微调

我把7年的感情、9万多条聊天记录交给了大模型。 最初想让它判断谁对谁错。后来我改了任务—— 别判案，去理解这两个人，然后写成一本书。 AI第一次不只是工具，更像一面镜子。 我把它公开，希望除了让人发现"原来AI还能这样玩"，也让更多人重新思考： 我们究竟该怎样爱一个人，才能让一段关系走得更远。

当 AI 从工具变成协作系统｜我的 AI 使用周记 001

统计时间：2026 年 9 月 5 日—9 月 12 日 这一周，我把 AI 用在了金融事务、产品开发、学习、内容创作、个人管理和日常生活中。 这些事情表面上很分散：整理一项金融争议、完成研究报告、优化个人网站、制作家庭 AI 教育文档、学习 AI 原生开发、设计口才训练、管理冰箱食材…… 真正把它们连起来的，是我开始让 AI 进入完整过程：整理证据、校验计算、维护状态、指出不确定性，再把分析变成一个可以执行的下一步。 工作：让 AI 进入真实问题 在一项真实的消费金融争议中，我让 AI 承担了类似案件项目经理的角色。 它把沟通记录、合同条款、还款数据、证据目录和后续行动整理到一条时间线上，还帮助我比较不同处理方案需要满足的证据条件。 这次最有价值的地方，是 AI 没有只给出一个看起来很有吸引力的结论。它把可能的方案拆成事实基础、计算口径、证据门槛和不确定之处，帮助我选择更克制、更容易验证的下一步。 我还尝试让 AI 从多张借款截图中建立总账。它可以完成总量核对，但无法把所有累计还款准确分配到每一笔借据。于是我们明确区分了准确值、估算值和待核实数据。 这让我形成了一个越来越明确的判断： AI 算出一个数字并不困难，真正重要的是它能不能告诉我，这个数字的边界在哪里。 本周还完成了一份科技金融研究报告和一份 19 页的产品成熟度分析，将技术、产品、市场和采用情况放在同一个框架下观察。个人网站的新首页也已上线，桌面端完成验收，手机实机效果仍需继续检查。 产品与创作：从生成内容走向真实交付 这一周，我完成了两份面向普通家庭的 AI 教育文档，其中《思维训练营——家长指导手册》已经在闲鱼上架，定价 19.9 元。 这件事的意义不只是一份文档完成了。它把一条完整链路跑了出来： 研究问题 → 形成内容 → 制作正式产品 → 上架接受真实市场反馈。 我还完成了词汇学习引擎 VLE，用来深入学习任何词汇；并用十个真实任务测试自己的表达引擎，把它推进到 v0.2。 在测试中，我逐渐确认：表达不能只套固定模板。还要先判断谁在对谁说、发生了什么、为什么表达、通过什么媒介表达。这个模型目前继续放在真实项目中使用，等积累足够多的失败案例后，再考虑封装成通用技能。 学习：把书本概念放进真实项目 本周继续学习 AI 原生软件开发生命周期。我没有只读概念，而是把正在开发的个人系统当作案例，追问一个现实问题： 为什么代码已经写了不少，软件仍然“不 work”？ 我得到的认识是：编码速度提高，并不代表软件交付速度同步提高。计划、设计、验证、部署和用户反馈中的最慢环节，仍然决定整个系统的速度。 代码正确，也不等于软件正确。当一个产品没有产生真实结果时，需要先判断问题发生在哪一层。 我也继续共读金融运转相关内容，学习现金转换周期、自由现金流、沉没成本和净现值，并把这些概念转化为经营判断。 表达训练方面，我启动了一个 30 天计划：每天用 15 分钟完成跟、诵、背、说。当前有明确记录的是第一天已经开始，后续能否持续，要看实际完成记录。 生活：AI 开始管理小事，也暴露系统缺口 我用购物截图让 AI 整理冰箱库存。过程中发现，只记录包装上的到期日还不够，绿叶菜等生鲜可能没有明确保质期，却更需要优先处理。 因此，冰箱管理增加了两套判断： 有明确日期的食品，按照到期时间提醒。 没有明确日期的生鲜，按照新鲜度和建议食用窗口提醒。 AI 还根据现有食材给出了十分钟左右可以完成的清库存做法。聊天记录里没有确认我是否真的照着做了，所以这只能算行动建议，不能算饮食改善成果。 我还完成了 Habitat OS 的基本框架，把居住空间理解为“人、物品、行为和环境”共同构成的系统；同时建立了个人数字资产清单 v0.1，开始区分哪些网站已经上线、哪些只有代码、哪些只是历史原型。 这两件事让我看到：我的数字资产增长速度，已经开始超过自己的治理速度。 本周没有写成成果的部分 运动方面，本周提出过运动器械教程图和公开水域体验等想法，但缺少实际训练完成记录。 AI 很容易把一个想法扩展成完整方案，也很容易让计划看起来像已经发生。今后的周记需要把“生成了方案”和“真的执行了”分开记录。 这一周留下的三个认识 第一，AI 的价值正在从回答问题转向管理连续过程。它开始参与证据、状态、决策和交付。 第二，主动标记不确定性，比给出一个漂亮而确定的答案更重要。 第三，AI 可以帮助我建立系统，但系统是否有效，仍然要由现实结果验证：页面是否上线、文档是否交付、训练是否完成、外部事项是否真正推进。 下一周，我会继续记录 30 天口才训练，把 AI 原生开发方法应用到一个真实项目，并为每次重要的 AI 使用留下四项内容： 遇到了什么问题、AI 做了什么、实际结果如何、我由此改变了什么判断。 这一周的关键词是“可验证性”。我希望 AI 越来越接近真实生活，也希望自己的记录越来越接近事实。

