2026-07-22 22:36:47
人和 AI 的协作关系是我一直关注的主题。
这个主题包含三层关系：人跟人如何协作？人跟 AI 如何协作？AI 和 AI 如何协作？
具体方法我还在探索。先开始，再在实践中调整。
今年 1 月写完《在 AI 浪潮下的些许变化》 后，我重新读了一遍。当时记录的大部分变化延续至今，也有一些已经升级。原计划每半年写一次，现在刚好过去六个月。
这六个月里，我又有了新的变化和关注点。这篇文章是一次完整梳理。
最近，我在网上频繁看到一句话：一个人可以成为一个产研团队。
这句话描述的变化已经发生。运营可以用 AI 做出数据工具，产品可以直接生成前端页面，业务人员可以独立完成原型、分析和汇报。很多过去需要排期、协调和转译的工作，现在一个人带着 Agent 就能完成大半。
看得越多，我越觉得「一个人成为一个团队」只说明个人能力半径扩大。随之而来的组织问题更加值得关注。
当每个人的能力半径都被放大，组织原有的岗位边界、协作流程、权限体系和评价方式往往调整得更慢。个人跨过多个环节后，上下游还要重新建立协作标准；AI 执行更多任务后，结果责任仍需明确到人。
AI 对组织的核心冲击，是推动工作的基本单元重新组织。原有模式按人的职能切分工作，新模式围绕任务闭环、上下文资产、能力调用和验证责任展开。
未来组织之间的差距，取决于模型能力，也取决于组织能否把 AI 放大的个人能力转化为稳定、可复用、可持续的共同能力。
我们最早讨论 AI，关键词是「提效」。写文案、做图、查资料和写代码都变快了。人的岗位和职责保持原样，AI 作为新工具进入每个人的桌面。
Agent 出现以后，情况开始变化。它可以回答问题，也可以读文件、调工具、写代码、查数据、生成页面、运行测试，并围绕一个目标连续工作几十分钟甚至几个小时。
OpenAI 在 2026 年 6 月公布的内部数据里，把这个变化概括为：知识工作的基本单元，正在从一次对话转向被委托的长周期任务。Legal、Finance、Recruiting 等非技术部门，也开始把 Codex 用在自动化、数据处理、工具开发和结构化分析上。
这意味着 AI 对工作的影响至少有三层。
第一层仍然是个人提效。原来两小时完成的事情，现在半小时可以做完。这一层最容易感知，也最容易衡量。
第二层是任务重组。以前一个任务要在产品、设计、研发和测试之间流转，现在一个人借助 AI 就能跨过多个环节。模型把不同专业的基础执行能力打包成了可以随时调用的能力，个人因此具备了跨环节交付的条件。
第三层是组织重塑。当越来越多任务被重新组合，岗位边界、协作关系、绩效标准和资源分配都会受到冲击。目标定义、上下文供给、结果验证和风险承担会成为核心责任，亲手执行的权重随之下降。
过去，组织习惯用岗位分配能力：产品写需求，设计出图，研发实现，测试验收，运营上线。未来，岗位仍然存在，能力边界会继续向外扩展。组织需要围绕一件事能否完整交付，重新定义责任。
一个任务闭环里，目标、上下文、能力、执行、验证、风险和责任缺一不可。 现在许多 AI 项目的资源集中在模型、工具和执行速度上，上下文、验证和责任经常缺位。这样的项目在演示中表现很强，落地时容易混乱。
我之前写 AI Coding 时有一个判断：编码门槛大幅降低后，需求分析的价值会继续上升。
过去写错需求，可能要等研发排期以后才发现。现在一句话就能生成一个页面，错误也会更快变成看似完整的结果。AI 加速了执行。需求是否真实、目标是否值得、方案是否有效，仍然需要人来判断。
这个判断同样适用于写作、设计、分析、研究和自动化。
当写作、设计、分析、研究和自动化都变得更便宜，目标判断、需求分析、质量标准、风险意识和结果验收会更加稀缺。AI 可以给出很多答案。人需要判断哪个结果对业务最重要，以及哪些代价无法承受。
个人价值会逐渐转向结果责任：能否围绕目标完成交付，并对结果负责。
我理解的「全能」，是围绕业务目标组织上下文、调用合适能力、补齐中间环节，并推动事情形成闭环。专业深度依然由各领域的专业人员提供。
Owner 和普通执行者承担不同的责任。Owner 可以委托每一步的执行，同时要明确行动原因、交付标准、潜在风险和最终结果的可用性。
AI 时代的教育也会因此变化。学习重点将转向描述需求、分析场景、拆解问题、调用能力，最后做出可以验证的作品。模型按钮和提示词会持续变化，围绕真实问题完成交付的能力更加稳定。
执行越便宜，判断越昂贵。人的价值会进一步靠近目标和责任。
微软提出过「Agent Boss」这个概念：未来每个人都要学会创建、委托和管理 Agent。我认同这个方向。「Boss」这个词也容易让人把重点放在发号施令上。
更准确的变化是，管理 Agent 已经成为一项基础能力。
前几天，我在 X 上看到 @Zara Zhang 发了一段话：「The biggest barrier for enterprise AI adoption: the people who understand AI don’t understand the business, and the people who understand the business don’t understand AI.」大意是：「企业采用 AI 的最大障碍，在于懂 AI 的人缺少业务知识，懂业务的人又缺少 AI 知识。」
过去，分配任务、提供信息、检查进度和验收结果主要由管理者负责。现在，每个使用 Agent 的人都要完成这些动作。你需要说清目标，提供必要材料，在关键节点纠偏，并判断结果能否交付。业务能力和 AI 能力都需要在实践中逐步积累。
我更愿意把 AI 看成协作伙伴。员工处在真实的组织关系里，有经验积累、利益判断和责任约束。Agent 可以承担大量执行，最终责任依然属于人。
