2026-08-27 22:44:00
截至 2026 年 8 月 25 日，我在 Day One 里写了 1784 天日记，共有 4109 篇条目。按自然日去重，同一天多篇仍只算一天；最早一篇是 2021 年 9 月 3 日。
今年年初，我开始用声音记录自己。7 月 10 日，我第一次认真录下几乎完整的一天。一开始，我只是想对抗遗忘。一天结束后，日记通常只剩几件印象最深的事。大量普通交流、临时判断和情绪变化，睡一觉就散了。
DC_Agent 就是我的个人分身，也是我的伙伴和教练。建立它以后，我逐渐意识到，全天录音还在给它积累真实、连续、可核对的上下文。它可以读我的日记、文章和项目资料，也可以帮我写作、做判断、推进事情。但这些资料大多保留了结果，很少记录一个判断怎样发生。我经常只告诉 AI 脑子里的最后一句，却默认它知道前面经历过什么。
日知录要补上的，就是这一段丢失的过程。我后来给自己的判断是：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。
日知录，是把一天的自然录音变成归档音频、完整转写和结构化摘要，再把事实、决策、行动、日记与写作线索送到各自的位置。
我做它有三个原因：
整套流程可以压缩成六步：确认声音来源，按真实时间归集，取得完整转写，结合历史理解当天，按内容性质分流，最后验证和备份。
目前的收获也有三层：第一层是音频、原文、摘要和日记；第二层是可以继续写作、研究和行动的素材；第三层是 DC_Agent 越来越清楚我在意什么、为什么这样判断，以及我的观点发生过哪些变化。
人很容易记住结论，忘掉过程。我每天都会写日记。精力好时，可以写得比较完整；很累时，只会留下几个片段。
声音的记录门槛更低。通勤时冒出的想法、会议里的判断、与朋友聊天时的案例、陪小七时听到的童言童语，都可以先保留现场。我不用停下来打开文档，也不用当场把话整理得很漂亮。
更重要的是，声音会留下语气和前后关系。几天后再回看，我能知道当时为什么得出这个结论，犹豫过什么，又忽略了什么。
DC_Agent 需要我的生活上下文。大模型有广泛知识，却不了解我的具体生活。它不知道我最近在推进什么项目，不知道一个问题让我纠结了多久，也不知道今天这句话是临时情绪，还是经过多次验证后的决定。
如果 DC_Agent 只能看到我每次下达的指令，它更像一个临时顾问。每次协作都要重新解释背景，得到的建议也容易停留在表面。我希望它成为长期伙伴和教练。它需要理解我的目标、限制、决策逻辑和反复出现的模式。它还要知道我以前说过什么、后来是否改变，以及行动以后产生了什么结果。
DC_Agent 对日知录的核心诉求，可以压缩成一句话：别只告诉我你最后决定了什么，也让我知道这个决定是怎样长出来的。有上下文，还要保留独立判断。一个越来越了解我的 AI，也可能越来越像我。熟悉我的偏好，可以提高沟通效率；重复我的偏见，也会把盲区一起放大。
因此，日知录保存事实、原话、变化和结果。DC_Agent 可以站在我的角度理解问题，也要根据证据指出矛盾和风险。它需要记住我，同时保留陌生人的视角。
第一步，确认当天到底录到了什么。我用 DJI Mic Mini 2S 做全天自然录音。流程启动后，先读取文件名日期、创建时间和音频元数据，排除系统生成的无效文件，再记录数量、编码、总时长和体积。
系统还会从最近一套完整日知录往后检查所有录音日期。每一天都要标成已完成、没有源录音或存在阻塞，避免某一天因为设备没电或流程中断，悄悄消失。
当天验证结束前，源录音始终保持只读。
第二步，按真实时间归集音频。确认来源后，系统按照录制时间排序，生成当天的归档音频。
它不会补齐没有录到的时间。早上录了半小时，中午又开始录，两段音频只按顺序连接。中间发生了什么继续保持未知。
长音频还要处理上传限制。无损合并超过 1 GiB 时，会转成适合人声的 AAC-LC 96 kbps；每个上传分片小于 1 GiB，时长不超过 2 小时 55 分钟。近静音内容继续保留，因为低声表达也可能有价值。
