Will Weinbach：自主社交媒体智能体与实验式学习

社交媒体策略师 Will Weinbach 与 Reid Hoffman、Parth Patil 讨论自主智能体、内容传播和通过实验学习。节目预告提到，他的智能体曾在他睡觉时连发四条内容，他还尝试在电视上运行智能体。

节目介绍了 token 资助计划：入选创作者每周获得价值 1,000 美元的 token，可以选择工具并使用定制智能体。该计划希望缩短从想法到完成作品的距离。

Patil 说，他大约五年前在 Clubhouse 认识 Weinbach，并对他投入大量精力学习的劲头印象深刻。后来他把 Weinbach 加入自己的 Replit 套餐，想看看没有工程背景的创作者能做出什么。

Weinbach 说，起初他用 ChatGPT 完成写文章等笼统任务。Patil 鼓励他找出自己工作流程中的痛点，再动手构建解决办法。他从提示词逐渐走向自动化和智能体，让它们处理自己不愿做的任务。

他把这种做法与学习音乐制作相比：技术细节很有价值，但过早纠结细节有时会妨碍开始创作。他说自己不太理解代码，却认为初学者视角有助于尝试新东西。

Weinbach 也承认，自己愿意在不了解所有潜在损失的情况下冒险。Patil 则说，OpenClaw 流行时自己更加谨慎，希望先把它隔离在单独的 Mac Mini 上。

Patil 说，Weinbach 立刻尝试了 OpenClaw，探索能够持续运行的远程智能体。大约六周后，Weinbach 又向他介绍了 Hermes。Patil 将两者描述为仍在发展的早期系统，并请 Weinbach 分享转变过程。

Weinbach 说，他最初按照 Patil 的建议在虚拟专用服务器上尝试 OpenClaw，却不知道如何管理服务器。随后他接受计算机可能受损的风险，将其安装在本机。他对定制智能体的语言和工作方式很感兴趣。

他在 X 上看到 Hermes 的推荐后进行了尝试，认为它让自己更清楚地看到智能体的活动、技能和变化。他说自己重视定制工作方式、以及随着时间把上下文保存在文件中的能力。

Hoffman 问他如何发现工具，以及对未来有什么期待。Weinbach 说，他从社交媒体上的用户推荐中寻找线索，并测试许多产品；其中大多数不会进入他的工作流。目前他觉得管理一个智能体更简单，但也设想为生活和工作的不同部分配备专门智能体。

他介绍利用社交媒体知识，并探索基于图谱的检索，让智能体帮助处理陌生领域。Patil 将其概括为先建立领域知识图谱，再开始工作。两人将其视为发展中的技术，并未保证智能体的答案一定正确。

Patil 说，即使底层模型没有更新，持久记忆和书面技能也能让智能体适应需求。按他的描述，智能体会记录相关信息，并随用户需求变化修改指令；他认为这个过程的速度很有意思。

被问到自主运行在哪个项目中带来了好处，Weinbach 介绍了一个社交智能体：它筛选和剪辑授权视频、添加文字与文案、安排发布并读取数据。目标是让效果反馈影响后续选择，形成迭代流程。

一次早期失误涉及公司的账号。Weinbach 说，由于提示词设置不当，智能体在凌晨四点左右连续发布了大约四条内容。他当时正在睡觉；醒来后看到内容符合品牌调性，才松了口气。

他得到的教训是，在初始循环中设定更清楚的参数，包括智能体不应该做什么。这个事件说明，自动化工作流与可靠控制其时间和行为是不同的挑战。

Hoffman 问，更自主的内容生产可能对社交媒体意味着什么。Weinbach 说，受众可能对 AI 生成素材持怀疑态度，因此形式很重要。更广泛地说，他关注人们为何观看、划走或分享，以及效果数据如何帮助判断。