和 Agent 协作，很像带一个能力很强、状态不稳定的新人。它读得快、写得快、可以连续工作，也会误解目标、忽略常识，并用非常确定的语气给出错误答案。人的责任是持续校准。
这种校准包括写提示词、组织上下文、选择合适的模型和工具，以及提供好样例、坏反例和清楚的验收标准。提示词是入口，后续环节共同决定交付质量。
Every 给每位员工配备个人 Agent 后发现，Agent 会逐渐带上 Owner 的风格。组织里的人更信任「某个同事训练和使用出来的 Agent」，因为 Agent 会成为个人判断方式的延伸。它的可信度来自背后的具体责任人。
因此，Agent 可以拥有组织身份和一定的执行权。每个 Agent 都必须有清楚的 Owner。谁配置它，谁维护它，谁解释它的边界，谁对最终结果负责，这些问题不会因为自动化而消失。
很多人用 AI 得到泛泛的答案，第一反应是模型能力有限，或者提示词写得不够好。根据我的经验，上下文不完整更加常见。
比如让 AI 帮忙写述职报告，只给一句「帮我写述职」，它只能生成互联网平均水平的套话。真正有用的信息是：你是谁，述职想争取什么，听众是谁，项目结果是什么，评价标准是什么，哪些内容可以讲，最终要形成什么交付物。
模型能力越来越接近以后，人与人、组织与组织之间的差距，会更多来自各自能提供什么上下文。
我现在把 AI 使用的数据分成三层。第一层是互联网公开数据，所有人都能获得；第二层是组织内部的项目文档、会议记录、业务数据和历史决策；第三层是个人长期积累的日记、文章、判断、病历等，完全是自己的数据。
第一层决定 AI 知道什么，后两层帮助 AI 认识你、理解业务，并按照真实环境做事。
知识库的价值，是把分散的私有数据转化为 AI 在具体任务里可以找到、理解和调用的上下文。简单堆放资料只会增加文档数量，无法直接提升效果。
年初我提到，自己开始用语音做记录。截至目前，我已经积累了接近 400 条内容。后来我买了 DJ Mic Mini2S，持续记录每天的内容，并通过工作流沉淀下来。
这套内容知识库和个人录音系统让我有了更深的体会。记录本身很容易，让记录在下一次任务里自动产生价值更难。资料缺少来源、时间、口径和使用边界时，数量越多，Agent 越容易迷路。
真正有用的上下文资产，应该包括业务目标、术语和数据口径、可信来源、历史决策、好样例、坏反例、权限边界和验收标准。它们共同构成组织的 Context。
谁能把隐性的经验变成可调用的上下文，谁才能把偶然的一次好结果，变成下一次仍然可以复用的组织能力。
AI 扩大个人能力半径后，组织通常会先出现摩擦。
原来属于策略团队的分析，班主任也能做了；原来需要产品经理转译的需求，业务方可以直接生成原型；原来只有研发能实现的小工具，非技术岗位也能借助 Agent 做出来。
从结果看，这是能力扩张。从组织关系看，它可能被理解成越界。
如果权责没有重新定义，A 团队会觉得流程被破坏，B 团队会觉得自己提高了效率。工具冲突出现在表面，根源在于组织仍用旧边界管理新的能力。
AI 因此会提高沟通的重要性。
当执行能力分散到更多岗位，协作需要超越「这是我的职责」。团队要重新讨论谁更接近业务目标，谁掌握关键上下文，谁拥有决策权，谁负责审核，以及跨过边界以后怎样让相关人员继续参与。
管理依然重要。人与人之间的信任、资源竞争、利益排序、情绪处理和责任分配，都需要人来处理。管理对象也会扩展到人、Agent、上下文、流程和风险。
未来更常见的组织形态，可能是一个 Human Owner 带着若干专用 Agent，围绕具体任务组成临时小队。固定职能继续提供专业深度，基础执行则由更多角色和 Agent 共同承担。
任务公开程度决定了这类协作能否成立。Agent 数量只反映资源规模。
如果每个人都只在私聊里使用 AI，组织只能得到个人效率。把任务目标、上下文来源、调用过程、人工修改和最终结果沉淀下来，其他人才能理解工作流的有效原因，组织也能从每次实践中学习。
公开过程的目的，是复用有效的协作方式，并让团队共同吸取失败经验。公开范围和权限也要受到明确约束。
最近，我在搭建一个直播内容生产工作流。知识库承担其中一个环节，完整任务还覆盖选题、脚本、直播和反馈。
完整流程从收集自然语料开始，还要结合单场直播目标、行业信息、公司业务和主播风格确定选题，再形成大纲、案例和脚本，最后用真实直播效果反向校准内容。任何一步没有说清楚，Agent 都不可能凭空补上。
业务方的第一步，是还原原本由人完成的工作：每一步怎么做，需要什么输入，产出什么结果，什么样才算合格，哪些地方必须由真人判断。提示词学习可以沿着这套工作流展开。
第一版可以采用人和 AI 手动协作。先跑通一次，找到稳定、重复的环节，再把它们逐步配置成 Workflow、Skill 或脚本。第一个闭环最难，因为它在定义标准；标准一旦成立，从一次复制到一百次，边际成本才会快速下降。
我现在对几种概念的理解也越来越清楚。Skill 是单一、可复用、可验证的能力，像 Agent 的手和脚；Agent 根据目标分配任务、调用能力并处理过程中的变化；Rule 约束它不能越过的边界；Memory 只保留经过验证、下次仍然有用的信息。
Human Owner 对最终交付负责，并通过整条工作流协调 Skill 和 Agent。
Anthropic 对 Workflow 和 Agent 的区分也说明了各自的适用范围。路径固定、输入输出清楚的任务，更适合确定性流程；步骤无法预先判断、需要动态决策的任务，更适合由 Agent 自主规划。Agent 化需要明确收益，自治程度要由任务复杂性和风险决定。
验证需要嵌入整个流程。另一个 Agent 可以检查生成结果的逻辑、来源和格式，人负责价值判断和高风险决策。多层验证带来稳定交付，单一模型的能力和可信度都有边界。
