AI 浪潮下我的些许变化

今天晚饭和朋友去吃了公司对面的春饼。本文写于 1 月 15 日晚。上一次去，还是某个项目结束后和同事聚餐。一晃大半年。

席间，项目里的另一位同事说：「2025 年，我至少有 8 个月一直在和你沟通。」

2025 年初，我的工作发生了很大变化。以前围绕事情推进，现在更多以项目展开，也更依赖人与人之间的协作。

业务本身对我没什么难度。和人打交道更考验我。我有点内向，刚认识时略显「社恐」，熟悉以后话很多。过去一年，我和不同部门、不同角色、不同业务线的人交流，分享工作心得，了解业务模式，也沟通生活趣事。我慢慢喜欢上了这件事。

晚饭后，我在路边看到一面星空墙绘，顺手拍下来发到「一年四季」群，取名「马路边的星空」。

画里的星空藏在墙后。水泥墙面的边缘像被撕开、剥落，常见的钢筋不见踪影，深蓝色的宇宙占满裂口。那一刻很像在下班路上撞见一个裂开的现实。城市坚硬外壳的下面，还藏着更广阔的世界。生活里还是要留一点裂缝和余白。望你我都好。

这是我最近很喜欢的一张照片。

今天，@千古 私信我：「哇，你是闪光有灵性的博主，可别辜负了读者们。」他还附上了 @J.sky 的文章。

我第一次看到有人用「闪光有灵性」形容博客，意外又惭愧。作为一个自认「下里巴人」的人，我也是第一次见到这种描述。@J.sky 写的是技术博客，文字还能这么用。于是我跑去留言：「作为一个『闪光有灵性的博主』，有点惭愧，2025 年工作繁忙，很少更新，争取今年保持一定频率。新年快乐！」

对方回复：「你也该更新点东西了，好久没看到你发博文了。」

确实很久了。超过一年，我很少静下心来码字。我有时分不清，是时间太快，还是效率太高，只觉得一切都很匆忙。AI 充斥生活，工作里的事情抢注意力，家庭事务也要逐项处理。有时我会突然问自己：我是谁？我在干什么？

2025 年 3 月 28 日，我和 @大华 聊完，拉了三五位持续写字的朋友建了一个小群，叫「字里行间」。有幸在群里遇见大家，更幸运的是每天都能读到真诚的分享。我不太会运营社群，大家也不需要被运营。各自成长，各自安好，想分享时就来聊几句。

如果以后有第二个群，我想叫它「见字如画」。

过去一年，我变了很多，也有一些事情一直没变。趁这次更新，一起记下来。

AI 从有用走到了好用

我对工具有两个判断。

「有用」代表它能完成任务。「好用」代表它能进入生活、工作流，甚至融进情绪，使用时不用反复迁就工具。就像「马路边的星空」，宇宙偶尔出现一次就够了。一面墙提醒我：城市的外壳再硬，里面也应该留一点裂缝和余白。

ChatGPT 在 2022 年上线，第三天我就注册了账号。当时它能快速写出我想要的文案，已经足够惊喜。那时还没有搜索、文件解读、视频生成、绘图和编码这些能力。三年过去，模型一路升级，AI 也从偶尔能用，走进了我的日常工作。

我没有 AI 科班背景。算法、算力和数据这三件事，我至今也谈不上参透。应用层已经足够我折腾。@余一说得好：「技术课时不时需要补一下，用来摩擦一下脑子。」

过去三年，我对 AI 的理解和使用主要集中在 Chat、知识库和 Agent，后来又加上 Coding。使用重心经历了几次变化：Chat → 知识库 → Agent。Coding 是优化工作流的方式，也逐渐成为一项基础能力。具备这项能力后，我能让 AI 更好地进入具体工作，而且越用越沉迷。

• Chat 帮我完成问答和单次任务。
• 知识库让结果带上我的材料和背景。
• Agent 开始接手连续的项目工作。
• Coding 把这些能力串进同一套工作流。

