GPT-5.6 如何改变知识工作

原文：https://every.to/chain-of-thought/how-gpt-5-6-changes-knowledge-work

核心摘要： GPT-5.6 是我用过的第一个能够可靠地运行整个知识工作循环的模型，而不仅仅是帮助完成单个任务。你的工作将从“亲力亲为”转变为“照料那个为你工作的系统”。如果你想亲自尝试，我们开源了一个名为 Tend 的提示词和代码库，让你可以在 ChatGPT Work 中尝试这种工作方式。

GPT-5.6 预示着一种知识工作的新方式。

与其使用 AI 一次一个地完成任务，不如构建一个系统来扫描可用信息，将其转化为建议的决策，并执行你批准的那些决策。随着时间的推移，这个系统会汇聚你的反馈，变得越来越自动化。

这改变了你的工作。它要求你将工作视为——容我这么说——一个循环。你从自己完成所有工作，转变为照料那个为你工作的系统：

以人类判断为中心的知识工作循环。（图片来源：Dan Shipper/Claude/GPT Image）

以电子邮件为例。我以前处理收件箱的方式是这样的：邮件进来，我阅读，我回复，我归档。（或者，邮件进来，我打开，我关闭，等几周，我再打开，我归档。）

有了新的 ChatGPT Work 应用（前身为 Codex）中的 GPT-5.6 Sol，这个过程看起来大不相同。GPT-5.6 Sol 会监控我的收件箱，决定什么值得我关注，进行任何必要的研究，并为每封邮件提供简洁的摘要和建议的回复。我要么批准草稿，要么使用 Monologue 口述我想要修改的地方，然后转向下一封邮件。

在每次收件箱清扫结束时，这个智能代理从我手动修订和决策中提炼我的偏好，并记住它们以备下次使用。

这听起来很像复合工程，并非巧合。这是同一种哲学——只是应用到了知识工作中。几年来，我一直在记录这种转变：在 2024 年初，我曾指出，大量的知识工作将转变为管理智能代理，随后又指出，这看起来会像是在照料一个花园——为工作的发生创造条件，而不是自己亲力亲为。这并非一种全新的工作方式：管理者和创业者几十年来一直如此，而在过去一年里，随着模型的改进，程序员也开始采纳这种方式。现在轮到知识工作了。

换句话说，作者真正强调的是，AI 并没有在发明一种全新的工作模式，而是在将原本属于少数人的、高级的“管理”杠杆，大规模地普及到每一个知识工作者身上。

这种方式并非适用于所有类型的知识工作，且仍处于早期阶段。但在适用之处，它创造了一种非凡的杠杆效应。

是什么让 GPT-5.6 Sol 和 ChatGPT Work 与众不同

GPT-5.6 Sol 跨越了使持续的知识工作循环变得切实可行的门槛。它可以扫描你的信息源，识别相关的内容，执行获批的工作，并根据需要为自己构建自定义工具。即使你不懂代码，它也能可靠地完成所有这些——并且它能以一种你易于理解的方式向你解释这一切。

它的速度和成本也足够低，让你能够快速迭代——这对于非技术用户来说至关重要，因为他们会犯错误，并且需要在知道结果好坏之前，就看到一次运行的结果。

在 ChatGPT Work 中的 Sol 甚至更好用：其内置浏览器可以与你一起使用任何网站，而它强大的计算机操控功能可以操作你机器上的任何应用程序。它还具备 Chronicle（编年史）功能，可以定期截取你的电脑屏幕，以了解你是谁以及你如何工作，从而随着时间的推移不断自我优化。

Fable 也能做到以上所有，但它对于非技术用户来说太昂贵、太强大，也太慢了。它经常使用它自己的语言，有时连程序员都难以理解。Claude 桌面应用也能做到大部分，但它受到难以理解的安全控制以及 Claude Code 和 Cowork 功能与能力差异的制约。而 GPT-5.6 和 ChatGPT Work 就是……行之有效。

如何发现你工作中的循环

大多数知识工作都发生在一个三步循环中：

  • 收集并理解信息
  • 做出决策并采取行动
  • 从结果中学习

这些循环在 AI 出现之前就存在了。一个产品经理审查反馈和数据，确定优先级，观察发布后发生了什么，并将结果带入下个规划周期。一个编辑阅读稿件，给出反馈，注意到重复出现的问题和被接受的建议，然后用这些记忆来编辑下一稿。一个支持主管处理一个反复出现的问题，查看解决方案是否奏效，并更新处理清单或向产品团队上报。

有了 ChatGPT Work 中的 GPT-5.6，模型承担了循环内更多的工作。你仍然负责做出关键决策；你仍然决定它关注什么以及它如何随时间改进。但你现在的任务，是照料这个循环。

