AI 命理 prompt 深扒：真正的门槛不是算命，而是把排盘算法藏进 0 门槛交互
AI 命理 prompt 深扒：真正的门槛不是算命，而是把排盘算法藏进 0 门槛交互
这条视频表面上是在分享一个“AI 测八字/命盘”的免费 prompt：作者说自己做了一个 AI 八字 prompt，朋友留言“八字”就可以拿去试用；画面里，他把一个 mingli-prompt-chatbot.md 文件拖进 Claude/Kimi 这类聊天窗口，输入“马斯克，男，北京时间1971年6月28日申时出生”，等一会儿就生成一份可以在电脑和手机上打开的 HTML 命盘解读。
如果只把它看成“又一个玄学流量视频”，会看浅。它真正值得深扒的地方，不是 AI 到底会不会算命，而是一个很具体的产品化动作：作者原来做的是一个基于 coding agent 的命理解读 skill，仓库里还写着“基于 iztro-py 精确排盘，生成可视化命盘 HTML”；但很多普通用户反馈“coding agent 不会用，skill 不会装，看了也没懂”。于是作者把原来面向开发者/agent 用户的能力抽象成一个 prompt 文件，让普通人只要拖进聊天窗口就能跑。
这就是这条视频最有价值的判断：AI 工具能不能扩散，不只取决于模型强不强，也取决于你能不能把复杂能力包装成用户已经熟悉的交互动作。 对普通用户来说，GitHub、skill、安装路径、agent runtime 都是门槛；“拖一个文件进聊天框，再发一句出生信息”就是低门槛。作者真正卖的不是玄学结果，而是“把排盘算法、命理解读结构、HTML 生成要求都封装成一个可拖拽的 prompt 交付件”。
这条视频来自作者“与你同学 learn with you”，时长约 95 秒。视频简介写的是“无偿分享 AI 测八字工具，0 门槛使用”；音频轨里，作者先指出市面上很多 AI 算命工具“没有排盘”，所以容易说一堆貌似对、但换个人也能套上的话；接着解释自己为什么知道这个问题：他之前做过一个命理解读师 skill，有专业粉丝给他反馈，他也补了很多专业知识；随后他承认上一个版本门槛高，于是把 skill 抽象成 prompt，直接分享给普通用户。
视觉轨补了很关键的信息。开头不是作者坐着空讲，而是打开 GitHub 仓库 learnwithu/mingli-master，仓库描述是“紫微斗数命盘解读 skill，基于 iztro-py 精确排盘，生成可视化命盘 HTML”。中段展示群聊/评论里有人问“八字那个怎么弄”“你视频里教的我也没懂”，这说明“降门槛”不是作者凭空包装，而是来自真实用户阻塞。后段演示 Claude/Kimi：拖入 prompt 文件，输入出生信息，模型先排盘、再生成 HTML，最后在手机端打开可视化命盘页面。音频负责讲理由，画面负责证明链路。
所以，这条视频可以沉淀成一句话：把 AI 能力产品化，不是把 prompt 写得更玄，而是把“专业计算 + 解释结构 + 可视化交付”压缩进一个普通用户能完成的动作里。
一、先吃透原视频：它不是单纯分享 prompt，而是在做一次“门槛降维”
视频的第一句话很直接：“你是不是也用 AI 算过八字？”这句钩子并不新鲜，但作者马上接了一个反常识判断：“市面上那些 AI 工具，大多数都是没有排盘的。”这句话把视频从普通玄学内容里拉了出来。普通 AI 算命视频常见打法是“输入生日，AI 说你命里有什么”；作者这里先打掉一类伪需求：如果没有排盘，后面再会说，也可能只是通用性格分析。
这里要理解“排盘”的内容意义。对命理类工具来说，排盘相当于底层结构化计算：先根据出生时间、历法、星曜或八字规则生成一个确定的盘，再基于这个盘做解释。我们不需要判断命理本身是否科学，但从产品设计角度看，“排盘”至少承担了一个作用：它让输出不再只是“你很敏感、你很有潜力、你最近有变化”这种可套话，而是让模型先面对一组被算法生成的结构化输入。换句话说，排盘是这个产品的“证据层”。
