用语音加速构建
将语音融入工作流的两种方式
我认为语音进入工作流程主要有两种方式：
主动协作发生在你正在工作时，你清楚想让语音帮助你完成什么。你可以在智能体编辑草稿或排查漏洞时与之对话，或者在 Gmail 中语音输入邮件，在 Slack 中口述消息。这也是我开发 Monologue（Every 旗下的语音听写应用）时所围绕的核心初始用例。
主动协作也可以以持续对话的形式展开。像 GPT-Live 这样的新语音模型，能听也能同时说话，允许你打断、调整方向并追问后续问题。在处理更复杂的工作时，GPT-Live 可以把任务发送给另一个后台模型，同时继续与你交谈，待结果就绪后再返回给你。
我在 Every 的同事已经在这样工作了：Dan Shipper 最近就利用 GPT-Live 来撰写和修订一篇长文。
通俗点说，语音听写在你清楚自己要说什么、以及文字该放在哪里时很有用；而实时对话则在你需要提问并当场修正时效果更好。这两种情况下，你都是在工作的同时进行表达，而非先录下来稍后处理。
若想一睹这种工作方式的实际应用，欢迎参加我们的语音模式训练营。这是一节一小时的在线课程，Every 团队将现场演示在写作与智能体编排方面的实用语音工作流，帮你快速上手并解答你的疑问。
被动捕捉则发生在你还不知道那些话语该归属于何处之前。你可能在散步时录制一些自己的思考片段、一次全员会议上的问答环节，或是一系列客户通话，并把这些全部存下来，作为日后挖掘的素材。这些录音可能会持续很久，并且会在不同的话题或想法之间来回切换；内容的整理是之后的事。我设计了 Monologue Notes（可通过 Monologue 在 Mac、iOS 和 watchOS 上的应用获取），正是为了这类被动捕捉。Monologue Notes 能录制并转写会议、通话及各种碎片化思绪，并将它们保存在一个可搜索的存档中。随后，Codex、Claude 或其他智能体就能从中检索出相关上下文，将其转化为草稿、计划、决策或代码变更。
智能体语音循环
根据我自己的工作经历以及同事们分享的案例，几乎每个实用的语音工作流都遵循相同的五个步骤。在处理已录制音频时，这些步骤可能会跨越数小时甚至数天；而在协作场景中，它们可以随着你的交谈而重叠和反复出现。
捕捉 → 添加上下文 → 界定产出 → 执行 → 审查与重定向
捕捉原始素材。 一边工作一边口述，或者录制会议、通话及思绪。请允许自己保留那些你在邮件中可能会删掉的旁支末节和细节。智能体之后可以对所有内容进行筛选或整理。
添加上下文。 当你对 Codex、Claude Code 或其他应用中的智能体说话时，你的话语会成为当前工作会话的一部分。如果你需要的是更早录制的关联内容，请粘贴或上传转写文本，也可以将智能体连接到你的笔记存档，使其能直接检索。智能体可能还需要访问相关的代码库、待解决问题的列表、Slack 讨论串、Notion 文档或邮件往来。引导它找到正确的信息源，并让它告诉你是否无法访问某些内容。在实时会话中，它可以在对话持续进行时检索这些辅助性的上下文。
界定产出。 首先，告诉智能体你想要它生成什么，无论是漏洞补丁、文章大纲、邮件草稿、市场进入简报，还是网站改动。接着，明确指出产出应投放至何处——例如特定的代码项目、Google 文档、Slack 频道或 Linear 项目。
执行任务。 智能体会搜索、读取、编写并运行必要的工具。如果你正在和它实时协作，它可以在对话继续进行的同时汇报进度或暴露障碍，你也能在它完成前随时打断。
审查，必要时重定向。 评估智能体处理任务的方式：它找对了录音吗？访问了正确的资源吗？完成了任务吗？然后检查具体结果。这可能包括补丁的测试项和代码改动、一封邮件的语调，或是市场进入计划的架构。纠正任何错误的假设或缺失的上下文，并让智能体再次尝试。
以那段 19 分钟的客户通话为例，整个循环看起来大致如此：录制通话，让 Codex 检索转写文本，将智能体指向相应的代码库，并要求它给出问题诊断及有针对性的修复方案。在实时会话中，你可以在 Codex 排查问题时持续与之交谈，并实时纠正它的假设。
知道该说什么
一段口头简报通常应包含三件事：你正在进行的项目、在哪里可以找到额外上下文，以及你希望智能体产出的内容。
