Tiga kerangka kerja untuk transisi kemampuan AI bagi orang biasa: Mengucapkan selamat tinggal pada situasi sulit "mengulang input setiap hari"

Judul asli: 《Tiga Kerangka untuk Mewujudkan Lompatan Kemampuan AI oleh Orang Biasa》Penulis asli: KK.aWSB, Co-Founder CarbonSilicon AI

Penulis asli:律动BlockBeats

Sumber asli:

Repost: Mars Finance

Orang yang menggunakan AI terbagi menjadi dua jenis: satu membuka Claude setiap hari, memasukkan satu paragraf deskripsi latar belakang, mendapatkan jawaban, lalu menutup halaman. Esok hari kembali lagi, memasukkan deskripsi yang sama. Setelah 30 hari, efisiensinya sama persis seperti hari pertama.

Jenis lain juga menggunakan Claude, tetapi setelah 30 hari, AI mereka sudah berubah menjadi sesuatu yang benar-benar berbeda—secara otomatis menulis dengan gaya mereka, secara otomatis mengeluarkan output sesuai format mereka, secara otomatis memanggil metodologi yang mereka ajarkan. Dan mereka malah semakin sedikit menghabiskan waktu untuk “mengarahkan AI” setiap hari.

Alat yang sama, model yang sama, harga yang sama. Bagaimana perbedaan ini bisa muncul?

Bukan karena tekniknya. Melainkan karena kerangka kognitifnya.

Hari ini saya bagikan tiga kerangka. Memahami kerangka ini, cara Anda menggunakan AI akan mengalami perubahan mendasar.

Kerangka pertama: Teori evolusi tiga lapis—Anda berada di lapisan mana?

Menggunakan AI memiliki tiga tingkat. Kebanyakan orang akan selalu berhenti di lapisan pertama.

Lapisan pertama: Prompt

Prompt adalah instruksi yang Anda masukkan secara sementara di kotak dialog. “Anda adalah seorang copywriter berpengalaman,” “Gaya yang ringkas,” “Berikan saya tiga opsi.”

Ini efektif saat itu juga. Setelah percakapan ditutup, hilang.

Ini seperti menjelaskan siapa Anda kepada seorang jenius yang lupa ingatan setiap pagi. Memang dia sangat pintar, tapi besok dia tidak mengenali Anda lagi. Preferensi gaya, standar merek, format output, istilah industri—semuanya kembali nol, harus dijelaskan ulang.

Lalu, apa yang terjadi setelah 30 hari? Hari ke-1 menulis prompt yang bagus, mendapatkan hasil yang baik. Hari ke-15, Anda sudah mengulang memasukkan konteks yang sama sekitar 15 kali. Hari ke-30, produktivitas Anda sama persis dengan hari pertama. Tidak ada akumulasi.

Selain itu, di hari yang lelah, Anda mungkin melewatkan detail, kualitas output menurun. Di hari sibuk, Anda malah melewati konteks, Claude memberi Anda versi umum yang dangkal.

Anda sendiri adalah bottleneck-nya. Setiap percakapan adalah.

Lapisan kedua: Project

Anda mengunggah dokumen referensi, penjelasan gaya, instruksi sistem ke dalam Project. Setiap percakapan di Project ini tahu konteks Anda.

Ini seperti memberi karyawan baru buku panduan masuk. Lebih baik daripada hanya memberi instruksi lisan setiap hari.

Tapi ada satu masalah: Anda harus ingat membuka Project yang benar. Pengetahuan Anda terkunci di dalam Project tertentu, jika berpindah konteks harus mulai dari awal lagi.

Lapisan ketiga: Skill

Skill adalah file terstruktur—Anda menulis sekali, menginstal sekali, lalu Claude secara otomatis mengenali saat tugas terkait muncul dan memicu.

Tidak perlu membuka Project tertentu. Tidak perlu memasukkan prompt lagi. Claude sudah tahu apa yang harus dilakukan.

Ini seperti melatih karyawan, latihan sekali, berlaku selamanya.

Ketiga lapisan ini menggunakan Claude yang sama. Tapi lapisan pertama adalah alat obrolan, lapisan ketiga adalah sistem kerja.

Jadi, setelah memahami hierarki ini, bagaimana cara melompat dari lapisan pertama ke lapisan ketiga? Di sinilah kerangka kedua diperlukan.

Kerangka kedua: Pemikiran transaksi vs. Pemikiran bunga majemuk

Ini adalah salah satu dari tiga kerangka yang paling penting. Bukan teknik penggunaan alat, melainkan model kognitif.

