ClickUp 裁员 22%，同时给 AI 原生人才开出 $100 万年薪——Anita 说：每天用 ChatGPT 还不够

同一周，ClickUp 裁员 22%，同时宣布开出 100 万美元年薪的薪酬区间，专门用来吸引「AI 原生」人才。Wix、Webflow、Meta 随后也做了类似的举动。

原文：How to become the AI-native hire every company wants, @anitakirkovska，May 2026

Anita Kirkovska 在 Vellum AI 工作，她在这篇文章里提了一个值得认真思考的问题：在这波调整里，什么样的人会被踢出去，什么样的人会被高价留下来？

她的答案不是「会用 AI 工具的人」。这个群体比你想象中更大，但真正的「AI 原生」比你想象中更小。这篇文章梳理了这两者的区别，以及一个具体的方法论。

正在发生的组织重构

:::

Anita 引用了一篇叫《智识诅咒》（Intelligence Curse）的研究，里面总结了企业在 AI 冲击下应对劳动力的三种方式：什么都不做（靠惯性撑着）、裁掉大多数基础岗位和白领岗位来最大化 AI 收益，或者冻结所有新招聘直到搞清楚方向。

她说她现在亲眼看到的是第二种在加速发生。ClickUp CEO 公告背后有三个明确的动机：释放一笔预算用来投 AI 基础设施和高杠杆人才；以最快速度吸引市场上最好的 Agent 原生人才——100 万薪酬档位就是这个逻辑的产物；成为这个垂直领域里第一家通过 AI 重组实现爆发式增长的公司。

被解雇的不只是效率低的人，更多的是「人本身做这件事的边际成本比 AI 高太多」的岗位。基础岗位和白领岗位，恰恰是这两类里最集中的地方。

ClickUp CEO 说了一句话：「在这个现实里，要么被 AI 取代，要么成为管理 AI 的人。」这句话被重复了太多次，但配上 22% 裁员这个具体数字，它不再只是一个动员口号了。

你以为的 AI 原生，和真正的 AI 原生

:::

大多数人以为自己算 AI 原生，因为他们每天都在用 AI 工具。Anita 说，这是一个普遍的误判——而且这个误判在裁员来临的时候是危险的。

假的 AI 原生信号 vs 真实信号 / @anitakirkovska

她列出了三条「假信号」：「会提示词工程」——提示词今天已经太容易了，这根本不算壁垒；「熟悉 ChatGPT」——她原文的说法是「我妈也会用，这有什么了不起的」；「每天使用 AI 工具」——好，那你能证明你因为用 AI 变得更高效了吗？给我看数字。

这三条描述的是同一种工作状态：标签页变多了，但工作方式没有变。用 ChatGPT 起草一段文字，手动复制粘贴到文档，再让另一个工具总结，再粘贴到 Slack，再开一个工具做研究……最后，你打开了七个 AI 产品，做完了和以前一样多的事，但花了更多精力来协调这些工具之间的信息传递。

她管这种状态叫 Brain Fry：工作更多，收获更少，精神更疲惫。讽刺的是，很多团队现在的 AI 使用方式，正在让人往这个方向走。

工具多不等于系统。这是她整篇文章的核心前提。

真正的 AI 原生有什么

:::

Anita 给了四个具体的判断信号。这些信号的共同点是：都可以被验证，都不是「我感觉我挺 AI 原生的」这类主观说法。

第一，你能展示一套正在运行的 Agent 配置——Claude Code 或 Codex 的设置、Cursor 的工作环境、你的 Agent 工作流架构图。不是「我用过」，而是「这是我现在实际跑着的东西，你可以看。」

第二，你能在实时情境里展示判断力：把一个 AI 的输出直接放在你面前，你能在 30 秒内指出哪里需要调整、为什么。这考验的是你对「好的结果长什么样」有没有清晰的内化标准。

第三，你能说出三件你停止让 AI 做的事，以及原因。这说明你知道 AI 在哪里可靠、在哪里不可靠，有能力给它划边界，而不是把所有事情都扔进去再看运气。

第四，你有一个 skill.md 文件的清单，你的 Agent 正在用这些文件完成你的重复性工作。这是最硬的信号——它说明你不只是在用 AI，你在教 AI 干你的具体活儿。这也是 Anita 接下来整套方法论的核心。

skill.md 是什么

:::

一个 skill.md 文件，就是一个写给你的 AI Agent 的 Markdown 文档，告诉它「这件具体的任务应该怎么完成」。

skill.md 的作用：把领域知识、任务标准和个人偏好传递给 Agent（深思圈整理）

它不是 prompt，不是系统指令，而是更像一本给 Agent 看的「工作手册」。里面有任务的定义、完成标准、你对「好的结果」的具体描述、哪些做法你明确不允许、哪些格式或语气你偏好，以及 Agent 在遇到边界情况时应该怎么决策。

举个例子：如果你的任务是每周写一份竞品分析报告，你的 skill.md 可能包含：「报告的固定结构是什么」「哪几家公司必须出现」「我最看重哪几个维度」「如果某个竞品没有最新消息应该怎么处理」「摘要部分不超过 200 字」等等。这些规则不在模型里，不在 prompt 里，而是在你的这个文件里，每次任务执行时都会被带入。

Anita 的框架建立在一个前提上：你没有办法等公司来给你建这套系统，再把杠杆递到你手上。你必须自己建，自己验证，在组织重构开始之前先把自己变成那个无可取代的人。

怎么开始建你的第一个 skill

:::

