从 爆火的skill神器gstack 到 Anthropic发布的创始人指南：AI 时代最贵的不是执行力

Garry Tan 的 gstack 最近很火。到我写这篇时，也就是 2026 年 5 月 19 日，它的 GitHub 页面显示已经有约 99.1k stars、14.8k forks。

gstack 表面上是一套 Claude Code 工作流。它把 Claude Code 包装成一组角色和命令：CEO、Designer、Eng Manager、Release Manager、Doc Engineer、QA 等。它还有 office-hours、plan-ceo-review、plan-eng-review、review、qa、ship、retro 这些流程节点。

如果只看表面，你很容易得出一个结论：又是一套 prompt。

这个判断不算错。gstack 没有发明新的模型，本质上就是一组公开的技能、命令和工作约束。但如果只把它当成 prompt 包，我觉得会错过真正重要的变化。

我更愿意把 gstack 看成一个信号：AI 的竞争，正在从“谁更会提问”，变成“谁更会组织一套工作系统”。

这个判断，刚好和 Anthropic 最近发布的《The founder's playbook: Building an AI-native startup》合在了一起。那份 playbook 表面上讲 AI 创业，真正留下来的却是一句话：人的角色正在从“亲自干活”，变成“调度系统”。

1. 执行力正在变便宜

过去，很多事情做不成，是因为执行门槛太高。你想做网站，要懂前端；你想写工具，要会编程；你想做调研，要花时间搜集资料。

不会做、做得慢、做不起，都是天然过滤器。它们有时让人痛苦，但也会挡住很多冲动。

现在这层过滤正在变薄。AI 可以帮你写代码、生成页面、整理资料、起草文案、做竞品分析、跑测试、写发布说明。一个普通创作者，也可以把选题、采证、成稿、配图、分发拆成半自动流程。

这当然是好事。但它也带来一个新问题：当“做出来”变得越来越容易，最大的风险就不再是做不出来，而是你太快做出了一个不值得做的东西。

以前你会因为不会做而停下来。以后你更可能因为太容易做，而忘了停下来想一想。

所以，AI 时代真正变便宜的是执行力，真正变贵的是判断力。

2. gstack 值得看的，不是 23 个命令

很多人看到 gstack，第一反应是：我要不要也装一套？

我的建议是，先别急。如果你只是照抄 23 个命令，大概率不会立刻变强。工具包不是生产系统。如果你没有真实项目，它只是一个漂亮目录；如果你没有判断标准和验收机制，角色越多，噪音越多。

gstack 真正值得看的，不是命令数量。它真正有启发的地方，是把工作拆成了角色、流程和检查点。

CEO 角色负责挑战问题本身，工程经理负责架构、边界、数据流和测试，设计角色负责体验质量，review 负责找生产风险，QA 负责真实浏览器验证，安全官负责威胁建模，发布经理负责把东西推到可交付状态。

这件事表面上是“让 AI 扮演不同角色”。更深一层，是把人的工作系统外化了。以前这些判断藏在一个有经验的人脑子里：什么时候要想清楚，什么时候可以动手，什么时候必须 review，什么时候要测试，什么时候能发布。

gstack 把这些隐性的经验，写成了显性的流程。这才是普通人真正该学的地方。

3. 会用 AI 已经不够了

过去两年，很多人都在学“怎么用 AI”：怎么写提示词，怎么让 AI 扮演专家，怎么让它一步一步思考，怎么给它输出格式。

这些技巧当然有用，但它们解决的是“这一轮对话怎么更好”。下一阶段的问题是：一整条工作流怎么更好？

比如你要写一篇公众号。你真正需要的不是一个“帮我写篇文章”的 prompt，而是一套流程：先判断这个题值不值得写，再查事实、找反向证据，再决定主线，再起稿，再诊断有没有 AI 味和读者获得感，最后检查发布资产和长期归档价值。

你会发现，这已经不是一次问答了。这是一个小型内容团队。只不过团队成员不是人，而是一组被你定义清楚的 AI 角色和流程节点。

这也是我自己做“文昌”这套内容工作流时越来越明显的感受。一开始，我也只是想让 AI 帮我写得快一点。后来我发现，真正有价值的不是快，而是把内容生产里反复出现的判断写下来。

