原文标题：how non-developers automate work like engineers (without writing code)...
原文作者：Damian Player
编译：Peggy，BlockBeats

编者按：当大多数人仍将 AI 视为「更高效的搜索工具」时，Perplexity 正在开始执行工作。

本文围绕一个被反复忽视的差异展开——为什么同样使用 AI，有人只得到一段答案，有人却直接拿到可以交付的成果。关键不在模型能力，而在使用方式：是把工具当作对话窗口，还是当作一个可以被指挥、被调度的执行系统。

以 Perplexity Computer 为代表的新一类工具，将「任务」替代「提问」作为核心交互方式。从合同审核、竞品分析，到数据清洗与报告生成，用户不再描述问题，而是直接定义最终交付物。配合连接企业工具、固化个人背景与风格样例，这种能力进一步从一次性输出，演变为可复用、可自动运行的工作流。

更重要的是，自动化的边界正在被重新定义。它不再只是辅助完成某一步，而是可以持续运行、跨工具执行，甚至主动提出补充任务。这意味着，人与工具之间的关系，正在从「使用」，转向「管理与委托」。

在这一变化下，真正的分水岭不再是是否使用 AI，而是是否已经开始用它「交付结果」。

以下为原文：

那些把这件事搞明白的人，将获得一种不对称的优势。很快，所有人都会学会怎么做。但在一切变得显而易见之前，这里是你可以提前开始的方式。

过去一年里，开发者已经在后台运行着自治型 AI 智能体（比如 Claude Code、OpenClaw 等），它们可以自己做研究、搭建产品、直接交付完整成果，不需要人反复盯着或来回提示。但你其实一直用不上这一套——除非你会用终端，会写代码。

而 Perplexity Computer 改变了这一点。这是第一次，非开发者也能用上同样的能力。你只需要一个浏览器，以及一个可以交给它去完成的任务。

大多数人打开 Perplexity，输入一个问题，得到答案，然后关掉页面。他们错过了关键。Perplexity Computer 不是用来回答问题的，它是用来执行任务的。

别再问问题了，开始把真正的工作交给它。

为什么大多数人会失败

财务总监、律师、咨询顾问……他们打开工具，输入一个问题，得到一个还不错的答案，然后心想：「哦，一个更高级的 Google。」接着继续花 90 分钟去清理上周一刚清理过的那张表格。

问题不在工具，而在用法。他们把它当成了聊天机器人。

提问方式：「这份合同有哪些风险？」

任务方式：「审核这份合同。逐条核查所有表述是否有公开来源支持；标出措辞模糊、条款缺失以及可能带来法律责任的部分；列出最关键的 5 个风险点，并附具体条款引用；输出一份带修订痕迹的 Word 文档。」

同一份合同。一种方式只给你一份清单，让你自己去读；另一种方式直接给你一份可以发给客户的成品。

只需 10 分钟，把这套系统搭起来

先把工具连上。点击侧边栏的 connectors。Perplexity 可以连接 400 多个应用：Gmail、Google Drive、Slack、Salesforce、Notion、SharePoint……把你实际在用的都接上。

然后让它知道你是谁。输入一次就够：「我是某个岗位，在某类公司工作。我会定期产出 X、Y、Z 这些内容。请在每次会话中记住这些背景。」它会长期保留这些信息。

再告诉它「什么是好的」。找 2–3 个你最满意的成果，上传并输入：「这些是我最好的工作样例。请学习它们的格式和语气，以后生成内容时以此为参考。」

这样，它就不是在猜你的风格，而是在反向拆解你已经验证过的成功路径。

10 分钟，先做这件事。

一个真实例子：那个不再耗费 90 分钟的周一

一位金融分析师每周一都会收到一份数据导出，150 行，格式混乱：重复数据、三种日期格式、评级用文字写而不是数字。在开始分析之前，她每周都要花 90 分钟清洗数据。同一个问题，每周重复。

她只输入了一条指令：清理这份文件，去重，统一日期格式，把文字评级转成数字；在清洗后的数据上做分析；生成一个带筛选功能的交互式仪表盘并提供分享链接；输出一份对比清洗前后的 PDF 报告；所有文件保存到 Drive 的「周一报告」文件夹。

