发小是跨境电商某品类 top20，我啥都不懂，没搞清楚他的生意，就用 AI 把需求理清，搓出几个 skill，交付给他。

全在他本地的小模型上跑，一键启动，后期零维护成本。

大多数人以为，用 AI 帮人做个工具，就是让 AI 帮你敲代码。

但敲代码早就不是瓶颈了。

你能不能搞懂对方到底要什么，并且让对方确认你搞懂了。

这东西真交付了，当场给发小每年节省 10.6 万美元！

他现在天天在用。

下面每一步都是真的，方法你能直接抄。

先说结论，免得你以为我要教你写代码。

AI 最被低估的用法，是接需求。

下面是完整的一个故事。

1. 起因：发小想学 AI，我好奇电商

我有个发小，做跨境电商，在 eBay 和 Amazon 上开店卖货。

他想搞一套数据分析系统。

聊下来我发现，他的诉求其实有两层：一是身边有人在用 AI，他也想学；二是他对数据极其敏感，东西必须留在自己电脑里，不能上云。

敏感到什么程度呢，他为了让 AI 全程在本地跑，直接去买了 Mac Studio。

我看了后，跟他说：你业务没那么复杂，大部分是固定规则，能直接写出来，不需要搞个很重的系统。

发小一场，他开口我就答应帮他。

更何况我自己也好奇，跨境电商这门生意到底怎么跑的，正好借这个机会从头摸一遍。

于是就开干了。

2. 第一步：还没见面，先用 AI 把需求理清

见面之前，我让他先把要分析的东西发我。

他甩来一张 Excel，外加一通语音描述。

说实话，那张表我看不懂，他的描述我也没太听懂。

他那行的术语、各种编号、OEM、广告搜索词、大词、否定词、模糊搜索，全是我不熟的。

换以前，这时候我得先花两天搞懂他的行业。

这次我没有。

我把那张表、那段描述、聊天记录，原封不动整个塞进 AI，让它做一件事：把需求实现出来。

三分钟，一张新的结果 Excel 出来了。

我没核对，直接丢回给他。

他激动回了一句：实践哥，对，就是这个。

他那条原始需求大概长这样，你能感受到那种外行客户的表达：

其实我想实现三方面：Excel 处理（广告表、各平台财务表、箱单格式转化）；选品（我给思路，它慢慢爬）；图片处理。大前提是数据隐私安全。如果能实现，就直接帮我搭。

这种需求，你当场想问清楚是问不清的。

但喂给 AI，再用产物回去对齐，一轮就对上了。

3. 第二步：见面一小时，让 AI 把我漏掉的逻辑补回来

第二天一早，他坐动车过来，我们在咖啡厅聊了一个小时。

聊的时候，我们全程开着录音，有些业务逻辑我当场没搞懂，比如某个核心指标到底按谁来算，哪类卖家才算真正的对手。

没关系，我没打断，先录下来。

回去之后，我把录音整个交给 AI，让它转写、结构化，整理成一份需求文档。

我当场没跟上的逻辑，AI 从录音里帮我补了回来。

更关键的是，我让 AI 把需求拆成两类：一类是能直接做的，一类是必须他拍板的口径。

第二类整理出来是这样的，我们可能看不懂，是他业务相关的数据：

• 他要的卖货数量，是指他自己的，还是市场的同类？
• 判断对手时，那些边界情况算不算？信息缺失时默认归到哪一边？
• 匹配同类时，相似但不完全一样的，要不要做精确校验？