什么样的热点值得追？哪些事实必须采证？什么时候应该停下来让人决定？哪些内容可以沉淀成 Human3.0 的长期素材？

这些东西一旦写清楚，AI 才不只是帮我生成文章，它开始参与我的个人工作系统。

4. 普通人先搭三个角色就够了

所以，普通人要不要学 gstack？

要学，但不是照抄。更实际的做法，是先从自己最常重复的工作里，拆出三个角色。

第一个角色：判断官。

它负责回答：这件事值不值得做？注意，不是能不能做，而是值不值得。比如一个选题，它有没有真实读者痛点？是不是只是在追热点？能不能进入长期栏目？一个产品想法，它解决的是用户真实问题，还是你临时兴奋出来的功能？

判断官的作用，是在执行前踩一脚刹车。

第二个角色：执行官。

它负责把已经确认的任务做出来。写初稿、搭页面、整理资料、生成代码、做表格、拆卡片、改格式，这些都属于执行。执行官不应该替你决定方向，它最适合做的是把明确任务变成明确产物。

第三个角色：审查官。

它负责回答：这个结果能不能交付？有没有风险？能不能复用？文章有没有空话？代码有没有破坏旧逻辑？流程有没有漏掉人工判断节点？这次产出能不能变成模板、SOP、skill、素材库条目？

审查官的作用，是防止 AI 的流畅输出骗过你。

这三个角色已经足够形成一个最小闭环：先判断，再执行，再审查。你不需要一上来搭 23 个命令。先让这三个角色稳定跑起来，你就已经不再只是“使用 AI 聊天框”，你开始拥有自己的工作系统。

5. 判断权必须留在人这里

一听到虚拟团队，很多人会以为目标是让 AI 全自动干活，最好自己完全不用管。

我不这么看。真正有价值的虚拟团队，反而会把人的判断权放得更清楚。因为一旦工作被拆成多个角色，最重要的问题就变成了：谁定义目标？谁决定范围？谁判断结果是否合格？谁在风险出现时叫停？

这些都不能轻易交给 AI。

Human3.0 关心的不是 AI 有多强，而是人在 AI 时代如何保住认知主权。放到工作流里，就是人要从“亲自做每一步”，升级为“设计系统、定义标准、保留关键判断”。

你可以让 AI 起草，但你要决定文章解决什么问题。你可以让 AI 写代码，但你要决定这个功能值不值得做。你可以让 AI 做 review，但你要知道哪些风险必须人工复核。你可以让 AI 自动推进流程，但你要设置哪些节点必须停下来问你。

AI 负责加速，系统负责校准，人负责选择方向。这三者一旦分清楚，AI 才会变成杠杆。

所以，AI 时代真正拉开差距的，不是工具使用频率，而是沉淀能力。

有些人每天都用 AI，但每次都是一次性消费：问一个问题，拿一个答案，复制走，下一次重新开始。还有一些人使用 AI 的次数未必更多，但他们每次都在沉淀：一个提示变成模板，一个流程变成 SOP，一个反复出现的任务变成 skill，一篇文章进入素材库。

消费者关心的是：AI 这次能不能帮我省事。生产者关心的是：这次工作能不能降低下一次成本。

结尾

所以，我不建议你把 gstack 当成一个需要立刻照抄的神器，也不建议你把 Anthropic 的 playbook 当成某个创业教程。它们真正提醒我们的，是同一件事：当 AI 让执行力越来越便宜，真正稀缺的会变成判断力。

会用 AI 当然重要。但更重要的是，你能不能把 AI 组织进自己的长期系统。

哪些事情交给 AI 执行？哪些节点必须由你判断？哪些经验要沉淀成模板？哪些流程要变成可复用资产？哪些结果看起来很热闹，但其实不值得继续？

这些问题，才是 AI 时代每个人都绕不开的基本功。

未来真正有价值的人，不一定是最会调用 AI 的人，而是能把 AI 放进自己的系统里，并且始终知道方向盘在谁手里的人。

如果你也想开始搭自己的“虚拟团队”，我建议先别贪多。

先从三个角色开始：判断官、执行官、审查官。

你现在最想先搭哪一个？也欢迎留言说说你的工作场景，我可以继续把这些角色拆成可直接复用的 prompt / skill 模板。