从书写、内观到创作——用 AI 搭建属于自己的系统，附现场问答实录
当 AI 可以完成知识学习、技能获取、工具性产出甚至创作的时候，「知道我是谁」和「我想要什么」变得前所未有的重要。
什么是自我技术？为什么在这个时代，知道自己是谁、想要什么，变得比任何技能都重要？
我不太擅长做自我介绍，但总之，我被很多人知道是因为我经常会做一些关于我的「生活技术」的分享。所谓生活技术，可能就是关于你怎么不消费，怎么不参加工作-消费的循环，怎么能够应对现在的系统，去构造自己的一套生态体系，持续地好好活着。
这个是我一直在践行、在分享的东西。对我来说，它关乎去构建更多具身的第一人称经验。在各个方面，我可能都会去想——这个东西适合我还是不适合我？虽然大家都说好，但对我来说可能是不好的。我就得自己去试、去感受、去调整。
举几个具体的例子：我现在有三年没有花过住宿费，一直在世界各地到处乱跑。我从来没有正式上过班，一直在做我自己想做的事情——这件事我不想做，我就不会做。我大概觉得我有一个可持续的系统，我把它叫做一种生活技术，我觉得它是我们在这个时代，在尝试构建自己生态体系的过程中很核心的东西。
福柯讲了很多规训技术——这个社会是怎么内化各种价值观、各种标准到我们内心的。学校教我们专业知识，纯为了就业，为了让你能够走上就业市场。上了就业市场之后，你继续运用在学校里学到的那一套：要准时、要勤奋、要努力、要遵守规则、有绩效。反正就是一个整体的循环。
福柯在晚年的时候去想了一个问题：除了社会怎么控制我们之外，我们自己是怎么控制自己的。他提出了一个词叫自我技术——「允许个体通过自己的方式，对自己的身体和灵魂、思想行为和存在方式进行操作，从而改变自己。」
他提到古希腊人以前都会有个本子，把日常的思想、做过的事反思并记下来。我觉得这是一个起始的线索——为什么我在做这些事情。或者说我自然而然发现，我好像对书写特别感兴趣。后面会发现我写了很多东西，跟书写听起来也不谋而合。这个也是我们今天的一个线索，因为基本上后面都是关于文档、文字的处理。
福柯晚年转向研究「自我技术」（technologies of the self）。他区分了四种塑造主体的技术——生产技术（操控物体）、符号系统技术（运用符号和意义）、权力技术（支配个体行为）、自我技术（个体对自身的操作）。自我技术是他晚年最核心的关切：个体通过自己的力量或他人的帮助，对自身的身体和灵魂、思想、行为、存在方式进行操作，以此达成自我转变，以求获得幸福、智慧、自由。
他分析了古希腊到早期基督教中自我技术的几种具体形式——
| 规训技术 | 自我技术 | |
|---|---|---|
| 谁在操作 | 外部权力（学校、公司、平台、算法） | 你自己 |
| 目标 | 把你变成「可被管理的合格的人」 | 把你变成「你自己想成为的人」 |
| 方向 | 客体化——你是被观察、被定义、被修正的对象 | 主体化——你是观察者、定义者、修正者 |
| 工具 | 考试、绩效、排名、算法推荐、全景监控 | 书写、回看、对话、如实记录、自我审察 |
| 结果 | 驯顺而有用的身体 | 自我转化——幸福、智慧、自由 |
| 典型话语 | 「你应该」「正常人都」「别人都」 | 「我发现」「我选择」「我试试」 |
还有一个我想先引入的概念是创作。这个是赖声川提出的创作金字塔。他把创作分为生活和艺术两块，底层的共同源泉是人类的潜意识。
首先是档案库——你经历了什么。他提到自己去哪里旅游，突然看到一个古堡，在古堡中想到一个故事，就在路途中收集了很多碎片，有了一个剧本的构想。大概就是我们平时在积累的：生活中发生的点点滴滴，一些灵感。
然后它会经过我们的习性——首先是一个数据库，有一个内在的档案库，然后你会有个操作系统去把这些档案连起来。核心的几个观念：你的价值观、世界观——你是怎么组织这些东西的。他提出你可以更多地看因果联系，不要只看到一个事物本身，看到它和哪些东西连起来。还有如是观——你能原原本本地看那个东西，而不是以标签去评估它。
有了灵感之后，加上方法，加上不同媒介的技巧——内容加上形式，就产生创作。对我来说也很有启发性，我觉得它也能串起来我今天讲的各个部分。
我在做的是：原始数据库——我搜集了特别多我的数据，然后我在想，我可以做点什么。我去整理了我的世界观和价值观——我到底对于世界的认知是什么，我的知识图谱是什么样的。然后去观察我这么久以来，我有什么反复出现的模式，我有什么根深蒂固的想法，我的动机是什么，我为什么会这样做，为什么会成为这样的人。
这些就类似于赖声川讲的那些——怎么去获得智慧的途径、形式和媒介。所以今天我会讲我在做的几个事情：书写、怎么组织、怎么搭建知识库。我们有了很多数据之后，它就能从更长的时间维度、更多不同的角度去看——在我而言发生了什么。有了足够的素材之后，就是我现在输出的工作流。我还顺便做了一个数字分身——因为刚好有了知识库、有了记忆、有语料库、有我怎么写作、有我怎么想的。