Prompt adalah transaksi. Anda menginvestasikan waktu untuk menulis instruksi, mendapatkan satu output. Di lain waktu, menginvestasikan lagi, mendapatkan lagi. Investasi dan hasilnya berbanding 1:1 secara linier. Jika berhenti menginvestasi, hasil langsung kembali ke nol.

Skill adalah bunga majemuk. Pada hari pertama, Anda menginvestasikan 10 menit untuk membuat Skill. Hari kedua, Skill sudah mulai bekerja. Hari ke-15, Anda mengumpulkan 3 Skill, masing-masing bertambah di atas yang sebelumnya. Hari ke-30, Claude Anda berbeda dari yang lain.

Biaya pembangunan adalah satu jam yang dihabiskan secara tersebar selama minggu pertama. Imbal hasilnya adalah setiap percakapan berikutnya berjalan di atas basis yang lebih tinggi.

Kerja minggu pertama masih memberi manfaat hingga bulan keenam. Itulah bunga majemuk.

Pemikiran transaksi bertanya: “Hari ini bagaimana menggunakan AI untuk melakukan hal ini dengan baik?”

Pemikiran bunga majemuk bertanya: “Bagaimana saya membuat AI tahu cara melakukan hal ini selamanya?”

Perbedaan satu kata. Tapi jika Anda menggunakan pemikiran bunga majemuk dalam menggunakan AI, setelah 30 hari Anda akan menemukan sesuatu yang ajaib: waktu yang Anda habiskan untuk “mengajar AI” semakin berkurang, pekerjaan yang AI bantu selesaikan semakin banyak. Karena setiap Skill yang Anda ajarkan sebelumnya terus berlaku.

Ini menimbulkan pertanyaan praktis: Bagaimana sebenarnya menulis Skill? Apa yang harus dimasukkan, apa yang tidak? Inilah kerangka ketiga.

Kerangka ketiga: Thin Harness, Fat Skills—Fokus 90% dari energi di tempat yang tepat

Kerangka ini berasal dari Garry Tan, pendiri YC, yang menyederhanakannya menjadi prinsip arsitektur yang sangat ringkas: Harness tipis, Skills tebal.

Apa maksudnya?

Saat bekerja dengan AI, Anda sebenarnya membangun sistem tiga lapis—tanpa sadar:

Lapisan atas: Skills. Panduan operasional yang Anda ajarkan ke AI—proses, standar penilaian, pengetahuan domain. Ini adalah 90% dari nilai.

Lapisan tengah: Harness. Program atau lingkungan yang menjalankan AI—memanggil model, mengelola konteks, membaca dan menulis file. Sebaiknya sangat tipis.

Lapisan paling bawah: Alat deterministik. Query database, kompilasi kode, kalkulasi matematis—operasi yang sama hasilnya sama setiap kali.

Prinsipnya: Dorong kecerdasan ke Skills. Dorong eksekusi ke alat deterministik. Semakin tipis Harness, semakin baik.

Apa yang salah? Harness tebal, Skills tipis. Pernah melihat situasi di mana: banyak waktu dihabiskan untuk debugging pipeline, mengonfigurasi plugin, mengoptimalkan panggilan API, tapi isi yang diajarkan ke AI—tidak lebih dari satu kalimat pun tidak tertulis.

Hasilnya: pipeline-nya bagus, tapi kualitas output AI tidak berbeda jauh dari obrolan biasa. Karena Anda mengoptimalkan jalur, tapi jalurnya tetap mengalirkan air keran biasa.

Kecerdasan model sudah cukup. Kegagalan bukan karena tidak cukup pintar, melainkan karena tidak memahami kondisi spesifik Anda—standar, kebiasaan, bentuk masalah yang unik. Skill menyelesaikan masalah ini.

Kerangka ini juga menyiratkan: saat model yang lebih kuat dirilis, semua Skill Anda otomatis menjadi lebih baik.

Karena Skill mendefinisikan proses dan standar, peningkatan penilaian dasar akan membuat proses ini berjalan lebih akurat. Anda tidak perlu menulis ulang apa pun. Upgrade model bukan berarti “belajar lagi,” melainkan “sistem saya diupgrade secara gratis.”

Skill adalah aset permanen.

Bagaimana menggabungkan ketiga kerangka ini

Langkah pertama: gunakan teori evolusi tiga lapis untuk menentukan posisi Anda.

Di lapisan mana Anda saat ini? Jika setiap kali percakapan Anda selalu memasukkan konteks ulang—Anda di lapisan pertama. Jika Anda menggunakan Project tapi tanpa Skill—Anda di lapisan kedua. Mengetahui posisi Anda, akan membantu menentukan langkah selanjutnya.

Langkah kedua: gunakan pemikiran bunga majemuk untuk menemukan daftar kandidat Skill Anda.

