[深度复盘] 15人团队、5款产品、0行人工代码：Dan Shipper的"AI原生"工作流彻底变了

📝 创作说明

• 选题方向: [非技术人员的"黑客级"AI实操：Claude Code与本地智能体]
• 评分: AI相关性 50/50 (深度涉及Claude Code/Cursor/Context Engineering) + 故事性 45/50 (Dan Shipper的真实转型与Every公司的运营细节) + 加分项 15/20 (反直觉：让文科生用终端) = 总分 110/120
• 字数: 2350/2000字
• 核心价值: 揭示了一个反直觉的趋势——最适合非技术人员的AI工具，竟然是工程师专用的"命令行"(Terminal)。本文手把手拆解如何用Claude Code在本地处理海量文件，以及一家年入7位数的公司如何实现"100% AI写代码"。

正文内容

你敢相信吗？一家年收入达到7位数（百万美元级别）、拥有5款独立产品、每天还要发日报的媒体科技公司，整个工程团队竟然不再手写任何一行代码。

这不是科幻小说，这是Dan Shipper（Every的CEO）正在践行的"疯狂"实验。

现在的硅谷，出现了一种极其诡异的倒挂现象：大多数普通人还在用ChatGPT的网页版，在那一个个对话框里复制粘贴；而真正的高手，哪怕是像Dan这样的"文科生"背景出身，已经开始打开那个黑乎乎的、让无数人望而生畏的"终端界面"（Terminal），指挥AI在本地电脑上大杀四方了。

如果你还觉得"命令行"是程序员的专属，那你可能正在错过AI时代最强大的一次生产力跃迁。Dan Shipper用他的亲身经历证明：AI进化的终点，不是让你变成更快的打字员，而是让你变成不需要动手的指挥官。

Dan Shipper，Every的联合创始人兼CEO。如果是几年前，你会把他定义为一个"懂点技术的写作者"。他经营着一家拥有10万+订阅者的商业媒体，团队只有区区15人。

但他最近做了一个让硅谷投资人都咋舌的决定：全公司的工程师，停止手动写代码。

在这个团队里，无论是开发新App，还是分析数万字的读者反馈，甚至是他自己写文章模仿托尔斯泰的笔触，所有流程都被AI彻底重构了。以前，通过AI写代码可能只是为了"辅助"；但在Dan的公司，AI已经从"副驾驶"变成了"主驾驶"。

即使是Dan自己，一个以写作为主业的CEO，现在每天盯着的也不是Word文档，而是Cursor编辑器和Claude Code的运行窗口。他不再是那个在那儿敲击键盘输出观点的作家，他变成了一个**"逻辑编排者"**。

故事的冲突点在于，绝大多数非技术人员（也许包括正在看文章的你），都被挡在了AI真正能力的"大门"之外。

你肯定遇到过这种情况： 你想分析过去一年的500个会议记录文档，找出自己"回避冲突"的时刻。你怎么办？ 按照常规做法，你得把文件一个个打开，复制内容，粘贴到ChatGPT里，然后因为字数限制被报错，或者因为文件太多而直接放弃。

这就是**"网页版AI"的局限性**。它像是一个被关在笼子里的天才，只能隔着玻璃窗处理你递进去的一点点碎片信息。

而Dan Shipper面临的困境更具体：他想写出像托尔斯泰《战争与和平》那样细腻的心理描写，但他不可能把几百万字的原著手动喂给AI；他想让公司开发效率翻倍，但招不起几十个高级工程师。

他发现，真正的瓶颈不是AI不够聪明，而是我们与AI的交互方式太原始了。

转折点发生在Dan开始尝试Claude Code（Anthropic推出的命令行工具）的那一刻。

大多数人看到那个黑底白字的命令行窗口就想关掉，觉得那是黑客才用的东西。但Dan发现了一个惊人的秘密：这才是最适合非程序员的AI神器。

在这个界面里，你不需要懂代码，你只需要用英语下达指令。更重要的是，这个"黑窗口"拥有网页版没有的上帝权限——它可以直接读取你电脑里的所有文件，并且可以连续运行20-30分钟不中断。

