AI浪潮下我的些许变化

今天 (本文写自1月15日晚) 晚饭和朋友吃的，公司对面的春饼，有一段时间没吃了，上一次是某个项目close后和同事吃，一晃大半年了，该项目另一个同事说“在2025年和我至少有8个月是保持沟通”。2025年初，我的工作内容发生了较大的变化，更多的是项目形式展开，围绕的是人。

业务对我来说，没难度；我有点内向，与人交流略显「社恐」，好在逐步放开，特别是熟悉后，我很喜欢和人交流，和不同部门、不同角色甚至是不同业务线的人进行交流，分享工作心得，了解业务模式，沟通生活趣事。

晚饭后出来，我发现墙上有星空墙绘，于是拍了下来并发到「一年四季」群里，拟定主题是「马路边的星空」，它不是把星空画在了墙上，而是把星空藏在墙后面，给我的感觉是在下班路上突然撞见一个裂开的现实：边缘像水泥墙面被撕开、剥落，里面不是钢筋而是深蓝的宇宙。城市的坚硬外壳之下，藏着更广阔的世界，望你我都好。

这大概是我最近拍的较为喜欢的一张照片。

今天@千古私信我说「哇，你是闪光有灵性的博主，可别辜负了读者们」，并附上了@J.sky的文章，有些意外的惊喜，原来闪光有灵性还可以用在博客上，作为「下里巴人」的我还是第一次见到这样的描述，@J.sky 写技术博客的，居然还能这么用词；既然被提及我就去留言评论「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，争取今年要保持一定频率更新。新年快乐！」，收到了回复「你也该更新点东西了，好久没看到你发博文了。」

挺惭愧的，我确实有很长一段时间（超过1年）没有静心码字，不知道是时间太快，还是效率太高，一切都太匆忙了。我不知道怎么办，AI 充斥着我们的生活，工作各种事情在抢夺我的注意力，家庭里各种事务需逐项处理。我是谁，我在干什么呢？

2025年3月28日，和和@大华交流，拉了三五好友持续在写字的人组了个小群叫「字里行间」，有幸能在群里遇见大家，更幸运的是每天能阅读到大家真诚的分享；我其实不太会运营社群，但字里行间的大家让我发现其实不需要运营，各自成长，各自安好，在想分享的时候来这里唠一唠就好了。如果字里行间有第二个群，一定取名为「见字如画」。

过去1年发生了很多变化，也有一些不变的事情，一起整理下吧。

AI 变得更有用了（甚至好用了）

我一直觉得，一个工具「有用」和「好用」之间隔着很大鸿沟。有用，是它能做事；好用，是它能融进你的生活、融进你的工作流，甚至融进你的情绪里。就像那面“马路边的星空”，我不需要每天去看宇宙，但需要偶尔被提醒：城市的外壳再硬，里面也应该留一点裂缝，留一点余白。

AI 也是这样。

ChatGPT 2022年上线后第三天我就有了账号，当时对Chat的能力很惊讶，居然可以很快的实现我想要的文案，那个时候没有搜索能力，没有文件上传解读能力，更没有现在生成视频、绘图、编码能力。还是感到很惊喜。如今的AI早也不是三年的版本了，它的升级和迭代让我逐步变得有用，甚至好用了。

我非AI科班技术出身，AI三要素算法、算力和数据我甚至无法完全参透，应用层的内容足够我消化了。@余一说的好，「技术课时不时需要补一下，用来摩擦一下脑子」；对AI的理解和运用我主要集中在三个方面：Chat、知识库 和 Agent，再加一个 Coding。重心早就从 Chat 逐步过渡到知识库，现在过渡到 Agent了。Coding 是优化自己工作流的一种方式，或者是基础能力，因为具备了这个能力，就能让AI更好用。

上面这段是我用 AI的重心变化：Chat → 知识库 → Agent，Coding 是基建（最近沉迷）。

• Chat 解决的是“问与答”，是任务；
• 知识库解决的是“我的”，是个性化；
• Agent 解决的是“替我做”，是项目；
• Coding 解决的是“我能把这一切串起来”。

Chat不是下命令，而是共建上下文

Chat 就是借助大模型的对话界面完成工作或者获取答案，包括但不限于问答、文档处理、代码生成、图片生成、深度研究等。要用好这部分，我有两个经验：理解上下文和向LLM存储自己的记忆。
与 AI 对话需要先有输入，再有输出；这又不得不感叹一句：Token 真是个伟大的「发明」，它明确告诉我们输入和输出都应该有成本。哪怕是一句简单的问候，都应该有消耗。

