北京
你有没有真正审视过自己是怎么用AI的？
不是在脑子里大概想一下，而是把每一次提问、每一条指令、每一个“帮我写个脚本”都摊在桌面上，让另一个AI逐条分析。我干了这件事——收集了过去十七个月里我对AI说过的所有话，扔给本地模型让它读回给我。33469条对话记录。
用的设备是家里的DGX Spark，跑的是本地模型qwen2.5。整个分析过程不需要联网、不涉及隐私上传，日志就在你的机器上，直接复制就行。
导出数据的路径分两条，各自捕获的东西不同。浏览器的对话历史需要主动申请导出，然后等一封邮件，耗时不可控，但能拿到完整的对话文本、图片附件（我导出了563个附件）、分享链接对话记录，以及项目设置文档。终端的日志则是另一个路径——对于Claude Code，文件在~/.claude/projects//*.jsonl；对于Codex CLI，在~/.codex/sessions////*.jsonl。直接拷贝就行，不需要等谁审批。
关键区别在于，浏览器导出的记录里不会包含你在终端里对AI说过的话，反过来也一样。而且终端日志多了一项浏览器拿不到的东西：AI实际执行了什么操作的完整记录。所以准确来说，只有把两边的数据拼在一起，你才能看到全貌。
qwen2.5读完每一条对话后打上标签：“这条是研究”“这条是编程”。分类结果显示，排名前四的用途是研究与学习（291条）、写作与编辑（236条）、编程（193条）、设置与故障排除（151条），加起来占到了总量的三分之二。按工具拆分的话，分野非常清晰：终端侧70%的对话和代码相关，浏览器侧40%集中在研究和写作上。主题本身在两个工具之间分布得很干净，说明我下意识已经按照任务类型做了分流。
不过有一个需要留意的局限性：终端侧的分析只覆盖了75条对话，样本量小，更适合看作大致倾向而非精确数字。为什么终端数据这么少？因为大量工作数据从一开始就没有被保留——这是另一个问题，下面会讲。
接下来我让模型分析我的措辞模式，用Anthropic的AI Fluency Framework作为衡量标尺。发现在终端里，我给出的指令明显更详细。一个公允的解读是：终端是我做代码工作的地方，而代码任务天然需要分步骤说明和验证，所以这可能反映的是任务类型的差异，不是我换了个工具就突然变细心了。
终端日志还揭示了AI到底干了什么。操作历史非常朴素：读文件、编辑文件、执行命令，没有花里胡哨的东西。那我自己呢？我几乎不写自己的Skills。MCP和Agent我已经在用了，但Skills和Plan模式几乎没碰过——十七个月里Plan模式只用了一次。高级功能摆在那里，我基本绕过去了。
审计到这里，三个可以立刻改进的地方已经非常明确。
第一，把重复性工作变成Skill。我的文章发布前检查清单每次运行的步骤一模一样，但我竟然宁愿每次手动重新描述一遍，也不曾把它固化成一个按名字就能调用的技能。目前为止，自己编写的Skill数量是零。
第二，大任务前先跑一遍Plan模式。我经常在任务中途不断修正方向，与其这样，不如一开始就看到整体计划。这个模式我只用过一次。
第三，把所有编程任务都搬进终端。目前仍有12%的编程对话发生在浏览器里，浏览器里的AI无法直接操作文件，导致我反复在复制粘贴中浪费时间——这些纯属流程损耗。值得注意的是，上面统计的只是我手动发起的对话条目数，33469这个数字本身就是一次信息结构的显影：你以为自己主要在做创意性探索，数据告诉你，你大部分时间在问重复的问题。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