Chat 的核心是共同建立上下文

我用 Chat 处理问答、文档、代码、图片和研究任务。用得越多，越能感受到上下文的重要性。

Token 是个很伟大的「发明」。它把输入和输出都计入成本，哪怕一句简单的问候也会消耗。这个机制一直提醒我：输入同样是一种责任。

AI 收到什么输入，就在什么范围里工作。讲清楚看的是颗粒度，字数长短放在次要位置。问题模糊，答案自然泛。细节堆得太多，人也容易陷进提示词里，忘了自己最初要解决什么。

大模型来自预训练，天然带着广泛知识，也缺少我当下的具体情况。我把它放进「员工式」关系里，沟通很容易停在指令和命令。把它放进合作伙伴关系后，我会先提供背景，再围绕问题同频交流。信息越聚焦，回答越接近真实需求。

我经常犯一个错误：以为自己讲清楚了，实际只说了脑子里的最后一句。工作里的群消息太多，思路被切得很碎，输入时很难维持完整叙事。提问前写几行，能从心里那团毛线里先扯出一个线头。

后来我给自己加了四个问题：

1. 我现在处于什么背景？
2. 我想得到什么结果？
3. 我能提供哪些材料和限制？
4. 还需要补充什么？

写完这四行，我通常已经想清楚了一半。AI 再帮我补完另一半。

我也逐渐把 AI 当作协作伙伴。协作需要共享背景、目标和限制。信息越聚焦，它给出的建议越接近真实需求。下命令很容易，共同建立上下文更费力，也更有价值。

让 AI 记住我，也保留陌生视角

Gemini、ChatGPT 等产品都有记忆能力。长期使用后，我会主动让 AI 记住自己的偏好、表达和判断方式，逐渐形成稳定风格，很多问题不用从头解释。

这种熟悉感很好，也有风险。AI 越懂我，越容易沿着我原来的框架继续推演。我的盲点也可能被一起保留下来。

我现在会准备两个模型账号，或者同时打开两种对话窗口。最近使用 alma 一类 Chatbot 应用，也可以完成同样的对照：

• 有记忆的窗口像长期合伙人，了解背景，沟通效率高。
• 无记忆的窗口像陌生顾问，缺少历史包袱，更容易提供新的角度。有些提醒听起来刺耳，也可能更加正确。

重要问题，我至少会做一次「去记忆化」对话。两个窗口给出的结果经常不同。AI 越来越像我，听起来很方便，也让我觉得有点可怕。我自己未必总是对的。窗口之间的差异能提醒我，熟悉的答案未必可靠，也能给我一个相对中立的参照。

模型要和场景匹配

上下文说清楚以后，模型选择依然会影响结果。不同产品、同一产品的不同版本，各有所长。比如 Gemini 3.0 Pro 的推理能力很强。问题、上下文和模型需要互相匹配，这是我用好 Chat 的两条主要经验。

有的模型像理工男，逻辑扎实，情绪照顾得少；有的像文科生，表达漂亮，结构需要我再拎一遍；有的像老练 PM，会给出看似合理的方案，我还要继续追问边界、代价和风险。工具各有特点，场景决定选择。

2025 年下半年开始，我主要使用 Gemini。模型能力是一部分原因，Google 生态是另一部分。我可以直接在 Gemini 里询问 Google Drive 文件和 NotebookLM 知识库，省下很多搬运材料的时间。

ChatGPT、Claude、豆包我也在用。具体选谁，看当时的任务。

AI 变好用的秘诀是持续 Coding

过去半年，我用 AI Coding 做了不少小工具，Claude Code 用得尤其多。这些工具主要服务我自己的工作流，发布优先级很低。

我很喜欢「基建」这个词。基建关注以后能否走得更顺，炫技关注当下看起来是否厉害。Coding 对我属于前者。它逐渐变成工作台的底层能力。以后的个人工作台可能都建立在 Coding 之上，每个人都可以围绕自己的问题搭建一套不同的工作流，对应的解决方案也会不同。