我越来越接受一个事实：输入，是一种责任。你想让 AI 输出高质量，就得先把问题讲清楚。讲清楚不是长，而是颗粒度合适。颗粒度太粗，AI 就只能泛泛而谈，颗粒度太细，你自己又会陷在细节里，像把自己困在一个无限递归的 prompt 里。

而与 AI 的对话需要注重上下文的完整性，什么是完整性呢？换个角度理解，我们不能把 AI 当员工，而是当做合作伙伴。针对员工，我们的沟通方法是什么？下指令、下命令，而针对合作伙伴，我们需要进行同频的对话。只有这样，你的合作伙伴才会给你专业的建议；加上 AI 是预训练的结果，只有信息更聚焦，回答才会更符合你的需求。

我自己很经常犯的的错误是：我以为我讲清楚了，其实没有。尤其是工作里，脑子已经被各种群消息切碎了，你很难在输入的那一刻保持完整的叙事。所以我后来给自己加了一些预设：在提问之前先写三行。不是为了写得好看，而是为了把心里那团毛线扯出来一个线头出来。

我提问的 prompt 思路大概是这样： 1）我现在处于什么状态（背景）？ 2）我想要得到什么结果（目标）？ 3）我能提供什么材料（约束/输入）？ 4）还有什么需要我补充？

我发现这样提问，其实已经把自己说服了一半，AI 帮我补完另一半。

让 AI 记住我，也要防止我被自己的记忆困住

第二个是我们和AI的对话交流，一定要形成自己的风格，让AI去记住我们的这部分内容，这个在大模型里面叫做记忆。目前都有这样的能力，比如Gemini、ChatGPT 等，只有充分利用这样的能力，后续的对话才需要减少很多的解释成本，当然这里我也是有矛盾的。

一方面，我很享受被理解，一点就通，当 AI 越来越懂我们的时候，也是我们越来越方便的时候；另一方面，我也会担心这是不是另一种信息茧房？

当然我们也要重视，这样会让我们自己陷入信息茧房或者自己的框架，难以被突破。目前的解决方案就是我们用两个大模型的账号，同样的需求或者比较重要的需求，通过一个有记忆和一个没记忆的窗口（或者最近在用 alma 类chatbot应用也可）进行对话。我们拿到的结果可能是不一样的，这也是针对记忆的一种使用方法。

• 有记忆的窗口：像一个长期合伙人，知道你是谁、你爱什么、你讨厌什么，效率高。
• 没记忆的窗口：像一个陌生顾问，不迁就你，会更容易给出你不想听但可能正确的提醒。

我后来还给这件事加了一个小原则：重要决策，至少做一次去记忆化。否则，你会越来越像你自己。这句话听起来很正确，但其实挺可怕的。因为你自己未必总是对的，我也更加需要相对中立的答案。

选适合自己场景的模型

我们在用大模型的时候，会出现一个问题，他的回答不太能够解决我当前的需要，除了前面提到的上下文之外，还有一个是大模型的选择，哪怕是不同版本同样的大模型产品，它的不同版本对应回答的结果一定是不一样的。有的推理能力强，比如 Gemini 3.0 pro。根据我们的问题，也就是息息相关的上下文，加上大模型的选择，是我们去用好这样的一种对话方式，这是我认为比较两个重要的经验。

有的模型像理工男，逻辑扎实，但不太会照顾你的情绪；有的模型像文科生，表达漂亮，但你得帮它把结构拎出来；有的模型像老练 PM，会给你一个看起来合理的方案，但你要追问它：这方案的边界是什么？代价是什么？风险是什么？说到底，还是一样的逻辑：工具没有对错，只有匹配。

我从 2025 年下半年后开始以 Gemini 为主，一个是模型能力，另一个是 Google 生态。我可以在 Gemini 对话框针对 Google drive 某个文件或者 NotebookLM 某个知识库进行提问，效率很高了。

ChatGPT、Claude、豆包也在用，具体要看场景了。

AI 变好用的秘诀是持续 Coding

AI 变得好用了，Coding 的发展功不可没，特别是 Claude Code。在过去的半年，我用AI Coding 实现了很多的小工具。当然它可能没有发布，更多的是解决和优化我自己当前的工作流。所以在这个当中，它更像是我们去成为一种基础设施，一种基建的能力。后面我们的工作台可能是建立在Coding的基础之上，甚至有可能每个人的工作流都不一样，它的解决方案也不同。 我很喜欢基建这个词。基建不是炫技，是为了让你以后走路更顺。

