更新于 2026 年 7 月
记录此刻我在关注什么、在做什么，以及一些正在慢慢沉淀的想法。
最近更关心一件事：AI 协作怎么变成一套稳定的工作方式。
之前更多在想 prompt 怎么写清楚。现在在意另一件事：一个任务要交给 Codex 或其他 AI Agent，怎么拆成一个可以循环执行、可以验证、可以停下来的 Loop。
看起来只是把提示词写复杂了。其实不是一回事。大多数任务失败，问题不出在 AI 不够聪明。出在人只给了一句话的愿望，没给一个能恢复、能检查、能复盘的工作单元。
所以我反复想这些问题：任务开始前要先读哪些文件，哪些口径不能破坏，改到什么程度算完成，失败几次应该停下来，最后怎么汇报 remaining risks 和 next bottleneck。
比写一个漂亮 prompt 更麻烦。
也更接近真实协作。
还在继续优化流梭 Flow Shuttle，也在整理一些 AI 协作流程里的具体经验。
流梭这边，更关心真实使用中的小问题：保存是不是可靠，日报和报告是不是顺手，统计值有没有异常，自动更新的提示会不会打扰用户。有些地方看起来只是改一个 UI，背后牵着数据结构和使用习惯。
这些问题都不大，但很像一个产品真正进入使用后会遇到的东西。
另外在慢慢理解 CNN、ResNet 这类模型结构。不是为了马上去训练模型。是想把一些经常听到的概念真正想明白。很多东西看一遍定义好像懂了，换个角度一问，发现自己只是记住了名词。
速度不快，但挺有必要。
AI 时代的工作能力，会从「会不会用某个工具」，慢慢变成「能不能组织一套稳定的协作流程」。
工具会变，模型会变，产品入口也会变。但底层问题不会变：任务怎么拆，背景怎么给，过程怎么查，结果怎么验收，失败以后怎么回到人能接住的地方。
这就是我反复想 Loops 的原因。
好的 AI 协作不是把事情扔出去等结果。是把任务拆成能被执行、能被观察、能被纠偏的小循环。人不一定要亲手做每一步，但必须知道每一步为什么这么做，什么时候该继续，什么时候该停。
这件事有点慢。
但我现在相信，真正能长期提高效率的，不是某一次神奇的 AI 输出。是这些看起来不太起眼的工作流设计。
更多内容，敬请期待。