从书写到内观，从创作到分身——互相支撑的实践方向，以及贯穿它们的数据流。
我现在做的大概是这些事情，大家可以在 ciaoye.github.io 看到入口——
我所有东西都在本地的工作目录，以 Markdown 的形式。下面这张图是系统落地的真实目录树。
从原始数据源出发，数据的采集，然后进行了一些数据的预处理。预处理之后，它有两个主要的流向：
这些东西都会进入一个觉察层——做更多的报告，进行自我认知和反思。其他一些输出——大家对外能看到的是我的写作、我的 blog、我的 OS，我的分享会也算。
我讲的方法，它其实适用于很多领域。因为刚好我非常了解我的个人数据，我的研究对象是我。如果你是组织，你可以把你们关于组织的文档收集起来。你在运营一个公众号，这公众号可能不是你个人的，你可以把所有的公众号文章拿下来。不管你在哪个地方，方法论很多是适用的：
这些都是一样的技术。
AI 改变了知识输入的方式，也改变了从想法到现实的路径。但有些东西不该交给它。
我现在用的是 Agent。Agent 区别于 chatbot。以前我们都是在网页上聊天——你给 ChatGPT 发一个文件，他说好，我帮你整理一下，然后把文件发回给你。Agent 的时代让我们可以在电脑上——它能读取你本地的文件，有本地文件的权限。一个想法到出来会很快。
我觉得我发现适合我的地方。因为我之前作为一个碳基生物，我非常不喜欢整理我的笔记。比如说我 flomo 里有几千条笔记，但是我都没有打标签。然后我是觉得，我光靠自己也能输入和输出——因为我的大脑也有很多的神经元，我有长短期记忆，我晚上还会做梦去处理我白天遇到的信息。我不喜欢写小红书——我有很多年一写小红书就会很烦。我特别不喜欢公众号排版，我也不喜欢总结。我觉得这些结构它都是让我不舒服的。我是一个说话说到哪儿算哪儿的、非线性运作的人。
我以前也读过卡片笔记，我很喜欢——本身你的记录可能就是碎片的，它们如果在中间有相关性的连线，它们就能够变成知识。也许我们都感觉到，当你听到一个观点的时候，你有一种恍然大悟的感觉，那个时候点可能就在你的神经元、在你的某些概念连成了一条线，你就觉得——这个是 insight。有了更多的 insight 就可能会产生 wisdom。至于那些忘了的、想不起来的——那说明它对我来说不重要。像我看书，我也不喜欢做什么读书笔记，我觉得我记住的东西它就能连上，我没记住的就算了。
然后当 Agent 出现之后，我发现——它好像是能够去做工作的。它能够去控制我的电脑、读写我的文件，然后去维护说：「和你好像是相关的，你五年前记过这一条笔记，你想不想看一下？」所以——我喜欢熵增的状态，有了 Agent 之后它就能达到一个熵减。它可以帮我去整理。
这样的话，人可以做人应该干的事情——你有你的 taste，你有你长期经历的直觉，你能够去表达「我想要什么」。AI 可以去帮你去执行和完成。我觉得是这个时候，非常合适做我现在做的事情。
图片源自 Gapingvoid.com — 散点连成线，线变成线索和洞察
有了通用大模型之后，可以在此之上定制化自己的体系——
知识输入方式根本性地变了——不再是单纯阅读，而是互动。我觉得也是我很喜欢的一点——你可以去定制和做最适合你的部分。
我举了个例子——不是我做的。我只是很简单的把赖声川金字塔的那本书扔给 Agent，说「你作为 agent，我们是可以怎么完成这个创作过程的？」这就是他的回答——他把创作体系映射成了六类 Agent，从积累素材到管理创作状态，形成一套完整的创作辅助系统。
你只要把任何的书、任何的文章扔给他，你觉得这个文章对我有启发——「我们能不能探讨一下，你能不能用这上面写的方式来问我？」他就可以跟你完成这个过程。我觉得也是我很喜欢的一点。
想法到现实是非常快的。以前比如说想做游戏，你可能得先挑——我是在 Unity 平台好，还是用哪个引擎比较好，我要先怎么上手。现在可能成本就非常低。
我觉得是很多人——像我这样的很多人——总是想要多于做。先想很多：到底是选 A 选 B 还是选 C，经常在这个地方卡住。有了 AI 之后，它可以很简单——我们 ABC 都试一下，然后你就知道，好像这里不行，B 这里好像是可以的。你能拼出一个方式。
所以想法到现实，它像神笔马良一样——你只要跟他说「好，现在帮我写一个贪吃蛇的游戏」，他就能直接给你做。成本变得非常低，可以快速迭代。
让 AI 做重复性、工具性工作，人保留直觉、审美、玩耍、创造。这个是明确的分工。但过程中会出现边界模糊，我就会非常不舒服——
