零基础用AI Agent一天搭建项目管理工作台全过程

工作越忙越乱？问题出在工具太散

一个普通职场人的电脑上，可以同时打开多少个窗口？群聊里是临时修改意见，邮箱里是项目资料，表格里是排期timeline，文档里还有会议待办。刚准备处理最重要的事情，另一边又谈出了新需求。这几乎是每个多线程工作者的日常。

我们明明已经有了PPT、Excel、文档、日历和各类项目管理软件，为什么工作还是越来越乱？答案往往在于：每一件事都散落在不同的工具里，缺乏统一的执行入口和上下文。这个问题在认知科学中被称为"上下文切换成本"（Context Switching Cost）——每次从一个工具切换到另一个工具，大脑需要重新加载任务背景信息，研究表明这种切换平均需要23分钟才能完全恢复专注状态。工具越分散，切换越频繁，效率损耗就越严重。

这位B站UP主给出的解法是——用AI Agent，把所有工作都放进同一个软件里执行。而她做的第一个实验，就是在完全不会编程的情况下，用一天时间造出一个属于自己的「项目管理工作台」。

从PPT到HTML工具：换一个思路做项目管理

前段时间，「用HTML代替PPT」的玩法在网络上很火。但作者提出了一个更有价值的思考：如果HTML只用来做一份更顺滑的演示，未免有点浪费。

HTML（超文本标记语言）配合CSS和JavaScript，构成了现代Web应用的三大基础技术。与传统桌面软件不同，HTML应用天然具备跨平台能力——任何有浏览器的设备都能运行，无需安装。近年来，随着前端框架（React、Vue等）和浏览器API的成熟，HTML应用已能实现接近原生软件的交互体验，包括拖拽操作、离线存储、动画效果等。这也是为什么"用HTML代替PPT"能够流行——它不仅是静态页面，更可以承载复杂的交互逻辑和数据管理功能。

PPT解决的是「已完成」，工作台解决的是「正在发生」

PPT本质上是把已经完成的工作描述得更好，讲给别人听；而她这次想解决的，是如何把正在发生的工作管理起来。这个区别很关键——前者是展示层，后者是执行层。

于是她用字节跳动旗下的AI Agent产品「Chairwork」（视频中称Trae/Chairwork），搭建了一个内容项目工作台。AI Agent（智能代理）是人工智能领域中一个重要的技术范式转变。传统的AI聊天工具本质上是一个无状态的问答系统——用户提问，模型回答，对话结束后不会主动执行任何操作。而AI Agent具备目标分解、环境感知、工具调用和自主决策四大能力。它能够接收一个高层目标，自动将其拆解为多个子任务，依次或并行执行，过程中还能根据中间结果调整策略。这种架构借鉴了软件工程中的"自动化流水线"思想，但用自然语言作为编程接口，大幅降低了使用门槛。

这个工作台能显示同期执行的所有项目，标注每个项目所处的阶段（选题、脚本、拍摄、剪辑），点开即可查看细节，还能按日/周/月/年切换时间轴视图。

工作台的核心功能设计

界面主要分为几个功能区：

• 右侧「今日待处理」：根据时间轴上的甘特图，自动显示当天需要处理的工作，不用再手动列每日to-do list。甘特图（Gantt Chart）由美国机械工程师亨利·甘特在1910年代发明，是项目管理中最经典的可视化工具之一。它以时间为横轴、任务为纵轴，用水平条形表示每个任务的起止时间和持续周期，能够直观展示任务之间的时序关系和资源冲突。作者的工作台将甘特图与每日待办自动关联，本质上实现了从"宏观规划"到"微观执行"的无缝衔接。
• 左侧项目列表：根据执行时间和截止日期，自动规划项目优先级，提醒任务的轻重缓急。
• 中间时间轴：每个项目卡片可以左右拖移切换执行时间，拖动边缘即可拉长或缩短周期。点开卡片还能修改起始日期、持续天数、优先级和负责人。

一天造出工作台：AI Agent的迭代式开发流程

值得强调的是，AI Agent与普通AI聊天工具有本质区别。普通聊天工具是「一问一答」，而AI Agent拿到的是一个工作目标——它会自行拆解步骤、读取项目资料、调用工具、创建或修改文件，执行完再把结果交给你验收。

从「待办清单」到「专业工具」的三步迭代

作者最初只给了一句极简单的要求：「帮我做一个HTML项目工作台」。第一版很快出来，功能能跑，但更像一个普通的待办清单——项目多了以后，哪个更紧急、卡点在哪、未来几天怎么安排，依然看不清。