作者接着解释自己为什么能发现这个问题：他之前做了一个命理解读师 skill，有很多朋友喜欢，也有专业粉丝给了建议，他补了专业知识。画面里对应的是 GitHub README 和仓库结构。这个桥段在内容上有两个作用。第一，它给作者建立了人设：他不是随便拿 prompt 套玄学流量，而是做过一个工程化版本。第二，它给后面的免费分享建立信任：这个 prompt 不是从零随手写的，而是从上一代 skill 抽象出来的。
真正的转折在 20 多秒。画面展示群聊和评论，用户问“八字那个怎么用啊”，还有人说“你视频里教的我也没懂”。音频里作者说，很多朋友没有用过 coding agent，skill 不会装，所以这次“直接把门槛砍到 0”。这句话是全片的产品化核心。原来能力可能是对技术用户友好的：懂 GitHub、懂 agent、懂 skill、知道怎么安装。现在目标用户变成普通推荐流观众：他可能只会打开 Kimi 或 Claude，只会复制粘贴，只会在评论区留言拿文件。产品形态必须跟着用户能力变化。
作者的解决方案是把 skill 抽象成 prompt。这里有一个很值得学的点：他没有把用户教育成“你也来学 coding agent”，而是把能力搬到用户已经会用的界面里。很多 AI 工具创业和内容教学会犯一个错误：明明目标用户是小白，却要求用户安装环境、克隆仓库、配置 key、理解文件结构。用户不是不想用你的能力，是不想先变成半个工程师。
演示段的设计很短，但很完整。第一步，打开 Claude 或 Kimi。第二步，拖入 mingli-prompt-chatbot.md。第三步，输入“八字”，也就是出生信息。第四步，等待模型生成命盘 HTML。第五步，在电脑和手机网页端查看结果。这个链路的优点是每一步都能被普通用户理解：拖文件、发消息、等结果、打开页面。作者还补充国内用户可以用 Kimi 免费测试，国外用户可以用 Claude 网页版测试，这其实是在处理“工具可得性”问题。
这条视频最值得注意的不是“免费”。免费只是降低尝试成本；真正降低使用成本的是交互降维。一个 skill 免费，但用户不会装，它仍然很贵；一个 prompt 免费，用户能在熟悉的聊天框里直接运行，它才真的接近 0 门槛。
二、音画合并时间轴
0 到 8 秒，视频打开 GitHub 仓库页面，右上角有作者人像圆窗，底部字幕是“你是不是也用 AI 算过八字”。仓库标题和描述显示这是一个命盘解读 skill，基于 iztro-py 精确排盘，能生成可视化命盘 HTML。音频同步指出，很多 AI 算命工具没有排盘，所以输出容易像通用套话。
8 到 18 秒，画面仍在 GitHub/README 页面，字幕强调“大多数都是没有排盘的”“我也学习到了很多这方面专业知识”。音频补充自己之前做过命理解读师 skill，得到专业粉丝建议。这里完成第一层信任：不是只讲 AI 聊天，而是有仓库、有 skill、有排盘。
18 到 30 秒，画面切到群聊/评论反馈。用户在群里问“八字那个怎么弄”“老师们，这个怎么用啊”，并出现“你视频里教的我也没懂”的反馈。音频说“有很多朋友说自己没有用过 coding agent，skill 不会装”。这段是全片关键转折：用户不是质疑价值，而是卡在门槛。
30 到 40 秒，画面回到 README 的使用说明，能看到可复制提示词和“输入生辰信息，生成一张精美的紫微斗数可视化命盘报告”等说明。字幕是“想要 prompt 提示词的朋友直接找我拿”。这段完成从 skill 到 prompt 的产品转译。