成熟的 Agent 工作流应当目标清楚、过程可见、错误可查、结果可验，并且在关键节点知道什么时候把决定交还给人。
AI 项目很容易停在演示效果里。漂亮页面、完整报告和长时间运行只能展示产出或过程，业务价值还需要真实结果来证明。
我参与的另一个项目在阶段性复盘时发现，流程性工作提效约 20%，九人团队释放了两个人力，日均模型成本不到 20 美元。这些数据证明 AI 可以产生真实结果。项目同时暴露了数据链路、Skill 漂移和团队使用差异等问题。
最终方案采用人机分工：AI 负责分发任务、调用 Skill 和脚本、执行标准流程；人负责审核、兜底和处理不确定判断。
另一个项目也采用了类似逻辑。团队先跑通单个模式，保证转化率与大盘一致，再随着后台、SOP 和人员熟练度逐步扩大 AI 的服务规模。单人服务客户数属于后续优化目标。
AI 适合处理重复数据、基础触达和标准流程，人的精力则回到情感沟通、关键转化和异常学情。人机协同需要重新分配人的时间，让人专注于更需要判断和关系的环节。
因此，评估 AI 项目要同时观察效率、成本、结果和风险。节省时间、Token 消耗和 Agent 数量只能反映局部情况。核心指标包括交付是否稳定，人工加模型的总成本是否下降，业务结果是否改善，风险是否仍然可控。
系统治理需要前置。只读数据和写入业务系统的风险不同；内部草稿和对外发布的风险不同；普通分析与财务、法务、隐私判断的风险也不同。权限、限流、日志、监控、回滚和审批，都应该跟着任务风险一起设计。
Agent 的运行记录应该服务于流程改进，重点包括目标由谁提出、Agent 调用了什么能力、哪里被反复修改，以及最终怎样交付。员工工时需要其他合适的方法来衡量。这些信息能帮助团队找到高频失败点，并进一步改进上下文、Skill 和规则。
新人培养也容易被忽视。如果大量基础工作直接交给 AI，新人可能失去通过低阶任务建立判断力的机会。组织需要保留练习路径，让新人逐步形成高级判断。
Shopify 在增加实习生，并让他们用 AI 做更多原型探索。这个案例说明，AI 也能为新人拓宽探索空间。关键在于减少机械执行，同时保留真实反馈、专业 Review 和逐步承担责任的成长路径。
写到这里，我越来越确定：AI 时代最值得讨论的问题是，当一个人突然拥有过去一个小团队的执行能力，组织能不能接住这种放大。 岗位变化和团队规模都由这个问题继续展开。
接住这种放大，意味着组织要把目标说得更清楚，把上下文变成公共资产，把稳定能力封装起来，把验证和风险嵌入流程，并让最终责任始终能够找到具体的人。新的边界和流程也要随能力变化持续调整。
对个人来说，核心能力是从执行者成长为 Owner：知道要解决什么问题，怎样组织资源，如何判断结果，并愿意对交付负责。工具数量只代表可调用的选项。
对组织来说，核心竞争力是把个人探索沉淀成共同能力。Agent 数量属于资源规模，工作流复用、错误复盘、上下文积累和成员成长决定了资源能否持续产生结果。
AI 会继续让强个体变得更强，也会暴露组织原来被流程掩盖的问题。边界冲突、信息断裂、责任模糊和评价失真早已存在，AI 加快了它们暴露的速度。
所以，AI 时代的组织重塑需要重新回答三个问题：什么应该交给机器，什么必须由人判断，以及人和机器怎样共同对结果负责。
谁先把这三个问题回答清楚，谁才真正把 AI 从个人工具变成了组织能力。
PS：最近一周在啃《深入理解 AI Agent：设计原理与工程实践》，主要是用技术来磨脑子。
2026-04-04 21:06:57
开启口喷时代把，本文主要分享我为什么会使用语音输入法？为什么会选择 Typeless？现在给我带来了哪些正向的反馈。
我最早使用语音输入法是在 2024 年，当时微信输入法上线了语音输入功能，那个时候的功能还相对比较简单，只要我进行输入，它就会把我想说的内容原封不动地转写出来，当时的核心要求就是准确度高。
但是我发现对语音输入的使用场景稍有限，大多数时候，都是在不方便打字的时候回复消息，或者面对相对熟悉的人时才会用，还不敢全面使用，因为总觉得对方的阅读体验可能不太好。
应该是从去年开始，随着 AI Agent 的发展，现在语音输入法也在慢慢爆火。到现在为止，之前在 Twitter 上看到，已经有几十款与语音输入相关的产品出现。对于编码和写作来说，「口喷」真的是一个非常方便的输入方式，它不需要码字，只需要表达自己的想法即可。
我在上一篇文章里提到，我最近变化就是开始深度尝试使用语音输入法。市面上的产品很多，我就不再过多赘述。今天主要是想分享一下，语音输入法是什么，我为什么要用语音输入法，以及语音输入法在现阶段给我带来了哪些正反馈。
由于我在 2024 年的时候养成了一个坏习惯，不太喜欢在记录时添加图片。文字可以相对准确地描述信息，再加上稍微做一下检索，就能够方便地找到对应的产品，所以我不想在内容中放入太多图片。
语音输入法操作是最简单的，只要打开输入法，点击语音输入按钮就可开始说了。估计我们所有人都用过，在微信聊天窗口支持语音输入，我们可以将微信的语音输入看作是最早的雏形，而现在的语音输入法发展极快，现在的输入法已经非常完善了。
现在，电脑和手机上都有很多此类产品。因为我使用的是 iOS，目前使用的是Typeless，先后用过微信输入法、豆包输入法、闪电说；不考虑其他因素，豆包语音的准确度确实比微信更高，尽管我们多次在微信输入法内群反馈，目前准确度依旧一般。
语音输入的打字效率要比文字输入更快。无论你是双拼还是五笔，应该都没有语音输入快，毕竟你还需要敲键盘，我只需要正常说话就行，而且还能自动加上标点符号，比我专业。比较惭愧的是，我到现在为止都没有习惯双拼。
