喂养AI——数字化一切

为什么我要把工作生活的每一个细节都喂给AI——以及它真正需要什么才能有效运转

几周前，我写了一篇题为I Am No Longer Needed的文章，讲述了我如何将AI负责人角色中的大量工作自动化，以至于能够清晰地看到接下来将会发生什么。那篇文章诚实得令人不舒服，它触及了目睹如此多变化如此迅速到来时的情感重量。

但我事后意识到，它并没有完全回答这一切背后的核心问题：为什么？为什么我如此痴迷于捕获和数字化信息？为什么我的会议记录、任务清单、需求收集和想法以可查询的格式存在如此重要？为什么我花了数月时间构建一个个人知识库？

这篇文章就是那个答案。

企业行动迟缓，所以我行动更快。

当我接手公司的AI负责人职位时，我的雄心是基础设施层面的：跨业务领域评估和实施AI解决方案。建立正确的护栏、正确的监控、正确的智能体以实现规模化成果。这是最重要的工作，但它也以组织共识的速度推进——那速度就像冰川一样缓慢。尤其是在面对这样一个新领域、一种鲜有人真正理解的新技术时。

任何批准都需要让很多人参与进来，而这些人都已经超负荷，同时应对着各自竞争的优先事项。即使整个组织对AI充满真诚热情，"好，我们试试"也可能需要数月才能变成"好，已经部署了。"

因此，我同步开始着手我能直接掌控的事情：我自己的日常工作。甚至在我正式上任之前，我就有一种直觉——改善知识工作者管理信息的方式将是最大的AI赋能因素之一。不仅对我自己，也对任何试图加速的组织而言。那时我已经探索AI两年半了，对它的局限有了清晰的认识：AI有能力，但AI是盲目的。它只知道你给它的东西。

问题是上下文匮乏

简单来说，AI智能体运行在一个计算机进程内部。在这个进程之外，存在着它代表你行动所需的绝大多数信息：你的会议、你的决策、你的利益相关者、你未言明的约束。当智能体无法获取这些信息时，它必须每次都请你提供。或者它猜测。如果你想让它高效运转，这两种情况都不可接受。

这就是我所说的上下文匮乏。AI的潜力远超大多数人的理解，但智能体被困在信息匮乏的环境中，相比一位称职的人类助理所掌握的信息，差距悬殊。

解决上下文匮乏是让AI智能体真正有用的最重要一步。这不需要更好的模型，而是需要更好的输入。像Anthropic、OpenAI等AI实验室都在持续迭代这个问题，不断推出新的、更广泛的解决方案。我不是什么天才；我只是认识并理解了这个规律。

我实际上做了什么

在工作中，自动化是实际且立竿见影的：会议转录、结构化笔记、行动项目、每周状态报告、需求收集、项目分析。所有这些都通过Claude Code运行，使用我随时间积累的自定义技能、命令和工作流。这就是我在I Am No Longer Needed中讲述的故事。Claude Code作为个人智能体，坐在我身边，处理日常事务，让我专注于真正需要判断力的工作。

在个人时间里，我走得更远。我开始构建我现在称之为"外部大脑"的东西——一个结构化、可搜索的仓库，存储我所知道的一切以及流经我工作和个人生活的所有信息。其他解决方案从不同角度解决这个问题，但没有一个能以我想要的方式解决它。既然Claude Code总是像忠实的宠物一样守在旁边，为什么不把三个月里的每一个空闲时刻都用来构建完美的解决方案呢？正如我所说，我不是天才，此刻你一定有更好的形容词来描述我。

我称它为Sift。我会另找时间详细介绍它。这里的重点不是工具本身，而是背后的原则：如果AI能够查询一条信息，它就能使用这条信息，而无需询问我。我添加的每一份文档、转录的每一次会议、记录的每一个决策，都减少了"我想让AI做X"和"AI做X"之间的摩擦。

但仅有记忆是不够的。我问Claude，它还需要什么才能成为我工作情境中更有效的助理——答案以一种我之前从未如此清晰思考过的层次结构呈现出来。当你给它正确的上下文并提出正确的问题时，AI仍然会定期以深思熟虑的回答让我感到惊讶。

AI真正需要什么

给AI智能体提供可搜索的记忆和知识是最显而易见的层次，但这并非全部。以下是完整的图景：

记忆是基础——过去的决策、对话、成果物。它让智能体能够回答"这件事是怎么决定的？"而无需询问你。这是大多数人构建知识库时所做的事情。

状态是当前现实——现在发生了什么、什么在进行中、什么被阻塞了。任务管理工具涵盖了部分内容，但实际工作产品（代码、文档、草稿）的状态往往没有被捕获到智能体可以访问的地方。

流程知识是事情应该如何运作的——决策框架、工作流、流程。智能体可能知道你在三次会议中讨论了某个话题，但没有流程知识，它不知道下一步该做什么。这是大多数知识库完全忽视的层次。

关系背景是谁是谁——谁拥有什么、应该为哪些决策咨询谁、不同利益相关者关心什么。没有这些，起草沟通内容的智能体不知道该直接还是外交，该技术性还是高层次。

偏好与约束定义了你的工作方式和你不妥协的事情。智能体在哪些情况下永远不应该不询问就行动？这存在于配置中，而非文档里。

反馈循环是让智能体随时间进步的关键。每一条持续存在的纠正——"不要再这样做，因为……"——就是未来会话中少重复一次的错误。没有结构化的方式来存储和调用这些反馈，智能体将永远停留在第一天。

一场无声的革命

当我专注于缓慢推进的企业工作时，我的本地机器上正在发生另一件事。

我为自己日常工作构建的基础设施，结果成了我运行过的最有效的AI部署。不是因为它最复杂，而是因为我对给它的上下文拥有完全的控制权。没有采购流程。没有安全审查。没有竞争的优先事项。只有我、我的数据，以及一个终于能够访问所有这些信息的智能体。这和Sift无关——主要是关于包含智能体所需全部知识的简单Markdown文件。

这个教训对任何思考大规模AI采用的人都很有价值：目前最强大的AI实施可能并不发生在有治理委员会和供应商合同的企业系统中，而是发生在个人工作流中——由那些厌倦了等待、开始尽可能数字化一切的人构建的工作流。

如果你想比组织允许的速度更快地前进，就从这里开始。从你自己开始。让你的信息变得可查询。构建你的外部大脑。企业终将跟上。在此期间，你不必等待。