本质上，这揭示了一种角色进化：从业者不再是生产线上的工人，而更像是生产线本身的设计者与调度员。

你可以照料的循环示例

为了更清晰地说明，以下是我正在 Codex 中用 GPT-5.6 照料的一些循环示例：

  • 招聘： GPT-5.6 审查申请、内推和候选人的公开作品；寻找匹配度、专业能力和可信路径的证据；然后展示最强的候选人，并附上其推理和建议的下一步。
  • 运营 Every： GPT-5.6 阅读会议记录、Slack 对话和公司指标；识别决策、待解决问题、风险和未履行的承诺；然后提出需要我关注的后续行动。
  • 为我的公寓添置家具： GPT-5.6 使用我的限制条件和品味在 Facebook Marketplace 上扫描列表，比较价格、品相、距离和质量，然后展示最佳选项，并附上给卖家的草稿信息。
  • 编辑策划： 一个编辑收集新闻、Slack 讨论和未完成的草稿；决定哪些内容适合放入一期内容；发布它；观察读者与哪些内容互动；并使用该反应来策划下一期内容。
  • 客户研究： 一位研究员收集访谈和支持信息，识别反复出现的需求，提出产品变更建议，观察客户如何使用它，并将结果转化为下一个研究问题。
  • 咨询交付： 一位顾问收集客户对话和项目数据，识别下一个优先事项，制作建议或交付物，观察客户的反应，并将结果融入到下一轮工作中。

照料你的工作循环

为了帮助你熟悉你的知识工作是如何以循环方式发生的，我们构建了一个名为 Tend 的实验。它是一个提示词和一个开源代码库，让你为你的工作构建循环，无论它是什么。

体验 Tend

这是我在用 Tend 跟踪 Every 公司动态的截图：

图片来源：Dan Shipper

你可以用 Tend 来照料任何你想尝试的循环，从收件箱到招聘管道，或是客户服务队列。

你可以从 GitHub 复制提示词，连接 Cora、Gmail、Slack 或任何其他信息源，花几分钟时间教会 Tend 你的收件箱是如何运作的。

Tend 是开源的，所以你可以重写其指令，添加你自己的规则，或将该模式调整到工作中另一个重复出现的环节上。我们将其作为一个** 实验发布。它是供你把玩和学习的——但我们不会将其作为一个应用来提供支持，也不能 保证其稳定性 **或承诺改进。

从教会 Tend 什么值得你关注开始。然后观察会发生什么：收件箱处理变得更容易，指令变得越来越完善，你工作中另一个循环开始浮现。

体验 Tend

核心启示： Dan Shipper 的核心洞见在于，随着 GPT-5.6 等模型让“感知-决策-行动-学习”的完整工作循环变得可靠，知识工作者的核心价值正从亲自完成单个任务，转变为设计、维护并不断优化这个自动运行的系统，本质上是在运用一种“复合”式的管理哲学来撬动个人生产力。

How GPT-5.6 Changes Knowledge Work 的发芽报告

材料核心

GPT-5.6标志着知识工作从“亲自执行任务”转向“照料执行任务的系统”：AI不再只是单次问答工具，而是能持续运行“信息收集-决策建议-执行-学习”的完整循环，人的角色从操作者变为系统培育者。

发芽 01：从“工具”到“园丁”——劳动关系的生态学隐喻

种子

Dan Shipper 把知识工作的未来比作“照料花园”——创造让工作自行发生的条件，而非亲手完成每一件事。这个生态学隐喻揭示了一个深刻的转变：管理的核心从控制变成了培育。

生态学家比尔·莫里森（Bill Mollison）在1970年代提出“永续农业”（Permaculture）理念时，表达过类似的洞见。他发现最高产的生态系统不是人类精耕细作的农田，而是无人干预的热带雨林——系统自己完成了循环。于是永续农业的设计原则变成：不是做更多的工作，而是让系统内部元素彼此服务，设计师只在关键节点设计关系。

莫里森早年观察到的一个案例特别说明问题：澳大利亚塔斯马尼亚的传统农场里，农民每天要喂鸡、翻土、浇水、除虫。而在永续农业的改造下，鸡舍被移到温室旁，鸡的体温为温室升温，鸡粪直接落入土壤，鸡在固定区域刨食的同时完成了翻土、施肥和除虫。农民不再每天执行喂鸡、翻土、除虫三项任务，而是只做一件事情——设计鸡舍的位置。

这正是 Shipper 所说的“tending the system”。GPT-5.6 管理邮箱时的逻辑如出一辙：你不必亲自阅读、回复、归档每封邮件，而是花时间教会系统什么值得关注、什么风格是对的，然后系统自己完成循环。