这三个要素通常足以应对即便是复杂的项目了。在为Every的订阅者举办了一场线上活动之后，Austin Tedesco 将活动录音及聊天记录上传到 Codex，告诉它去翻阅相关的 Slack 讨论串和 Notion 文档，然后用 Monologue 给出了一段口头简报，说明他想创建的后续物料——包括一个包含活动录像和转写文本的配套资料库，以及一封发给参会者的后续邮件。
可以直接套用的口头简报模板：
模板
当前情况是：[情境、观察或问题]。
请从以下位置获取更多上下文：[笔记、转写文本、讨论串、文件夹、仓库或已连接的某个系统]。
我希望你生成：[产物形式]，交付给 [人员、工具或目的地]。
限制条件：[需要遵守的规则、可变更范围的约束、截止日期]。
将你的笔记和转写文本连接到智能体
将你的 AI 笔记工具连接到你的智能体，意味着你可以通过“调取上周二的客户通话记录”或“本月所有关于用户引导环节的笔记”等指令来访问转写文本，并将它们与你的代码库、Slack、Notion、邮件或其他关联工具的上下文进行整合。
这种连接让被动捕捉变得切实可行。你可以在还不确定信息归属于何处之前就进行录制，相信你的智能体会在相关内容变得有意义时替你把它翻出来。
要把你的 AI 笔记应用连接到智能体上，请寻找以下几种接入点之一：
- 内置的连接器或模型上下文协议（Model Context Protocol）服务器： 在你的智能体中选中该应用，并授权访问。
- API 或命令行接口（CLI）： 安装该应用的工具，让智能体能够运行搜索和检索录音的命令。
- 同步文件夹或自动导出： 让智能体有权访问存放转写文本的文件夹。
不管你选择哪种方式，都要测试一下智能体是否能按日期或主题找到录音，并获取完整的转写文本。（要知道，智能体非常擅长从海量上下文中挖掘要点，而 AI 生成的摘要有可能是错的，或者漏掉关键细节。）
Monologue 通过 Monologue 工具包支持智能体直接访问。该工具包包含一个只读命令行（CLI）工具，可以列出、搜索并检索笔记、摘要和转写文本。它还包括一项 monologue-notes 技能，用来教 Codex、Claude Code 以及其他能运行终端的智能体使用这些命令。
在 Codex 或 Claude Code 中设置 Monologue
你可以让你的智能体来处理安装过程。打开 Codex 或 Claude Code，粘贴以下指令：
指令
请使用官方工具包为我设置 Monologue Notes：
https://github.com/EveryInc/monologue-toolkit
请阅读当前的 README 文件。告诉我你计划运行哪些命令，等到我批准后，再安装 Monologue CLI 和全局的 monologue-notes 技能。
不要要求我把我的 Monologue API 密钥粘贴到这个聊天框里。当需要身份验证时，你暂停下来，并告知我如何在 Monologue 应用中创建个人 API 密钥，以及我自己运行 monologue onboarding 命令。
在我确认配置完成后：
- 用 monologue notes list --limit 5 来验证连接。
- 确认 monologue-notes 技能已安装。
- 告诉我你安装了哪些东西，以及它们位于何处。
- 提供一个我可以用来测试笔记检索的自然语言问题。
不要在聊天记录或项目文件中显示、复制或存储我的 API 密钥。
当智能体暂停后，在 Mac 上打开 Monologue，前往 设置（Settings）→ 笔记（Notes）→ API。创建一个个人 API 密钥。然后打开终端（Terminal），运行 monologue onboarding 命令，并将密钥粘贴到终端的提示符中。你只需认证一次。
智能体验证连接成功后，试试这个：
指令
使用 monologue-notes 技能，找到我最新的那条笔记。告诉我它的标题、日期和一句话摘要，并指出你用的是哪条笔记。
一旦成功运行，你就能通过自然语言请求来访问你所有的录音，智能体将负责完成检索工作。
这份指南面向付费订阅者
升级你的会员资格，继续阅读完整指南。
语音工作流库
指南之工作流
思考与规划
指南之工作流
构建
指南之工作流
沟通
指南之工作流
活的记忆系统
指南之工作流
两个能迅速见效的语音小技巧
指南之工作流
重复三遍？那就存下来。
指南之工作流