40 到 52 秒，画面进入 Claude 网页端。作者拖入 mingli-prompt-chatbot.md 文件，输入“马斯克，男，北京时间1971年6月28日申时出生”，然后点击发送。音频强调“使用非常简单，只用把我的 prompt 拖进来，然后输入八字”。这就是 0 门槛操作的核心画面。
52 到 66 秒，Claude 开始工作，画面显示模型正在读取 prompt、生成命盘 HTML。作者提醒国内用户可以免费用 Kimi 测试，国外用户推荐 Claude 网页版测试，因为它们对 HTML 生成比较稳定。视觉上叠加了 Kimi 标识，强化“免费可用”的可达性。
66 到 80 秒，Claude 输出命盘推演节点和解释，并生成一个 HTML 下载卡片。画面能看到类似“几个推算节点说明”“最有意思的三个象”等解读段落。这里证明 prompt 不只是让模型聊天，而是让模型先生成结构化命盘，再生成可视化文件。
80 到 94 秒，作者用手机端打开结果页，画面显示深色主题的“命盘解读”HTML 页面和表格模块。结尾字幕是“想要这个 prompt 的朋友直接过来找我要”。最后的 CTA 不是让用户学 GitHub，而是让用户索取 prompt。
三、7 段文案拆解
【1】开头钩子：用“你用过 AI 算命，但它可能没排盘”制造反常识
这条视频的开头钩子是“常见行为 + 反常识纠偏”。第一句“你是不是也用 AI 算过八字”把目标人群圈出来：对 AI 玄学、命理娱乐、个人解读工具有兴趣的人。第二句“市面上那些 AI 工具，大多数都是没有排盘的”立刻制造信息差：原来你以为自己在让 AI 算命，实际上可能只是让 AI 做通用话术生成。
具体画面也很关键。作者没有用神秘感背景、塔罗牌、星空素材开场，而是打开 GitHub 仓库。这个反差让人停留：一个讲八字/命盘的视频，为什么一上来是代码仓库？这相当于把“玄学内容”重新包装成“AI 工具/工程实现内容”。对 AI 受众来说，GitHub 比符号化玄学画面更能建立可信感。
钩子成功的底层逻辑是，它同时打中了两种心理。第一种是怀疑：很多人用 AI 算过命，但觉得“说得都像我”；作者给出解释，因为没有排盘。第二种是好奇：如果普通 AI 工具没排盘，那这个工具是不是更认真？它到底怎么排？结果能不能更具体？这样观众就有理由继续看下去。
我给这个钩子 4 星。它的优点是切入快、反常识明确、画面信任感强；缺点是“排盘”对完全小白有一点门槛，如果作者能在前 3 秒加一句“没有排盘，就像没拿病历就开药”这类类比，理解会更快。但在 AI+命理这个垂类里，这个开头已经足够有效。
【2】人设 & 声音：技术型分享者，不装大师，重点是“我把门槛砍低了”
作者的人设不是命理大师，也不是玄学情绪博主，而是“会用 AI 和 coding agent 做小工具的技术型分享者”。他讲的是命理，但声音里一直在讲工具：skill、coding agent、prompt、HTML、Kimi、Claude。这个人设的优势是，它降低了玄学内容的可疑感，把重点转移到“工具怎么做、怎么用、怎么降低门槛”。
他的说话风格偏朴素，语速中等，口吻像是在解释一个自己刚迭代完的小产品。他没有把结果吹得神乎其神，也没有说“准到吓人”。相反，他先说市面工具的问题，再说自己为什么知道，再说用户反馈不会装，最后演示怎么用。这种顺序比直接“免费送你一个超准八字 prompt”更可信。
受众画像很清楚。第一类是对 AI 玄学工具感兴趣的人，他们想试，但不想学复杂技术。第二类是 AI 工具爱好者，他们关心怎样把 agent skill 抽象成 prompt。第三类是内容创作者和小工具开发者，他们会看到这里面有一种低成本获客方式：先做一个有实际效果的小工具，再把高级形态降维成普通人可用的文件。