这份清单往他面前一摆，他逐条确认，需求就这么定死了。

到这一步，用 AI 接需求的活就干完了。

我依然不算真懂他那行，但我手上有一份他确认过、连边界都标清楚的需求。

剩下的就简单了。

4. 第三步：做成几个能复用的 skill，而不是一次性脚本

需求一旦理清，用 AI 把它做出来，反而是最不费脑的一步。

我只强调一点：要做出泛化性。

最后没做成一个大系统，而是几个能各自独立用的 skill。

一类处理他的 Excel 报表：搜索词否定、库存转化、箱单转化、相关性，这些都是重复劳动。

一类是选品爬虫：丢给它一个店铺链接，它自己一条条核对，按他定的规则挑出值得跟的蓝海产品。

这几个 skill 我放进 EverOS 统一管，它是给 agent 的开源记忆 OS，本地存、还能自己进化，后面细说。

选品的核心逻辑，是他在咖啡厅里讲、我当时没全懂：一个产品有没有真实需求，以及某类对手在不在场，两个都对，就是好货。

具体口径是人家吃饭的本事，我不展开。

AI 做的，是把他只可意会的判断，翻成一条机器能一步步执行的流水线。

中间有个特别真实的细节。

平台早就把某个看数据的官方入口关掉了，但他那行有个口口相传的土办法能绕过去。

这种圈内才知道的操作，我自己根本想不到，是从他的语音里被 AI 扒出来、写进了流程。

5. 第四步：让它越来越准，给数据分析挂了个 autoresearch

系统怎么测？

不能用他的真实客户数据测。

一来隐私，二来单条数据也跑不全整个流程。

我的做法是让 AI 生成成套的 Excel 测试数据集，覆盖各种情况，再拿这些假数据跑我们自己的逻辑。

跑通了，测试集就有了。

一次做准不难，难的是持续准。

我的做法是把数据分析这部分做成一个 skill，放进 EverOS（它能从真实使用里自己抽 skill），再给它挂一个 autoresearch 的循环：让 AI 自己设计测试、自己拿生成的数据集跑、自己比对哪里错了、自己改规则，然后再跑下一轮。

因为这件事的结果可验证，对就是对，错就是错，这个循环能高速空转，我睡觉的时候它在自己调，醒来这个 skill 比昨天更准一点。

6. 第五步：交付几个 skill，全在他本地的小模型上跑

我没给他一个要联网的大系统，给的是几个 skill。

它们跑在他 Mac Studio 本地的 Gemma 31B（MLX 版）上，一个小模型，96G 内存的 Mac 轻松带得动。

这一步看着不起眼，但保证了他的数据安全。

skill 在本地跑，模型也在本地，他的数据从头到尾连模型这一关都不出机器，更别说上云。

这些 skill 和它们的记忆，由 EverOS 在本地存着、管着，记忆就是他电脑里一堆能直接打开看的 Markdown。

他不会用命令行，连 Python 是什么都不知道。

所以交付物集成到 skill 里了，剩下全是傻瓜式聊天。

最有意思的是系统维护。

2 个月他没找过我一次。

我把我俩从聊需求到搭建的整段 session 导出来，塞进他本地那套 EverOS 记忆里。

于是他有任何问题，直接问自己电脑里的 agent 就行：它带着全程上下文，知道每个 skill 是干嘛的、哪一步该怎么点。

一个不懂技术的人，靠一个全程在本地、又记得住前因后果的 AI，就把这几个 skill 用了起来。

7. 总结：把方法抽出来，你也能接

接需求：

1. 别急着搞懂行业。把对方的原始材料（表格、截图、语音、聊天记录）整个塞进 AI。
2. 让 AI 先产出一个看得见的产物（一张新表、一页需求），用产物找对方对齐，而不是靠提问。
3. 见面全程录音，让 AI 转写、结构化，把你当场没跟上的逻辑补回来。
4. 让 AI 把需求拆成两类：能直接做的，和必须对方拍板的口径，逼他逐条确认。

做和交付：

1. 做的时候要泛化，处理一类文件，不是一个文件。
2. 用 AI 生成的合成数据测，别碰真实客户数据，交付时清空。
3. 对准确度敏感的部分（比如数据分析），挂一个 autoresearch 循环，让它自己迭代、越跑越准。
4. 交付成能在本地小模型上跑的 skill，数据和模型都不出本机。
5. 把从需求到搭建的整段 session 导出，塞进客户本地模型的记忆，售后让他问自己电脑里的 agent，不依赖云。

