AI使用实践
AI 应用实践不再按工具品牌堆叠，而是按使用场景组织：
- Chat 与 Research：如何提问、补充上下文、迭代回答和开展研究。
- GEO：让产品信息成为 AI 能看见、读懂、信任和引用的事实，从而进入用户提问时的推荐答案。
- Agent 实践：Agent 的定义、价值、边界、演进阶段和技术抽象。
- 使用商业 AI：商业 AI 工具的获取路径与使用方式：注册订阅、Claude/OpenAI/Gemini 选型、Claude Projects 高效配置、Claude Code 工作流。
- AI Coding：如何使用 Claude Code、Codex 等工具完成真实研发任务。
- 图片生成：图片生成的常见场景、类型和方法。
- 使用 AI：账号订阅、本地模型和 AI 工具使用环境配置。
- Skill：如何把经验、流程和判断标准沉淀成可复用资产。
- LLM Wiki：让 LLM 持续把资料整理为结构化 wiki，作为个人站点的知识编译层。
- AI 中转站：API Gateway 与 Subscription Gateway 两条赛道的开源项目选型，以及 Sub2API 的账号池容量、分层调度和运营边界。
- Sub2API 深度解析：从一次外部请求入手，理解 Sub2API 的鉴权、调度、中转、计费、failover、多实例部署和首次使用路径。
- AI项目：AI Coding 的真实项目案例。
个人 AI 系统
个人 AI 系统首先是一套边界，不只是一个 App。AI 可以成为手脚、感官、助理、编辑、检索器和执行器，但不能成为替自己决定方向的大脑。系统越强，越要明确谁站在系统之外。判断、意义、取舍、人生方向和价值排序必须留在人手里；信息收集、结构化、执行、反例提示和重复劳动可以尽量交给 AI。
这条边界可以用两个问题区分：AI 适合回答"是什么"和"怎么更高效"，人必须回答"为什么值得做"和"我要成为什么样的人"。前者是工具理性，后者是价值理性。AI 把工具理性推到极致之后，人的危险不是效率不够，而是顺手把价值判断也交出去。一个人每件事都能拿到 AI 的答案，却越来越说不清自己到底想要什么，这就是主体性被系统吞掉的状态。
但也不能把"执行可外包"理解成"所有执行都甩给 AI"。很多思考发生在执行里：写文章写不下去，会暴露观点还没想清楚；写代码遇到 bug，会暴露架构假设有问题；做产品收到用户反馈，会改变对需求的理解。那些重复、机械、低反馈的执行适合外包；那些能反过来喂养判断的执行，要保留亲自下场的比例。
个人 AI 系统的输入端应分成两条线。第一条是脉搏输入：行业动态、社交信号、趋势变化、正在发生的事，目标是保持在场感，不与现实脱节。第二条是深潜输入：经典书籍、系统理论、长期有效的知识，目标是建立认知底座。脉搏输入快、碎、短保鲜，深潜输入慢、重、长复利。两者混在同一套界面和心态里，容易互相污染。
两条线之间需要一个升级阀门：脉搏输入里反复出现、持续吸引注意力的主题，升级成深潜主题。这样，快速信息流不只是焦虑来源，也成为选题雷达；深度学习不再凭空挑主题，而是回应真实世界正在发生的变化。快线负责发现，慢线负责吃透。
输出端也应分成两种形态。写作是思考的验证器：一个观点在脑中感觉完整，落到文字里才会暴露断点、跳步和模糊处。做产品是需求的试金石：只有真实使用，才能区分想象中的需求和真正的痛点。写作和做产品都不是单纯表达，它们会反过来检查输入是否真正变成理解。
做产品时，最可靠的起点是自己的真实需求。自己每天用、每天骂、每天想改的东西，比想象中的市场需求可靠得多。顺序应该是先自用，确认它确实解决自己的痛点；再公开过程，吸引同类人；再观察它是否能自然长成个人市场。个人市场和公司是两个终点，不要混在一起。前者依赖个人声誉、受众和真实痛点，后者还要重新面对陌生用户、组织、分发和规模化。