使用 Coding 时，我会把当前问题和自己的输入交给工具，让它给出能跑通的方案。方案解决不了问题，我就继续对话、继续修改，直到流程跑通。

说得更直接一点：Coding 是我和世界谈判的方式。

世界提供的工具不顺手时，我就自己做一个。哪怕只是一个很丑的小脚本，只要能跑通、能解决问题，就有价值。

最近我折腾了一些小东西。为了同步飞书多维表格，我去写插件；为了批量处理电子书，我尝试在 ePub、PDF 和 Markdown 之间转换。我的目标很具体：向 AI 说清需求，用代码解决眼前的问题。成为专业程序员不在计划里。

编程即写作，写作是项目。 最近读到一个观点：「编程应该是一种流畅的表达形式，就像写作一样。」我很认同。

语法是标点，项目才有故事

学写作时，拼写、语法和标点属于基本功。学会全部汉字，可以保证句子写得出来。文章还需要观点、结构和故事。写作的核心是讲故事和交流想法。编程也一样，语法属于基础，核心是表达逻辑和创造价值。产品还要回答它解决了什么问题、给谁使用、创造了什么价值。

我以前学编程时也被标准答案绑住过。孤立的算法题像背字典，很难让我进入状态，我也因此放弃过。让我持续下来的，一直是具体项目。

写作和编程都需要允许第一版很差。先跑通，后优化；先成文，后润色；先闭环，后精进。

Deadline、目标、价值是项目三要素

项目是一项独特、临时的任务。现在做小工具，我会先确认三件事：

• 有明确的起止日期。没有 Deadline，项目很容易无限拖延。
• 有具体目标。「做一个自动抓取新闻的机器人」比「学会 Python」更容易行动。
• 有实际价值。省一点时间、解决一个麻烦，已经足够。

我还会给项目留反馈点。没有反馈的项目很难持续，没有反馈的学习很难成长，没有反馈的生活也很难变好。

• 今天帮我省了几分钟？🤔
• 它有没有带来收入？🤔

反馈很小，长期积累后会形成一种掌控感。这种感觉能缓解我的焦虑。

痛苦里藏着真实需求

之前我在即刻分享过一个小项目。为了把网页做成电子书，我和 @大华Dahua 一起研究 Epubkit 插件。这是一个典型的微型项目。电子书的编码规范和全部参数放在过程中按需学习。我们先弄清工具怎么用，把流程跑通。过程中遇到的问题，最后都变成了自己的知识。这种以项目为本的学习方式，也在帮我构建自己的基建。

现在有 Cursor 和 Gemini，它们有时像全知全能的程序员，很多拼写错误和语法漏洞可以直接交给模型。语法门槛降低后，项目能力变得更重要。你要想清楚做什么，也要用逻辑把需求串起来。当语法的门槛被 AI 抹平后，「想清楚自己要做什么」以及「如何用逻辑将需求串联起来」，就成了核心竞争力。

我之前看到一句话：「人人都是产品经理的时代要来了。等大家都能把想法实现出来，就会深刻体会到，大部分想法都不靠谱。」

我很认同。实现越来越容易，问题判断随之变贵：你想解决什么？愿意付出什么代价？这件事对你有多重要？

AI 也降低了自我欺骗的成本。有些产物看起来很厉害，最后停在展示里。进入生活和工作，才算完成闭环。所以我现在对每个小项目只有一个要求：必须真的用起来。

我们拥有的数字资产越来越多，处理信息的能力也要升级。职业小说家是少数，写作能力会影响每个人的沟通。职业程序员也只占一部分，代码逻辑同样能帮助更多人思考、与机器对话，并通过一个个项目搭建自己的数字世界。这是一种从不确定性中获益的能力。