8. 收尾：这活到底难在哪

他用得很开心。

这事对我不难，发小一场，顺手就做了；我也借机把跨境电商怎么跑通摸了个透，算各取所需。

难在哪？

回头看整条链路，我一开始没搞懂他那门生意。

我干的只有一件事：做决策。

这张表对不对，这条口径选 A 还是 B，这个产品要不要跟。

他说我是他见过最懂业务的开发。我说，你才是我遇过最好的需求方。

他在那条原始需求里自己写过一句话：你要的是比同行更准、更快，人类只要做决策。

以前帮人做个工具的门槛是：你会不会做。

现在的门槛是：你能不能把那个真需求找出来，并让对方确认它。

前者 AI 全包了。

后者，就留给了人类。

9. 这一切活在哪：EverOS

前面反复出现的 EverOS，这里正式说一下，它是这套打法的底座。

你可能发现了：上面这些需求文档、他确认过的口径、那个越调越准的数据分析 skill，总得活在某个地方。

而对一个数据敏感到自己去买 Mac Studio 的人来说，这个地方绝不能是云。

EverOS 一句话：给 AI agent 的开源记忆 OS。

它不只让 agent 记得住，还让记忆能被反思、能自进化、能长成一座你随手翻得开的知识库。

1.0.0 刚发布（来自 @EverMind），它的优点：

• 记忆就是 Markdown：所有记忆是一堆能直接打开、能手动改的 Markdown 文件，是唯一可信源，不是黑盒。
• 纯本地三件套：Markdown 加 SQLite 加 LanceDB 就够了，不用架 MongoDB、Elasticsearch、Redis 这些重型服务。普通 Mac 就跑得动，数据这条硬线从底层就守住了。
• 双轨记忆：一边存用户记忆（这个发小的画像、历史口径），一边存 agent 自己的记忆（沉淀下来的 case 和 skill）。我那个数据分析 skill 就住在技能记忆里。
• 多模态都能吞：文字、图片、音频、PDF、网页、邮件丢进去都能变成记忆。我那段咖啡厅录音，本质就是这么进去的。
• 自进化：它能从你真实的重复工作流里，自己抽出可复用的 skill，再配合 autoresearch 越跑越准。我前面说的睡觉就升级，底座就是这种东西。
• 正交检索：按 user_id、agent_id、app_id 这些维度任意组合查，要哪段记忆调哪段。

我自己最离不开的一个用法，是拿它做交付。

我不想再管后面没完没了的维护和答疑。

所以交付那天，我把整件事的记忆全导出来：从最初聊需求、他逐条拍板的口径，到每个 skill 怎么搭、当时为什么这么定，原样塞进他本地这套 EverOS。

交到手上的就不只是几个 skill，而是一个带着全程开发记录、记得住前因后果的脑子。

之后他想干嘛都不用回来找我。

哪一步不会点，问电脑里的 agent；想加个新功能，把这套记忆和开发记录丢给 agent，让它顺着已有的脉络接着做。

所谓客户交互，到这一步就从我陪聊，变成他跟自己电脑里那套 agent 对话。

把交付从交一堆代码，换成交一套能自己跑、还能接着长的记忆，我现在做客户交付，就靠它。

EverOS 记忆可读、可改、会自己长。

它是 EverMind 整个开源记忆生态的一块，配套有 20+ 用例库可以直接抄。

说它是目前最实用的开源记忆库之一，不算夸张。

仓库在这：https://github.com/EverMind-AI/EverOS

如果你也在搭 agent、做 LLM 应用、给客户交付项目，或者在折腾长期记忆，别只收藏这篇，先去给它点个 Star。

这种本地优先、能自己进化的记忆底座，值得你在下一个项目动工前就放进工具箱。