 的做法如出一辙：换汤不换药，还是同样的文件，只是换了新管道分发。
这只是“改头换面”（repurposing）。它看起来像是在转型，但没有改变任何底层结构。它依然是基于“产出物”的逻辑构建的，就像 Adobe 过去是建立在“文件”的逻辑之上一样。
而 Figma 并没有像 Adobe 那样单纯把设计文件搬到云端。Figma 彻底干掉了文件的逻辑。正如文章所说：
它用“元素”（element）——如按钮、图标或字体样式——取代了文件，作为工作的基本单元。
正是得益于这种基于元素的架构，Figma 用户可以创建可复用设计组件（如按钮、图标、字体样式和调色盘）的共享库，团队可以在多个文件和项目跨界使用。设计师们无需在每个文件中复制这些元素，而只需引用同一个“单一事实来源”。
此时，“文件”变成了这些元素的特定重组形式，而不再是一个个孤立、割裂的对象。
修改和权限可以在设计元素的层面上进行追踪和管理。每个元素在数据库中都是可寻址的：修改一次组件，该修改就会自动同步到它出现的所有地方。
这保证了一致性，简化了更新流程（一次修改，全员更新），并使跨职能团队能够在统一的视觉标准下协同工作。共享库将设计工作从孤立的文件所有权，推向了协调一致的系统级协作。
通过将工作单元从“文件”转变为“元素”，Figma 实现了实时协作，创造了一个降低参与门槛的共享设计环境，也让 Adobe 的模式在其自身架构的束缚下显得越来越捉襟见肘。
Figma 的举措和 Adobe 的举措远看很相似，实则背道而驰。一个是把同样死板的产品推向新渠道；另一个则是把产品拆解开来，让新产品从全新的重组中诞生。
Adobe 的动作是一个关于“分发”的故事，而 Figma 的动作则是一个关于“架构”的故事。
我们生产的每一种成果——无论是书籍、报告、PPT 还是课程——都是一个组合包。任何一个包的内部都包含：框架、论点、案例、证据、反驳、定义、故事和决策。而将这个组合包熔铸在一起的，是叙事——即对这些观点所选定的一种单一排列顺序。
然而，叙事只是旨在解决特定问题的众多重组逻辑中的一种。
你脑海中的想法是网状联想式的。你想到一个概念，十几个相关的概念就会立刻浮现出来——例子、特例、制衡因素、实际应用。没有任何一种书写技术能够直接传递这种网状结构。因此，作者不得不将错综复杂的关联想法压缩成一条选定的线性脉络，丢弃了其他所有可能同样行得通的排列顺序，因为剩下的东西无处安放。随后，读者再进行解压，根据他们拿到的唯一路径，在自己脑海中重新构建这些联系。
说白了，书不过是介于作者的理解与读者的重构之间的一种“有损”表达。
一旦你能看透这种线性成果（无论是书、表格还是产品设计文档）其实是媒介的属性而非思想本身的属性，你也就找到了从 Adobe 模式跨越到 Figma 模式的路径。
这里包含两个截然不同的步骤。
“拆解”意味着意识到最终产品并不是基本单元。你不再把一本书（或任何产品/成果）看作是一个需要被切碎成各种格式的整体，而是开始把书中的观点视为具有独立生命力的个体。你不再问“我怎么才能从这本书里榨取更多价值”，而是开始问“我真正拥有的核心观点是什么，它们各自独立存在时能变成什么”。
这绝不是像“内容改头换面”那么乏味的事，那是 Adobe 的做法——依然把最终产出当作工作单元，只是为了新渠道重新包装一下。
而“重组”则是拆解之后才成为可能的奇迹：它能产生原始线性叙事永远无法表达的组合。针对新场景、新受众、新问题进行全新创作。此时，每个观点的表达方式都变成了它所处语境的函数。
“改头换面”保留了组合包的原貌，只换了包装纸。“拆解与重组”则改变了组合包本身——一旦你掌握了这种能力，你就可以针对原始产出从未预料到的新问题，一次又一次地进行重组。
这不是产品的再利用，而是“观点间内在联系”的再利用。你重复使用的不再是那个死板的产出，而是观点之间的联结纽带，而昨天的产出不过是打包这些纽带的其中一种方式而已。