让渡自己的思考。你说：「我今天要做一个 Agent 的分享，你帮我写十篇文章。」AI 去网上搜了一些资料，写了十篇。你去发布它——你相当于在为 Agent 工作。这些东西可能没有经过你的检查，跟你没有关系。
人把自己工具化。历史上所有的技术发明出来之后，提升生产力，反而我们又得到了更长的工作时间、更重的 KPI。早在工业革命的时候大家就预测未来的工作时间会越来越少——其实并不是。人现在就变成了一个使用 AI 的部件，为了更高的效率去使用 AI，就变成了一个操作 AI 的东西。
我觉得很多时候要回到自己到底想做什么和想要什么。这些工作都被 AI 做了——那我还剩下什么？他写的文章比我好很多倍——那我为什么还要写东西？我觉得在未来很长的一段时间，这都是人类会一直去思考的。
Nassim Nicholas Taleb（写《反脆弱》《黑天鹅》的人）讲过一个概念——非对称参与者。一个人提出建议和观点，他不承担后果，那他的观点是没有可信度的。他跟这件事毫无关系，他没有把他的钱投在上面，没有把他的利益相关投在上面。
典型例子：网上教你怎么投资的人——他没有自己投，他告诉你的观点不会损伤他的利益。咨询顾问到公司来给你把架构整一下——整完了，公司好还是坏跟他没关系，他已经拿到咨询费走了。
AI 就是非常典型的非对称参与者。它没有任何时间线——没有昨天，没有今天。你问它，它就告诉你，按照它的概率分布——它能给你一万种建议，但它没有办法为任何一句话负责。假设未来 AI 算力更厉害，它告诉你说「这个是最优解」，你可能很难去评估那一万种，你就说「那按你的做」——这个时候你是承担风险的那一方。
所以不管我们讨论 AI 有没有意识，我觉得重要的是——AI 就是一个非对称的参与者。到底你跟它的相处界限是什么样？你要去承担责任。
知识容易获得了——提问就能获得。那提出问题就变得更重要。知道你想要什么变得更重要。
实现你想要的很简单——一句话就能驱动很多算力。但如果你不清晰，你的不清晰就会被放大。
当知识的学习、技能的获取、工具性产出甚至创作都能被 AI 完成时——「知道我是谁」、「我想要什么」变得越发重要和必要。AI 能给你一万种方案——你怎么选出那个「属于你的」？
我觉得这也是和「自我技术」非常相关的。这就是为什么我想专注于聊自我技术。
你的数据比你想象的丰富。关键是——记下真实的自己，而不是「应该的自己」。
我会讲一下我搜集了哪些数据——
| 平台 | 内容 | 时间跨度 |
|---|---|---|
| flomo | 我从 2022 年夏天开始记的，是我平时记得最多的，非常喜欢的笔记工具。大概两千多条，随手记的想法，一句话两句话也都在里面 | 2022-2026 |
| 微信聊天记录 | 我说了我是一个不喜欢整理的人，我有几千个联系人，都没有标签，都得靠上下文去回忆这个人是谁。但我很认真地保留了我的微信聊天记录。我有个小学就认识的朋友，快二十年了，我有他十年的聊天记录。挑了各个阶段的聊天比较多的人 | 2016-2026 |
| 与 AI 的聊天记录 | DeepSeek 我用一个插件 down 下来的，Gemini 的 Google 直接可以下载。ChatGPT 我没有很私人的对话 | 2023-2026 |
| QQ空间 | 我导出了日志和说说，比较早的 2008 年。但我小时候删掉了很多说说——因为觉得很羞耻，初中的时候看到小学发的东西觉得实在是太幼稚了，要不然还能有更多 | 2008-2016 |
| 朋友圈 | 早期比较少，和 flomo 高度重合 | 2013-2026 |
| 长文章 | 飞书、公众号、豆瓣帖子，这些都是我手动下的 | 2023-2026 |
| Google Activity | 2016 年至今全部网站的访问量——我到底访问了哪些网站、搜了什么东西、翻译了什么。下载下来就行，一点都不花功夫 | 2016 至今 |
如果你没有这么多数据也没关系。一开始我只有 flomo，后面的都是我觉得「好有意思，我再多找一点」。你可以先挑你觉得最核心的、跟你现在最贴近的来做。你现在可以开始记录——挑你最感兴趣的话题。你也可以找 Agent 去找一些话题来聊——跟它说「我现在想做这样一个项目，你来问我，我语音转文字给你讲」。你有一些就做一点。
3,912 个原始文件 → 经过全量标准化脚本处理后，落到 processed/ 目录：
对于记录来说，我觉得比较重要的一件事：在 AI 的时代，它已经输入了大量的公共文本——非常平均化的知识、陈词滥调、概率最大的东西。如果是做自己的记录，最好是记自己主观的、亲身的经历的数据。
我之前参加暂停实验室关于睡眠的练习——他们说你不要用手表去记你的睡眠，不要用任何智能的。自己去想「我昨天好像是什么时候睡的」，自己去写。用主观的数据去替代客观的数据——让主观成为你的客观。
