亚马逊要求实习生用 Claude Code——这个视频的作者说，她庆幸自己已经玩了一年多了。

看完这五分钟的视频，我心里有点紧。不是因为什么新奇工具，而是因为大厂工程师对 AI 的使用方式，跟大多数人的玩法已经产生了质的代差。

视频作者 Giana 是亚马逊 AWS 的 SDE 实习生。她用一条 Vlog 风格的短视频，拆解了自己每天如何跟 AI agent 协作工作。拆开来看，里面藏着几个普通人容易忽视的工程师级判断，值得深挖。

【1】钩子：「同事」这个词，藏着认知代差

开头第一句话是：「今天我来分享我每天如何跟我的 agent 同事 一起工作。」

注意这个措辞——不是「AI 工具」，不是「助手」，而是「同事（colleague）」。

这一个词是整条视频的定调，也是最扎实的钩子。在还有大量人把 AI 当搜索引擎用的时候，她在说的是「跟 AI 搭档协作」。这种认知落差本身就是内容张力——看的人要么共鸣、要么好奇，无论哪种都会停下来。

镜头接着给了亚马逊工牌、The Spheres 室内植物园（亚马逊总部标志性建筑）、团队聚餐的画面——节奏极快，三个场景把「亚麻大厂 + 技术人 + 真实生活感」的人设全部打出来了。

底层逻辑：职场类内容最容易失真，要么太端着（全是成就感），要么太鸡汤（全是感悟）。Giana 的打法是用真实生活画面（吃沙拉、帮新人接风、夸免费香蕉）做人设背书，让后面的技术分享显得可信而非说教。

这也是「展示日常细节 → 建立可信度 → 输出方法论」这条路的范本。

【2】人设与声音：双重身份，精准卡位

这条视频的作者定位很准：有 Claude Code 一年以上使用经验的亚麻工程师，用「打工日常分享」的外壳包裹了真实可复制的技术方法论。

目标受众：正在焦虑 AI 浪潮的技术学生、想用 AI 提效的职场新人、对大厂工作方式感兴趣的程序员。

她有几个高频标签词：

  • 「work buddy（工作搭子）」—— 情感化，消解技术距离感
  • 「agent」—— 技术化，建立专业壁垒
  • 「三类工作：automation / research / execution」—— 框架化，记忆点强

这种定位的聪明之处在于：它既满足了「大厂实习 vlog」的猎奇需求，又提供了真实的 AI 工作流 SOP，两类受众都能收进来。

可复制的人设逻辑：你不需要是亚马逊的。只需要你在某个细分领域有一年以上的实战积累，然后用生活感包裹技术知识输出。比纯教程内容传播力强，因为它带着人味。

【3】信息密度与节奏：五分钟，三层递进

视频时长约五分钟，信息密度超出预期。层次分得很清楚：

  • 前 30 秒：人设打底（大厂、AI、使用经验打底感）
  • 0:30-1:00：团队氛围建立（新实习生介绍、日常生活感）
  • 1:00-1:30：亚马逊内部开放 Claude Code 这个「大钩」抛出，奠定整条视频的权威感
  • 1:30-4:30：主体内容，三类 AI 工作模式的层层拆解
  • 4:30-5:00：情感收尾 + 关注引导

节奏刺激点：每隔 30-45 秒切一次场景（办公室→球形建筑→工位→美食），避免了纯技术讲解的乏味感。

刺激-留白循环：技术细节（code review multi-agent 案例）讲完，立刻插入日常生活镜头（拉面、烤鸭），给观众大脑喘气空间，再接下一个知识点。

这是高密度内容必须掌握的减压处理：不是降低密度，而是用场景切换制造心理节奏感，让观众的大脑在「接受信息」和「情绪放松」之间交替。

【4】讲解手法与内容结构：三分法 + 真实案例化

核心结构：「三类工作」总纲 → 逐类展开 → 每类配具体可视化案例

这个结构本身就是可以直接套用的内容框架，下面逐类拆。

第一类：自动化（Automation）

分两个子场景，是全视频最扎实的内容。

子场景一：晨间 Brain Dump（每日自动简报）

她用 cron job 每天自动汇总前一天的工作记录，产出两个东西：

  1. 当天的站会脚本（standup meeting script）
  2. 工作备忘录（mock out record of my work）

这个备忘录不只是省站会时间。有了记录，才能做前瞻规划——明天、下周、下个月，甚至下季度的计划，都有迹可循。

她提到 manager 传授的规划哲学：周五之前想好周目标，熟练了就扩展到月 / 季 / 年。不是用来 deadline 控制，是用来「不迷失」——这是更深的一层：