关键在于她没有重写整页提示词，而是沿着同一个项目继续对话：

1. 补充身份与需求：「我是内容创作者，不是开发软件，请在左边保留项目列表，右边做成时间轴，再加上优先级、阶段、截止时间和今日待办。」
2. 注入真实数据：把几个正在做的视频项目放进去，让AI按优先级排序，把时间、阶段和任务对应起来。
3. 调用前端设计Skill精修视觉：明确要求「只精修视觉，不碰功能」，AI重新统一了配色、字体、层级、按钮和卡片排版。

这种迭代方式本质上模拟了软件开发中的"敏捷开发"方法论——不追求一次性交付完美产品，而是通过快速原型、用户反馈、持续改进的循环来逐步逼近理想效果。区别在于，传统敏捷开发需要专业开发团队执行，而AI Agent让个人也能独立完成这一闭环。

用自然语言做「回归测试」

功能一多，问题也随之出现：缩放后项目条错位、拖动时偶尔消失、新建项目与今日待办没有联动。作者直接用自然语言描述这些现象，让AI逐项检查日期计算、拖拽坐标和任务关联，再做回归测试。

回归测试（Regression Testing）是软件工程中的一个核心概念，指在修改代码后重新运行已有的测试用例，确保新的改动没有引入新的Bug或破坏原有功能。传统的回归测试需要编写专门的测试脚本或手动逐项验证，而在AI Agent的工作流中，用户只需用自然语言描述"哪里不对"，Agent就能理解问题、定位代码中的错误并修复，同时检查修复是否影响了其他功能。这将原本需要测试工程师参与的环节压缩到了普通用户的对话框里。

最终，项目按优先级自动排列，可整条拖动改日期、拉边缘调周期；新增高优先级项目会自动进入今日待办；任务完成后进度和顶部统计同步更新；数据保存在浏览器本地，刷新不丢失。浏览器的本地存储API（包括localStorage和IndexedDB）允许网页应用在用户设备上持久化数据，无需联网即可访问，也避免了数据隐私泄露的风险。但其局限性在于数据与特定浏览器绑定，清除浏览器数据会导致丢失，且不支持跨设备同步。

她还把HTML文件上传到了GitHub仓库，让它从「脑海里的想法」变成了「能打开、能分享、能持续更新的真实工具」。GitHub不仅是全球最大的代码托管平台，通过其GitHub Pages功能，用户可以将HTML文件免费部署为可公开访问的网页，无需购买服务器或域名。GitHub还提供版本控制功能，每次修改都有记录可追溯，真正实现了将AI生成的工具从一次性产物转化为长期可用资产。

真实场景验证：AI Agent能做多少事？

工作台搭好后，作者把它应用到了真实的视频策划流程中，验证了AI Agent的三种模式（Work / Code / Design）在同一项目中的协同能力。

场景一：复杂选题的资料研究

以「内存为什么突然涨价」这个选题为例，资料来源极其复杂：新闻、公司财报、英文PPT、PDF研究报告、中英文新闻、多机构行业数据。以前需要逐份打开、翻译、复制、做笔记、拼时间线。

现在她把资料统一放进Chairwork的同一个项目，让AI先总结每份资料讲了什么，再分析选题可切入的方向。更关键的是她的追问方式——「哪些判断有财报数据支持，哪些只是媒体推测？把关键数字、时间和原始来源单独列出，不同资料矛盾的地方直接标出来。」这样得到的不是一段「看起来完整」的答案，而是一套可继续核查的研究底稿。

这种使用方式体现了一个重要的AI协作原则：不要把AI的输出当作最终结论，而是当作加速研究过程的中间产物。在信息验证领域，这被称为"溯源核查"（Source Verification）——任何结论都必须能追溯到可靠的原始数据源。AI擅长快速处理和归纳大量信息，但信息的可信度判断、逻辑推理的严谨性以及不同来源之间的矛盾分析，仍然需要人类的批判性思维来把关。

场景二：一句话自动剪辑Vlog

作者给Chairwork装了一个自动剪辑Skill，它能检查运行环境、分析素材、筛选镜头、生成分镜，再通过FFmpeg完成合成。她只需选一个素材文件夹，把时长、风格、节奏等简单要求发出去。

