最近髂骨拉伤，去做运动康复，才知道自己一直以为的“骨盆前倾”，其实更复杂一点：右侧前倾、左侧后旋，连带着右侧吸气不足，右侧支撑也没有左侧稳定。

听到这个结论时，我原本以为自己会有一种“终于找到原因了”的惊喜。毕竟运动中右侧身体那些长期说不清的不稳定，终于有了解释。

但我仔细感受了一下，发现第一反应并不是惊喜，而是懊恼：怎么会这样？为什么我一直都没有发现？

更有趣的是，当我看见这份懊恼的时候，又立刻多了一层无奈：原来那个挑剔自己的声音还是这么快，一不注意，又成了第一反应。

几年前，我第一次真正看见这个严厉的超我时，很讨厌它。因为身体不舒服时，它从不说“你辛苦了”，而是说“你怎么又出问题了”；情绪失控时，它也不问“你是不是委屈了”，而是质问“你怎么又没控制好”。

直到后来有一次发火后，我想了很久都不明白原因，再一点点往回捋，才发现我其实不是在冲着面前的人发火，而是那个场景里的“被挑剔感”，一下子勾出了我积累很久的委屈。

在心里看见那个一边委屈、一边还很努力的小女孩的那一刻，可能是我这几年学习心理学后，最接近“开悟”的瞬间。

我开始把很多事情串联起来：原来自己这些年的许多选择，其实都在指向同一件事——人生的第一目的，正在从“我要做到什么、证明什么、得到什么结果”，慢慢转向“我能不能更支持自己一点”。

选择对自己抱有善意的环境，选择自己对自己多一点好奇，给自己耐心去看见每个情绪背后的需要，也开始学习给自己放松和放空的时间。

这次就很开心的点在于，不只是我终于知道了身体哪里不稳定，而是当那个挑剔的声音再次出现时，我没有立刻被它带走。

我已经开始能看见它，甚至能自嘲一下它，然后试着和它好好相处。

彻底消灭那个严厉的“超我”应该是不可能了，毕竟我今天达到的社会价值也都是它给的礼物。

但只要能在它出现的时候，不再只相信它，就是一件很美好的事啊！

有趣的人不需要是经历特别多的人，也不需要是只走正确的路的人，更像是世界经过ta以后，会发生一点折射。

同一件事，100个人看过去，ta能看到一点别的东西。这个看到可能来自聪明、敏感、知识、幽默，也可能只是因为，ta非常诚实地观察过自己的经验。

世界投进来的光其实差不多，但经过每个人之后，会折向不同的方向。

那个折射率，就是每个人自己的样子。

我真服了。

下午研发搞了个 AI 工作台，直接把项目的经营数据、收入数据、活跃数据全放上去，整个项目组所有人都能看。

我去问这个权限问题，研发竟然回我一句：“数据都是服务端提供的，对于服务端来说没有什么脱不脱敏。”