值得借鉴的语言习惯有两个。第一是“先承认门槛”。很多作者会假装自己的工具很好用，用户不会用是用户问题；他直接说很多朋友没有用过 coding agent、skill 不会装，所以这次砍到 0。第二是“把复杂动作压成一句简单话”：把 prompt 拖进聊天窗口就能使用。用户不需要理解背后有多少规则，只需要记住这个动作。
这类人设最适合做“AI 工具产品化”内容。它不是靠人格魅力压倒观众，也不是靠专业术语建立距离，而是不断释放一个信号：我已经把复杂的东西试过了，现在给你一个更容易用的版本。
【3】信息密度 & 节奏：95 秒内完成问题、信任、门槛、演示、结果、CTA
视频总时长约 95 秒，信息密度中高。它不是纯教程，也不是纯口播，而是“解释 + 证明 + 演示”三条线并行。
0 到 18 秒是问题和信任：你用 AI 算过八字，但很多工具没有排盘；我之前做过命理解读 skill，也收到了专业粉丝建议。这里用 GitHub 仓库和 README 做画面支撑。
18 到 32 秒是门槛转折：很多朋友不会 coding agent，不会装 skill，所以要把门槛砍到 0。画面展示真实用户反馈，避免这个转折显得像营销话术。
32 到 52 秒是方案演示：prompt 文件拖进聊天窗口，输入出生信息，点击发送。画面节奏很慢，足够观众看懂关键动作。
52 到 75 秒是等待和工具推荐：Claude/Kimi 对 HTML 生成稳定，国内外都有免费测试方案。这里不是严格教学，但它解决了“我去哪试”的现实问题。
75 到 94 秒是结果证明和 CTA：生成 HTML 文件，手机端打开命盘页面，想要 prompt 的朋友来找我要。
这条视频的节奏设计不是“信息刺激 -> 留白 -> 再刺激”的强剪辑，而是“阻塞 -> 降维 -> 证明”的产品演示节奏。它的核心刺激点有三个：没有排盘的 AI 工具不可靠；原 skill 用户不会装；现在拖 prompt 就能生成 HTML。每个刺激点后面都有画面证据：仓库、用户反馈、网页演示。
留给观众消化的时间基本够。因为作者没有试图在 95 秒内讲命理原理，也没有展示完整 prompt，而是只让观众记住一个操作链：拿 prompt、拖进去、输入生日、出 HTML。它故意不讲太多细节，目的是让 CTA 成立。
【4】讲解手法 & 内容结构：问题诊断式教程，而不是单纯资源分享
这条视频的结构可以概括成“伪工具问题 -> 作者可信来源 -> 用户门槛反馈 -> 新形态解决方案 -> 结果展示 -> 评论索取”。它不是普通“我做了一个 prompt，想要来拿”，而是先解释为什么需要这个 prompt。
第一段承担问题诊断：很多 AI 算命工具没有排盘，输出泛。第二段承担作者背书：我之前做过命理解读师 skill，收到专业建议，学习过相关知识。第三段承担用户洞察：不是大家不想用，是不会装 coding agent/skill。第四段承担解决方案：把 skill 抽象成 prompt，拖进聊天窗口即可使用。第五段承担可信证明：生成命盘 HTML，并能手机端查看。第六段承担 CTA：想要 prompt 就来找我。
最有说服力的一句话是：“这次我直接把门槛砍到 0。”它强在不是一个空泛承诺，后面马上用演示证明：真的只剩拖文件和发消息。很多 AI 工具视频说“保姆级教程”，但实际要求用户配置环境；这条视频说 0 门槛，画面上确实是聊天窗口。
具体化手法主要有三种。第一，用 GitHub 仓库具体化“我做过工具”。第二，用用户群聊具体化“普通人卡在哪里”。第三，用 HTML 结果具体化“prompt 的交付物”。这三种证据让视频不像单纯卖资料。
如果要优化讲解结构，我会建议作者在中间补一个更清晰的对比句：“上一版适合会 coding agent 的人，这一版适合只会打开 Kimi/Claude 的人。”这句话能让产品形态升级更一目了然。