这具有巨大的深远影响，其范围远远超出了你对一本书、一份newsletter或你创作的任何产品所能做的。
我们再以书为例。
早在2012年，当我第一次开始认真对待自己的研究和写作时，我就记录下了我遇到的几乎每一个想法。这在很大程度上是为了我自己的研究习惯——把所有东西放在一个地方，以便在乍看之下毫无关联的观点之间找到联系。
在过去的大部分时间里，这个过程完全是手动的。我用 Workflowy 作为我的核心知识库。虽然当时有更复杂的图谱工具，但我发现它们大多数对于日常使用来说过于繁琐。Workflowy 很好用，因为它的视觉和使用体验非常接近 Microsoft Word，同时又赋予了我将大块思想任意移动到新层级结构中的灵活性。
在过去的近15年里，按每年平均300天、每天平均增加25到30个想法计算，这里已经积累了一个包含超过10万个观点的庞大语料库。我说“超过10万个”，是因为在那些我真正沉浸在某个主题的日子里，我可以轻松地往里塞进100到150个思想组件。
然而，在所有的这些语料中，只有极少的一部分最终变成了书籍和newsletter。
更重要的是，我在这些观点之间发现组合与因果关系的能力受到了限制，这不仅是因为我个人的认知带宽有限，更重要的是因为随着我添加的想法越来越多，重新分类和重构层级所需的手动工作量也在呈指数级增长。
以下是我过去15年管理它的方式：
每天，我会把读到的内容以及相关链接塞进 Workflowy。每隔一段时间，我会回头清理一下。每年12月，我会抽最后两周的时间来复盘当年的笔记，重新组织它们，并把它们与往年收集的想法融合在一起。事实上，那时我通常待在海滨度假胜地，除了让自己沉浸在一年来的各种想法中之外无事可做，这让它成了我非常期待的年度仪式。
那个系统对我帮助极大。它帮我写了三本书。更重要的是，它让我能够不断在自己所读、所学和所想的一切事物之间建立起微弱的联系。
但我现在意识到，像这样的知识库只有在被“激活”时才具有真正的价值。如果它只是作为个庞大的档案库堆在那里，它的用处是相当有限的。
而这正是生成式人工智能（GenAI）显得格外有趣的契机。
因为它可以理解语言、识别概念并建立它们之间的联系，所以它可以帮助将一个在很大程度上是隐性的工作体系转化为更具模块化、可检索且有生成能力的东西。
多年来，我写过的每一篇文章、随笔、newsletter和书的章节，本质上都是在用叙事的方式，试图把已经存在于我的 Workflowy 里的想法串联起来。正如大多数知识工作者一样，这项工作大部分都是在潜意识中隐性完成的。但有了生成式人工智能，现在就有机会让那些底层的概念、联系和模式变得更加显性。
在许多方面，这正是我自开始写《洗牌》以来一直在思考的问题的延伸：知识的组件化、观点的模块化，以及以前相互孤立的领域之间转换成本的直线下降。
长期以来，我一直对这些转变不仅如何应用于行业和组织，而且如何应用于思想、概念和理论的世界深感兴趣。
在过去的几个周/月里，我一直在尝试各种工具，主要是 Claude Code，以及一些标签和分类管理系统，来组织和重构我的知识库。更大的野心不仅仅是创建一个更好的档案馆，而是建立一个活的系统，它能够识别关联、重组观点，并帮助我在过去十多年来收集的所有深度内容中纵横驰骋。
在这个过程中，我想继续将这些概念重新打包成全新的组合，提供给这些思想的读者和消费者。
书籍和newsletter等叙事形式在能够产生最大价值的地方将继续发挥作用。但是，一旦思想架构搭建完成，能做的事情还有很多。
如果你觉得这种方法很有吸引力，我很想听听你是如何在工作中应用它（或打算应用它）的。
目前，我正在进行的下一次“重组”是一个岗位指数——一个获取市场数据并应用《洗牌》论点的产品，以此来确定特定岗位被重新洗牌的程度。
译者：boxi。
发布时间：2026-07-04 09:02
立即订购
在线咨询
返回顶部