这里我的经验是，不要把Coding 当作是一个编码工具，或者是程序员的工具，它更像是我们通过自己的输入或者自己当前阶段遇到的问题与Coding 这样的工具去找到解法，让它们给我提供相对比较可行的解决方案，并且这个方案是可以跑得通的，是可以实在解决我们的问题的。如果它不能解决或者遇到的问题，我们可以继续向它进行沟通，直到这个问题被解决为止。

或者说的更通俗点：Coding 是我和世界谈判的方式。当世界不给我一个顺手的工具，我就自己做一个，哪怕是个丑陋的小脚本，只要能跑通，就有价值。编程即写作，写作是项目，编程亦如此。最近读到一段关于编程的观点，即「编程应该是一种流畅的表达形式，就像写作一样」。

这让我想起自己最近折腾的一些小东西，无论是为了解决飞书多维表格同步问题去写插件 ，还是批量处理 ePub，为 pdf 或者 MD ，本质上，我并不是为了成为一名专业的程序员，而是通过对 AI 表达我的需求，解决我的问题。

语法只是标点，项目才是故事

语法只是标点，项目才是故事。我们在学习写作时，肯定不会只盯着拼写、语法和标点符号死磕。学会了所有的汉字，不代表能写出一篇好文章；同样的，仅仅学会编程的语法，也不代表你能做出一个好的产品。写作的核心是讲故事，是交流想法；编程的核心，是逻辑的表达，是价值的创造。

如果你只是为了学习语法而去挑战一个个孤立的算法题，那就像是为了学写作而去背字典，枯燥且很难产生心流。这也是为什么很多人（包括曾经的我）在入门编程时容易放弃的原因，我们太在意标点符号是否正确，而忘记了我们要讲一个什么故事。

我以前也会被标准答案绑架。后来我发现，写作和编程最像的一点是：你必须允许自己先写出一版很差的东西。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

什么是「项目」？项目是一项独特的、临时性的任务。它有三个关键要素：

• 明确的起止日期： 给自己一个 Deadline。
• 具体目标： 比如我要做一个能自动抓取新闻的机器人，而不是我要学会 Python。
• 创造价值： 这个东西做出来，得有用，哪怕只对自己有用。

同时还可以增加反馈的机制。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，很难变好。所以我在做小工具的时候，会刻意给自己设计反馈点：

• 今天它帮我省了几分钟🤔
• 它帮我挣多少钱🤔

这些反馈很小，但它们会累积，形成一种我在掌控的感觉。那种感觉很重要，它能对抗我的焦虑。

痛苦的过程是发现需求的时候

之前在即刻分享过，为了解决「把网页变成电子书」这个需求，我和 @大华Dahua 交流并尝试了 Epubkit 插件 。这就是一个典型微行项目。在这个过程中，我们不需要从头学习电子书的编码规范，具体参数怎么用，我只需要知道工具怎么用，流程怎么跑通。在做项目的过程中遇到的问题，才是真正属于你的知识。 这种以项目为本的方法，是达到构建基建的学习方式。

现在，我们有 Cursor，有 Gemini。它们就像是全知全能的程序员，帮我们修正了所有的拼写错误和语法漏洞。这反而让项目制思维变得更加重要。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。

之前看到一篇文章，写到「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的时候，大家会深刻体会到一个道理：大部分想法都是不靠谱的。」 我很认同。因为实现变简单之后，真正稀缺的反而是：你到底要解决什么问题？你愿意为这个问题付出什么代价？这个问题对你来说真的重要吗？

AI 把门槛抹平了，但它也把自我欺骗的成本降低了。你很容易做出一堆看似很厉害、其实没闭环的东西。所以我对自己更苛刻一点：每一个小项目，都要能落在我的生活、工作里。

我们拥有的数字资产越来越多 ，处理信息的能力也需要升级。即便我们大多数人最终不会成为职业的小说家，但学会写作对沟通至关重要；同理，即便我们不以此为生，学会用代码的逻辑去思考，流畅地与机器对话，通过一个个小项目去构建自己的数字世界，这对每个人来说都是一种从不确定性中获益的能力 。

我能想到是去找一个让你感到痛苦的小问题，把它定义为一个项目，然后开始你的写作（编程～AI Coding），你会发现，解决实际问题，远比通过考试更有趣。

从互联网获取答案到从自己身上找答案

用好知识库的前提是，先理解我们的数据分类，一般分为三种，第一种是互联网现在公开的数据，第二种是我和某个组织或者某种方式共同产生的一部分的数据，最后是完全属于我自己的私人的数据，比如我的日记。