这就像是你雇了一个不知疲倦的实习生，你把他按在你的椅子上，指着你的硬盘说："把这几个文件夹里的东西都看一遍，然后给我个结果。"

从那一刻起，Every这家公司彻底变了。他们不再是"用AI辅助工作"，而是建立了一套**"AI原生"（AI-Native）**的全新工作流。

方法论拆解：如何像Dan Shipper一样建立"AI原生"工作流

Dan Shipper的操作看似硬核，其实逻辑非常简单。我将其拆解为三个核心步骤，即使你一行代码不懂，也能照着做。

第一步：打破"黑盒恐惧"，启用Claude Code（本地智能体）

我们要颠覆的第一个认知是：命令行（Terminal）不是写代码的地方，它是你给AI下达"长期任务"的控制台。

Dan在访谈中强烈推荐非技术人员使用Claude Code。它的核心优势在于"本地文件访问权"和"长时记忆"。

具体操作场景： 假设你是一个产品经理，你要分析过去半年所有的用户访谈记录（假设有100个Markdown文件，存在Documents/Interviews文件夹里）。

• 传统做法：打开文件 -> 复制 -> 粘贴到ChatGPT -> 提问 -> 重复100次 -> 崩溃。
• Dan的做法：
  1. 打开终端，运行Claude Code。
  2. 输入自然语言指令："读取Documents/Interviews文件夹下的所有文件。帮我找出一个模式：用户在什么情况下会提到'价格太贵'？请把相关的原话摘录出来，并生成一份分析报告保存为Report.md。"
  3. 去喝杯咖啡。
  4. 20分钟后回来，报告已经生成在你的桌面上了。

在这个过程中，AI不仅仅是回答问题，它在遍历文件、建立索引、自行记录笔记。它就像一个真实的员工，拿个小本本一边看文件一边记重点，最后给你结果。

第二步：风格迁移与深度研究（以托尔斯泰为例）

Dan是一个极致的写作者，他想模仿托尔斯泰在《战争与和平》中描写人物微表情的笔法。这需要极高的数据处理密度。

他是这么做的：

1. 数据准备：下载《战争与和平》的英文版和俄文版电子书（公版书），存入本地文件夹。
2. 建立规则：通过Claude Code下达指令："阅读前三章，提取所有关于'眼神'、'语调'与'内心想法'不一致的描写片段。基于这些片段，总结出一套'托尔斯泰式心理描写法则'。"
3. 双语校验：他甚至让AI对比俄文原版和英文译本的细微差别，找出翻译中丢失的情绪颗粒度。

结果：AI不仅总结出了方法论，还生成了一个专属的"写作指导Prompt"。每次Dan写文章时，先把草稿喂给这个Prompt，AI就会用托尔斯泰的"眼睛"审视一遍，建议他："这里你应该描写他的声音在颤抖，但眼神却是冰冷的，而不是直接说他很紧张。"

这就是**"知识编排"（Knowledge Orchestration）**。你不是在让AI从零创作，你是先让它"吞噬"掉一个大师的灵魂，再让它用这个灵魂来辅助你。

第三步：100% AI代码化（Cursor + Replit）

对于想要构建产品的创业者，Dan提出了一个激进的标准：不要手动写任何前端代码。

在Every公司，工程师们使用Cursor（一款AI编辑器）或Replit。他们的工作流是这样的：

1. 用自然语言描述需求："我要做一个网页，左边是文章列表，右边是预览，配色参考Every的官网风格。"
2. AI生成代码。
3. 运行，发现Bug。
4. 关键点：不要自己去改代码！把报错信息复制给AI，或者直接在Cursor里按Command+K说："点击列表没反应，修好它。"
5. AI自动修正代码。