我真的沉默了。服务端能拿到数据 ≠ 这些数据随意获取 ≠ 可以对所有人公开，这难道不是最基本的数据权限常识吗……

麻了，每天都能给我一个雷霆大震撼

AI时代最危险的，反而是太擅长自己的工作

看到 DeepSeek 工程师写的文章。他提到当 AI 越来越擅长写算子，那些多年积累起来的经验迅速变得不再稀缺，感慨有些才华只能埋葬在昨天。

我看到这句话的时候很能共情，而且我觉得 AI 时代最危险的，反而可能是太擅长自己工作的人。

因为 AI 拿走的不只是一项技能，而是一套你已经用了很多年证明自己的方式：努力 → 擅长 → 被需要 → 获得成就感。

如果你本来就不喜欢这份工作，AI 替你做掉一部分，可能反而是一种解脱。

真正难受的是：被替代的恰好是你最擅长、甚至也是你最喜欢的那部分。

你花了很多年把一件事情做到很好，已经知道怎样努力、怎样赢、怎样获得认可，然后突然有一天，游戏规则变了。

你当然知道应该去学新的东西。但知道是一回事。舍不舍得，又是另一回事。

我经历过几次这样的时刻。

毕业后，我从自媒体转型做数据分析。做自媒体正反馈太快了，几个小时就知道自己写得好不好。

而刚做数据分析时什么都没有。那时我经常怀疑：为什么非要重新开始？

明明已经有一件自己很擅长的事情了，为什么非要跑到一个自己什么都不会的地方，再经历一次笨拙、没有反馈、不知道自己到底行不行？

直到很久以后，我才找到另一种快乐：把别人无法解决的问题拆开，那种“啊，原来是这样”的瞬间变成了新的正反馈。

后来往数据科学走，我又经历了一样的过程。从质疑自己为什么不能留在已经擅长的地方，到把需要踮着脚才能够到的新领域，慢慢变成舒适区。

我才意识到：拿第一件事的第五年，去和第二件事的第二个月比较，从一开始就不公平。

但这里还有一件我后来才接受的事情：第二件事变好，并不会把第一件事还给你。确实有些才华，只能被埋葬在昨天。

做自媒体时，我一度以为通过表达被人看见，兑换成收入，就是我以后的成功。

后来做数据分析，我才发现，把复杂问题想明白，也会给我很大的成就感。

可这不代表以前的快乐是假的。那些被很多人看见、被讨论、写完东西以后忍不住刷新后台的快乐，后来确实没有了。

有些快乐是真的会随着一个阶段结束一起消失的。只是后来我才发现，人好像也会在自己原本不知道的地方，长出新的快乐。

这样一想，我们很容易把“知道怎么获得正反馈”理解成“我这一生就只剩下这种成就感”，把“我现在最擅长的成功路径”理解成“这是最适合我的路径”。

但人的快乐没有那么早定型。

你完全可以怀念一种已经失去的快乐，同时继续往前走；也可以在还舍不得旧世界的时候，慢慢长出一个以前根本不知道自己会喜欢的新世界。

现在，AI 也把我推到了类似的位置。它越来越擅长我最喜欢的工作：分析问题，把问题拆解明白。

这也是为什么我并没有因为 AI 能帮我做更多工作，就单纯觉得“太好了，我终于可以不用做这些了”。
因为它帮我拿走的，偏偏也是我会从中获得快乐的部分。

于是我开始去做一些以前没那么感兴趣的事情：搭 Agent，做评测和容错，再往业务里走一步。

这些事情我并不讨厌。但有没有“亲手解决复杂问题”那么快乐？

肯定还没有。

而这大概也是现在很多人面对 AI 时最难受的阶段：旧的自己已经开始失效，新的自己却还没有长出来。

你知道回不去了，又暂时不知道往前走会变成谁。

但这一次，我没那么快判断“这是不是不适合我”。因为我知道，运行了很多年的奖励系统正在失效，新的奖励系统还在冷启动。

第二个月当然打不过第八年。

拉长验收周期，不是降低标准，只是不拿旧世界的反馈速度要求刚入门的自己。

所以如果一定要说，AI 时代有什么能力越来越重要，我现在会想到一个：对正反馈延迟的耐受力。

当上一件事情没有那么需要你，下一件事情你还没那么擅长；当旧的成就感开始失效，新的成就感还没有建立起来——

允许自己暂时没那么擅长，也暂时没那么快乐。

然后继续走一段，再看看。