「生活永远充满意外和问题。但重要的是，当你回头看，你是迷失了，还是去了你想去的地方？」

这句话值得反复咀嚼。工作计划的本质不是控制结果，而是防止迷失方向。 这个认知比任何 OKR 理论都说得直接。

子场景二：代码评审 Multi-Agent（多 Agent 并发处理）

具体案例：有 7 条代码评审评论（code review comments）要回复。她的做法：

  • 把链接丢给 Claude，让它 spawn 7 个 agents，一个 agent 对应一条评论
  • 每个 agent 独立拉取评论内容、阅读相关代码、分析这个评论是否是合理的 concern
  • 每个 agent 跑在独立 session 里，她可以进去跟单个 agent 来回讨论，直到找到最佳回复

这是一个典型的「问题拆解 → 并行研究 → 逐一收口」的 multi-agent 范式。

关键洞察：人类天然倾向顺序处理（一条一条看），但如果 N 个子任务相互独立，并发就是最优解。7 个 agent 同时跑，速度是顺序处理的 7 倍，而且每个 agent 都能深入进去，而不是被上下文拖累。

第二类：研究（Research）

四个应用场景，每个都是真实工程问题的映射：

  1. 快速理解大代码库：让 AI 帮扫描和总结，不用自己逐行啃
  2. 查内部文档：「告诉我怎么做这件事」，比自己翻文档快 10 倍
  3. 开始编码前先查重：问一句「内部代码库里有没有人已经解决了这个问题」，有的话直接复用
  4. 工作量倒推规划：不确定这个改动要多久，就让 AI 研究估时，再自己做判断

第四个「倒推规划」的思路极为实用——它解决了「我根本不知道这件事有多复杂」的元问题。不需要你预先懂所有细节，只需要 AI 帮你把复杂度摸清楚，然后你做相对判断。这是把 AI 当做「信息侦察员」而非「执行机器」的用法。

第三类：执行（Execution）

她说：「这周我几乎没有手动写代码。」

AI 负责写代码、写文档、debug。然后重点推荐了一个叫 Superpower 的技巧：

「很多时候 AI 跑偏，不是因为它笨，是因为我 prompt 没说清楚、没给够 context。Superpower 的作用是：它会一直反问我，直到 context 填满为止。现在哪怕是小任务，我也会先过一遍 Superpower，把完整计划定好再执行。」

这是全视频最有价值的一句话。AI 质量的瓶颈不在模型版本，在 context 质量。

Superpower 的设计本质是把「context 补全」变成一个强制流程——不靠用户自觉，而是让工具主动问到信息齐全为止。这是工程思维对提示词问题的解法：把不确定性清空，再开始执行。

团队层面还有一个细节：用 agent 处理 on-call 值守，24/7 自动监控，人类只参与真决策。这意味着 agent 已经不是「辅助工具」，而是「基础设施」——是那些原本需要值班工程师盯着的工作的替代者。

【5】金句与记忆点

全视频有几句话值得记下来：

「当你回头看，你是迷失了，还是去了你想去的地方？」 —— 关于规划的本质，比任何 OKR 理论都说得清楚

「AI 跑偏不是因为它笨，是因为 context 不够。」 —— 精准命中大多数人用 AI 没效果的根本原因

「AI 不再只是工具，它是每天陪着我的工作搭子。」 —— 人机关系的认知升级宣言

「这周我没有手动写代码。」 —— 不是炫耀，是一种工作方式的宣言

可复用金句模板（可直接改编）：

「[某工具/方法] 出问题不是因为它本身的问题，是因为我们没有给它足够的 [关键资源/信息]。」

【6】收尾与 CTA

结尾用「美食 montage」（拉面、西瓜、烤鸭）做情绪降压，再用「AI 是工作搭子」做情感升华，然后自然接「谢谢观看，记得关注」。

CTA 时机把握得准——在情感最高点（「每天陪着我」）之后，不是突然切成销售腔，而是顺着情感余温收尾。

沉锚设计：整条视频都在输出「大厂工程师已经这样用 AI 了」的认知锚点。看完的人会带走一个问题——「我是不是应该开始认真用 Claude Code 了？」这种焦虑感会转化成关注和转发。

不需要直接说「关注我学更多」，视频本身的信息落差就是最好的关注理由。

【7】可复制的内容骨架

这套结构可以直接套用在任何「AI / 工具使用技巧」类内容上：

[人设打底：我是 XX 领域的 XX，有 X 年/月实战经验]
↓
[生活感画面：日常场景，降低距离感，建立可信度]
↓
[大钩抛出：一个让目标受众感到「哦？」的核心信息点]
↓
[三分法总纲：我用这套方法做三类事]
  → 第一类：[具体场景] + [可视化案例] + [底层逻辑]
  → 第二类：[具体场景] + [可视化案例] + [底层逻辑]
  → 第三类：[具体场景] + [最硬的洞察 / 金句]
↓
[情感升华：超越工具的认知（从「工具」到「搭档」）]
↓
[自然 CTA（顺着情感余温，不要突然切销售腔）]