【5】金句 & 记忆点：最强记忆点是“把 skill 抽象成 prompt”
逐字稿里最值得截图和二次传播的句子有几类。
第一句是：“市面上那些 AI 工具，大多数都是没有排盘的。”这是反常识型金句，也是这条视频的信任入口。它让观众意识到，AI 生成解释之前，最好先有一个结构化底盘。
第二句是：“真正的命盘得靠算法算出来。”这句话把玄学内容重新翻译成产品语言：先计算，再解释。即便我们不评价命理本身，这个顺序对很多 AI 工具都成立：先结构化事实，再让模型表达。
第三句是：“很多朋友没有用过 coding agent，skill 不会装，所以这次我直接把门槛砍到 0。”这是产品经理视角最强的一句。它不是“我做了更强的功能”，而是“我移除了用户不会跨过的门槛”。
第四句是：“我把我的 skill 抽象成 prompt。”这是全片最值得迁移的金句。它代表了一种从工程工具到普通用户交付件的降维方式：把复杂能力封装进 prompt 文件，让它在通用聊天窗口里运行。
第五句是：“只要把我的 prompt 拖进你的 AI 聊天窗口就能使用。”这是传播型动作句。好的产品传播不应该只说价值，还要能被用户复述成动作。
画面里的强记忆点也很清楚。第一个是 GitHub 仓库页面，证明这个工具有工程来源。第二个是群聊反馈，证明降门槛有真实需求。第三个是拖入 mingli-prompt-chatbot.md，这是最可复制的动作。第四个是手机端命盘 HTML，证明结果不是一段聊天，而是一个可浏览交付物。
如果要提炼一个可复用金句模板，我会写成：不要让用户学习你的工具栈，要把你的工具栈折叠成用户已经会做的动作；能拖进聊天框的 prompt，比需要安装的 skill 更容易扩散。
【6】收尾 & CTA：资源索取型 CTA，但前面先完成了价值证明
视频的 CTA 很直接：“想要这个 prompt 的朋友直接过来找我要。”简介里也写了留言“八字”。这是典型的资源索取型 CTA，目的不是让观众讨论命理，而是让观众留下互动信号。
这个 CTA 的触发时机是合理的。作者没有一上来就说“评论八字领取”，而是先讲了三个理由：市面工具没排盘、自己做过 skill、现在普通聊天窗口可用；再演示了一个完整结果。观众看到最后，会产生明确需求：我也想拿这个文件试一下。这个时候 CTA 转化阻力低。
它和内容主体衔接也顺。因为视频并没有公开完整 prompt 文件内容，核心资源天然留在 CTA 后面。对短视频增长来说，这很常见：公开内容讲价值和演示，评论/私信承接文件。
这里的沉锚设计是“八字”这个关键词。它足够短，和视频主题强绑定，用户不需要思考该评论什么。对算法和账号运营来说，短关键词也方便统计。
但这个 CTA 也有一个风险：如果后续私信承接不顺、文件领取链路复杂、prompt 不能稳定运行，信任会很快反噬。越是打“0 门槛”，后端越要真的 0 门槛。更好的承接方式应该是：自动回复文件、附上 Kimi/Claude 两个测试入口、给一个输入样例、说明不要用于严肃决策，只当文化娱乐和工具体验。
【7】可复制文案骨架
这条视频可以抽成一套“专业工具降门槛分享”的文案骨架，适用于 AI prompt、agent skill、自动化脚本、小工具、模板文件、知识库工作流等内容。
[开头钩子句 - 类型：常见行为 + 反常识纠偏]
你是不是也用过【某类 AI 工具/玩法】？
但我告诉你，市面上很多【同类工具】其实少了最关键的一步：【关键底层动作/算法/结构化输入】。
[作者可信来源]
我为什么知道？
因为我之前做过一个【更专业/更复杂的版本】，
也收到过【专业用户/真实用户】很多反馈，
后来我把里面真正有效的部分重新整理了一遍。
[用户门槛反馈]
但很多朋友跟我说：