Anita 给的起点很清晰：从一件你已经经常做的事情开始。每周的竞品报告、内容 brief、客户跟进邮件、CRM 清理、提案撰写……选一件满足两个条件的任务：你已经内化了「好的结果长什么样」，而且它重复性足够高，不应该每次都完全依赖你从头思考。

从一件具体任务开始，建立你的第一个 skill / @anitakirkovska

为什么要选你已经知道好结果是什么的任务？因为如果你自己都不清楚什么叫好，你就没有办法评价 Agent 的输出是否合格，也就没有办法给出有意义的反馈来改进。这件事是整个循环的前提。

然后选择你的 Agent。她把选项分成两类：借用现有平台上的 Agent（Claude Cowork、Codex 这类），和建立并拥有你自己的 Agent（Vellum 等需要自己配置的平台）。两类都可行，区别在于后者让你能随时间持续优化你的 skill 文件，并且那套系统是真正属于你的，不会因为换了平台就归零。

然后，写你的第一个 skill.md 文件。不需要完美，需要诚实地把「这个任务应该怎么做、什么样的结果才算对、我个人有哪些偏好」写进去。

最重要的原则：第一版必须自己写

:::

她在这里加了感叹号强调：skill 的第一版，必须是你自己写，不能交给 AI 代劳。

原因很清晰：你才是那个有领域专业知识的人。如果你把「写 skill」这件事本身也交给 AI，你会得到一个通用的、没有你真实判断的文件。AI 不知道你认为什么样的竞品分析才算有价值，不知道你对某种语气风格的具体厌恶，不知道你做这件任务十年积累下来的那些隐性标准。它只能猜。

而基于一个「AI 猜出来的 skill」产出的工作，也是通用的、没有你判断的。你花了时间和精力，但没有建立任何真正属于你的东西。这会把 Brain Fry 推到更深的层次，因为现在连你的「自动化」都是通用的。

对于技术型任务，AI 可以帮你补充 API 规范、CLI 命令这类技术细节——这部分它确实比你快。但所有的规则、偏好、判断边界，必须由你亲手定义。

第一次 Agent 的输出大概率不会好，这是预期内的。目标不是第一次就完美，而是让 Agent 犯错，然后从错误里校准。你在这个阶段的参与度是最高的——检查输出、改进 skill、给出具体反馈。这些反馈，是整套系统里价值密度最高的输入。

完整公式

:::

她把整个流程压缩成了一个九步循环：选一个好的 Agent → 找一件重复性任务（你已经内化了「好结果长什么样」）→ 写 skill.md 文件 → 把 skill 交给 Agent → 让它做工作 → 审查输出并给反馈 → 让 Agent 改进 skill → 重复到你可以真正信任它为止 → 移到下一个任务。

这个循环的核心逻辑是：你拥有领域知识，你把这个知识「教」给你的个人 AI。一个有良好记忆和学习能力的 Agent，应该能从每次互动里学到你的偏好和标准，随时间变得越来越能准确完成你的具体任务，而不是每次都从通用水平开始。

当一件任务被处理到「可信任」的程度，你可以把注意力完全从它身上移走，转到下一件任务。随着这个循环的重复，你的 Agent 系统会越来越像你的「第二个工作自我」——做你做得了的那些重复性高价值工作，解放你去做真正需要判断力和创造力的部分。

到那个时候，你拥有的是一种市场上很多人还没开始思考怎么建的东西：不是「会用 AI」，而是「有一套经过反复调教、深度反映你个人判断和偏好、持续在帮你产出的 Agent 系统」。这才是 ClickUp 那些 100 万年薪岗位在寻找的东西。

对我们意味着什么

:::

ClickUp 和 Wix 的这波裁员主要发生在美国，但「AI 重构组织」这件事不会停在美国。这是成本逻辑，成本逻辑没有地理边界，也不在乎行业。它唯一需要的条件是：AI 能把某类工作做到「够好」的水平，而这个门槛在过去 18 个月里一直在向上移动。

我自己在想这个问题的时候，觉得最难的不是「要不要建 skill.md」，而是「接受自己的工作方式需要被外化和系统化」这件事。我们习惯了知识存在脑子里，过程在经验里，「品味」在直觉里。把这些东西写出来、教给一个 Agent，是一件需要克服某种惰性的事。

但 Anita 说的那句话我觉得是对的：「大多数人太懒了，不愿意在自己的工作上认真建一套 AI 系统。」这个「懒」不是贬义，而是说这件事有真实的门槛。门槛存在，就意味着跨过去是有价值的。

如果你现在用 AI 工具的方式还是「随用随问」，没有任何系统化的记忆和流程沉淀，那这篇文章里的那三个问题是值得认真问自己的：你能展示你的 Agent 配置吗？你有 skill.md 文件吗？你能说出三件你停止让 AI 做的事吗？如果三个都答不出来，那可能不是你不努力，而是你还没有开始。

这件事的好处是：门槛是真实的，这意味着跨过去是有价值的。很多人不会去做，因为它需要时间、需要系统思考、需要把你脑子里的隐性知识外化出来。但正因为如此，做了的人和没做的人之间的差距，会随时间持续拉大。

你不需要是工程师，也不需要等公司给你这套工具。从今天手头的一件任务开始，先写第一个 skill.md，安静地建起来就好。

相关链接

• 原文：How to become the AI-native hire every company wants, Anita Kirkovska

文章来自于微信公众号 "深思SenseAI"，作者 "深思SenseAI"