核心启示：将语音从单纯的“输入工具”升级为一套完整的“人机协作系统”，关键在于区分“主动协作”与“被动捕捉”这两种场景，并建立“捕捉素材—添加上下文—界定产出—智能体执行—人类审查重定向”的标准化工作循环，才能真正让语音成为可信赖的开发与创作加速器。
Build Faster With Voice 的发芽报告
材料核心
这篇文章提出了一套将语音融入AI代理工作流的系统方法论，区分了“主动协作”和“被动捕捉”两种模式,并提炼出一个五步的代理语音循环(Capture → add context → define outcome → act → review)。核心洞察是：真正高效的语音工作不是简单的听写，而是建立一个“不成熟思考也可被系统回收利用”的人机协作基础设施。
发芽 01：主动协作——当指令优于操作
种子
文章的“主动协作”模式揭示了一个微妙转变：人类从“执行者”变成了“导演”。你不再需要通过逐字逐句地输入来完成工作,你只需要知道自己想要什么结果,并能够清晰地叙述这个结果、它的上下文和约束条件。
但这里有一个被低估的张力——说清楚指令本身也是一种高难度认知活动。能够流畅地说出一个需求的全部边界条件、资源位置和验收标准,实际上要求你对问题已经有了相当深度的理解。这与“边做边想、在操作中涌现洞见”的传统工作模式存在根本性的冲突。
问题的转向在于：人类大脑的推理速度远快于表达速度。当我们“说”出一个指令时，大脑必须完成从“模糊意向”到“结构化语言”的跨越。而AI代理的优势在于，它只需要这个结构化语言的“种子”，就能自动补全上下文并执行。这其实是认知分工的再分配：人类负责推理和决策，机器负责操作和上下文聚合。
故事主体
海明威有一个著名的“冰山理论”：好的作家只需要写出水面上的八分之一，水下的八分之七留给读者去推断。他在《午后之死》中写道：“如果一位散文作家对于他想写的东西心里很有数，那么他可以省略他所知道的东西；读者会强烈地感觉到他所省略的地方，好像作者已经写出来似的。”
这恰好解释了为什么“主动协作”能在AI代理语境下高效运作。当Dan Shipper用GPT-Live写稿时，他实际上只需要说出关键指令点——调整段落结构、检查论证链条、改写过渡句——而GPT-Live则通过“推理即执行”的方式，推断出完整的目标稿样应该是什么形态。
更重要的是，这种模式改变了“创作中断”的性质。传统写作中，当你需要停下来润色一个段落时，你不仅离开了逻辑流，还离开了时间流。回来看草稿时，之前的思维轨迹已经冷却。而语音指令允许你“在流中纠正”——思维不中断，只是换了一个输出模态。这背后的原理和流心流理论（flow theory）中的“即时反馈”条件高度吻合：延迟越短，状态的维持成本越低。
这里出现的关键认知是：人类应该把最擅长的事（评判、纠偏、建立意义框架）留给自己，把需要横向关联和大量检索的事（翻对话记录、查代码仓库、对齐邮件线程）交给代理。不是因为后者“低级”，而是因为后者的空间跨度超过了人类的工作记忆容量。语音协作的真正价值不在于“快速”，而在于实现了“推理在时间上的不间断”。
Aha 瞬间
“人类负责冰山的水面上层，AI代理负责水下——但区别在于，AI可以瞬间冻结并分析整座冰山，而人类只需决定冰山朝哪个方向漂。”
发芽 02：被动捕捉——把不成熟的思考变成延迟资产
种子
文章强调“被动捕捉”时说了很重要的一点：你可以在“不知道信息将去向何方”时就记录它，信任代理会在未来某个相关时刻把它提取出来。
这表面上是给“笔记系统”增加了语音入口，但实际上它重新定义了“思考”的时间边界。在传统的知识管理中，你记录一个想法时已经预设了它的用途（比如这个灵感属于某个项目、某个文章大纲的某个小节）。但在被动捕捉模式下，你会记录一段散步时的喃喃自语，却不知道它会在什么时间、以什么方式被触发和利用。这种“意图延后”打破了GDT的“收集-处理-执行”线性流水线。
这带来一个隐含的高阶能力：你开始把思考当成一种可以“离线投资”的活动。你的大脑被解放去获取灵感，而不是忙于记忆和组织。
故事主体
设计师和发明家巴克敏斯特·富勒有一个习惯：他会在任何地方、任何时间记录自己的想法，从不筛选。他称这些记录为“chronofile”，并按时间严格归档。终其一生，他积累了超过270英尺（约82米）的档案材料。据估算，他从1915年到1983年间，每15分钟归档一次，形成了一个覆盖他整个人生的“思维化石层”。