针对于这样的情况，我们在和AI的对话当中，只有自己或者跟自己有关的数据生产的内容才能够去帮助我们解决问题。

如果我们全用互联网现在的数据，那我们的回答可能就偏泛，以至于我们没有对我们的信息做二次加工，或者按照我们的需求去做整理。那NotebookLM其实就是这样一个非常优秀的知识库的工具。它让我们在处理内容和方式上变得非常简单，这是我2025年最深度使用的工具。

这段其实讲的是一个很朴素的道理：AI 最擅长的不是知道，而是组织。但它组织什么，取决于你喂给它什么。你喂它互联网，它给你互联网平均值；你喂它你的材料，它才可能给你你自己的洞察。

知识库我选NotebookLM

我喜欢把知识库当成一个中台而不是一个工具。工具是点状的：我用一下，解决一个问题就走。中台是系统的：我把信息沉淀进去，以后每次都能复用，还能产生新的连接，建立新的关系。

我很喜欢这种闭环感：读取 → 整理 → 输出 → 回写 → 再被读取。当你的系统能自循环时，你的精力就能从搬运解放出来，去做更有价值的事，比如判断、决策、沟通、创作。

比如，我在 YouTube 上收集了很多关于项目管理、创业、运营、商业相关的案例的视频/访谈，我可以把这些视频建在同一个知识库里面，根据这些知识库的内容去整理这些视频所对应的内容，让它们之间发现更多的联系。

我也将罗永浩的访谈全部导入到指定的知识库，在这个知识库里面，我能够去分析他访谈的对象所有的经历，通过表格、PPT 文档的形式很清晰地看出这些人的相同点和异同点。同样我也可以在这个知识库里面，针对他们进行交叉的提问，分析这些人之间有什么相同点和不同点。他们在面对同样一件事情，或者面对困难的时候，他们自己的反应是怎样的。罗永浩在这些人当中问了哪些问题，都是可以通过知识库来解决的。

我不是在存信息，而是在存关系。关系一旦出现，我就会觉得世界没那么乱了；从我想了解的信息获取关系，也是一种乐趣。

组织内的知识库是管理工具

之前与同事交流知识库的作用，我的观点是「在企业组织内部，知识库不是为一线人员提供服务的，而是服务组织用来定策略的；知识库的本质是“管理工具”，而非“效率工具”」。 这句话有点反常识，但我确实这么想。

比如：公司可以借助知识库洞察销售团队的 Top 特征，将 top 的销售人员抽出来，看看他们的电话、微信聊天记录，分析沟通方法论，在对比分析其他层级的特征进行对比。

但，如果利用知识库给销售提供在线客服的工具，几乎没有太高价值；只能帮助 50 分一下的人尽可能提高平均值。因为真正的成交技巧往往是非结构化的（语气、时机、潜台词），写在文档数据里的都是大路货。 公司的核心痛点不是“让新员工不犯错”（这是底线，也是可以通过机制或者流程来保证的），而是“如何批量复制那个转化率一直都高的 Top Sales”（这是增长）。

为什么“扶持 50 分及以下的人”价值有限？因为 ROI 不划算！

• 如果一个 AI 知识库的目标是把 30 分的人变成 60 分，它确实能做到。但对于企业来说，裁掉 30 分的人，招聘 60 分的人，往往比维护一套庞大的知识库更便宜的把。或者优化招聘流程，提高要求。
• 销售团队通常符合“二八定律”，也就是说 20% 的人贡献 80% 的业绩。服务那 20% 的人（提取他们的智慧），比服务那 80% 的人（给他们喂饭）带来的杠杆效应大得多啊。

那动态来看，未来知识库是不是可以作为动态服务工具，它能自动分析 Top Sales 的录音、聊天记录等信息，发现他们在谈价格前先谈了价值锚点，系统就能自动生成一个新的 SOP 推送给全员。这才算是服务组织，将 Top 的经验进行复用。

我写到这里会想起一个更大的问题：AI 时代，组织会越来越像一个系统，而不是一堆人。系统的核心不是某个岗位，而是信息流和决策链。谁能让信息流更顺，谁就能让组织更快；谁能让决策链更短，谁就能让组织更稳。

