即刻App年轻人的同好社区
下载
看掌控习惯中讲述怎样利用两分钟规则养成习惯这一章节简直拍案叫绝。两分钟规则精准命中了我培养习惯的几个痛点。
第一个是容易对习惯的门槛设定太高。所以两分钟规则要求这个习惯必须能在两分钟内甚至几秒内完成。为此必须不断把习惯拆解成一个非常简单的仪式。比如跑步的习惯应该拆解为系好鞋带这样的动作。
第二是我们容易对习惯带来的结果预期太高。而两分钟规则要求我们必须在完成两分钟后停止。这样的设定大大降低了我们对自己把这件事做到什么程度的预期和负担。反正就做两分钟，也没啥难的。做了总比不做好。久而久之，来都来了，你就会变成 4 分钟，6 分钟甚至更多。
第三是让养成目标这件事有了明确的节奏感。用两分钟去拆解一个遥不可及的大习惯变成一个个触手可及的小习惯，最后不断演进成为一个一个 2 分钟的习惯叠加，通过构建希望和当下之间明确的台阶让我们不是在迷雾中前进。
很多习惯失败不是因为人懒，而是因为目标一出现，就立刻召唤出自责、亏欠、失败预期。两分钟规则厉害在于：它绕过了自我审判，直接进入行动。
第一个是容易对习惯的门槛设定太高。所以两分钟规则要求这个习惯必须能在两分钟内甚至几秒内完成。为此必须不断把习惯拆解成一个非常简单的仪式。比如跑步的习惯应该拆解为系好鞋带这样的动作。
第二是我们容易对习惯带来的结果预期太高。而两分钟规则要求我们必须在完成两分钟后停止。这样的设定大大降低了我们对自己把这件事做到什么程度的预期和负担。反正就做两分钟，也没啥难的。做了总比不做好。久而久之，来都来了，你就会变成 4 分钟，6 分钟甚至更多。
第三是让养成目标这件事有了明确的节奏感。用两分钟去拆解一个遥不可及的大习惯变成一个个触手可及的小习惯，最后不断演进成为一个一个 2 分钟的习惯叠加，通过构建希望和当下之间明确的台阶让我们不是在迷雾中前进。
很多习惯失败不是因为人懒，而是因为目标一出现，就立刻召唤出自责、亏欠、失败预期。两分钟规则厉害在于：它绕过了自我审判，直接进入行动。
1 00
好久没逛中中路，没什么特别有趣的新店。
难得见到有鸡尾酒店排队，感觉回到了经济上行的年代。
接近 100 一杯的鸡尾酒真的好贵。
最好喝的还是日料店的生啤。鸡尾酒的价格可以换到不错的啤酒加一份不错的下酒菜。
难得见到有鸡尾酒店排队，感觉回到了经济上行的年代。
接近 100 一杯的鸡尾酒真的好贵。
最好喝的还是日料店的生啤。鸡尾酒的价格可以换到不错的啤酒加一份不错的下酒菜。
3 00
最近在做一个 iOS 组件的 Playground APP，发现一个很具体但挺重要的问题：
我在跟 AI 描述 UI 调整的时候，经常会用一些很粗糙的表达。
比如：
“这里慢一点。”
“这里快一点。”
“这个出现得有点突兀。”
“这里换成那个类似 xxx 的组件。”
这些话人类可能能猜个大概，但对 AI 来说，其实信息量很低。
它只能猜：你说的“慢一点”，是 animation duration 要变长？还是 easing 要更缓？是 spring 的 damping 不对？还是整个 transition continuity 不够？
所以我后来不是只在某一个 session 里临时加规则，而是把这个规则写进了 AGENTS.md，让它变成 Agent 的全局行为。
规则大概是这样：
表达澄清规则
当用户提出的请求比较模糊、粗糙或有歧义时，在回答或执行之前，先简短地澄清一下表达。
只有当不清楚的地方会实质影响结果时，才指出哪里不清楚。
用这句话提供一个更精准的版本：更精准的说法是：...
然后简短说明你理解到的真实意图，并继续回答或执行。
如果用户只是随口表达，但意图已经清楚，就不要过度纠正。
比如我说：
“这里慢一点。”
AI 可以先告诉我：
“更精准的说法是：延长这个转场动画的 duration，或者降低 perceived speed。”
然后再继续执行。
这个过程表面上看是在优化 Prompt，但本质上是在建立一种更高效的人机协作语言。
所谓“黑话”有时候不是为了装专业，而是为了减少误解。
当一个词能替代一长串模糊描述时，它就是高效的。
和 AI 协作不只是让 AI 听懂我，也包括让 AI 反过来训练我：怎么把需求说得更准确。
至少，能省不少token。
我在跟 AI 描述 UI 调整的时候，经常会用一些很粗糙的表达。
比如：
“这里慢一点。”
“这里快一点。”
“这个出现得有点突兀。”
“这里换成那个类似 xxx 的组件。”
这些话人类可能能猜个大概，但对 AI 来说，其实信息量很低。
它只能猜：你说的“慢一点”，是 animation duration 要变长？还是 easing 要更缓？是 spring 的 damping 不对？还是整个 transition continuity 不够？
所以我后来不是只在某一个 session 里临时加规则，而是把这个规则写进了 AGENTS.md，让它变成 Agent 的全局行为。
规则大概是这样：
表达澄清规则
当用户提出的请求比较模糊、粗糙或有歧义时，在回答或执行之前，先简短地澄清一下表达。
只有当不清楚的地方会实质影响结果时，才指出哪里不清楚。
用这句话提供一个更精准的版本：更精准的说法是：...
然后简短说明你理解到的真实意图，并继续回答或执行。
如果用户只是随口表达，但意图已经清楚，就不要过度纠正。
比如我说：
“这里慢一点。”
AI 可以先告诉我：
“更精准的说法是：延长这个转场动画的 duration，或者降低 perceived speed。”
然后再继续执行。
这个过程表面上看是在优化 Prompt，但本质上是在建立一种更高效的人机协作语言。
所谓“黑话”有时候不是为了装专业，而是为了减少误解。
当一个词能替代一长串模糊描述时，它就是高效的。
和 AI 协作不只是让 AI 听懂我，也包括让 AI 反过来训练我：怎么把需求说得更准确。
至少，能省不少token。
17 04
开发网站已经不稀奇了，这两天落地开发了一个 iOS APP 让我和对象都用上了，做了一个 figma 插件可以快速按照团队的命名规则命名各种 figma 对象，前面还做了 chrome 插件提取素材自动打标签分发，做了 macOS 屏保展示收藏的素材的应用。
自己在团队内还提交了一堆 PR。
以前觉得要两年还学不会的技能几乎两天就都体验到了从0到搞定。
完全不累很兴奋。
自己在团队内还提交了一堆 PR。
以前觉得要两年还学不会的技能几乎两天就都体验到了从0到搞定。
完全不累很兴奋。
8 31