【门槛 1】不会，
【门槛 2】不会装，
【门槛 3】看不懂。
所以这次我不让大家学复杂流程，直接把门槛砍到 0。
[核心方案]
我把原来的【skill/脚本/工作流/系统】抽象成了一个【prompt/模板/文件】。
你只要把它拖进【用户熟悉的工具界面】，
再输入【一个简单指令/个人信息/业务场景】，
它就能生成【具体交付物】。
[演示证明]
比如我输入【样例】，
等待一会儿，
它会先完成【底层计算/结构化处理/资料整理】，
再生成【最终结果】。
电脑端能看，手机端也能打开。
[工具可得性]
国内用户可以用【免费工具 A】测试，
国外用户可以用【工具 B】测试，
这两个对【关键输出类型】比较稳定。
[收尾 + CTA]
想要这个【prompt/模板/文件】的朋友，
评论/私信【关键词】，
我直接发你。适用场景：AI 小工具发布、agent skill 降维、行业 prompt 分享、知识库模板、自动化脚本转普通用户工具、教培资料生成器、销售话术生成器、PPT/简历/短视频脚本 prompt。最适合博主类型：AI 工具实操号、垂类效率号、技术型内容创作者、会做小产品的知识博主。预估完播率中高，原因是它有反常识、有真实用户阻塞、有演示结果、有资源领取；风险是资源必须真的可用，否则容易被认为标题党。
四、这条视频最值得迁移的 7 个判断
第一，AI 工具的扩散半径，常常不是由能力上限决定，而是由最低使用门槛决定。一个 coding agent skill 再强，如果用户不会装，就只能留在小圈层；一个 prompt 文件能力略弱，但能在 Kimi/Claude 里拖拽运行，就能触达大得多的用户。
第二，复杂能力产品化时，要保留“证据层”，不能只保留“表达层”。作者强调排盘，就是在强调模型解释之前要先有结构化底盘。迁移到其他领域也是一样：AI 写简历要先有履历事实表，AI 做销售方案要先有客户画像和产品资料，AI 做教案要先有考纲和知识点结构。只让模型发挥文采，容易生成漂亮空话。
第三，用户反馈里最值钱的不是夸奖，而是“我不会用”。“不会装 skill”“没用过 coding agent”这类反馈，直接告诉你产品形态错配。真正的迭代不是继续给用户讲安装教程，而是把能力搬到用户已经熟悉的界面。
第四，prompt 可以是交付件，不只是提示语。很多人把 prompt 当一句文本，但这条视频里的 prompt 更像一个小应用说明书：包含角色、流程、规则、输出格式、HTML 生成要求和用户输入方式。未来很多轻量 AI 工具会以“可拖拽 prompt 文件”的形态传播。
第五，免费不是 0 门槛。免费只解决价格，不能解决理解、安装、配置、运行环境和输出查看。真正的 0 门槛要同时处理：用户去哪用、输入什么、等待多久、结果怎么打开、失败时怎么办。
第六，演示样例要选公众熟悉对象。作者用马斯克做测试，这比随机虚构人物更容易让观众理解：输入信息具体，结果有可读性，也不会暴露普通用户隐私。做任何 AI 工具演示，都要选一个观众能迅速进入的样例。
第七，低门槛传播必须配套边界提示。命理类工具尤其要注意，不应该让用户把娱乐解读当严肃决策。越是容易使用，越要在 prompt 或承接说明里写清楚：结果仅供文化娱乐、个人反思或内容体验，不应用于医疗、投资、婚姻等重大决策。
五、如果我们自己复刻，应该怎么做
第一步，先找一个已经被证明有需求、但现有形态太难的能力。不要从“我想写个 prompt”开始，而要从用户阻塞开始：他们不会装环境、不会配 key、不会跑命令、不会理解输出、不会把结果转成可用文件。
第二步，把专业流程拆成三层：底层结构化、模型解释、交付格式。以这条视频为例，底层结构化是排盘，模型解释是命理解读，交付格式是 HTML 页面。迁移到教培业务，底层结构化可以是考纲/题型/学生画像，模型解释是教学方案，交付格式是 PPT、讲义或练习册。