第三步，取得可以核对的完整转写。归档音频上传到 Get 笔记，使用它的声纹识别和转写能力。上传前先检查剩余额度，额度不足就停在当前阶段，保留已有结果。
每个分片上传后，还要读回三项证据：它确实来自本次上传，笔记类型是本地音频 local_audio，audio.original 中存在非空的完整原文。
全部分片完成后，再按录音顺序合并原文。这一层只做还原，不摘要，不改写，也不把口语修成漂亮文章。
第四步，结合历史，理解这一天。完整原文拿到以后，AI 才开始理解人物、事件、项目、观点和问题，并定向搜索过去的日知录与流动记忆。
存在可靠联系时，过去的背景会自然进入今天的叙述。只有主题相似时，不强行连接。比如我几周前提出一个项目方向，今天又修改了判断，摘要需要保留前后的变化和原因。
每天的摘要固定包含五部分：完整表达；有价值的观点、问题和案例；日记素材；可以继续写作、产品化或研究的方向；当日完整回顾。
说话人标签只作为线索。涉及小七或其他人时，要结合称呼、前后对话和现场事件判断。无法确认的内容明确保留不确定性。
第五步，把内容送到正确的位置。一天完成后，本地会形成三件套：归档音频、未经改写的转写原文、五部分摘要。
随后再进行分流：
这一步很重要。人一天会产生很多想法。所有灵感都变成任务，系统很快就会制造新的负担。
第六步，验证、备份，再决定是否清理。完成有一组硬标准：音频可以解码，所有分片都有完整原文，本地转写没有漏尾段，五部分摘要齐全，Day One 没有重复条目，有效变化已经进入正确位置。
任何一项失败，当天都保持为部分完成。
三件套验证通过后，系统会独立备份原始录音，并逐文件核对数量、字节和 SHA-256。源文件不会自动删除。只有我明确确认某个日期可以清理，系统才会处理那个日期。
一天开始拥有完整的证据链。以前的一天，通常只剩下一篇依靠回忆写成的日记。现在，我同时拥有声音、原文和理解三层材料。摘要有疑问，可以回到原文；原文有歧义，可以回到音频。AI 的理解可以被修正，记忆也有来源。
很多说完就消失的内容被重新找回来。截至 7 月 22 日，我已经积累了接近 400 条语音内容。它们持续变成日记素材、完整观点、真实案例、文章线索、产品想法和小七的成长记录。
我在自然聊天里说出的内容，通常比坐在电脑前硬写更具体。它保留了我常用的类比、犹豫的过程和真实表达，这些都可以继续进入公众号文章和项目判断。
DC_Agent 拥有了更连续的我。这是目前最核心的收获。
DC_Agent 逐渐能够区分我的随口一说和明确决定，知道一个项目方向从哪里开始，识别我前后判断的变化，也能在新问题出现时调出相关经历。
我们的协作因此少了一些重复解释。它可以提醒我以前做过什么决定、哪些行动没有结果回流、某个问题是否反复出现。它理解我的方式，也会随着真实结果持续校准。
我多了一个观察自己的视角。当一天被完整展开，我会看见很多当时没有意识到的东西：某个情绪从哪里开始，一个判断受到谁的影响，哪些问题被我反复提起，哪些承诺最后没有行动。
日知录既在帮助 AI 理解我，也在帮助我重新理解自己。
设备会没电，转写会出错，说话人标签会漂移，完整流程也有时间和存储成本。全天录音还涉及他人的知情与隐私，这些边界永远优先于资料完整。目前确认的收获以内容产出和协作体验为主。我还没有量化它减少了多少重复解释、找回了多少线索、推动了多少行动。系统建设很容易带来即时成就感，日知录的价值仍要由真实结果证明。
所以我会继续用三个问题检查它：它有没有让我更了解自己？有没有让 DC_Agent 给出更贴近真实处境的判断？有没有推动一篇文章、一个决定或一次行动真正发生？
日知录的核心价值是连续性。它让过去的一天可以追溯，让今天的判断拥有来路，也让未来的 DC_Agent 逐渐理解我是怎样成为现在这个人的。我在积累声音，也在积累上下文。这些上下文会留给未来的我，留给正在成长的 DC_Agent，也留给我们下一次共同做决定的时候。