我的做法很简单。找到一个让我痛苦的小问题，把它定义成项目，然后开始自己的写作，也就是编程和 AI Coding。解决实际问题，比通过考试更有意思。

从互联网答案走向自己的答案

我把 AI 能用到的数据分成三层：

1. 互联网公开数据。
2. 我和组织共同产生的数据，比如项目文档和会议记录。
3. 完全属于我的数据，比如日记。

公开数据能提供通用答案。完全依赖公开数据时，结果容易偏泛，也缺少针对需求的二次加工。组织和个人数据能补上真实背景，让结果更贴近具体问题。对我来说，和自己有关的数据更能帮助我解决具体问题。

这也是我在 2025 年深度使用 NotebookLM 的原因。它处理材料的门槛很低，适合把分散内容放在一起阅读、提问和整理。

AI 很擅长组织信息。它能组织出什么，取决于我提供什么。放入互联网材料，得到的通常是互联网平均值；放入自己的材料，才有机会看见属于自己的关系和洞察。

我的知识库选择是 NotebookLM

我把知识库当作内容中台。工具是点状的，用一次，解决一个问题就离开。中台是一套系统，资料进入以后，可以被反复读取、整理、输出和回写，也能与其他材料建立新的联系。

我很喜欢这种闭环感：读取 → 整理 → 输出 → 回写 → 再被读取。系统能够自循环后，我的精力可以从信息搬运中释放出来，更多地放到判断、决策、沟通和创作上。

我在 YouTube 上收集了很多项目管理、创业、运营和商业案例，包括视频和访谈。以前看完就散了，现在可以把这些材料放进同一个知识库，围绕主题提问，观察不同案例之间的联系。

我还把罗永浩的访谈全部导入一个知识库。通过表格和 PPT，我可以对比受访者的经历、共同点和差异，也可以追问他们面对困难时的反应，以及罗永浩反复关注哪些问题。

我更在意信息之间的关系。关系出现后，原本杂乱的材料会慢慢长出结构，我也会觉得世界没那么乱了。从想了解的信息里找到关系，这个过程本身就很有趣。

组织知识库首先是一种管理工具

之前和同事聊知识库，我给出了一个很明确的判断：企业知识库最有价值的用途，是帮助组织制定策略。

比如分析销售团队的 Top 特征。把高转化销售的电话和微信聊天记录放在一起，研究他们的沟通方式、节奏和判断，再和其他层级对比。知识库在这里帮助管理者理解差距，并决定如何复制优秀经验。

面向一线的在线问答工具价值有限，主要作用是帮助 50 分左右的人提高平均线。成交能力里还有很多非结构化因素，比如语气、时机和潜台词。文档中常见的是大路货，能沉淀标准动作，很难覆盖全部现场判断。

企业需要分别看待底线和增长。流程可以帮助新人少犯错，这是底线；批量复制高转化 Top Sales 的经验，决定增长空间。我更关注增长带来的杠杆。

我觉得，单纯扶持 50 分以下的人，ROI 经常不划算。如果一套 AI 知识库能把 30 分的人提升到 60 分，组织还需要比较维护成本、招聘成本和最终收益。有些情况下，替换 30 分的员工、招聘 60 分的员工，成本会低于维护一套庞大的知识库。组织也可以优化招聘流程，提高进入门槛。

销售团队通常符合二八定律，20% 的人贡献 80% 的业绩。提取这 20% 的智慧，杠杆往往高于持续给另外 80% 的人提供基础答案。

未来的知识库还可以动态工作。系统持续分析 Top Sales 的录音和聊天记录，发现他们在谈价格前会先谈价值锚点，再生成新的 SOP 推送给团队。知识库由此成为组织学习的一部分，也让 Top 的经验持续复用。