富勒生前并没有完整利用这些档案来指导具体项目——他更多视之为一种存在性实践。但在今天回看，他的chronofile 完美诠释了被动捕捉的终极形态：记录的意义不在于当下的有用性，而在于构建一个可以被“事后查询”的认知存储层。AI代理的出现正是让这种存储层变成了可激活的资产。以前你需要手动翻查笔记去寻找“去年春天我在公园说的那段话”，现在你只需要说：“找到我所有提及‘重复使用’的录音片段，并对比它们之间的观点流转。”
这种转变还触及认知科学中的一个概念——识别记忆与回忆记忆的区别。心理学研究表明，人类大脑更擅长识别（"Yes, that's the right one"），而不是无提示的自由回忆（"List everything you know about this"）。被动捕捉加代理检索，恰好把回忆负担转化为识别判断：你给代理一个模糊线索，它反馈多个可能的结果，你只需确认和选择。整个过程更符合大脑的自然运作模式。
回到文章中的19分钟客户电话场景，录音的价值不在于当下能从中得到什么，而在于它嵌入了一个上下文感知系统：当你一周后面临同样的bug报告时，代理已经从那段录音中提取了相关线索，并结合代码库告诉你“这是上次客户提到的边缘情况”。人类完成了一次时间的折叠。
Aha 瞬间
“以前，不成熟的思考是废料；现在它们变成了休眠的知识酵母，只等一个触发条件就苏醒。”
发芽 03：五步循环的真正重心——从“执行-审核”到“意图-推理”的转移
种子
文章中列出的五步代理语音循环（Capture → Add context → Define outcome → Act → Review and redirect）看起来像是一个标准的项目管理闭环，但仔细看会发现：前三步（录制、加上下文、定义结果）占据了人类注意力的绝对主体，而第四步和第五步是“机械性审核”——即检查代理的工作是否对齐了你的意图。
这意味着核心重心已经从“如何做”转移到了“要做什么和为什么”。传统的软件工程或写作流程中，“执行”通常是最大的消耗（编码、写作、排版），而审核是二次消耗（审查代码、修改文章）。但在这个循环中，执行是一次性的（代理自动完成），而审核变成了“重新校准意图”的元活动。
这带来了一个被低估的风险：当执行变得足够轻量级时，人类可能会不自觉地进入“意图通胀”——不断产出新的需求，因为产出需求的成本太低。大脑的奖励回路可能会被“下达指令并看到结果”这个反馈循环劫持，导致决策密度过高、反思深度不足。
故事主体
这个风险在军事指挥的历史上有一个经典对照。普鲁士军事改革家老毛奇在19世纪提出“任务式指挥”原则：高级指挥官只向下级指挥官传达“任务目的”（what to achieve and why），而不指导具体执行方法（how）。这个原则极大地提升了前线自主性和响应速度，成为现代军事指挥的基石。
但它的致命弱点，在老毛奇的时代就已经显现：如果高级指挥官频繁改变任务目的（因为“决策成本太低，只需发一封电报”），前线就会陷入目标混乱。在1866年的普奥战争中，部分普鲁士部队因为接收了多封相互矛盾的指示而错失战机。问题不在于任务式指挥本身，而在于意图的变异性。
这个类比直接映射到今天的语音代理工作流：当“说一句话就能生成一篇大纲、修订一段代码”时，人类的意图颤动就会变得极为频繁。你可能在五分钟内下达、修改、再修改十个指令，不断改变方向，最终生成的不是工作计划，而是“命令沙堆”——一个随时可能崩塌的复杂指令链。
解决方案隐藏在老毛奇的原则深处：意图必须稳定。文章最后的Review and redirect环节，本质上就是把审核和重定向的权利重新拉回到人类一侧，要求人类在审查结果时，不仅是检查代理的“对错”，更要追问自己的“是否合理”。这不是质量控制流程，而是意图理性的护栏。
Aha 瞬间
“当执行的摩擦力趋近于零时，意图本身变成了唯一的阻力面——而阻力面越大，方向感越清晰。”
你的思考空间
- 当你用语音命令代理去完成一项任务时，你是先理清了完整的步骤，还是边试边修正？这个过程中，你的大脑在“说之前”和“说之后”的认知状态有什么差异？
- 被动捕捉的信任前提是“未来某个时刻，代理能帮你找到正确的内容”。但哪些类型的思考会被这种信任机制永久遗忘——因为它们的意义只能在未记录的空隙间浮现？
- 意图通胀如果变成常态，会不会导致一种新的生产力假象：你觉得自己推进了很多事，但实际上只是在不同版本的“快速原型”之间切换，从未真正纵深到一个问题上？