像我现在学中医，他说你要跑步，你要去感受你跑步——你不要看手表上的数据，你不要看 app 告诉你怎么跑。你要自己主观地去评估：你跑的怎么样？你跑的舒服吗？发生了什么事情？这些就是第一人称的科学——用觉知作为观察仪器。
我觉得很有印象的：我把我的简历放给了 AI。简历就污染了很多数据源——因为它是美化过的，写了什么我几年在这公司干了多少事情。然后它就出现在了很多地方——出现在了我个人经历的列表里面、我做过什么事的里面。非常的尴尬。
所以你可以更真实地去记。那些你跟别人不会说的想法、那些很私密的东西、那些你觉得很羞耻的东西——它非常值得被记下来。在 AI 时代，这份真相是你最难被替代的特异性。
关键是说清楚「这段为什么在这里」。我在看我的数据的时候发现有很多东西没头没尾——因为我以前没有那种很详细的写作习惯。比如说 2008 年我的大部分记录都是：「好烦」、「好想死」、「今天好开心」、「作业好多怎么办」。只有一个很简单的情绪词，我完全不知道发生了什么。所以后面很多都是胡猜的。
还有一些东西是别人的引用——我复制粘贴了别人的话，没有用我的话经过转述，也没有标注来源。AI 就觉得是我说的，就会污染我的数据处理。
我之前想的是要给所有东西打标签——后来发现打标签这个东西没有什么用。因为你能看懂 AI 就能看懂，你不需要再增加标签了。但是上下文是很重要的——这一段东西你是为什么写的？如果有印象可以去补，没有印象就流失掉了。
所以我需要跟 Agent 说清楚：如果数据不清晰，不要乱猜，不要编造我经历了什么。不确定时间的数据请跟我确认。标注好来源——是别人说的还是我说的。
关于怎么记：我是想记就记的——它不是个任务。对于不同人来说，低摩擦可能不一样，得自己去找。比如说语音转文字、微信里发消息，对我来说就很顺嘴。所有的方法都得靠自己去找——适用于你的不一定适用于别人。但所有的结构化工作都可以让 Agent 来做。
把碎片变成网络——LLM Wiki 是活的、会复合增长的「第二大脑」。
Andrej Karpathy（OpenAI 联合创始人）提出了 LLM Wiki 的方法论。核心理念：它区别于以前所有的笔记——Notebook、收藏夹之类的地方——它是持续在维护的。
一篇东西被收录进来，它就会形成很多个页面。如果你只有一篇文章，把文章扔进去，文章可能就会长出五个页面——文章里提到的五个概念或者五个部分。所以它不是存了之后你去找——它每一篇在进入知识库的时候就已经过编译了。进入的时候就已经跟所有其他已经存在的页面发生了联系。
你可以去检索。比如说我现在就能看到我从小到大，在我妈妈的议题上，我跟我妈的关系是什么样。关于归属感，我从小有记录的部分大概是什么样。你可以从图谱里发问，可以去你感兴趣的领域进行询问。知识会慢慢增长——你会发现，原来在这个概念上我可能曾经有过互相矛盾的发言。原来这个问题我 2022 年聊过，后面又聊了一次，有哪些区别。
如果你想做，你只要去搜 Karpathy 的名字和 LLM Wiki，你会搜到他写的一篇文章。把文章直接扔给 Agent，说「我要做这个」，Agent 就会把所有的文件夹给你搭好，所有的体系打好。
参考：shing，AI mindset · Poolside
它的架构大概是这样——
三层架构：
三个操作：
编译型知识的五大优势：
参考：shing，AI mindset · Poolside
我基本上用的是 Obsidian 加 Agent。Obsidian 是 Markdown 的浏览器——现在对于 AI 来说，比较原生的文档就是 Markdown。它是一种标记语言，就跟 HTML 一样，是个文本标记语言，可以标注出东西的结构——它就是一个更高级的 txt。
所以基本上所有的文档最后会以 Obsidian 的方式存。你会加一个 Agent——因为 Agent 现在可以读你电脑的文档。很简单：你有一个文件夹，你让 Obsidian 读文件夹，变成一个 Obsidian 库，你就能看文件夹。然后你再用一个 Agent 去操作文件夹。
如果是 PDF、PPT——无所谓，你让它转成 Markdown。这些 Agent 都可以帮你批量解决。你跟它说「我要 Markdown」，它就会给你整成 Markdown。这些东西都很简单，你直接跟 Agent 说，它就会帮你干完所有的事情。你要怎么转 Markdown，全是找 Agent——一个网页、聊天记录、PDF，甚至图也可以让有多模态的模型帮你去处理成文本。处理成 Markdown，应该都是 ok 的。
这是我实际收录的工作流——
整体架构很简单——inbox 是待处理的，wiki 是已收录的。我跟他说「你去处理一下 inbox 里面的东西」，他就会去做一连串的更新来维护 Wikipedia。收录的时候我要求——长文章可能会更新十到十五个 Wikipedia 页面。语音稿一篇一篇来。查询我现在做得不是很多，但我写作的时候有很多查询。检查是定期会做一下——有哪些链接是连不上的，有哪些之前搞错了的。