AI 时代，组织会越来越系统化。岗位是系统中的节点，信息流和决策链决定运行效率。信息流更顺，组织反应更快；决策链更短，执行也更稳。

Coding 让知识库动起来

Claude Code 刚出来时，我用得很少。原因很简单，我不熟悉它，Cursor 的操作也更直观。Claude 推出 MCP 后，我仍觉得它离普通用户有点远。

Claude Skills 改变了我的看法。我在 X 上看到一个案例：用 Skill 自动上传文件到 NotebookLM，再根据知识库输出文章。NotebookLM 由此进入了自动化工作流。

我也很喜欢 Superpowers。它是一套完整的开发工作流和技能库，会在写代码前确认目标，分块设计产品与功能，再生成可执行的细粒度计划。对 Coding 新手来说，这套过程能帮我理清需求，也比一句话生成代码更接近完整的软件工程和产品研发流程。

MCP 需要开发者提供服务。Skill 是描述工作流或需求的文档，内容看得懂，自己可以手搓，AI 写出来的内容我也能读。安装方便，使用方便，还能写几个符合自己需求的 Skill。对我来说，Skill 的可玩性和实用性都很高。

跑通 NotebookLM 后，我又搭了一条内容处理链路。公司内部同时使用石墨和 Confluence，各部门的习惯也不同。我用 Claude Code 读取两边的项目文档，上传到 NotebookLM，再把处理结果写回 Confluence 或石墨。结项报告就这样串起来了。

我喜欢 Skills，因为人的综合能力本来就来自不同技能的组合。Claude Code 把这种组合外化、具象成了文件和工作流。组织内部如果能共享这些 Skills，每个人都可以直接调用，协作效率能成倍提升，整体流程也会更顺。

学习方式可能会翻天覆地

我认为，未来的学习方式可能会发生翻天覆地的变化。我对此很期待。

今天的学习主要依赖视频、课程、作业和考试。多模态模型成熟以后，学习可以更游戏化、更有趣。世界模型相关产品和能力也可能进入学习过程，让内容更可视、更互动，更接近真实场景，效率也可能更高。

阅读已经出现了一些变化。读小说和古诗文时，我们以前主要面对文字和文言文。现在模型可以补充画面、声音和背景，也能把陌生概念映射到自己熟悉的环境和概念。视听结合以后，对理解来说是一种很直接的帮助。

多模态有机会让学习从压力变成体验。丰富体验也会带来新的问题。画面越多，注意力越容易被抓住，越容易上瘾，慢慢读一段文字会变得更难。

所以我更关心三个问题：

• 我们学的是知识，还是思考？
• 我们学的是技能，还是判断？
• 我们学的是方法，还是自己？

这些问题比学习工具更值得长期追踪。

工作内容变化后的碎碎念

我很少在博客和社交媒体上聊工作。职场经验高度依赖个人背景、性格、特征、岗位职能和公司环境。同一种做法，放到 A 身上有效，放到 B 身上可能完全失效。每家公司也有自己的沟通方式和对接规范。我一直不确定，自己的经验对别人有多少价值，也不确定自己有没有能力讲清楚，所以很少公开表达这部分内容。

2025 年，我的工作开始更多地围绕人展开。和不同岗位协作时，我逐渐看到，一群人拥有共同目标，大家仍会从各自的职责、专业诉求和出发点行动。

产品、研发和测试都希望项目上线，各自负责的环节、专业诉求和风险判断各不相同。共同目标落到具体协作后，达成既定结果依然很难。放到其他更复杂的业务项目里，这种差异会比产品和研发之间更突出。作为项目主导方，我需要理解每个人的出发点，再把目标、资源和节奏对齐。这项工作给我的挑战很大。

这种通过人和组织协调来达成项目目标的过程，比单纯推进事情更有趣。矛盾处理占其中一部分。沟通本身让我更清楚地看见，人是项目成功的关键因素，人的特殊性和价值必须进入项目判断。