第三步，把用户输入压缩到最少。用户最好只需要提供一个场景、一段资料或一个样例。输入越复杂，越不像 0 门槛。这里的关键不是让 prompt 全能，而是定义一个稳定的最小输入协议。
第四步，把复杂规则写进文件，而不是让用户每次复制一大段话。文件化有两个好处：一是用户动作简单，拖进去即可；二是作者能迭代版本，后续更新功能时只换文件，不要求用户理解每个规则。
第五步，选择用户已经有账号的运行环境。作者推荐 Kimi 和 Claude，不是因为它们一定最强，而是因为普通用户能打开、能上传文件、能生成 HTML。做小工具时，优先考虑用户可得性，而不是开发者最喜欢的环境。
第六步，结果必须可展示。纯文字结果容易被划走；HTML、表格、报告、PPT、图片、卡片这类交付物更适合短视频展示，也更容易让用户觉得“我拿到了一个东西”。这条视频的手机端预览就是很强的结果证明。
第七步，设计后端承接。评论关键词只是第一步，后面最好有自动回复、文件下载、使用样例、常见错误说明、更新日志和边界提醒。否则前端视频越火，后端越容易崩。
第八步，保留升级路径。0 门槛 prompt 适合拉新，但高级用户可能仍然需要 skill、脚本、API 或私有化版本。一个好的产品矩阵应该是：prompt 负责体验，skill 负责深度，代码仓库负责可扩展，服务化接口负责商业交付。
六、四角度反思
1. 对我们做的事：推荐流学习要抓“门槛迁移”，不要只抓工具名
这条视频对我们最直接的提醒是，深扒 AI 推荐流时，不要只记录“有人做了一个 AI 八字 prompt”。这类表层信息很快就会过期，也容易被玄学噱头带偏。真正值得存的是它背后的门槛迁移：从 GitHub skill 到聊天框 prompt，从技术用户到普通用户，从安装运行到拖拽运行，从代码结果到 HTML 可视化交付。
我们做自动学习归档时，应该特别关注这种形态变化。很多 AI 工具在第一版都是给开发者、重度用户、早期玩家用的；但一旦作者发现普通用户的阻塞，就会把它重新包装成模板、文件、表单、小程序、网页或自动回复。谁能识别这种降维，谁就能更早判断某个能力有没有大众传播潜力。
这也提醒我们，双轨分析不能省。只看逐字稿，我们知道作者说“prompt 拖进去就能用”；看画面，才知道他背后有 GitHub 仓库、用户反馈截图、Claude/Kimi 演示、手机端 HTML。音频给观点，画面给证据。没有画面轨，很容易把这条误判成普通资源分享。
2. 对橙子自己能力：橙子要学会把 skill 变成用户能拿走的交付件
对橙子自己来说，这条视频是一记提醒：我们不能只会做复杂系统，也要会把复杂系统拆成普通人能用的交付件。一个 agent workflow、一个 skill、一套脚本，如果只能在我们自己的环境里跑，它的价值边界很窄；如果能抽象成一个 prompt 文件、一个表单、一张 SOP 卡、一个可运行网页，它才更容易被老大、老师、销售、学员拿去用。
橙子未来做任何工具，都应该多问一步：这个东西给非技术用户怎么用？他们需要安装吗？需要懂变量吗？需要知道路径吗？需要配置 key 吗？如果需要，这些门槛能不能被我们提前封装掉？如果封装不掉，能不能至少给一个低配版体验入口？
这条视频里“把 skill 抽象成 prompt”可以变成橙子的一个能力目标。不是所有 skill 都能无损抽象，但很多 skill 的“使用入口”可以降维：复杂版留给 agent，轻量版给人类用户。比如深扒视频可以有 worker 自动版，也可以有一张“人工看视频的 7 段拆解 prompt”；教研生成可以有完整流水线，也可以有老师能拖进 Kimi 的模板文件。
3. 对老大机构业务：AI 课程产品不能只教工具，要交付低门槛模板