他逐步介绍工作流：一个授权素材库提供数千张图片和视频，系统根据时长、视觉风格、是否已有文字叠加等规则筛选。去重逻辑则避免反复选中同一素材。

文案 skill 会分析选中的片段，并依据已有的有效做法提出文字。工作流随后剪辑视频并准备排入内容日历。这里是多个独立技能组成一个较长流程，而非单条命令完成所有工作。

Weinbach 说，通过 API 连接的排期工具可以跨平台发布；Instagram/Meta 集成则提供平均观看时间、划走率等数据。系统利用反馈测试不同形式以实现目标；这些是他对工作流和指标的描述，效果未经独立核实。

他说，工作流源于一个个具体的烦恼：浏览素材库、剪辑、写文案和排期都很费时。他用 Claude 执行这一流程，并认为 skill 文件可能迁移到其他兼容智能体，但仍取决于具体配置。

在一次更特别的实验中，Weinbach 决定在电视上运行 Hermes，而不是购买 Mac Mini。Patil 表示怀疑，问他为什么要把智能体放在电视里，而不是用智能体控制电视。Weinbach 说自己成功运行后，在凌晨五点左右给 Patil 发了消息。

Weinbach 认为这个实验让人可以设想在更多设备上运行智能体，但访谈并未证明每台联网设备都能做到。Patil 又举例说，智能体若能在销售通话时构建客户讨论的功能，可能缩短推销想法和实现想法之间的距离。

两人讨论将智能体放进群聊或 Slack 频道，让多人提供上下文。Patil 预计团队智能体会随协作者一起发展；这体现的是他对新兴工作方式的看法。

Hoffman 问，年轻社交媒体策略师理解了哪些年长营销人员可能忽略的事。Weinbach 说，不同世代成长于不同的传播形式；他自己的经验则扎根于短视频和注意力经济。

Weinbach 主张设计更广泛的内容钩子，触及现有细分受众之外的人。他宁愿一条视频获得 100 万次观看和 2 万次主页访问，也不愿拥有 100 万粉丝却每条只有 1 万次观看。这是他的传播偏好，并非普适规则。

他列出人们可能分享内容的几个原因：表达身份、与他人建立联系、展示知识或回应情绪。他认为创作者应从观众角度思考，而不是只考虑品牌目标。

对于短视频，Weinbach 会问：前三秒如何吸引人，接下来三秒有什么内容，最后怎样兑现期待。他举例说，一段九秒的视频可以让人想再看一遍。Hoffman 指出，这种思考单位是秒而不是分钟。

Weinbach 说，自己的注意力持续时间缩短了，现在主要以电视剧集的形式观看较长内容。他预计类似趋势会更普遍；这是他的印象，访谈没有提供针对所有人的测量结果。

Weinbach 问，如果年轻求职者使用 AI 工具的能力强于简历所显示的工作经验，公司应如何评估。Hoffman 不认为简历会消失，但认为其中的组成部分和能力证据可能改变。

Hoffman 设想，值得信任的 AI 系统可以观察工作，并帮助验证特定能力，同时结合了解候选人的人的推荐。他想象的是更动态的职业身份；这是对可能未来的设想，而非已经建立的招聘制度。

Weinbach 问，在困难的就业市场中，大学生如何获得优势，并提出批量申请作为一种可能。Hoffman 主张更有针对性地展示能力：用 AI 解决某个组织的具体问题，说明申请者能作出什么贡献。

Hoffman 对就业市场困难的成因给出自己的判断，并认为 AI 对年轻求职者是机会。这些因果判断是他的解释，访谈本身并未证明。他的实际建议是展示具体能力，而不只是生成求职信。

Patil 说，Weinbach 熟悉短视频，因此能迅速发现文字被应用界面遮挡或观众留存不佳等问题。他认为早期 AI 经验也类似：即使相关职位名称尚未确定，实践新系统也能让人积累可展示的例子。

Patil 建议分享自己的所学，建立看得见的作品，而不是盲目自动投递数百家公司。他认为，这样人脉网络可以看到一个人的能力，并主动展开相关交流。Hoffman 表示赞同，访谈随之结束。