过去我习惯抓住任务，把流程一段段串起来。现在我会花更多时间理解人，处理协作关系。人的特殊性和价值，直接影响项目最后能走多远。

我越来越相信，项目瓶颈经常出在人身上。工具问题通常可以靠时间和技术解决。人的问题需要理解、耐心、沟通和制度。

过去一年，我把更多时间花在对齐上。推进负责让车往前走，对齐负责确认大家走在同一条路上。对齐很慢，有时也很烦，前面多花一点力气，后面能少很多返工和混乱。这也是一种反熵增。

AI 的上下文和记忆，其实也是同一个道理。

持续在做的事情

变化很多，我对记录的兴趣一直没变。

我持续记账，也写了 1500 多天日记。这些日记是很宝贵的个人材料。我把它们交给 AI 分析，形成完整报告，再从报告里观察自己。这是我了解自己的一个窗口。

日记是我唯一可以完全做自己的地方。在这里，我可以放下人情世故和别人的目光，随心所欲地写、随心所欲地说，保留当时最真实的状态。

我重新用起了 RSS 阅读器 Inoreader。这样做的目的和对抗推荐算法无关。我想保留主动选择的权利，决定关注谁、阅读什么，也想继续看到一个个具体的人怎样生活、思考和创作。从关注事情的推理，走到关注人的维度后，我觉得这个世界更有趣了。

对新事物的好奇也没变。AI、Coding 和各种新工具，我还会继续学、继续试。

我开始用声音记录

两周前，我买了得到笔记新出的录音卡片，可以贴在手机上随时录音。

我会记录一天里和别人接触、交流的内容，也会录下自己想说的话和突然冒出的想法。录音转成文字后，再生成摘要和概览，最后进入 NotebookLM。这已经成为我收集个人表达的重要信息渠道。以前很多说过就忘的内容，现在有机会重新连起来，也能看见信息之间的关联。

收集这些信息很有价值，也很有必要。录音对我最大的价值，是对抗遗忘。

我每天写日记，通常只能记住当天最突出的几件事。声音记录补上了大量细节：我说过什么，当时怎么想，情绪在哪里发生变化。它的重要性接近给自己装一台 24 小时工作的摄像头。摄像头成本高，也缺少适合我的产品和场景；录音轻得多，也更适合我的生活。更多材料还能帮助我理解自己，发现日常生活里的问题。

我很喜欢「对抗遗忘」这四个字。人其实很脆弱。我们常常高估自己的记忆，也会把强烈情绪误认成理解。情绪退潮以后，经历会变成碎片。录音把碎片收集起来，再交给知识库整理。

记录和创作积累以后，我可以从知识库里观察自己的行为、表达和情绪模式，也能看到一些平时意识不到的盲区。更多的记录和创作，也会让我更了解自己。

这篇文章超过 80% 的内容来自语音。我使用语音输入法 闪电说，打开以后一直说，说完再转成文字。AI 帮我降低了记录成本，也把语音变成了可以继续整理的材料。

一天很累的时候，我会打开语音输入法或录音开关，只说几分钟。内容会乱七八糟，会重复，语气也不像一篇文章。我会先说下来。整理可以交给后面的流程，观察和感受只能发生在当下。

表达的意义，是确认我还活着，还在观察，还愿意把那些微小的感受捡起来。证明自己有多厉害，已经不重要。对我来说，这件事比多学一个工具更有价值。

最后

这一年多，我一直有写东西。大部分内容留在日记里，没有公开。日记写到 1000 字很容易，哈哈。博客多了整理和发布流程，成本确实高一些。

语音正在改变我的记录方式，这是过去一年记录过程中最大的变化。它让我更愿意先表达，再慢慢整理。博客依然是我所有平台里的首选，这也是我重新使用 RSS、订阅别人内容的出发点。

我尊重每一个持续更新和表达的人，也愿意给他们更多包容。屏幕背后是一个活生生的人，他愿意把自己的观察留下来，这件事本身就值得珍惜。

下次再见 👋