4 分钟后：干净的数据集、交互式仪表盘、分享链接、PDF 报告——全部出现在她的 Drive 里。

然后她又问了一句：「有没有我还没问，但能让这件事更有用的改进？」

系统建议了两点：一是把这个任务设为每周一早上 7 点自动运行；二是新增一个任务，根据表现不佳的板块生成周二的管理层简报。

她把两项都设好，关掉页面。

之后每周一，它都会自动运行——无论她的电脑是否开着。

这正是开发者过去一年在用的那套能力。现在，你在浏览器里就能用。

人们已经在用它做什么

@gregisenberg 在 @startupideaspod 播客中做了现场测试。

他只给了一个任务：找出在竞品播客投放广告的公司，识别真正负责赞助的人，并为每个人写一封个性化邮件。

系统找到了 Ramp 的增长副总裁，抓取了他两周前参与的一期播客内容，写出一封冷邮件，引用了他在节目中的具体发言，然后直接发送。Greg 并没有说「发送」，系统判断任务完成并自行执行。

接着它又主动建议：监控竞品播客，一旦有新品牌开始投放广告，立刻提醒并附上对应联系人——「在预算刚启动时就联系」。

最终，这个流程并行完成了 96 个潜在客户的调研，并安排了第 3 天和第 7 天的跟进邮件。

在 Marketing Against the Grain 节目中，团队用它审计了整个 HubSpot 产品页面：自动爬取全站、按自定义标准评分、排序问题，并生成一个可分享的网站报告。本来需要团队一周的工作，在录节目时就完成了。

这些都是现场完成的，不是演示，也不是预设脚本。

针对具体工作的用法

在金融领域，一位投资组合分析师在英伟达财报发布前只下达了一个任务。

返回结果是：一个实时交互式仪表盘，包含 1305 亿美元营收、75% 毛利率、114.2% 增长率、完整利润表，以及从 2021 财年到 2028 年预测的利润率趋势，全部支持筛选和分享链接。

没有 Excel，没有手动找数据，5 分钟完成。

Perplexity 可以直接调用 SEC 披露、FactSet、标普全球、PitchBook 等数据源——不需要 API key，也不需要额外授权，系统内置完成。

法律场景：
「审核这份合同。逐条核查所有表述是否有公开来源支持；标出措辞模糊、标准条款缺失，以及在 [具体州] 合同法下可能产生法律责任的内容；列出最关键的 5 个风险点，并附具体条款引用；输出一份带修订痕迹的 Word 文档。」

有位审核人员曾上传一份提案，声称某市场同比增长 43%。Perplexity Computer 查出真实数据只有 4%，在签约前就拦下了问题。

营销场景：
「分析 [竞品 1]、[竞品 2]、[竞品 3] 过去 30 天表现最好的内容；找出互动最高的内容形式与主题；识别内容空白；基于这些空白生成一个 30 天的内容日历，并保存为 Google Doc。」

把它设为定时任务。每周一自动生成最新竞品分析，无需人工调研。

运营场景：
「这是我们 Q1 的 CSV 数据。请清洗数据；按区域和产品线分析收入；识别三个最大问题；生成一页纸的行动建议；制作一页汇报用 PPT；所有文件保存到项目文件夹。」

五个交付物，一条指令。你在开会的时候，它就已经做完了。

模型评审（Model Council）：60 秒得到三种判断

当你面临一个有实际后果的决策时，只需输入一次问题。Perplexity 会同时调用 Claude、ChatGPT 和 Gemini，并由一个「综合器」总结它们的共识与分歧。

·三者一致的部分：高置信结论

·存在分歧的部分：需要进一步判断

有人问产品定价该选 $297 还是 $497。三个模型给出不同答案，但综合器发现它们唯一一致的结论是：不要低于 $297。决策就此完成。

很多公司会花钱请咨询公司把分析师关在会议室里得出结论。

这里，只需要一条指令。

真正的核心能力

想从 Perplexity Computer 中获得实际价值，80% 取决于一件事：你能否清晰描述「最终产出」。

不是技术配置。而是你是否足够清楚自己要交付什么。不要描述步骤，要描述结果。

每次任务完成后，记得再问一句：「有没有我还没问，但能让这个结果更有用的地方？」

它几乎每次都会指出盲区。每次都用。

从这里开始

打开 Perplexity（pro 版 $20/月）。进入 Computer 页面，点击 connectors，先连接 Gmail 和 Google Drive。

输入你的三句背景介绍（只需一次）。上传 2–3 个你最好的工作样例，让它学习你的风格。然后选一个你上周花了 2 小时以上、且每次输出都类似的任务：用「最终交付物」的方式描述它，发送。观察执行过程。如果是重复任务，在关闭页面前设为自动运行。

开发者已经用这一套一年了。他们和其他人的产出差距，是真实存在的。

这，就是缩小差距的方法。

[原文链接]