它会促使我减少在表达过程中的一些陋习。虽然是语音输入，但是最终呈现的方式是文字，所以需要注意一些书面表达。类似“然后，接着，然后”这种口头习惯，一旦通过文字的形式呈现出来就会很不雅，所以在开始进行语音输入的时候，就会先有几秒钟想一下自己准备说什么。
针对长文本回复，语音输入后转文字要比文字输入后更方便调整。这个有点反常识，因为文字输入后调整看起来更快，但我自己实际用下来发现，语音转文字之后调整内容确实更快一些，这个主要场景是写日记的时候。
当然，语音输入也有一些很难解决的毛病。比如同音字很难识别出来，常见的就是“他她它”，但我想说“它”的时候就比较难，需要结合上下文才能理解，此外还有“的得地”。还有中英文混输也很难，这里面还包括拼音。若是英文，需要对单词发音相对准确；若是拼音，就需要后续直接调整。（截止2024年的使用体验）
直到我现在用到了一款叫作 Typeless 的软件，大概是从 2026 年 1 月份年后开始深度使用（设置为默认输入法）。这款软件的好处在于你不需要设置任何模型，打开就开始说，说完之后，它会对内容进行简单的处理，去掉一些错误的词汇或语气词。
**真正感受语音输入法的魅力是电脑端。**正常逻辑下，Mac 的输入法切换键是固定的快捷键，语音输入通常只是输入法中的一种模式。但 Typeless 不一样，它是一个单独的 App，授权之后可以在任意窗口通过快捷键直接调用，它不需要切换输入法，不影响当前的文本输入流，还可以实现一边说话一边打字。
这种体验非常棒，Typeless 给我的体验非常出色，我体验下来，最核心的两点优势就在于自动去语气词和实时纠错与重构。 自动去语气词是它的第一步，能让表达更准确。实时纠错与重构则更有意思，说话和打字不一样，说话时想法很快。如果我突然发现前面说错了，我可以直接跟 Typeless 说，我前面有一段说错了，你帮我纠正一下。它并不会把这句指令直接转成文字，而是会根据我的指令，直接把我前面的内容修改正确。
这就是 AI 让语音输入法变得好用的最核心原因。
当然，它也会有一些不太好的地方。比如网络要求，由于是国外的软件，它对网络环境有一定要求。我不太清楚它底层使用的是什么模型，但说完内容后，通常会有 1-2 秒的加载延迟；再比如价格较高，这个软件的费用比较贵。它早期的限额是每周 4000 字，当时为了够用，我分别在电脑和手机上各登录了一个账号。因为这两个账号的信息不互通，所以我每周相当于有 8000 字的额度。最近两周，官方把限额改成了每周 8000 字，于是我切回了一个账号。但即便如此，我发现额度仍然不够用。比如这周才到周二，我就已经说了 6000 多字，那剩下的半周该怎么办呢？
所以我在这周选择了付费。它的原价是每年 998 元，但如果你有学生证或者通过其他方式，可以拿到五折优惠。我收到的邮件显示，这个五折优惠的有效期长达 8 年。最后我花了 400 多元买了一年。我觉得这个价格对于提升效率来说是非常划算的，它让我更愿意、也更容易去进行内容输出了。
关于什么是语音输入法以及 Typeless 的一些简单介绍，这部分就 OK；因为 Typeless 是我常用核心的软件，我就不再去说别的哪些软件好，哪些软件不好了，萝卜青菜，各有所爱，感兴趣自行了解即可。
最直观的一个原因，就是我发现语音输入会让我的输出变得非常高效。我只需要负责说就可以。不需要去想我这个组织语言对不对，这个想法 OK 不 OK 等等。因为我的核心目的是为了表达我的需求，表达我的想法。
在表达我的需求和想法的时候，我不需要有太多的影响因素在。比如说打字的时候，有可能打字打不出来或者说不对；然后有可能我想到了很多很多内容，但是我打字的话就很慢。这个效率的过程我是有点难以接受的。所以我就希望以不停下来的方式一直说，这样我的注意力就不会被打断。我就可以通过语音的方式，不需要先审查自己的表达，也不需要把一句话说得是不是很漂亮。最核心的是记录和让这段内容留下来。
举一个场景，比如我在写日记的时候，以前我可能会去想，我今天大概的日记大纲要怎么写，内容要怎么写，我是不是这么写不合适，我还有哪些没想到的。但我最近写日记，可以在打开日记软件和语音输入法 Typeless 之后，从头说到尾。说完之后可能就是一千字，我能快速地把这一天回忆的内容和想法都写进去。哪怕针对一个主题去描述和书写，我也能很快地将想法呈现出来。它不需要有太多的修饰，Typeless 就会把我的想法进行整理，输出的内容几乎 90% 都能满足我的需要了。
再有一个场景，我最近在 Coding 的投入会比较多，在描述需求和想法的时候，我并没有太多地去逐一整理。我只要知道提示词的框架是怎样的，知道我的想法内容是什么，它的边界、标准、背景等信息，我就可以通过这样一套框架去描述我的需求。
打开 Coding 软件，它能自动生成文件夹，自动进行编码。我再去修饰和调整，比如样式不对、逻辑不对，我同样可以通过这种语音表达方式，很快地描述出修改内容。但如果一旦去打字，我的效率就会很慢。所以，对于效率的追求，是我在用语音输入法当中一个很核心的点。
第二个原因在于，我的普通话和英语发音中的一些单词都不够标准，但是我希望输出是准确的。如果我去打字，或者在这个过程中，我可以通过 Typeless 帮我做一些修正，让我的内容尽可能表达正确。比如 Claude Code，就是一个很常见的情况（容易识别为 Cloud Code）。打字时有些英文单词很长，我没办法快速打出来。比如谷歌的那个编码软件 Antigravity，它就很长，去记这个单词很难记。
如果用语音输入，我只需要把我大概意思正常说出来就好了，我的输入法会自动帮我进行校正，让单词变得正确，它也会让我的语言格式更加准确。这种体验是在传统的文本输入过程中所没有的。
第三个原因，是我发现语音输入法有一个功能，叫做“输入历史”，也就是进行语音输入时，所有说的话都会被记下来。