对老大的机构业务来说，这条视频非常有启发。公考、教培、招生、销售这些场景里，真正能规模化的不是“老师学会某个 AI 工具”，而是“机构把常用工作封装成低门槛模板”。老师不一定会装 agent，销售不一定会写 prompt，学员不一定懂模型参数；但他们都可以打开聊天窗口、拖一个文件、输入自己的场景。
机构可以借鉴这条视频做三类模板。第一类是教研模板：输入课程主题、学员基础、考试目标，生成讲义大纲、例题讲解、课后练习和 PPT 页面结构。第二类是招生模板：输入班型、学员痛点、活动政策，生成朋友圈文案、短视频脚本、直播话术和咨询回复。第三类是销售提案模板：输入客户类型、合作目标、课程产品，生成合作方案、报价说明和跟进话术。
更重要的是，这些模板应该有“专业结构层”，不能只是让 AI 写文案。就像命理工具先排盘再解读，教培模板也应该先整理考纲、班型、学生画像、课程目标，再生成表达。否则输出会很好看，但不一定能用。
机构业务的商业化机会在于：把老师和销售平时反复做的工作沉淀成 prompt 文件、表单和 SOP，而不是每次都靠个人发挥。低门槛模板可以先在内部提效，再包装成学员福利、私域资料、课程赠品或企业培训交付物。
4. 对未来发展：AI 应用会从“会玩的人用”走向“不会玩的人也能用”
未来很多 AI 应用不会以完整软件开始，而会以 prompt 文件、模板包、工作流、聊天入口、浏览器插件、小程序这些轻量形态扩散。原因很简单：模型能力越来越通用，真正稀缺的是把某个垂类流程封装成低门槛交互的人。
这条视频展示的是一个早期形态：开发者先做 skill，发现普通人不会用，再抽象成 prompt。以后会出现更多类似路径：先有专业工作流，再有轻量体验版，再有网页产品，再有服务化交付。谁能把专业流程拆出来，谁就能更快做出可传播的小产品。
同时，未来的竞争也会从“谁的 prompt 更长”转向“谁的交付件更稳定”。一个 prompt 文件如果只能偶尔跑通，用户不会长期信任；如果它有固定输入协议、清晰边界、稳定输出格式、错误处理和更新机制，它就接近一个轻应用。prompt 会越来越像产品，而不是一段咒语。
对内容创作者来说，这也意味着单纯发“神奇提示词”会越来越弱。更强的内容是：说明为什么普通方法不行，展示你的专业底层，证明用户卡在哪里，再给一个低门槛交付件。这样既有信任，又有转化。
七、最终判断
这条视频值得学，但不能只学“AI 八字 prompt 免费分享”。真正要带走的是三层判断。
第一，垂类 AI 工具要有结构化底盘。命理工具是排盘，教培工具是考纲和学情，销售工具是客户画像和产品资料，PPT 工具是大纲和约束。没有底盘，AI 很容易生成通用套话。
第二，复杂能力要主动降门槛。不要要求普通用户学会 coding agent、GitHub、skill 安装和环境配置。能拖进聊天窗口的，就不要逼用户跑命令；能生成 HTML 的，就不要只给一段文字；能在手机端打开的，就不要只在开发环境里展示。
第三，prompt 正在变成交付件。它不再只是“帮我写一段话”的提示，而可以承载专业规则、流程控制、输出格式和可视化要求。好的 prompt 文件，本质上是一个轻量应用。
所以，这条视频真正强的地方不是玄学，而是产品判断：把原本只有技术用户能用的 skill，折叠成普通用户已经会使用的聊天框动作。 这件事对任何 AI 垂类工具都成立。模型越来越强之后，谁能把能力降维到低门槛交互，谁就更容易把小工具做成传播资产。
最后也要保留边界：命理类内容适合作为传统文化娱乐、个人反思和 AI 工具体验，不应该被包装成严肃决策依据。一个负责任的 AI 工具，不只是让用户更容易使用，也要让用户知道它不能替代什么。真正成熟的 0 门槛，不只是“拖进去就能跑”，还包括“跑出来以后知道该怎么理解、怎么核验、怎么不误用”。