【文章标题】：🎙️ 我的AI工作法：这位产品经理如何用Claude处理70%-80%的工作
【文章正文】： 我是如何将Claude打造成自我进化的PM助手 | Daniel Blum（Melio产品经理）
立即收听：
YouTube
•
Spotify
•
Apple Podcasts
本期赞助商：
Optimizely ——面向营销和数字团队的AI智能体编排平台
Jira AI SDLC ——让您的Token物有所值
Daniel Blum 是Melio的产品经理，他构建了一个自我改进的AI系统，现在能处理他70%到80%的工作。在本期节目中，他详细介绍了Claude和Cowork如何管理他的Notion看板、为他准备周计划、扫描Slack和邮件获取重要背景信息，并通过他的编辑行为自主学习（而无需等待明确反馈）。他解释了如何将该系统改造成其他Melio员工15分钟就能上手的工具，为什么构建AI系统的前几周进展会异常缓慢，以及最终这个系统如何帮助他在一天内完成原本需要一周的PM工作。
核心洞见：
系统架构比AI工具本身更重要 Daniel认为，当系统能够自主更新核心文件并与现有工具链集成时，才会真正产生威力。只要这些基础打好，无论使用Cowork、Codex、ChatGPT还是其他平台，系统都能持续进化。他用Melio已有的授权工具搭建了这个变革性系统，证明底层架构比选择”完美平台”更重要。
背景信息不是一次性配置，需要持续更新机制 Daniel花了数月时间向Claude提供语音备忘录、链接、演示文档和口头汇报，为每个工作领域建立详细的背景档案。随后他创建了定期更新机制，每几周刷新这些文件。这确保Claude掌握的信息与公司实际情况始终保持同步。
晨间简报最惊艳的功能是识别”未知信息” 每天Claude会扫描Slack、邮件和笔记，找出背景档案中未提及的术语、项目或目标，然后向Daniel提出针对性问题。比如遇到”settlement cap”这个短语时，它已阅读相关讨论并理解基本概念，只需Daniel确认含义即可保存。
个性化AI系统的价值会经历缓慢积累，然后爆发式增长 Daniel坦言最初几周非常煎熬：系统认知不足，输出总有偏差，几乎每项工作都需要复查。但一旦完成信息集中化和背景建设，回报将难以估量。他现在一个专注日就能完成过去整周的工作量。
自我改进循环通过对比AI草稿与最终版本来学习 Daniel建立了每周技能：将Claude的原始草稿与他最终版本对比，用差异改进后续工作。这类似Alex Lieberman的”仿写循环”，但更依赖隐性反馈——系统通过观察Daniel的本能编辑行为来学习。
反馈遥测将个人AI工作流转化为可自我完善的产品 Daniel的每个技能模块都会捕捉摩擦时刻。如果他在会话中提出修正要求，系统会记录这些信号。每周改进循环会识别最常见问题并推荐更新方案。这本质上是他内部工具的分析系统，提供了基于实际表现的迭代路径。
Workstation插件解决了企业AI应用的最大障碍：个性化 Daniel发现多位PM在使用他开发的Spectacular（需求文档工具）时遇到困难，因为该工具完全基于他的工作风格设计。为此他建立了15分钟快速入门流程：连接员工现有工具、映射同事关系、学习个人表达风格。现在每位Melio员工都能从高度个性化的共享基础开始，而非从零构建通用系统。
当前AI系统的最大局限在于持久性，而非智能 Daniel估计Claude已处理他70%-80%的工作量。目前尚无法可靠实现的是：在电脑关闭时仍能保持云端工作状态。为此他正在训练Claude识别任务的”关闭状态”——比如未保存的Slack草稿可推断为已发送。当真正自主操作成为可能时，他的系统已具备任务完成度的判断能力。