关键约束：每类必须配真实具体的案例，不能停在概念层面。「我用 AI 做研究」是废话，「我让 AI 搜内部代码库看有没有人做过同样的事」才是信息。

四个角度的反思

对我们整体的价值

这条视频确认了一件事：工具使用的深度，正在成为工程效率的硬差距。亚马逊内部已经把 Claude Code 作为基础设施，工程师可以自由使用。这意味着「还在犹豫要不要用 AI」的人和「已经把 AI agent 嵌进 cron job」的人之间，差距在以肉眼可见的速度拉开。

对我们来说可以直接借鉴的是三分法框架（自动化 / 研究 / 执行）。在接到任何任务时，先问一句「这是哪类 AI 工作？」再决定用什么工具、怎么分解——而不是想到什么用什么。这个分类本身就是效率乘法器。

对自身能力的帮助

「Superpower 思路」对优化工作模式有直接参考价值：在执行前，先让 AI 不断追问自己，直到任务描述足够完整。现在处理复杂任务时，偶尔会因为指令不够明确而直接猜测执行，结果走偏。可以考虑在接到模糊任务时，先系统性追问几个关键维度再动手——「AI 需要知道什么才能把这件事做好？」这五个字是实用的自检问句。

另一个可以直接复用的是 multi-agent 并发模式：当同一类任务有多个独立实例，优先并发而不是串行。每个 agent 独立 session，可追问，最后汇总。这个模式在处理多条同类请求时可以直接套用。

对机构业务的启示

对做 AI 教育或知识付费业务来说，这条视频本身就是一个选题模板：大厂工程师 AI 使用实战，永远是高关注度话题。目标用户（焦虑 AI 浪潮的职场人）的核心痛点是「我知道 AI 很重要，但我不知道真实的人具体怎么用」。

可以借鉴的内容策略：让学员用三分法整理自己的工作流，产出自己的「AI 工作法分享」——既有内容输出，又有真实案例积累，比教他们用某个具体工具更有持续价值。方法论类内容比工具类内容生命周期长 3-5 倍。

对未来发展的判断

这条视频无意间揭示了一个正在发生的迁移：AI agent 的使用方式，正在从「临时调用」变成「基础设施」。on-call 值守、代码评审、工作记录——这些都是企业运营的基础层，正在被 agent 渗透。

这意味着未来三到五年，能设计和编排 agent workflow 的人，跟只会「写 prompt 问问题」的人之间，会形成类似「会写代码」和「只会用 Excel」之间的能力鸿沟。值得押注的方向不是「学会用某个 AI 工具」，而是「学会设计人 + AI 的协作流程」。

三条可迁移的判断

判断 1：AI 质量的天花板是 context 质量，不是模型版本。

大多数人遇到 AI 效果差，第一反应是「换个更厉害的模型」。但真正的根因几乎都是 context 不完整——任务边界没说清楚、背景没给到、预期没明确。Superpower 这个设计的本质是把「context 补全」变成一个强制流程，而不是靠用户自觉。

可复用动作：在任何重要任务开始前，先问自己「AI 需要知道哪 5 件事才能做好这件事」，把答案列出来再发 prompt。

判断 2：把重复工作变成自动化记录，比「努力工作」更值钱。

晨间简报的设计不只是省站会时间，更重要的是把工作轨迹变成可查询的数据。没有记录的工作者，对自己的产出是盲的，很难做有效规划。自动记录 = 把「努力」转化为「资产」。

可复用动作：用 cron job 或 scheduled trigger，每天自动生成「昨天做了什么」的结构化摘要，格式固定，方便后续检索和规划。

判断 3：并发 agent 是处理独立多任务的标准范式，不是高级技巧。

7 条代码评审评论 → 7 个独立 agent，这不是炫技，这是常识。如果 N 个子任务相互独立，并发就是最优解。人类习惯顺序处理，是因为我们天然是单线程的——但 AI 不是。

可复用动作：遇到「有 N 个相似但独立的小任务」时，优先考虑 multi-agent 并发，而不是自己一个个处理或者让 AI 串行处理。

结语：从工具到搭档，是认知升级，不是情感表达

Giana 这条视频最有价值的不是工具清单，而是一种工作方式的认知迁移。

从「AI 是辅助工具」升级到「AI 是工作基础架构」，意味着它帮你不做的事（记录、监控、并发研究）比它帮你做的事更重要——因为那些是原本占据你认知带宽、让你没法专注于真正决策的杂音。

系统帮我记、系统帮我查、系统帮我盯、系统帮我并发——人类在这套架构里做的事越来越少，但越来越重：做判断，设方向，确认对不对。

这才是「当你回头看，你是迷失了，还是去了你想去的地方」这句话真正在说的事。