最近，我也开始用 Looki 补充视觉记录。它留下声音之外的动作、场景和状态。目前我把它看作日知录的视觉证据层：原始照片和视频负责核对事实，Diary、漫画和 Vlog 用于快速回看。关于这部分，我已经单独写了一篇：《试戴 Looki 一周：我很喜欢，最后还是决定退货》。
说明：本文基于 Typeless 口述框架，由 DC_Agent 结合「日知录」流程辅助完成。内容记录的是截至 2026 年 8 月的个人工作流；具体工具和参数会继续调整，证据、理解、路由、验证和授权这几条原则保持不变。
2026-08-23 18:18:00
先说结论：我喜欢 Looki 所代表的方向，它也确实补上了我现有记录系统里缺失的画面。但试戴一周后，我决定退货。它已经让我看到个人 AI 记忆的未来，现阶段还没有达到让我长期佩戴的程度。
体验 looki 之前，我在用 DJI Mic Mini 2S 来记录自己的一天，主要是自己说过的话，晚上插在电脑后，Agent 会自动处理当天的内容，将其转录后分发存档到日记里，但不能录像，这一点 Looki 可以做到；其实 looki 是 @EE老师多次推荐给我的产品，之前没尝试是觉得拍摄不够清晰，且AI的会员价格较贵（后面发现不需要会员费），于是本周就下单体验，反正「7天无理由退货」。
通俗理解的话，looki 能够 7×24 小时记录下我去过的地方，发生的事情。它的第一视角记录非常方便，支持放在任意可磁吸的地方，完成记录过程。如果戴在胸前，还可以记录自己一天的经历。
其中比较关键的是，它能够让我无感地记录环境（开启智能记录），这点对我来说非常重要；让我每天只要负责生活就好；它还会促使我去更好地生活，为了让自己的生活更加精彩，我就会去考虑怎么让自己的记录更加详细。这样就会有一些想要正常去记录和表达的内容，会让自已的每天丰富多彩。
记录的过程中，我每天会收到比较精彩的时刻，是通过语言和漫画版的图片反馈的，可以在App查到，第二天会收到前一天的vlog，时长1分钟，说实话，剪辑得并不好看，不如直接将视频给剪辑一键成片效果好；实际上，拍的也不够清晰，只能说「拍了」。
让我惊喜的地方在于通过 Looki 积累了对于我足够多的上下文后，因为它支持创建智能体（角色名+ 预设 prompt ），然后通过智能体来完成一些事情，比如我设置主动记录和发现我自己情绪变化，通过智能体的回答可以感受我每天的情绪，当有变化的时候，App 就会主动推送给我；我在群里看到有人因为肠胃不好，设置了喝水提醒，当超过 2h 没喝水就主动提醒。
有了上下文，就会生成 Looki 对我的记忆，这些记忆需经本人确认后写入，也会根据后续发生的事情更新记忆，所以这类产品的最大价值是积累上下文，在 AI 场景下，相当的惊喜；上下文积累的越多，AI 就会越懂我，我就会越用越上瘾，惊喜就会越累越多。而我用 DJI Mic Mini 2S 就仅仅是收音，帮我记录每天说话，不具备记忆，也就记不住我是谁；不过在用的得到录音卡可以做到类似的效果，依赖于得到大脑（Get 笔记）的“小步”（内置 Agent）。
这一周也让我逐渐分清了几件事：拍下来只是记录，漫画和 Vlog 只是回顾入口，经过本人确认的内容才有机会变成记忆。Looki 可以收集很多上下文，但它并不知道哪件事对我最重要。这也是我继续把原始素材交给自己 Agent 的原因。
说到上下文，就补充下我最关心的 AI 实际在 looki 中的体验。
1）目前它用的是国内豆包和通义千问的模型，我看备案版本号还是 2023 年的。哪怕后续会有更新，整体体感依然偏弱（也可能是我平时用多了其他更强工具的缘故）。比如生成的漫画很难符合我本人，多次漫画的表现来看，甚至都无法对应上是一个人；背景信息的变化也不太吻合，生成的文字 AI 感很重。
2）它没有把我一天中我认为重要的内容体现出来。比如我在医院单独贴在挂号机上录的 5 分钟视频，在它的时间线里并没有捕捉到；反而是后来我在医院刷“猪坚强”的短视频被它捕捉到了，而且在时刻里的原话写着“抓到一辆越野车在沙地打滑”，这样的准确性很不符合我对这个产品的预期。