先定义问题，再选择模型。

AI 时代最稀缺的能力，不是会用工具，而是知道自己要什么。工具负责把路修平，方向得自己选。 这一年的最大参数更新：先定义问题，再选模型；先想清楚要什么，再问怎么用 AI 要。把「更快」换成「更对」，把「别人都在用」换成「我为什么用」。 模型再强，也只是把选择权放大，不是替你选择。工具焦虑的解法从来不在工具里，而在问题里——问题问对了，答案才会自己浮现。

先把内容资产做好，再谈平台发布

内容资产正文 我现在越来越确定，个人智能内容创作的第一步不是自动发帖，而是先把内容资产做好。 所谓内容资产，不是一条为了适应某个平台字符上限而临时压缩出来的句子。它应该包含完整的主题、背景、事实、判断、例子、适用边界和后续行动。只有这些内容先被保存下来，之后才有可能根据不同平台重新组织成短帖、图文、长文、邮件或其他形式。 这也是 PICCS 和 WWM 的分工。PICCS 是个人智能内容创作系统，负责把个人的选题、观点、经历和表达方式沉淀为可追溯的内容资产；WWM 是内容生产引擎，负责采集、追问、编译、审核和复盘。平台只是后续的分发出口，不应该反过来决定创作时能不能完整表达。 今天从 PFOS 的资料里看到两个很好的例子。知识库规范要求把原始证据、结构化事实、脱敏案例、机构画像、规则与模式、报告与产品规范分层保存，并且记录来源、主体、时间、隐私、冲突和版本关系。这说明，内容生产和知识治理其实共享同一个底层原则：先区分不同性质的信息，再决定它能被怎样复用。 另一个例子是个人贷款综合融资成本明示。已经登记的一手监管规则要求按规定展示综合融资成本，但这不等于全国所有贷款统一执行某个利率上限，也不等于存量债务自动减免。再比如“四倍 LPR”，司法文件提供的是民间借贷规则的适用边界，不能不区分主体、合同和案件类型，直接套到所有持牌金融机构贷款上。 这些事实不应该被压缩成一个脱离来源的“结论”。更好的内容生产方式，是把来源、事实、个人判断和平台版本分成四层：来源层回答“依据是什么”，事实层回答“原文明确支持什么”，判断层回答“我如何理解”，平台层回答“怎样让特定读者看懂”。这样既能保留完整思考，也能避免把媒体摘要、内部推理或平台格式误写成事实和本人立场。 所以，PICCS 的自动化不是替本人发明观点，也不是把所有内容自动发布出去。自动化真正解决的是整理、连接、改写和复盘的效率；内容是否属于本人，取决于立场有没有真实来源，事实有没有证据，边界有没有被保留。先把 canonical 内容资产做好，再谈平台适配和发布，这是我现在更愿意坚持的顺序。 事实与来源 知识资产分层：来自本人 PFOS / DNOS 项目的知识治理规范，属于项目内部规范，不是外部监管规则。 个人贷款综合融资成本明示：依据已登记的一手监管规则与官方答记者问，均为公开可查来源。 “四倍 LPR”适用边界：依据最高人民法院关于民间借贷的司法文件。 以上外部事实仅按来源明确的范围表述；未把综合融资成本明示要求写成统一利率上限，未把四倍 LPR 写成适用于所有个人贷款的规则。