公开过程的价值，是让真实痛点、持续使用和过程记录一起形成声誉，不是表演努力。一个连自己都不用的工具，很难说服别人；一个只在私下用的系统，很难让同类人找到你；一个为了让别人觉得厉害而做的项目，很难熬过早期无人关注的阶段。动机要尽量回到"我想做出一个自己也骄傲、自己也离不开的东西"。
落地时不要先设计宏大系统。第一版应该先喂数据，再长智能：做一个最简单的记录入口，把想法、任务、资料、读到的东西、每天的开发日志先存下来，保留时间、来源、标签和上下文。数据积累一段时间后，真正的需求会从记录中浮出来：自己高频记录什么，反复卡在哪里，最需要 AI 帮忙串联什么。那时再做摘要、检索、回顾、自动分类和 Agent 流程，才不容易自嗨。
工程上要把数据攥在自己手里，让模型随时可换。模型会变，工具会变，平台会变，自己的笔记、日志、知识库和决策记录才是长期资产。个人 AI 系统至少应分成几层：数据层保存自己的资料；工具层抽象不同 AI 和外部服务；核心层管理任务、记忆和上下文；模式层承载学习、写作、研究、编码等状态；界面层可以是网页、手机或命令行。任何一层替换，都不应该伤到自己的数据。
家庭生活是个人 AI 系统最容易落地的场景之一。真正消耗人的，往往是散落在邮件、日历、短信、表格、收据、学校通知、购物清单和预约里的开放环，不一定是某个大任务。家庭里总会有一个人被默认成"应该记得一切的人"：谁要回邮件，哪张表要交，哪天有活动，哪个账单快到期，哪个文件总是找不到。AI 的价值，是把这些开放环从人的脑子里搬出来。
家庭 AI 管家的边界应该比工作助理更严格。它可以读取日历、整理邮件、提取日期、准备材料包、起草回复、生成购物清单、提醒账单异常、打印需要线下处理的文件，但不能在没有明确批准的情况下发送、购买、取消、预订、改期、提交表格或联系家庭以外的人。批准边界就是产品边界：AI 把事情推进到"离完成只差一步"，人来做最后决定。
这种系统不应该从连接所有工具开始，而应该从记忆开始。先写一份朴素的家庭记忆文件：家庭节奏、常用服务、固定日程、常见食物限制、文件位置、反复出现的差事、最怕漏掉的开放环。它不需要存密码、证件号、支付信息、病历和孩子隐私，只需要存指针：东西在哪里、由谁保管、什么时候需要用。AI 知道位置，不持有秘密。
家庭管家的最小组件可以很简单：
- 角色与边界文件：说明它负责起草、准备、整理和建议，不能擅自对外行动。
- 家庭记忆文件：记录家庭节奏、常用指针、限制条件和重复规则。
- 家庭大脑：沉淀反复被问到的问题，例如表格在哪里、谁接送、牙医怎么约、书包要带什么。
- 开放环追踪器：每个事项都有下一步、等待谁、延后到何时、已放弃或已完成。
- 每周复盘包：列出本周变化、下周事项、需要批准的动作、可等待事项、应在周一前起草的内容。
每周复盘尤其重要。好的 AI 管家不只是完成一次任务，而是发现哪些任务每周都出现，并把下一次变小：学校邮件总引发日程混乱，就训练它提取日期；每次预约都找文件，就记录文件指针；每次吃饭都重新讨论，就沉淀已验证的菜单。系统的价值不在一次性自动化，而在让下一版任务更轻。
这类家庭系统也能反过来校准个人 AI 系统的总原则：AI 介入得越贴近日常生活，批准边界、隐私边界和数据归属就越重要。最有用的 AI 工作，通常是工作本来已经发生的地方之间那层安静的胶水，不一定是演示里最炫的部分。
这套系统的目标，是让人面对信息过载和 AI 外包能力时，仍然能保持方向感，避免变成更高效的执行机器。年底回头时，能说清自己这一年想通了什么、沉淀了什么、往哪个方向走了几步，比单纯多做了多少任务更重要。
实践部分的重点不是记录“某个工具怎么点”，而是沉淀可迁移的方法：
- 这个场景适合 AI 做什么？
- 人应该保留哪些判断？
- 输入、上下文和验证方式应该如何设计？
- 哪些经验可以沉淀成 Skill、模板或检查清单？