Dan提到，他们团队的一个非技术背景的员工，在两个月内完成了普通工程师一年的成长量。为什么？因为他从不纠结于语法错误，他把所有时间都花在了**"如何精准描述需求"和"如何设计产品逻辑"**上。

以前，写代码是"拼积木"；现在，写代码是"当监工"。

第四步：CEO的"数字分身"（预测会议发言）

这是最高阶的玩法。Dan为了验证AI的能力，做了一个"CEO基准测试"。

他导出了自己过去所有的会议录音转文字稿（使用Granola等工具），然后喂给大模型，问它："在下一次关于Q3预算的会议上，我如果听到市场费用超支，我会说什么？"

起初，AI的预测很糟糕。 但当Dan引入了Context Engineering（语境工程）——即不仅仅给AI会议记录，还加上了公司的战略文档、他最近在读的管理书籍、以及他上周刚发的全员信——AI的预测准确度直线飙升。

现在，Every的编辑团队在给文章起标题时，会先问那个"Dan的数字分身"。通常情况下，AI给出的反馈和Dan本人的意见惊人的一致。这让Dan实现了管理上的DRY原则（Don't Repeat Yourself）：如果AI能替我说出那句"标题不够性感"，我就不需要亲自去说这一遍了。

理论升华

Dan Shipper在访谈中提到了一个极具启发性的心理学隐喻，来自温尼科特（Winnicott）的**"独处能力"（Capacity to be Alone）**。

人类的成长过程，其实就是"独处时间"（Leash）不断延长的过程。

• 婴儿时期：一刻都离不开父母。
• 幼儿时期：可以在父母视线范围内自己玩20分钟。
• 成年时期：完全独立生活。

目前的AI，正处于从"婴儿"向"幼儿"过渡的阶段。

• Copilot时代：它是婴儿，你每打一个字，它补全半个字，一刻离不开你。
• ChatGPT时代：它是刚学会走路的孩子，你问一句，它答一句，一来一回。
• Agent时代（现在）：像Claude Code这样的工具，已经是可以"独处20-30分钟"的幼儿了。你给它一个复杂的任务，它可以自己去跑，去联网，去读文件，去思考，半小时后给你结果。

AGI（通用人工智能）的定义是什么？ Dan认为，就是当这个"独处时间"变得无限长，且运行它的收益大于成本时。当你可以让一个AI智能体7x24小时在后台像个少年一样"独立生活"、处理工作，而你只需要偶尔查看结果时，AGI就真正到来了。

局限性提醒

虽然听起来热血沸腾，但我必须泼一盆冷水：这套打法目前是有门槛的。

1. 成本问题：让Claude Code在本地跑半小时，消耗的Token（代币）费用可能高达几美元甚至更多。如果你是高频使用，这是一笔不小的开支。
2. "幻觉"依然存在：虽然AI能写代码，但它偶尔会引入一些非常隐蔽的Bug。如果你完全不懂技术逻辑，可能会被卡在某个死胡同里出不来。
3. 环境配置：虽然不用写代码，但你至少得学会怎么在电脑上安装Python，怎么打开终端，怎么配置API Key。这一步"迈过门槛"的动作，依然会拦住90%的人。

但是，正如柏拉图当年担心"书写会破坏人类的记忆力"一样，每一次技术革命都会让你失去某种能力（比如手写代码的能力），但会赋予你更强大的新能力（比如一人构建系统的能力）。

金句收尾

Dan Shipper说："很多人担心AI会抢走工作，但我看到的是，AI正在让'美国制造'重新变得划算。"

当智能的成本无限降低，当一个普通人加上AI就能抵得上一个10人的昂贵团队时，公司的形态将被彻底重写。

你不需要成为一个代码大师，也不需要成为一个文学巨匠。在AI时代，你只需要成为一个懂得如何发号施令、并且敢于把手从键盘上拿开的指挥官。

别再盯着那个闪烁的光标发呆了。打开终端，输入指令，让你的AI员工开始干活吧。