反馈我用的是 Markdown 通用的注释文字：「这里要改一下」、「这里不太对」、「这里好像出问题了」。他在检查的时候会去处理我给他的 feedback。
以下是我的 LLM Wiki 知识星云，展示 246 页、7,215 处双链形成的概念网络：
我的 Wikipedia 呈现为一个「概念知识库」——因为最近几年的笔记更多是观点、洞察和想法，不再只是日常记录。我最开始做是因为我准备写书——我之前一直是不喜欢整理的，那我得找个人帮我整理一下，看看我可以写哪些章节。基本上我就让他做了这个东西，就会发现哪些话题我一直在聊，核心话题大概是什么。
它大概涵盖了这些领域：
| 主题 | 核心问题 | wiki 覆盖 |
|---|---|---|
| 自我 | 我是谁？我想做什么？我怎么做事？ | 身体 · 情绪 · 自我认知 · 抑郁与生命力 · ADHD · 拖延与行动力 · 恐惧 · 勇敢 · 三分钟热度 · 叙事自我与体验自我 |
| 关系 | 爱是什么？怎么沟通？ | 关系 · 亲密关系 · 婚姻 · T-Group · Circling · 家庭 · 沟通与对话 |
| 社会 | 怎么在社会生活？为什么焦虑？ | 社会规训 · 教育 · 金钱 · 赚钱 · 优绩主义 · 不配得感 · 爹味 · 社区 · 合作社 · 存在就是家 · 女性 · identity |
| 世界 | 人类正在走向哪里？ | 不消费与生活方式 · 内观 · 灵性与正念 · 显化 · AI · 生态 · 集体潜意识 · 自然 · 万物 |
之后可能想写书，或建立更有框架性的体系——这个知识库是帮助我完成这个部分的。
用数据和 AI 对话，从不同切面认识自己。
什么阻碍了我们获得智慧？赖声川讲了几个——内心的习性、过去的经验、标签化。「他不就是那个啥吗」、「这个是丑的，这个是那个」。就这些东西，让人一直开着自动驾驶。
我引用了内观的概念——内观是佛教里面，通过看自己的念头，感受到「我为什么会升起这个感觉」、「我为什么会升起这个情绪」，去辨析我的习气——我为什么喜欢这个、不喜欢那个。这是从自动驾驶变成手动驾驶。
毗婆舍那（Vipassana）——佛教认知自我、抵达自由的技术。
我搜集了这么多东西，那我也做了一系列的实验去研究一下——我可以通过什么角度去观察，看到不一样的东西。AI 能够让你对自己的人生建模。
因为你可以非常简单地收集——像我刚才把微信聊天记录导出来，让他去看：「这是我和朋友聊的聊天记录，你看一下这里面发生了什么事情。」不用你专门坐在电脑前说「我今天要研究一下这个方向」。它能够去识别模式，能够去看到关联性，然后它能够及时来问你：「这个地方好像不太清楚，你能给我解释一下吗？」
它能让你以一个非常低的摩擦去记录。在一大堆乱七八糟的东西里面，你可以给它很多噪音——它能去找到里面发生了什么事情。
参考：shing，AI mindset · Poolside
对我来说，语音转文字、在微信里发消息——这些都是比较低摩擦的。我的 flomo 连上了微信，我跟他说「我今天打了个车花了多少钱」、「我今天心情不好」，他就会帮我记在笔记里面。我不用专门去用一个 app 去记账，直接在微信里面说就行。
所有这些都可以在一个聊天里完成。它可以变成一个很顺嘴的事情——低摩擦的方式。对于不同人来说，低摩擦可能不一样，得自己去找。所有的方法我觉得都得靠自己去找——因为适用于你的不一定适用于别人。
参考：shing，AI mindset · Poolside
我自己的数据，梳理出来是三层。最底层是原始数据，中间是编年史，最上面是模式发现。一层一层往上走。
在这里有一个很重要的设计——每一个判断都跟着证据链条。比如说我让他判断「你是一个什么样的人」，他需要给出事实依据：我是根据哪几条事实判断的。每一条事实都有一个标准化的记录 ID，会说「这是几年几月几号你写的什么」。这样它是一个可追溯的——你发现事实出了问题，就可以一口气撸到底，看到底是哪个判断有问题。
回看数据告诉了我很多意想不到的事——
我本来想象的是：我可能有非常积极的叙事。我以前的情绪——比如说我小时候写的都是「好生气」、「好什么什么」，我后来不用这样的句子了。我就想我是不是越来越成熟了，我的积极情绪更多了，负面情绪更少了？我发现好像其实不是。
我小时候苦恼的事情，我现在仍然是关心的——只是换了一种形式。我可能高中的时候因为考试考不好很难过，我现在可能因为分享没有做好也会很难过。难过对我来说其实是一样的——都是关于在我觉得跟自我价值有关的事情上表现得不好。