Refleksikan percakapan Anda dengan AI selama sebulan terakhir. Instruksi mana yang Anda ulangi? Konteks mana yang Anda jelaskan berulang kali? Format apa yang selalu harus Anda ingatkan? Proses apa yang Anda pandu secara manual satu per satu?

Jika Anda mengulang lebih dari tiga kali, itu berarti ada Skill yang menunggu untuk dibuat.

Ada prinsip lebih agresif: jika Anda melakukan sesuatu dengan AI dan hal itu akan dilakukan lagi di masa depan—buatlah Skill dari pertama kali. Lakukan manual pertama, lihat outputnya, jika memuaskan, langsung ubah menjadi file Skill.

Standar pengujian: jika Anda harus meminta hal yang sama untuk kedua kalinya, sistem gagal.

Langkah ketiga: gunakan Thin Harness, Fat Skills untuk menentukan fokus energi.

Jangan habiskan tiga hari mengutak-atik pipeline lalu menjalankan tugas dengan Prompt mentah. Sebaliknya—habiskan tiga hari menulis Skill inti Anda, gunakan pipeline paling sederhana.

Seperti apa bentuk Skill itu? Sangat sederhana, hanya file teks:

Nama—nama Skill-nya. Deskripsi—apa yang dilakukan (satu kalimat). Ini bagian terpenting—Claude mengandalkan kalimat ini untuk otomatis memicu. Instruksi—bagaimana melakukannya (langkah-langkah spesifik). Pembatasan—apa yang tidak boleh dilakukan.

Skill bukan memberi tahu AI “apa yang harus dilakukan”—itu tugas Prompt. Skill memberi tahu AI “bagaimana melakukannya.”

Prompt bilang: “Bantu saya buat analisis kompetitor.” Skill bilang: “Saat melakukan analisis kompetitor, pertama identifikasi 3-5 kompetitor utama, bandingkan dari segi fitur/harga/posisi pasar, keluarkan SWOT, setiap kesimpulan disertai sumber data, dan berikan 3 saran yang dapat dilaksanakan.”

Prompt memberi tugas. Skill memberi metodologi. Ketika keduanya digabungkan, AI berubah dari “magang yang menunggu instruksi setiap langkah” menjadi “karyawan yang tahu cara bekerja.”

Selain itu, satu Skill yang sama bisa dipanggil berulang kali dengan input berbeda—masukkan perusahaan kompetitor, dapatkan analisis kompetitor; masukkan tren industri, dapatkan laporan tren; masukkan target investasi, dapatkan ringkasan due diligence. Proses yang sama, objek berbeda, hasil berbeda total.

Ini bukan teknik Prompt engineering. Ini seperti merancang perangkat lunak dengan Markdown.

Bagaimana membangun Skill pertama Anda

Cara tercepat: biarkan AI membantu Anda membangun.

Claude memiliki fitur “Skill Creator”—sebuah Skill yang bisa membuat Skill. Anda cukup bilang: “Bantu saya buat Skill untuk [tugas spesifik Anda].”

Claude akan mewawancarai Anda, merangkum prosesnya, menghasilkan file .md yang terstruktur. Simpan dan gunakan.

Dalam satu sore, Anda bisa membangun seluruh sistem Skill Anda. Hanya 10-15 menit per Skill. Gaya penulisan, analisis kompetitor, notulen rapat, balasan email, pembuatan laporan, kalender konten—total kurang dari dua jam.

Dua jam ini akan memberi manfaat bunga majemuk tanpa batas.

Akhirnya

Tiga kerangka, tiga kalimat:

Teori evolusi tiga lapis: Dari Prompt ke Project ke Skill, satu AI, tiga pengalaman yang sama sekali berbeda. Anda di lapisan mana?

Transaksi vs. bunga majemuk: Prompt adalah transaksi yang kembali nol setiap hari. Skill adalah aset yang terus bertambah nilainya setiap hari. Anda pilih yang mana?

Harness tipis, Skills tebal: Jangan habiskan energi di pipeline. Fokus 90% pada menulis Skill yang baik—itulah nilai sebenarnya.

Setiap Skill yang Anda bangun adalah upgrade permanen untuk sistem AI Anda. Tidak menurun, tidak lupa, otomatis menjadi lebih kuat saat model diperbarui.

Prompt adalah instruksi lisan. Skill adalah SOP manual. Satu kembali ke nol setiap hari, satu lagi tumbuh secara bunga majemuk setiap hari.

Mulai hari ini: temukan tugas yang Anda ulangi lebih dari tiga kali. Luangkan 10 menit, buat Skill pertama Anda.

Dan Anda tidak akan pernah ingin kembali ke hari-hari hanya pakai Prompt lagi.