以 Typeless 为例，这些数据是存在本地的。我在电脑中写了一个 Skills 脚本，用来读取并解析本地数据，进而生成我想要的内容。目前这个 Skills 已经发布了，感兴趣的话可以去尝试一下。这个功能的价值在于帮我做了很好的语料积累。传统的文字输入，内容发出后，只存在于你和对方的聊天记录或特定的记录文档中。语音输入法则更像一个记录工具。虽然不是所有软件都有，但我用的这款可以把我所有说的话，可能是一句话，也可能只是一个词，全部记下来。
这些导出的语料对我来说非常有价值。在 AI 时代，我更重视个人原始语料的积累。把这些内容拿到后再喂给 AI，它会帮我理解我之前说过的内容。我过往的一些经历、思考和想法都会被重新翻寻出来，这非常有意思。
语音输入除了是一个更快的输入方式，它其实还在放大我原本就有的思考方式。因为它更接近我自己，更接近我真实的表达方式。它不会让我在进行记录和表达的时候被结构绑住，也不会让我去考虑太多的修辞。它能把我原本那些零散的想法先记录下来，让这些碎片变成素材。然后这些素材就自然而然地成了一种记录方式。后续我会把这些记录转化成可以复用的、属于我自己的数据资产。
很重要的一个正反馈其实是 AI 给我的。它能让我了解自己在语音输入或思考问题时，表达方式上存在哪些问题。这主要依赖于我记录下来的内容，我将这些内容提供给 AI 进行分析。
我把 Typeless 的记录导了出来。虽然这个账号导出的内容只有 300 多条，并不完整，因为早期我没发现可以设置为全部保存历史记录，而且这只是我家里的电脑，我最核心的记录其实更多分布在手机和公司的电脑上，公司那边更多是工作内容，但我今天还是把家里电脑导出的这 300 多条信息给到了 ChatGPT，让它帮我进行整理。
我问了 ChatGPT 几个问题。如：我需要了解我的表达逻辑是什么，我所关注的核心主题大概有哪些，对此有哪些建议，以及对对于我的表达方式有哪些改进建议。
在看完这份整理后的报告，发现它与我的实际情况吻合程度非常高，差不多在 90% 以上。
ChatGPT说：
1，从表达方式上看，你有几个比较稳定的特征。第一，你天然是目标导向的，表达往往不是为了抒情，而是为了推进事情，哪怕是闲聊，最后也会落到怎么做、放哪里、如何调用、怎样更高效上。第二，你很在意结论优先、重点突出，也天然反感过度冗余和形式化的罗列，所以你会反复强调减少有序列表，更多用段落把意思讲完整。第三，你习惯边说边校准，发现偏了就立刻修正，这说明我的判断并不慢，反而很快，只是很多时候快于表达本身。
2，这也恰好说明，你的表达能力其实有明显优势。 一个是抽象能力强，很多生活或工作里的小问题，你会自然上升到原则层。另一个是校准能力强，你通常知道“不对”具体不对在哪，不只是模糊地不满意。再一个是你对“有用”很敏感，知道什么信息值得长期保留，什么只是当下噪音。这类能力放在语音输入里反而更容易被看见，因为语音保留的是原始思路，而不是事后加工过的体面。
3，当然，也有值得改进的地方。最主要的一点，是你常常把思考过程说得比最终指令更长。这样做的好处是真实，坏处是容易让协作者先接住枝叶，错过主干。所以后续你更适合做一个小调整，先讲结论，再讲标准，最后补背景。 比如先说你要什么，再说做到什么算完成，最后再补充你为什么在意这个。这样不会损失你的思考密度，反而能让别人更快进入你的轨道。
4，另一点是，你可以把那些高频出现的价值判断，慢慢沉淀成固定词库，比如准确第一、结论优先、减少冗余、真正痛点、可持续、经济效应、社会效应。等这些词越来越稳定，你的表达就会更像你自己，也更容易被 AI 和记忆系统持续继承。
语音输入法给我的正反馈，已经不只是“说得更快”这么简单了。它让我更接近自己，也让我更容易看见自己。它保留了我的原始判断，也暴露了我真正重要的东西。后续要做的，就是让这种真实更早收束，更容易复用。这样，表达就不只是输出，它会慢慢变成我自己的方法论。
从这个角度看，语音输入法确实已经不只是一个输入工具。它一方面提高了我的效率，另一方面也帮我完成了语料积累、表达校准和思维复盘。在 AI 时代，这件事情的意义会越来越大。因为你留下来的每一段原始表达，未来都有可能成为理解你、辅助你、继承你思考方式的一部分。
由于 Typeless 的手机和电脑目前都不支持导出历史记录，电脑端我是用自己写的一个 Skill 来完成的，但手机端目前还不支持。我给他们提了反馈，他们给我的回复是会将此作为考虑因素之一。我也蛮期待他们后续能够优化完成，这样的话，我多个设备的信息就可以进行合并了。
还有一些习惯上的调整和变化。
在文字打字的时候，其实我们对声音以及对自己说话的语气不会有太多的感受。但语音输入的过程，会让我去理解和听到我表达的声音是否标准（特别是普通话，因为我的普通话肯定不是严格标准的）。
为了让准确度提高，我在说话的时候需要尽可能让表达更加符合上下文，更加准确。这样我在后续校验和调整的环节工作量就会降低，效果也会很好。因为打字是感受不到这个过程的，所以每一次语音输入，其实都是一次“微表达”的训练。
所以我现在会觉得，语音输入法，确实是 AI 时代非常强的工具。它让我更愿意表达，也更容易表达。更重要的是，它让我说出来的东西，不再只是飘过去的话，而是能留下来、被整理、被理解、被继续调用的内容。
题外话，前两天在一个群里看到大家对于 AI 生成的内容会有一些「争议」。其实这篇文章是我通过 Typeless 输入后得到的输出，并且我在这个基础上进行了结构和部分内容的微调，或者说进行了更符合我习惯的结构优化。但所有的内容都是语音输入的。那语音输入经过提示词（Prompt）微调之后，算不算 AI 生成的呢？我不知道，但这个事情确实没必要去过度考量和判断，因为我只需要让我的想法表达出来就好了。
2026-02-07 11:11:05