之前朋友不理解为什么我这么执着用claude，这下大家都能知道了，人家是生了一堆孩子的妈😐

朋友们我发现一个很简单好吃的东西，就是拿削皮刀把土豆刮成薄片铺满锅底，两个鸡蛋蛋液放进去，加芝士碎，蛋液凝固了加点儿黑胡椒盐调味。

昨天早上做完，晚上回家一进门还有香味——吓得我以为是火没关，还好只是厨房门没关🥹

中午上瑜伽课，最近倒立没什么问题了，一直在练更稳定的肩背发力感。快结束的时候老师突然说，前侧也练一下吧，起个轮。

其实会起轮很多年了，但每次起轮都有点卡顿，就不怎么喜欢这个动作。结果今天也没想太多，一撑居然丝滑地起来了。

那一瞬间开心又意外：我甚至不知道到底是哪根筋突然顺了。

道理其实我都懂：变化是日积月累的，成长不是线性的。

但要做到“降低对自己的要求”真的很难，因为总觉得这件事像是把本来应该做到的100分，变成说服自己70分也可以，这真的让人觉得很别扭。

但我今天下午就想到，或许我真正需要的并不是降低要求，而是延长验收自己的周期。

就像起轮的能力，它可能只是先安静地留在身体里，留在经验里，留在那些当下看起来“好像也没什么变化”的日子里。

直到某一天，它突然显影。

而如果一个轮我都愿意等它几年，才慢慢变得丝滑，那对于那个我一直期待的、更成熟的自己，我也想再多给她几年🥹

刚毕业的时候，因为自媒体的历史遗产太丰厚，数据分析的底子又太薄，我总忍不住去摘那些更容易摘到的果实。

亲自下场搞免费社群、付费社群，教别人怎么做社群运营；写各种付费转化文章做市场推广测试；研究怎么选号、怎么根据号主风格写推广文；甚至一对一定制，把买 KOL 的市场推广文一路做到 ROI 打正。

那时候也很容易沉浸在各种 B 端客户的夸奖里，觉得这些事情我做得又快又好。

当时老板跟我说过一句话：“我不拦着你做，但你要知道，这些事情五年以后是写不到你简历里的。”

工作五年以后，确实如此。

读研时两年做到知乎男装 Top3 账号，把产品的免费社群从0做到破万，自己下场做自己的付费社群从0做到两千多人，做过社群、内容、转化、KOL 投放……这些东西后来真的再也没有出现在我的简历里。

取而代之的，是听起来高大上得多的数据挖掘项目、用户增长项目、商业分析和数据科学项目。

但有了 AI 以后，我越来越觉得：以前走过的路，好像突然又一条条接回来了。

回头一看，我好像一直是个 outlier。

O2O 做过，SaaS 做过，C 端产品做过，AI 产品做过；自媒体做过，社群运营做过，市场推广做过；更别提本行的数据分析、商业分析、数据挖掘、数据科学也全都做过。

以前我们管这种人叫：兴趣太广，不够专一。

因为一个人的时间和执行能力是有限的。会运营、会市场、会数据、懂产品、懂一点工程，很多时候并不意味着你能把这些东西同时用起来，更可能只是“五样都会一点”，所以我也从不把那些看上去outliner的东西写到我的简历里。

但 AI 很大程度上降低了跨职能调用能力的成本。

以前散落在不同工作、不同项目，甚至不同人生阶段里的经验，现在第一次有机会被一个人同时调动起来：发现业务问题 → 做数据分析 → 做产品和工具 → 落运营策略 → 做内容和推广 → 再用数据验证。

一个人真的可以把整个闭环跑起来。

所以并不是那些从简历里消失了很多年的旧经验，突然又“值钱”了。

而是终于出现了一种技术，让我有机会把过去十几年散落在各处的技能重新捡回来，接在一起，同时调用。

以前觉得自己走得太散。

现在回头一看：我会的东西也太多了，感觉能力无穷，之前无法靠自己做的事情，现在什么都下场做一遍，感觉自己还能再战三十年。

有了 AI 之后，我觉得有一个特别实用的效率提升：以前想把一个用户研究明白，其实是一件成本非常高的事。

比如一个大R突然不花钱了，背后可能有无数种原因：是不登录了？还是天天登录但不看播了？是还在疯狂看，但找不到喜欢的内容？是不充值了，还是充了钱却没地方花？喜欢的主播最近有没有好好开播？这个月的活动参加了吗？新出的礼物玩了吗？打榜的时候还在消费吗？