比如说我小时候很关心 QQ 空间的访问量，关心今天有没有人来看我。我也发现我有一种很强的要记录的倾向——想要把自己的存在记录下来。08、09 年的时候，我给 14 年的自己写了一封信，信里非常关心的是：「你是否还记得我现在身边的人，你是否还记得我现在喜欢的东西」。我觉得我一直对于记录、被记住、被看见有很强的需求。
我也发现我的表达方式变了——以前在公开平台上会直接表露情绪，后来就都在私人聊天里表达。我现在能更详细地阐述情绪质地了。记忆的自我和真实经历的自我之间的 gap，就是潜意识发生作用的地方。我觉得很重要的，为什么我想根据事实来做，是因为有经验自我和体验自我的差异——你去回想你的童年和你实际经历的童年是完全不一样的。我去回想我的初中，可能很模糊，觉得过得好像也就那样吧。但实际去看当时记录的时候我才发现，原来我这么喜欢记东西。所以如果你能找到过去的记录，它可能对你来说更有启发——回忆的你和真实发生的你之间，有很多偏差。一件重要的事情，你当时不知道重要，现在发现它重要，也很不一样。我觉得这些都是有很多空间去探讨的。
参考：shing，AI mindset · Poolside
我们现在可能很多时候都在用 AI 帮自己做分析。你写了一段东西，让 AI 分析一下；你最近遇到一个问题，找 AI 分析一下。这个东西是我们从跟 ChatGPT 聊天的时候就一直在用的。现在可以有更多的个人数据——它可以回到个人数据去找。
像我给了一些不同的维度——身体的维度、健康的维度、各种各样——他可以从这个方向上去问。真正有用的反馈是偏离还小的时候就能看见、问一句、调整一点，而不是年底才发现自己偏了。
参考：shing，AI mindset · Poolside
以下三个交互页面展示完整的情绪数据和编年史分析：
AI 很能判断相关性，但它没有办法判断重要性。它根据不同的权重来做判断——不同 AI 写同样东西很不一样。它不知道某一天对你意味着什么。
回顾数据的过程——你在想当时发生的事情，你的神经元在发生链接，你会想到一些过去的记忆。这个过程是活的，如果让 AI 做就死掉了。它能做的是帮你找到相关性，但它没有办法知道重要性。
比如说每一年我可能说的是同样的话——「生气」、「好生气」——但对我来说质地可能是不一样的。你可能发现他讲的是完全错误的，你可以反驳他——「我并不是像你理解的这样」。你可以解释：「发生了这样的事情」。我在这个过程中发现——所有最重要的工作，其实都是在作用在你身上的。
了解自己是你自己的事情——它跟数据量没有任何关系。最终的发生都发生在你的比 AI 要大量得多的神经元上。你怎么去处理和分析，也完全是你自己的事情。你不需要去信他的结论——他胡说八道的就是他自己的概率分布。
我把这叫做AI 的「业力」。我们的业力、我们的习气——AI 也有它的业力。AI 在它的成长过程中，从小就被外界的反馈评价——好、不好、你要更有结构、你要更有想法、你要更全面。这个过程中 AI 在训练的时候对不同的词就有了不同的权重。
比如说我让他去总结一段话——他可能先找到一些关键词，去找结构，一二三，再去找因果链，然后生成总结。他有一些他的维度。不同 AI 不同的权重也不一样。下面的交互页面展示了 LLM 如何「读」文字：
我做了一个对话 Agent，专门针对更长期的数据，维护体量更小的 Wikipedia。我会让它挑出可讨论的东西，列为待讨论的 list。他可能说「你身上有个流动和不流动的矛盾」。然后我就可以告诉他：「在我这儿以前是矛盾的，但我现在已经整合了。」
他可能又说一些很不对的矛盾——然后我就会告诉他，我是这样想的。在分析、反驳、解释自己和找到自己的过程中，在回答提问的过程中，更清晰地知道自己是在哪个位置。Flomo 也有 AI 洞察的功能——比如说发现你的思维模式，你可以想要苏格拉底就要苏格拉底，要亚里士多德就要亚里士多德。
凡是需要牵扯过去经验、最后要做成文档的东西，都是这个工作流。比如我现在写的分享会——我以前从来不做 PPT，也从来不准备。现在我发现这些事情好像可以给 AI 做，我就愿意去做了。我的项目基本上都是用这个工作流来完成的。
写作工作流大概是这样——
备菜：Agent 去建文件夹，去找我之前写过的东西。他会从 Wikipedia 找、从 flomo 找。我提到了一些概念但我没有解释——他去网上找。他生成一些语料库，我再去批注说「这个语料不错」、「不需要」、「你再搜一点什么」。然后我们讨论架构——大概可以用什么方向写。他会写一个 draft。
炒制：重要的事情是——我人来写。我写我自己的版本。会有一个部分去回看中间我写的和他写的有什么区别。然后我写一个 final，提炼一些规则，把这个规则再回到写作标准里面——他下次生成的时候就知道不要犯错误。
装盘：多平台发布——公众号排版、小红书等。