FFmpeg是一个开源的跨平台音视频处理框架，几乎所有主流视频平台和剪辑软件的底层都依赖它进行编解码操作。它支持几乎所有已知的音视频格式，能通过命令行完成裁剪、拼接、转码、滤镜、字幕嵌入等操作。在AI Agent的语境下，FFmpeg充当了"执行器"的角色——Agent通过分析素材内容决定剪辑策略，然后生成相应的FFmpeg命令序列来完成实际的视频合成。这种"AI决策+FFmpeg执行"的组合，让不懂视频编码原理的普通用户也能实现自动化剪辑。

第一版更像剪辑初学者的作品：镜头重复、节奏平淡。但优势在于修改直接——通过几轮自然语言对话，AI逐步学会了寻找剪辑点、安排节奏、添加音乐、完成基础调色，甚至能直接处理索尼S-Log3的灰片素材，不需要再打开达芬奇。

S-Log3是索尼相机提供的一种对数伽马曲线色彩配置文件（Log Profile）。它通过压缩画面的对比度和饱和度，在拍摄时保留更多的动态范围信息（通常可达14档以上），使后期调色时拥有更大的空间来还原高光和暗部细节。但代价是直出画面呈现"灰片"状态，必须经过色彩还原（通常使用LUT查找表或手动调色）才能获得正常观感。传统工作流中，这一步需要在达芬奇（DaVinci Resolve）等专业调色软件中完成，而AI Agent能够自动识别Log素材并应用合适的色彩转换，显著简化了这一原本需要专业知识的流程。

对没有专业剪辑经验的普通人来说，这套流程相当友好。

场景三：多端协同做封面设计

写完脚本要准备封面时，切换到Design模式，让AI先做三版不同方向的基础封面。作者强调，这一步她更看重的是试错效率——以前脑子里只有模糊想法，得手动拼出来才知道行不行；现在Agent能把方向快速变成可见的画面。

更实用的是多端接力：出门拍摄前，在手机端打开同一项目发出修改意见，电脑端继续处理；路上查看进度，结果出来后在手机上验收补充方向。对数字游民而言，「人离开工位、任务不停下」是极具价值的工作模式。这种异步协作模式打破了传统工作中"人必须在场才能推进任务"的限制，本质上是将人的决策行为与AI的执行行为在时间和空间上解耦——你可以在任何时间、任何地点发出指令或验收结果，而AI在后台持续运行。

人机分工的边界：AI负责执行，人负责判断

使用一个月后，作者的核心结论是：AI Agent把原本散落在网页、文档、文件夹、设计软件和聊天工具里的执行过程，集中到了同一个项目上下文中。给资料可以追问，文件可以整理，网页可以持续修改，几天后想起还能重复之前的任务。

但她也清醒地划定了边界：资料要不要相信、内容角度怎么选、文件操作有没有风险、设计符不符合审美，最终仍需人来判断和验收。AI主要替代的是查找、翻译、归纳、对照这些重复执行环节，省的是时间，做决定的还是人。

这个边界划分与人工智能领域中"人在环路"（Human-in-the-Loop）的设计理念高度一致。该理念认为，在当前技术水平下，最高效的工作模式不是完全自动化，而是让AI处理可标准化、可重复的执行层工作，同时在关键决策节点保留人类的判断权。这既避免了AI幻觉（Hallucination）带来的错误风险，也充分利用了AI在信息处理速度和规模上的优势。

未来工作形态：一个人管理多个AI Agent

作者预判，未来的工作会变成「一个人同时操作和管理大量AI Agent」——一个查资料、一个整理文件、一个做页面、一个负责检查问题，而人负责拆分任务、定标准、做决定。越早学会与AI Agent协作，就越能把时间留给真正需要经验、判断和创造力的事。

这种工作形态在技术架构上被称为"多智能体系统"（Multi-Agent System），即多个具有不同专长的AI Agent在统一调度下协同完成复杂任务。每个Agent专注于自己擅长的领域（如信息检索、代码生成、视觉设计），而人类则扮演"项目经理"的角色——定义目标、分配任务、协调冲突、验收成果。这与传统的团队管理模式惊人地相似，区别在于被管理的"团队成员"从人类变成了AI。

对于国内用户来说，这类工具可直接下载使用、无需额外网络环境，还能按任务切换写作、分析、代码、设计的不同大模型，加上不断扩充的插件市场和Skill库，确实降低了「不会代码也能开发」的门槛。这或许正是AI Agent时代最实在的信号：技术能力的门槛正在被重新定义。过去，"会编程"是生产力工具的准入门槛；而在Agent时代，"会提需求、会验收、会迭代"正在成为新的核心能力。这不是技术的消亡，而是技术使用方式的根本性转变。

核心要点