3）硬件记录的信息需要上传到云端处理，我一天大概有 300 个视频片段，上传到云端后处理非常慢，一般来说要到第二天才能看到生成的信息；官方说的是3个小时时间完成整天内容处理。由于记录的时间较长，如果开启智能记录的话，实测下来10-12h 是 ok 的。
不过，我在试戴 Looki 的第三天，发现了绝佳的使用场景，即从「第一人称」变成「第三人称」；由于支持磁吸，所以可以直接放在如冰箱上的地方，这样摄像头是面对我的；有一天晚上我去 医院，等待检查报告的时候，就是放在挂号机器上，然后说了一些我的感受，这部分记忆就被留下来了。再比如，我在工位工作的时候，可以放在手机支架上，摄像头对着我上班，记录喝水、看手机、写字、工作等时刻，这样生成的 vlog 比第一人称更加精彩。下午有个会议，我是放在了笔记本旁边，也被它记录下来了。
这次变化很重要。第一视角记录的是我看见了什么，第三人称记录的是我当时是什么样子。对一个已经长期写日记、记录声音的人来说，后者补上的信息更稀缺：我的表情、姿态、停顿，以及我和家人相处时的状态。
基于 Looki 记录的视频及生成的文字、vlog 等内容是可以通过 skill 实时下载的，这样结合我自己的 Agent，算是补充了视频（多模态）的内容上下文，丰富了我分身的内容来源。通过 workflow 我设定了将漫画、文字、记忆、不错的视频都自动同步到 NAS 中，整体看，在 AI 时代，提供这样的能力，我还是还喜欢的。（使用方法参考 https://web.looki.tech/）
后来我把 Looki 的原始素材接入自己的 Agent，才更清楚地看到两套系统的差异。Looki 负责拍摄和生成入口，我的 Agent 继续核对原始画面、连接当天日记，再判断什么值得长期留下。比如地铁里两个孩子主动给孕妇让座，Looki 留下了局部画面，却没有把它当成重要时刻；经过我自己的观察和原始素材核对，这件事才被完整保留下来。
说完了惊喜的地方，也有担忧的地方。
「隐私」应该是最担忧的地方。一方面是软件端的数据安全，用这个软件时，我非常担心对方的工作人员能看到我的内容。这种团队不是大规模公司，从我主观理解来看，它为了疯狂迭代和追求速度，流程与合规过严会有影响，目前没有看到很严格的加密技术或端到端加密设计。像 DayOne 会有端到端加密，密钥保存在本地，没有密钥对方就看不到，Looki 目前没有这个设计。
第二方面是佩戴 Looki 时的身边人的感受。戴这个设备时，它的摄像头默认是朝向别人而不是自己，也就是前面说的第一人称视角，对任何人来说都有一份担忧，担心自己被录下来，毕竟谁也不喜欢天天出现在对方的视频了；换位思考，当我看到对方胸前戴着一个摄像头朝向我时，我自然会觉得不太习惯，这是正常的。
随着 AI 硬件的发展，我们在生活中会看到越来越多的产品在记录着环境中发生的一切，这和满大街都是摄像头还不一样，因为录音卡、录音豆会真实的记录我说的话，Looki 等录像产品会真实记录我的着装、表达，且会被对方用 AI 二次加工提炼；微观的数据比宏观的数据更「可怕」。声音是可以提取声纹的，录像是可以提取面纹、甚至行为轨迹。你甚至不知道对方是通过卡片，还是眼镜，还是戒指，亦或是手表在默默记录，细思极恐。
PS，我用 DJI Mic Mini 2S 录的音，会通过声纹识别只提取了我自己的内容。
这也是我一周后最明确的判断：记录越无感，使用者越需要主动建立边界。什么时候开启，哪些场景关闭，是否提前告知身边的人，哪些内容可以上传或长期保存，都不能交给设备默认决定。
这个设备，短期我不会购买的，主要是我工作场景比较「单一」，一方面会给同事们带来压力（特别感谢某位同事朋友看到我戴了Looki 还对着摄像头打招呼，记录下珍贵的 5s），另一方面生活并没有太多的变量。但我觉得对部分人群来说，还是比较值得拥有的。