昨晚半夜包场刷闪灵，有期待，也紧张，记录一下想法。
忘了什么时候，第一次看它，我记住的全是画面级的刺激：电梯门一开，血像不要钱一样涌出来；走廊尽头两个小女孩手牵手站着；Jack把脸贴在门缝里，像某种坏掉的玩具一样咧嘴笑。那时候我把它当成一部经典恐怖片，吓人，厉害，结束。
但这次不一样。我发现最恐怖的东西并不在镜头里，而是在镜头外那层慢慢变厚的寂静里。你越看越能意识到，Overlook 酒店不是闹鬼，它更像一个把人隔离起来的容器，把时间、关系、秩序都抽空，只留下一个人和他自己相处。你以为孤独是给创作留白，结果它更像是给人性做放大。
我突然理解一个以前没太在意的细节：Jack 接这份工作时的兴奋，是很真诚的。他要的不是钱，甚至也不完全是责任感，他要的是一个自洽的理由，一个可以对自己交代的闭环。五个月的安静时间，听起来像极了成年人的幻想：只要环境合适，我就能重启；只要没人打扰，我就能把自己修好；当然，他很装，明明失业了，还说自己是老师、作家。
问题是，环境真的合适吗。
Overlook 的可怕在于它太干净了，干净到没有噪音，没有变量，没有外界的反馈。你在里面做任何情绪反应，都像对着一个巨大的空房间喊话，最后只剩回声。人在这种地方很容易进入一种错觉：不是我在变坏，是世界在针对我；不是我在失控，是别人逼我失控。
这就是我觉得它厉害的地方，它把很多恐怖片喜欢讲的超自然，换成了一个更现实、更难防的机制：熵增。
一段关系的熵增，通常不是因为谁突然出轨或背叛，而是因为沟通链路断掉了。Jack 和 Wendy 之间的链路就是断的。他们说话，但不真正交换信息。Wendy 的每一句关心，在 Jack 耳朵里都像审判；Jack 的每一句努力，在 Wendy 看来都像不稳定的前兆。两个人都在试图维持家庭系统的稳定，但用的是相反的操作。
Jack 想通过控制来稳定。越不确定，越要抓住一点确定性，比如写作，比如权威，比如我说了算。
Wendy 想通过顺从来稳定。她不是不知道问题，她只是更害怕系统崩掉，所以先忍着，先不激化，先把孩子放在背后。
这种组合在城市里太常见了。平时靠日常琐碎的噪音掩盖矛盾，上班、做饭、买菜、看电视，都是缓冲区。可一旦把人扔进 Overlook 这种隔离环境，缓冲区没了，矛盾就会直接对撞。
很多人喜欢把 Jack 的堕落解释为酒店的诱惑，但我更倾向于把它理解成一个失败者的自我叙事终于找到了舞台。你注意看，他的疯狂不是突然出现的，它是一层一层被允许的。
一开始是抱怨。抱怨工作不顺，抱怨家人不理解，抱怨自己被拖累。
然后是自怜。自怜是很危险的情绪，因为它会把责任从自己身上拿走，交给命运、交给别人、交给环境。
再往后就是合理化。合理化意味着暴力开始有了借口，控制开始有了正当性。我不是坏人，我只是需要专注。我不是想伤害你们，我只是你们不懂我。
你会发现这套路径很像很多现实里的失控，只是电影把它推到了极端。现实里不一定是斧头，也可能是冷暴力，是情绪勒索，是用沉默惩罚对方，是用我这么辛苦你还不体谅来盖住一切讨论。
Overlook 只做了一件事：它让 Jack 失去了外部校准。没有朋友，没有同事，没有社会规则，没有日常秩序。一个人的内心如果没有校准机制，就会像系统没有监控一样，错误会自我复制，最后变成灾难。
所以我一直觉得，孤独并不天然高尚。独处当然重要，但独处是能力，也是幸运，它需要边界、节奏和出口，否则它就会变成封闭系统里的自燃。 
Danny 的闪灵在我看来也很有趣。它表面上是超能力，实际上更像是孩子面对创伤时的高敏感。孩子会先感知到家里气压不对，会先闻到父母关系的火药味。大人以为自己藏得很好，其实孩子早就把一切都看在眼里，只是他没有语言去表达，只能用想象朋友、噩梦、身体反应来承载。
Tony 这个角色，我以前当作恐怖片套路，这次更像是在看一个孩子自我保护的机制。你可以把它当成 Danny 在给自己加一层缓冲：当现实太难以承受，就让另一个自己来提醒我，别进去，别靠近，快跑。
而 Wendy 的转变，是整部电影里我最心疼也最佩服的部分。很多人会觉得她一直在尖叫，很吵，但如果你站在她的视角，你会明白那种尖叫不是软弱，而是系统报警。她从一开始就处在一种长期应激里，只是她没有选择。她想维持家庭，想给孩子一个完整的家，同时又隐隐知道这个家已经有裂缝。
直到她看到那一叠打字纸：“All work and no play makes Jack a dull boy”。
那一刻太残忍了。因为它不是鬼脸，不是血海，不是突然出现的女尸，它是一种更现实的崩塌：你以为他在努力，结果他在原地打转；你以为你们是在一起熬过困难，结果你们根本不在同一条路上。他的所谓创作，只剩下一句不断重复的咒语。一个人把自己困在一个循环里，然后把这个循环当成命运。
这也是闪灵特别像现实的地方。很多灾难不是因为坏人太坏，而是因为一个普通人不断重复自己的错误，并且越来越相信自己没有错。重复本身就是一种恐怖，它意味着你失去了学习能力，失去了反馈闭环，失去了更新模型的能力。
迷宫这个意象也很妙。它既是空间上的困住，也是心理上的困住。Jack 最后不是被外力击败，而是被自己的执念困死。Danny 反而靠一个很简单的策略活下来，倒退走，把脚印抹掉。孩子不讲大道理，他只解决眼前问题。他不需要证明什么，只需要活下去。
这让我想到一个很现实的问题：成年人很多时候不是输在能力上，而是输在要赢。要赢就会要面子，要面子就会硬撑，硬撑就会拒绝反馈，拒绝反馈就会越来越封闭。最后走进自己的迷宫，还以为那是深思熟虑。
结尾那张老照片，我以前觉得是恐怖彩蛋，这次更像是一种冷冰冰的结论：你以为你是被选中的那个，其实你只是被吸纳进一个循环。Overlook 不需要创造邪恶，它只需要提供一个场景，让你把你本来就有的东西演完。暴力、控制、欲望、逃避，平时被文明压着，一旦环境允许，它们就会自然浮出来。