Coding 能让知识库动起来

Claude Code 刚出来的时候我并没有多「喜欢」，主要是 「我不熟悉」，特别是对比 Cursor 的操作体验；中间 Claude 推出 MCP 后，我也没用起来，因为我觉得这是给开发者用的服务，而非面向「用户」。

但最近因为 Claude Skills 让我对其大为改观，我甚至开始尝试从零了解 Claude Code。比如在 X 上看到案例是：借助 Skill 实现自动将文件上传到 notebookLM 并自动输出文章，等于将NotebookLM 作为专业的知识库自动化了。

第二个很喜欢的 Skills 是「Superpowers」，它是一个完整开发工作流与技能库，在写代码前先确认项目目标，并分块设计产品及功能，最后再制定可执行的细粒度计划。对于Coding 新手来说，可以极大程度帮助我理清需求，对比之前「一句话的需求描述」更加符合「软件工程」或者「产品研发」流程。

MCP 需要开发者提供，而 Skills 是文档，是一个具象描述工作流或需求的文件而已，自己可以手搓，AI 写的我们也能看懂，安装方便，使用方便，甚至自己还能写几个符合自己需求的 skills，可玩性和实用性都大大提高了。

跑通了 NotebookLM 以后，我又有了一个新的想法，利用 NotebookLM 的能力搭建内容处理中台，比如我司是用石墨、confluence 写文档，各部门还不一样，我用 Claude Code 利用 实现了读取shimo 和confluence 的项目文档，上传至 NotebookLM，最后把我想要处理的结果保存到 confluence 或者石墨当中，这样就完成了内容生成，这样就自动完成了结项报告。

我喜欢 Skills，和人一样，各种技能的组装，就是我们的综合能力。Claude code 让这种能力外化了，或者是具象了，在组织内我们也可以把这样的 Skills 共享出来，让每个人都能调用，那效率就能成倍提升，整体的协作流程就会变得更流程啦。

学习方式可能会翻天覆地

未来的学习可能会发生翻天覆地的变化。所谓翻天覆地的变化是它会改变我们现有的学习方式。现在的学习，我们都是通过视频上课、考试、写作业进行检验，那未来的学习可不可以说让这件事情变得更加游戏化、有趣，甚至我们可以引入我们的世界模型的产品和能力，让学习这个事情变得可视化，互动性更好一些。我觉得是可以做到的，而且它的效率可能会更高。

一个比较微小的感受是，阅读这件事情可能会变得视听效果都很好。当我们看小说，看古诗文的时候，我们不再是一个简单的文字或者文言文，让我们去理解，而是可以通过多模态的能力，让我们去理解这句话，它具体呈现出来是一个什么样的画面、声音，而且跟我们自己所熟悉的环境、熟悉的概念做深度的结合。那是不是也可以呢？

我很期待这种变化，因为它可能会让“学习”从一种压力变成一种体验。但我也会担心：体验越丰富，人越容易上瘾；越上瘾，越难静下心来读一段慢的文字。所以最后还是会回到一个更原始的问题：我们到底在学习什么？

• 是学知识，还是学思考？
• 是学技能，还是学判断？
• 是学方法，还是学自己？

工作内容变化后的碎碎念

我大概很少会在相对公开的场合，比如说博客、社交媒体等等平台上去聊我的工作，因为每个人的工作有很大的特殊性。如果去表达这部分的内容，对别人来说也没有太大的价值。不能说某个人的职场经验在A身上可以用，但在B身上就不能用，为什么呢？因为A的背景、性格、特征，工作环境，岗位职能的要求，对B来说是没有办法完全一致的。常见的一些沟通方式、规范对接，每个公司都有自己的规范。所以我相对比较少去聊这部分的信息。再一个就是我觉得我好像没有这个能力去跟分享这块的内容，整体来说就是比较少。

2025年我发现我的工作内容方向发生变化之后，更多地和人打交道。如前言提及，我发现和人打交道的乐趣在于能从不同岗位和不同方向，他们的目标，他们的出发点，他们的专业诉求去理解他们做这些事情之后，你会发现要想在这个项目本身达成既定的目标是非常困难的。因为彼此之间可能会存在一些视角不同，比如互联网常见的产品、研发和测试，这看起来他们的大目标是项目上线，但他们的工作内容不一样，他们在这个环节当中所负责的事情也不同。在我们工作的其他项目当中，也会有类似的情况，甚至他们之间的视角可能会比产品和研发之间更加突出。作为项目的主导方来说，需要去努力解决和克服这样的困难。在这个过程中，给我的挑战其实还是蛮大的。