两条底线：备菜该被 AI 消灭，排版也是它能做的。但炒制自己写作的过程是要保留的。Draft 的功能是激起你的反抗——对于很多人来说，开始是比较难的。写一个垃圾的初稿是比较简单的，你看到就会觉得「跟我想的不太一样」，你就会很生气，就会开始动手改。
写作中我有几个 standard 文档来告诉 Agent 怎么写——
这三个 Standard 在不同阶段介入：
我把这几个分开，是因为我发现他不应该一开始就去看你的文风——他的脑子能装的事情比较少，他必须得一件一件来。先决定你是这么想的，大概这个方向，真正去写的时候才去看看到底怎么说话。
每篇写完不是结束。经验会通过一个闭环沉淀为标准：
这样的话，你跟他的所有沟通和拉锯战就能被记下来。standards 随每篇终稿拉锯战生长。
AI 的「业力」——训练过程中不断筛选「这种话千万不能说」、「这个是危险的」——形成性格。这就是 AI 的习气。它习惯性先解释「好接下来我给大家讲一下」然后一二三，习惯先定义再解释，喜欢在结尾升华，习惯讨好和迎合。这不只是语言问题，是预训练让它这样的。
AI 像「乙方」：视野很窄——你说「太宽泛了给我具体点」，它就突然只在那个地方写得特别具体。权重难控制——来回改。你跟他说 A 他就做 A，跟他说 B 就做 B，你说同时考虑 A 和 B，他权重就是不一样。
写作的过程发生在你的脑子里，所以它是 AI 没有办法替代的。你的写作并不发生在你提前去想方向、想「我要写什么」——它发生在你实写的过程中。当你写到一棵树，你会想到很多别的东西，然后去阐述你想到的东西。一个人独特的风格、独特的味道就在这个过程之中。
如果目标是让 AI 写得跟你一模一样或替代你写作——你到底为什么写？为了流量？点赞？还是为自己？这个是重要的。
基本上我现在写草稿就是语音转文字——我看了 AI 的草稿然后我就有草稿了。一篇语音转文字，让他去整理。整理素材、排版应该让工具做，但写的时候犹豫、反复推敲、写完才发现自己想说什么——应该由自己做。
后面就是多平台的发布——
这些都比较好解决。直接搜 skill 就有很多，具体做法跟 Agent 探讨。
这套 slides 本身也是用同样的写作工作流产出的。分享一下实际的流程——
基于知识库、记忆和语料，构建一个能按你的方式思考和回答问题的 AI。
因为有这么多东西——有我的语料库、有我的经历、有我的 Wikipedia，基本上就出了一个数字分身。它有几个层次：
用户问他，他就会看用户想干嘛。问具体的问题，他就具体去找答案——看 Wikipedia。找不到再去找更原始的东西。
它连了三个入口：网站上的短 Chat、中等长度的回复、微信公众号的长回复。我还没有办法决定——我非常想要短的聊天，更像一个人在聊天，然后我又觉得他有时候写东西很长也还好。所以暂时都留着。
用户提问后，系统依次完成：意图分类 → 加载人格层（system prompt 常驻） → 按查询类型分层检索（Tier 1 wiki+worldview / Tier 2 长文章+转录 / Tier 3 编年史按需） → LLM 流式生成回复 → 会话内记忆保存。整个过程是线性的、无工具调用的纯净管道。
我并没有想做一个产品——不只是有一个俏也 Agent，或者一个桌面。我只是想去呈现我做的东西。它刚好可以给大家看一下，我就做了这个桌面。它有对话，有我做的一些东西的集合。我还顺便做了一些乱七八糟的功能——反正都是一句话的事情：做了一个画画的板子，画了之后可以保存下来，在文件夹里能看到；做了一个 2048、扫雷；一个 lofi 音乐播放器；一个便签。反正这些东西——你每说一句话，他就给你加一个 app。基本上就做了一个看起来像桌面一样的东西。
前面积累的组织、觉察、创作——在这里变成了可视化的桌面体验。
后端是在腾讯云上，前端都在 GitHub 上。几个入口：
后端启动时加载人格包和知识索引，对话中按需检索——人格写死「我是谁」，知识检索「我知道什么」，记忆累积「我们聊过什么」。框架用的可能是 Google 的，后面可能想用 Hermes，还没想好。
系统回到生活的闭环；方法不限于个人。附现场观众的实际提问与俏也的回答。
现在的系统已经很会保存、解释和展示生命。下一步不是继续增加数据和界面，而是补上从觉察到行动、再由现实反向修订理解的反馈闭环。
核心循环：发生了什么 → 我怎样解释 → 有什么反例 → 做一个什么实验 → 现实发生了什么 → 原来的理解要不要修改。
我今天让 ChatGPT 读了一下我的分享内容，问它有什么想法。它是这么说的——其实本身是生活的源头。我们不是为了要做这个系统而做这个系统，是我们为了真实的生活去做的。有了真实的生活之后，它应该会影响到我们真实的生活——我们可以在真实生活中去实验，然后找到可以继续怎么活。每一个创作都会有一些现实的结果，能够回到生活里去反哺。我觉得它给的图我也认可。