所以我现在很难把闪灵当成单纯的鬼故事。它更像一面镜子，照的是人如何在隔离、挫败、无反馈的状态里逐渐失控。它恐怖，是因为它不遥远。
你问我看完之后留下的是什么，我觉得是一个提醒：不要把自己的生活做成 Overlook。
给自己留独处，但也要留连接。连接不一定是社交，它可以是规律的作息，是稳定的工作流，是每周一次和朋友走路聊天，是在情绪上来之前提前做记录。人一旦开始把所有问题都关在脑子里，脑子就会开始自我说服，然后自我审判，最后自我毁灭。
我现在越来越相信，所谓理智不是天赋，而是一套外部系统。睡眠是系统，运动是系统，记录是系统，关系也是系统。你需要它们来给你做校准，减少熵增，保持闭环。没有这些，你以为自己在思考，其实只是在重复。
闪灵的恐怖不是那一斧头，也不是那片血海，而是那种你明明在家里，却越来越像一个人在荒野里的感觉。那种感觉出现的时候，很多人会选择忍，选择扛，选择再坚持一下。
但电影已经把结局演给我们看了。别等到酒店选中你。你要先选中自己，先把门打开，让风进来，让人进来，让真实的反馈进来。
本文大部分内容是借助 typeless 完成语音书写的。
2026-01-18 16:20:13
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。
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。
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：
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。
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：
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。
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。
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。
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。
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：
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。
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。
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。
我把 AI 能用到的数据分成三层：
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。
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。
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。
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：
这些问题比学习工具更值得长期追踪。
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。
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。
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。
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 👋
2025-03-25 21:49:32
与其说是“漂泊”，不如说一直在路上。
1、深度保洁（暂时）祛魅。搬进去之后，我妈说一点都没弄干净，还有很多污垢；比如灶台的锈迹，做深度保洁的师傅说去不掉这些锈迹，但是搬过来之后晚上我妈给洗的非常干净，一点锈迹都看不见，最后还得靠我妈，这深度保洁和日常保洁区别并不大；我们这单是私单（未走平台），因为平台上的服务很多项目并不包含，比如沙发、窗帘。我们有一个贵妃椅、四座沙发和三个房间+客厅的窗帘如果单独购买，就太贵了。而私单是都会帮我做，整体对比性价比更高，不然我肯定首选日式保洁。不过我也好奇，为什么没办法做到都包含的服务，毕竟新家清洁这都是基础操作呀？
2、新家安置比搬家本身更费时间。搬家收拾东西，我们用了差不多1天，但是为了搬家我们提前打扫卫生、清洗家电差不多花了一星期时间。而且到现在为止，并没有完全搬完，因为家里还需要新购一些小物件。由于新家居住超过9年，很多东西都是难以继续使用，比如洗衣机是西门子滚筒洗衣机，京东清洗师傅说拆了以后再装回去铁定漏水，于是我选择利用国补的机会在京东上新购买了一台洗衣机，原来的洗衣机表面清洗干净后，铺上桌布当做收纳台吧。（如果可以，我一定会丢掉）
3、搬家遇上爬楼，一场体力与感动的较量。2020年搬家时从六楼下来，搬家师傅是用爬楼机器完成的，只是噪音有些大。这次又遇到需要爬楼梯的情况，虽然楼层不高，但东西比上次多了很多，装满了整整一厢车。我在蓝犀牛平台上预约了搬家服务，来了两位小哥帮忙。当我看到其中一位小哥把我那四箱沉重的书用绳子绑在腰上，双手拉着绳子两端，起步的时候差点摔倒，心里不禁有些酸楚。原计划是体验“日式搬家”，但是六公里不到花1500元搬家费，性价比着实不高。最后买了麦当劳双人套餐以表谢意。