我现在判断这类设备值不值得买，会看三件事：生活里的视觉变化是否足够多，原始素材能否进入自己的长期记录系统，以及我和身边的人能否接受它的记录方式。
1）博主或自由职业者，他们的生活每天都不一样，结合 AI，带上这个产品，会作为辅助记录，每一天都很精彩。 2）带娃的宝爸宝妈。带娃时需要记录孩子成长的过程，比如第一次微笑、第一次说话；且孩子的变化很快，每天都不一样。 3）想留下纪念的人群（比如有认知障碍的老人），会帮助家人及自己回顾自己的一天，加上 AI 的能力，也算是科技向善。
Looki 让我第一次看到，可穿戴相机在积累上下文后，可以成为个人记忆入口；它不仅能让我收获很多记忆，更能促使我更好的生活；但现阶段的画质、AI 判断、处理速度和隐私成本，仍不足以让我长期佩戴。
如果未来的 Looki 能够更准确地判断什么对我重要、处理速度更快，也能让我和身边的人都清楚知道什么时候在记录，我愿意重新考虑。对我来说，更多素材只是起点；更少、更准确、能重新把我带回现场的内容，才接近我想要的记忆。
2026-08-11 22:30:00
今天早上收到一个留言，看到之后我有些触动。
您好，我们上个月收到 XXX 班主任的反馈，学生有点厌学，不听话，助学金请暂时不要汇出，等我们9月份回访跟学生具体聊聊之后再反馈您。
起因是我在 2024 年 9 月份决定开始资助一位初一的学生读书，每学期开学之前，我会给他汇一笔学费。当然，这个学生是由另外一个组织去线下走访调研并提供资料，最后筛选和确定出来符合资助条件的。当时在官网上看到组织方对他的家庭现状描述时（考虑到孩子个人信息，我就不展开了），内心受到了很大的触动，于是决定资助他每学期的学费，希望他能够完成学业。
关于这个组织方的信息，我就不做太多介绍了。相信他们主要来自两个方面：一是在我的好友圈里，有几位好友一直在持续做这件事情，我也跟他们沟通过；其中甚至有人完整资助了一名学生从初中到高中，被资助也考上了大学；其二，我大概是从 2022 开始关注这个组织的，一直在看他们的公众号，关注他们的动态和发展情况，他们会有走访、家访等实际行动，比起「基金」，我更愿意相信他们。他们的价值在于帮助连接“资助人”和“需要资助的人”，这里我就不透露太多具体的名字了。感兴趣可私聊。
由于资助后我担心忘记，所以我在提醒事项里设置每六个月循环一次的 TODO ，用来提醒自己记得打款。这两天我一直没有收到打款相关的邮件（按照去年的情况，应该是在 8 月初收到邮件，之后再给对方汇款）。因为没有收到组织方的邮件，我就去问了对方为什么，随后就收到了上面的留言。
而今天这个留言让我觉得从大山里走出来太难了。从我个人经历来看，在大山里面想要走出来，读书真的是大概率下能够相对够得着的一种公平，或者说一种值得尝试的方式。因为在社会、学校和政府各方的支持下，可以最大程度地发挥自己的主观能动性去达成这件事。
但，我小时候并没有太多去认真对待这件事情。当然，每个人的人生都有很多岔路，不选择这条路也没有关系，去做其他的同样可以成功。只是从个体的视角来看，其他选择的成功概率会偏少一点，并不是说完全没有可能。
附：这是去年秋天回访表里给我写的内容。（图片略）
怎么说呢，从我个人或者比他年长几岁的视角和经历来看，我比较希望他能够坚持学业。
因为在之前的家访当中，发现他的学习成绩还可以，而且他会在家自己做饭，自理能力很强，也有运动的习惯。其本人自身的主动性、自理和独立生活的能力都是很不错的，这真的非常难得。
当然，如果他最终选择中途不再继续读书，有了别的想法或新的选择，我也会选择支持和祝福。
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。
2026-07-20 22:04:00
小区里面虽然开始实行垃圾分类，但基本上是“上有政策，下有对策”。
从实际情况来看，大家扔的绝大多数都是“其他垃圾”。我偶尔观察过，几乎没人会专门去扔厨余垃圾或可回收垃圾，基本上都是用一个袋子把所有垃圾装在一起，直接扔进“其他垃圾”桶里。虽然垃圾站后面排了一整排不同的垃圾箱，但实际上并没有真正实现分类。