而我相比之前通过事情去完成某个项目去串这个项目，和现在通过人通过组织协调沟通对接，去达成项目的积极目标会更加有趣，不是在于去处理这样或者那样的矛盾，而是和人的沟通本身，让我理解到人是这个事情。这个项目达成至关重要的因素，一定不能忽略人的特殊性和人本身的价值。

我越来越相信：项目最终的瓶颈，从来不是工具，而是人。工具的问题，大多可以用时间解决；人的问题，往往要用理解、用耐心、用沟通、用制度去解决。而我过去一年最明显的变化，就是我开始更愿意把时间花在对齐上，而不是推进上。推进是把车推走；对齐是确认大家是不是在同一条路上。

对齐很慢，甚至很烦，但它能减少后续的返工。这也是一种反熵增：你在前面多花一点力气，后面就少一点混乱。（AI 上下文、记忆也是这样）

持续在做的事情

再聊一些不变的东西，不变的东西是我自己对人的乐趣发生了对记录这件事情没有任何的变化，包括记账，包括记日记，到目前为止已经写了1500多天的日记。这些日记是我非常宝贵的产出。我把它喂给了AI，让AI去分析，形成完整的报告，这是我自己了解自己的一个窗口。由于我在日记里面可以不用考虑任何的情感，不用考虑任何的人情世故，我可以随心所欲地写，随心所欲地说，这样的真实性，可能是我唯一的一点做自己的地方。

对信息的获取仍然有自己的标准，重新订阅起了RSS的工具 Inoreader，而不是为了去对抗平台的推荐算法，而是为了保留自己去看、去关注自己想关注的人，他们的动态，他们的作品，这对我来说至关重要。从对事的推理变化到对人的关注的维度之后，我觉得这个世界更加有趣了。

对新事物的好奇一直没发生变化，对AI的好奇，对 Coding的学习和尝试，都是持续在做的事情。

我开始用声音记录了

两周前，我买了得到笔记新出的一个录音卡片的硬件，它可以贴在手机上录下来。

我这一天跟人接触和交流的内容，包括我自己想说的话，并转成文字版，生成摘要以及概览的内容。它成为了我去收集我自己所说话话，是非常重要的信息渠道。而这些收集下来的声音，最后变成文字上传到知识库，也就是notebookLM里面之后，我能发现这样的一些信息，它们之间的关联度。

收集信息让我觉得这件事情是很有价值且必要的。因为它帮助我对抗遗忘。我每天都会写日记，现在我可以通过收集到的这些信息来回顾这一天，我说过哪些话，有什么想法。它的重要性不亚于我每天24小时装个摄像头，但是摄像头的成本很高，且没有这样的场景产品。但是录音是一个非常好的方式。那从延伸的角度来看，我们在和大模型前面提到的一点去对话。针对这样的情况，其实更多的收集，有助于我们去理解自己，了解自己，以及发现一些日常生活当中的问题。

更多的记录和创作，有助于我们更好地认识自己。我很喜欢「对抗遗忘」这四个字。人其实很脆弱，我们以为记住了，其实没有；我们以为理解了，其实只是当时情绪很强烈。等情绪退潮，一切都会变成碎片。而录音这件事的意义在于：它把碎片收集起来，再交给知识库做整理。你会慢慢看到自己行为的模式、表达的模式、情绪的模式，甚至能看到自己的盲区。

比如现在这篇文章，只有80%甚至更大的篇幅，都是通过语音记录转述的。通过语音输入法（闪电说），我可以打开之后，一直说，说完之后它就可以帮我去做记录，转成文字，这是AI时代所带来的很大的便利性。

写到这里，我想到一个画面：在一天很累的晚上，打开了语音输入法/录音开关，说了几分钟。你可能说得乱七八糟，可能重复，可能语气也不够像一篇文章；但我还是说了。这件事本身就很重要。因为表达不是为了证明我有多厉害，而是为了证明：我还活着，我还在观察，我还愿意把那些微小的感受捡起来。这对我来说比“多学一个工具”更有价值。

最后

这么长时间没有写文章，其实不是没写，只是没有把写的内容公开出来，日记我也能写1000字的，哈哈。博客作为一个相对比较有发布门槛的平台，它的操作路径还是有成本的。如果在记录这个过程当中有一个比较大的变化，那就是我更喜欢用语音去记录自己的方式。当然，博客目前是我所有平台里首选，这也是我用RSS去订阅别人的内容出发点。一个活生生的人在更新和表达自己的时候是非常值得尊重和包容的。

下次再见 👋