4、出门条找保安或许更快。我办理出门条的时候是先给物业打电话，在哪里办理出门条，物业说8.30后在物业办公室可以办理，等我去了之后，物业和房东核实，得知我未交钥匙，不给我办理；后面我和房东沟通并未有此事。于是我回来找了小区的保安，保安说可以办，并给了我单子，填入搬家师傅车辆信息、我居住信息就可以了；走的时候我还和大叔说，到时帮忙说一下二单元怎么走哈；大叔说：这你就放心，我们放进来的一定会引导他们的。
5、有阳台的房子体验是真的好呀。之前的房子其实也不小，有76m²呢，但因为没有阳台，所以视觉上小了很多；这次换到三室两厅两卫，外加一个阳台，居住体验确实好了不少。噢，租房自动离开了自如，我发现直租是真香，最近两次租房都是直租，省掉的中介费拿一半来搞新房清洁、装修都绰绰有余。我们这次房价 是4600元/月，房东在中介平台报价5200，第一次看房谈的是5000，后面经过沟通谈到4600，想比上一个两居3900，整体上还算能接受，缺点就是没电梯，小区内娱乐设施相对较少，优点比较多，比如对面两个商场购物很方便，距离地铁站步行 5min 等。
6、搬家丢东西不一定是真的丢了。我们搬家的时候再卧室有一个东西丢了，我们所有人都没有影响，甚至都怀疑是不是再搬家车上掉了，后面看照片的时候发现原来在另一个包的小口袋里，找到这个包就找到了它，失而复得的心情可真好。难过的是搬家前还有好几个快递在原来驿站未取，没有收到短信或者电话提醒，而且是16号就到了，只能周末再跑一趟；有得有舍啊，上天是公平的。
7、感谢上一篇文章所有阅读、点赞、推荐、赞赏、评论的 uu 们。在评论区看到，原来不只有我一个人漂泊，但是生活是自己的，对事物态度取决于我们自己的态度，“每到一个新地方，总能遇到新的人，开启一段新的故事”。
与其说是“漂泊”，不如说一直在路上。
2025-03-20 17:30:36
现在居住的房子在即将两年期满前收到房东微信：“小陈，在吗？不好意思啊，我这边房子到期后不方便再继续出租了，提前和你说一下哈。如果有事的话晚个一两个月也可以，我倒也不是特别着急，你们看哈；这个房子我六七月份才用，你根据你们那边情况决定就好”。
嗯，我知道了，需要开始看房子，准备搬家了。
众所周知，搬家的基本流程是定需求、约看房、签约、搞卫生、搬进去等。翻看「/Documents/A_家/房屋/租房」文件夹时，已有五个地方，租房合同也有10份了，满是漂泊感；但是每到一个新地方，总能遇到新的人，新的故事，也是新的开始。
也曾想过买房子，居住可以相对“稳定”，至少不会频繁搬家，但高额的房贷和较小的居住面积显得格格不入，寸土寸金的帝都更适合租房，稍严谨一点，如果希望有山有水，面积大视野好，还得六环找啊。
找房子和相亲我理解逻辑类似？我没相过亲个，听过朋友转述。得先知道自己的需求是什么，然后对着需求去找房子，看房的时候根据自己的需求权衡对比，最终选择“适合自己的房子”，根据过去的经验，大多时候都是“妥协”，因为100%满意的房子，或者完全恰和自己需求的房子几乎难找，或者严重超预算。人也如此。
我对房子的需求也在逐步变化：如面积上从主卧（合租）到整租一居，到整租两居，到整租三居；以前书架能放进去就行，慢慢需要客厅、厨房，再慢慢需要独立的空间。也有不变的维度，屋内无太多家具，我们不喜欢看电视，重沙发，所以东西越简单越好，有基本家电就行；对周边配套和交通要求亦未发生过变化，最好出门是地铁站，过马路是菜市场。不断的变化带来的新的体验，这大概是搬家为数不多的好处。
“拥抱不确定并从中获益”是塔勒布的反脆弱性。我们最近两次搬家的体验都非常好。上一次因为自如从4200涨价到4900，我们选择搬家，上班时间从40min 到60min，整体来说还是在可接受范围，住过去之后我发现小区周边有河流、有公园，这是我非常喜欢的环境，有荷花，有夕阳，能跑步，能骑车；今天长这样 很多照片都是在这里完成的，记录过小区的春夏秋冬，也有口罩期间隔离、和小区工作人员“吵闹”的故事；难的是因为居家办公，小区三五邻居一起打球，一起运动。
延伸阅读：《记一次集中隔离》
现在居住的地方上班需 70-80min，好处是门口就是公交站，小区后面就是大运河，马路对面是菜市场，最令我满意的是新建的图书馆、博物馆和艺术馆。每逢周末，我会到图书馆看看书或者电影，发发呆，看看日落，也是一件幸事。而这些都是我到了这个小区之后才发现的，搬进来之前完全不知道。
以上种种，大概是搬家带来的些许惊喜。
有惊喜就有惊吓。2020年那次搬家，住进了小黑屋（客厅没阳光），最让人难受的是有蟑螂。这是目前唯一一次让我觉得很难受的一次搬家。后续复盘，大概率是晚上看房，加之被近地铁站一叶障目了，毕竟出门右转就是地铁站的一室一厅，确实令人激动。好在一年期满，及时抽身，搬到新的地方时，每个物品进屋都单独清洗整理，能丢的都丢了，此后再无蟑螂。
要说有漂泊感吗？确实有的，因为搬家很费神，到了新的地方需要重新熟悉，需要和物业、保安建立新的信任关系。如果没办搬家的机会，稳定也是一种选择呀，无所谓好坏，都是新的开始。
附：我一位朋友@Na张分享给我的看房经验，至今为止，依然受用。
@大华在前两天也分享了一本小册子：《城市租房指南》 ，我读完了，并且根据其内容重新排版制作了电子书。
这本小册子整体框架很不错的，特别适合没有太多租房经验的人，可以快速了解整体框架。若作者可以更加细致补充一些信息就更好了，最好能根据场景写「Checklist」，比如厨房检查清单、卧室检查清单、签合同检查清单等。
好了，以上就是租房带来的漂泊感，更像是心理路程简单整理。今日春分，意味着昼夜平分，草木萌发，百花盛开，可以出门拍拍花草呀；3月的小确幸是16号居然下雪了，算是弥补了2024年冬天北京未下雪的遗憾。
延伸阅读：《2020 年，搬家记》