Aha 瞬间

“最高效的工作不是你亲手做的那些，而是你设计了关系之后，系统自己生成的那些——无论是热带雨林、永续农场，还是一个你训练好的AI循环。”

发芽 02：当“软件专长”不再是必需——认知学徒制的终结与重生

种子

Shipper 反复强调一个关键门槛：GPT-5.6 + ChatGPT Work “即使你不会编程也能可靠运行”。这暗示着知识工作中的“技术特权”正在瓦解——过去只有程序员能通过写代码来委托工作，现在任何人都可以用自然语言来培育系统。

这让人想起认知科学家让·莱夫（Jean Lave）和艾蒂安·温格（Etienne Wenger）在1991年提出的“合法边缘参与”（Legitimate Peripheral Participation）理论。他们研究非洲利比里亚的裁缝学徒制时发现，学徒不是从理论学起，而是先从熨烫成品衣服、整理布料这些“边缘”任务开始，逐步靠近裁缝工作的核心。整个学习过程嵌在实际生产环境中。

在AI之前的时代，想要让电脑替你工作，你必须经历漫长的“认知学徒期”——学编程语言、理解计算机逻辑、掌握工具链。这是进入“自动化的核心圈子”的入场券。GPT-5.6颠覆了这个结构：自然语言本身就是编程语言，你不需要成为裁缝才能让布变成衣服，你只需要能清晰描述什么样的是好衣服。

但这并非认知学徒制的死亡，而是它的转移。过去的学徒制是“人→机器”的学习路径，现在是“人→系统”的学习路径。Shipper 提到的 Tend 实验恰好证明了这一点：你仍然需要花时间教会系统你的偏好、你的判断标准、什么值得关注。学徒的位置变了——现在你是师傅，AI是学徒，而你这个师傅必须学会如何教。

Aha 瞬间

“编程能力的民主化不是消灭了学习曲线，而是把曲线从‘理解机器’扭转向了‘理解自己’——你必须比以往任何时候都更清楚自己怎么想、为什么这样判断。”

发芽 03：决策的“肌肉萎缩”风险——当建议总是先于思考

种子

Shipper 笔下的新工作流程有一个微妙的关键点：AI 先扫描信息、提出判断和回复草案，然后由人来审核或微调。这意味着人类的认知顺序被倒置了——我们不再先形成自己的判断再与建议对比，而是先看到AI的建议，再决定是否推翻。

心理学家丹尼尔·卡尼曼（Daniel Kahneman）在《思考，快与慢》中描述的“系统1”（快、直觉）和“系统2”（慢、分析）在这里遇到了一个全新的对手：我们可以称之为“系统0”——一个外部系统在你还没启动思考之前，已经把分析结果呈现给你。

这种前置化建议的模式存在一个心理学上已被验证的风险：锚定效应（Anchoring Effect）。1974年，特沃斯基和卡尼曼在实验中让被试者先看到一个随机数字，再估计非洲国家在联合国中的占比。结果清楚显示：随机数字会显著影响预估结果。现在想象这个“随机数字”变成了一个越来越聪明的AI给出的高度可信的判断建议——锚定效应只会更强。

一个更具警示意义的案例来自医学影像学。2017年，哈佛医学院的一项研究发现，当放射科医生在观看胸片时，如果AI先标注了可疑区域，医生发现AI遗漏的病灶的能力会显著下降——他们被AI的建议框住了注意力，产生了所谓的“满足性搜索”（satisfaction of search）。这在AI准确率已经很高但仍有盲区时尤为危险。

Shipper 的邮件场景看似轻松，但结构完全一致：当AI告诉你某封邮件“不重要，建议归档”，而你习惯性地点了“批准”，你就是在训练自己不再独立判断，同时也在训练系统可能强化偏见。决策肌肉不用则废——而这个问题在AI循环中，因为反馈的延迟性，可能要很久之后才会显现。

Aha 瞬间

“当一个系统总是在你思考之前就给出了答案，你在提升效率的同时，可能正在缓慢地外包掉那个叫‘判断力’的东西——而等你发现时，你的判断力肌肉已经萎缩到不足以审核系统的建议了。”

你的思考空间

  • 在你的日常工作中，是否存在一个已经在运行的三步循环（信息收集-决策-学习）？如果把这个循环交给一个AI系统去培育，你最担心失去的是什么？

  • 当你能用自然语言教会一个系统替你工作，你用来培训它的“判断力”本身从何而来？这些判断力是否足够清晰、稳定到能被传授，还是它们大多还在你的默会知识里？

  • 锚定效应的警告是否适用于你当前使用AI的方式？你最近一次在看到AI建议后，坚持自己原初不同判断的经历是什么？

  • 如果未来知识工作者的核心技能真的从“执行”转向“培育系统”，那么教育和职业培训应该如何改变？我们是否在培养能当好“师傅”的人？