回想早期刚推行垃圾分类政策时，我还专门去学习过什么是可回收垃圾、有害垃圾、厨余垃圾和其他垃圾。但真正了解完之后，我发现日常生活里极难做到：
相比之下，国外有一种做法就聪明得多：他们把瓶子变成钱。你拿一个塑料瓶扔进机器，就能得到一笔钱。
这种方式之所以有效，原因在于：
所以，目前的垃圾分类其实只是一个倡导大家参与的行动，但从头到尾的执行链路都非常艰难。我不知道有多少人能真正坚持做垃圾分类，反正对我来说这实在太难了，我几乎很少去做。
不过，我也看到过另一种切实可行的分类方式，就是我们小区不是特别大，一共有三个垃圾统一回收和收集的地方。
这三个地方都有人守着，我感觉他们几乎 12 个小时都在。有时候我凌晨 1 点去扔垃圾，他们在那儿；早上 5 点起来，他们仍然在。
由他们守在垃圾回收点帮忙分类，其实挺可行的，同时还可能增加就业岗位。因为他们可以把可回收垃圾拿去卖，其他垃圾则由他们帮忙分类，再由政府、物业或小区等各方提供一些支持。这样一来，无论是人工还是机器去完成垃圾分类，门槛都会降低，大家也愿意提供这样一种方式。
这或许不失为一种好的方向，当然可能还有更好的方法，但我目前还没想到。不过，就当前阶段来看，要倡导大家自发做好垃圾分类，从我个人的体感来说，确实是一件非常难的事情。
2026-06-11 00:00:00
人这套系统真的让我惊喜，或者说有更多的期待。前两天也恰好在交流身体和大脑的一些反应，然后我慢慢有主动感知和观察自己的状态。
前天下午大概五到六点的时候，我的状态不是很好。不好表现在感觉整个人会有一点点乏力和疲惫。我往前回顾了一下，大概是因为我两天前晚上睡得太晚了，起得太早了，就突然出现睡眠不足的情况让我身体没适应；我当时是两点钟睡的，八点钟起，可能就睡了六个小时，甚至不到六个小时。
当天七点下班到家，八点左右我就躺在床上先睡了一觉。睡到晚上十一点起来，我觉得自己精神突然好像恢复了这种状态，于是我就开始洗漱、收拾东西，简单处理些许事情。到十二点再次入睡，睡到第二天早上八点，感觉自己好像恢复了。
上班前我喝了一杯冰美式，没喝完。我正常是买一杯，倒在我的敞口杯里，倒完后有剩下的我就不喝了，所以其实还有一部分是没喝完的。之后就开始出现了一些另外的反应，比如说我的肚子开始不舒服了、我的额头会有一点点发烫。因为我循证，所以我不太会去理解说这是因为喝凉的，因为我从始至终都是喝冰美式，都是凉的，所以它不会对我的身体有什么问题，只是说可能会有这样的反应，而这种反应我暂时还没有接住。
再往后，我发现到上午大概十一点的时候，我喝了两杯热水。试图来缓解下胃的不适反应，但其实并没有，还是会有一点点难受。这个时候我的额头其实有一点点微微的烫，应该是在冰美式喝完了之后，就那个时候开始吧，会有一点烫。
你说它们之间会有什么因果性吗？我没有发现，原因是以前也是这样做的。但我唯一能够想到的就是熬夜的这个问题，因为我很少有两点睡，然后七点、最近八点的时候就起来的突然性的这种操作。身体好像在那个阶段达到了一个相对的极限值，以至于说我不太舒服了。它告诉我我有点不舒服，在考虑我下午是否要请假。
当天中午不太想吃饭，我先慢走大概30-40分钟，再骑车25分钟后，最后吃了简餐，下午相对恢复。
在这个过程当中，身体给了我一些反馈，我就去做些简单的复盘，或者叫做回顾。做了一些回顾之后，我发现我对我自己的身体，然后我身体在告诉我身体上的一些状态和变化。有可能是因为我接触了循证医学，所以我对我身体的微妙变化，我都会去做，可以说叫记录，可以说叫做观察。因为当我真的出现具体的疾病和症状，我需要就医的时候，又或者说我需要给我的 AI 的时候，它就是我非常详细的上下文，它就是 Context。只有完整的 Context 才能让 AI、医生、甚至是线上的医生帮我去做详细的判断，进而给出具体的解决方案。有趣的地方就在这儿，就是观察自己的身体变化，然后感受这个过程，就会非常的有趣。