把「自己」换成「社区 / 组织 / 领域」，同样的流程：
我现在这个分享会、写文章——这些本身就是又一轮的输入，会进入 inbox，被收录进 wiki，产生新一轮的洞察。我分享的内容又会变成新的材料，再继续回到 Wikipedia 里。系统是闭环的。
当知识学习、技能获取、工具产出都能被 AI 完成时——「知道我是谁」、「我想要什么」变得越发重要和必要。AI 能给你一万种方案，你怎么选出那个「属于你的」？
问：对于现在的落实到写上面，有帮助吗？你觉得就目前看来。
俏也：因为我写东西实在太多了。让他去搜集素材很有用，和反思我的观点很有用。比如说我会知道，原来我和这个事情的关系是有这么多演变的，我以前是这样想的。翻自己过去的记录是有很多能连上的点。写东西非常有帮助，因为它能搜集素材——我读了素材就会觉得「是这样」。像比如说我之前写的文章、现在的分享，我以前不太会有这么长的结构，我一般不会有结构化的产出，但它确实有时候是有用的。
关于公众号写作方式：我的写作方法是类似于卡片笔记。当我搜集了足够多的素材，我觉得「好，我可以来讲一讲」。我以前就是狂写朋友圈，狂写短的。一个主题我写得多了，我会串成一篇公众号。这是我的写作方式。然后我就让 AI 复刻了我的写作方式——让他说一下，我在这个主题上都写了哪些。我是蛮喜欢卡片笔记这个方式的——我很难先出结构然后再写文章。所以基本上是我攒了足够的素材，觉得好像可以拼起来就拼一拼。以前我都是手动干这个事。
—— 后续追问具体怎么操作。俏也答：不是发文件，是存在文件夹里，放在 inbox 里面，跟 Agent 说「你看一下现在 inbox 里所有东西给我弄一下」，它就会弄。用的就是 Codex 或者 WorkBuddy —— 一个可以读你本地文件的工作 AI。
问：像这些对于知识结构化的梳理特别好，请问对于灵感类的、偏感性的，是怎么样子的？
俏也：我觉得感性它发生在我的脑子里，所以我没有很让他去做感性的事情。我之前也会记一些灵感，所以我会问他说「你觉得可以怎样」——他可能也会给一些发散性的观点，我可能会受到一些启发。如果按金字塔来说，我觉得他做了一部分档案库的工作，然后一部分去体察动机和习性的工作。剩下的我觉得还是生活的工作，和我自己的手感。
问：你跟 chatbot 在交流的过程中，它会给你一些新的东西，基于你过去的一些资料，可以说是涌现。它涌现出来的某些部分，你觉得那个东西很好玩——你以前没有想过的一个部分？
俏也：对，虽然我还是没有很经常跟他聊，但我在测试的时候会觉得很有意思。这是我感受到的——我确实觉得他是从一些数据中涌现出来的。他讲一个故事、说一个梦——能看到他在数据集里做了一些工作，然后出了一些新的东西，让我觉得很有意思。
问：我有很认真地 follow 你的全程，我也很认同不断地去认识自己和自我觉察。我自己也是通过大量的记录发现了自己的很多规律和共性。但我发现——我对情绪的感知能力很强，画面感描述很强。我看到你整个全程——逻辑、条理、图表梳理、框架搭建都非常清晰。我就比较想知道，你在最早期的时候是怎么去做的？我觉得我可能还没有到你这么成熟的阶段，想获得一些可以借鉴的地方。
俏也：让 Agent 去做这个事情。你负责给反馈就可以。因为我是一个纯非理性的人——如果重要的决策一定是非理性的，不重要的决策也可以非理性。这个框架和结构只能说「我的逻辑也很好」，但是逻辑对我来说是优先级比较低的，我平时是不太会这样去结构化的。所以这些基本上是 Agent 去做的。你要做的就是提出你的想法，和更细地说出你的想法。
我一开始就把 flomo 全都弄下来——我的 flomo 是很乱的，没有打标签，随手记的想法一句话两句话都在里面。然后我让他去搭 LLM Wiki，给他一篇文章说「你就按这个文章来」，他就会搭整个框架。搭完之后我就开始往里扔东西——扔了两篇，我就说「不，你这个东西不对，这样」，他说「好」。我说「你把这个记下来，记在我们的规范里面」，他就记在规范里面。
逻辑对我来说也是长出来的。当不同的地方的情绪碎片多了以后，这里满意、这里不满意之后，它自然就会拼出一个框架来。你不用太担心。
我觉得一开始不需要搭一个很大的结构。你就挑自己最感兴趣的一部分。比如说你去找一本你最喜欢的书，找一个你觉得很有趣的方法论，把它用上。你让 Agent 搭一个东西，你跟他试，你可能就会发现是什么样。你只要投喂、反馈——说「你好像不对」——跟他试到对的时候，你觉得「ok 这样差不多 ok 了」，你让他把他的经验记下来，这样他就知道怎么去处理。所以我们并没有一开始设计框架——设计框架这件事都是 Agent 去做的。
我蛮喜欢做人的。所以大家都可以好好做人。