以前想回答这些问题，往往需要一整套非常重的数据系统：用户宽表、标签体系、指标体系，再加上多年运营经验沉淀出来的一堆 if/else 规则。

比如“大 R 流失”这件事，消费下降但还在看直播是一种情况，App 都不打开是另一种情况，喜欢的主播停播又可能是另一种情况。

每发现一种新的可能，背后就要再补一条判断规则。最后一个大 R 为什么流失的问题，背后可能已经藏着几十甚至上百条规则。

成熟公司的优势，很大一部分其实就来自这些多年积累下来的数据基建和运营经验。

AI 改变的地方在于：我们不一定需要提前把所有可能性都猜完。

现在真的可以直接从一个业务问题出发：“这个人为什么不花钱了？”

先查最关键的数据。如果发现他还天天来看直播，就继续看他最近在看谁；发现最喜欢的主播最近没怎么开播，就再看他有没有转去看别人；如果已经在看别人但还是不消费，再继续查活动、礼物、榜单和互动。

有点像医生看病：不是提前把世界上所有症状组合都写成规则，而是根据每一次检查结果，决定下一步该查什么。

所以 AI 真正改变的，可能不只是查数据更快了。它让分析可以更快速都围绕业务问题展开，而不是让分析师被困在已有的报表、标签、规则，以及一套需要不断维护和调参的模型里。

之前我总说，每做一个自动化任务，我都离程序员更近一步。

现在还得再加一句：每做一次深度问题分析，我都离运营更近一步。

再这么下去，已经不是“更近一步”的问题了。我就是个如假包换的运营🥹

很多人都在说，孙宇晨写那篇文章根本不是为了博好感，就是为了博流量，反正他也不在乎别人骂他。

但我反而觉得，他可能真的觉得自己很有道理。

甚至那些在旁观者看来最荒谬、最容易被群嘲的部分，都未必是什么“故意自黑换流量”。

它更可能是一个在自己的世界里非常合理，只是从第三视角看起来非常不合理的故事。

举例来说，马云曾经说自己对钱没有兴趣，也曾经把996描述成一种“福报”。

我们站在普通人的位置上，会很自然地觉得：这怎么可能，你自己相信吗？

但我现在越来越觉得：他们可能真的相信。

因为人不是先拥有一个客观的世界观，再去经历人生。很多时候恰恰相反：我们会用自己一路走过来、并且反复成功过的经验，慢慢解释整个世界。

如果一个人曾经靠拼命工作获得巨大成功，那么在他的真实体验里，“拼命工作”可能真的意味着机会、改变命运，甚至是“福报”。

如果一个人已经拥有远远超过生存需要的财富，钱早就不再是每天需要担心的东西，那么他说“我对钱没有兴趣”的时候，也未必完全是在表演。

因为那可能真的是他此刻的主观体验。

这也是我看孙宇晨那个故事时觉得最有意思的地方。

如果一个人一直相信金钱、成功和社会价值能够换来认可，那么当他已经把这些东西做到极致，却发现还是没有得到一个人真正的喜欢时，他就需要解释这件事。

承认“原来我最相信的这些东西，就是换不来爱”其实很难。相比之下，另一个故事合理多了：不是我的逻辑出了问题，是因为她拜金。

只要把自己的金钱付出描述得足够巨大，再把对方对金钱的需求描述得足够强烈，整个故事就重新成立了：我不是没有得到爱，我只是爱上了一个不值得的人。

当然，这只是一种对他自我叙事的猜测，并不意味着事实一定如此。

但它让我开始对一件事很感兴趣：一个解释是不是真的，和一个人为什么如此需要这个解释，其实是两个不同的问题。

甚至很多时候，这两件事完全可以同时成立。

所以现在我觉得，理解一个人最有意思的地方，可能不是判断：“他说的到底对不对？”

而是去想：“如果他真的相信自己说的这一切，那么在一个怎样的世界里，这句话会是合理的？”

这样再去看“我不爱钱”“996是福报”，或者孙宇晨故事里那些让人觉得不可思议的描述，就会突然变得很有意思。

因为这时你看到的，就不再只是一个人在吹牛、嘴硬或者给自己找理由。

而是一个人花了几十年，用自己的经历一点点搭出来的世界。

那个世界从里面看，可能一直都非常合理。

只是有时候，我们恰好站在外面。

而这可能也是我越来越喜欢心理学的原因：

当你开始意识到，自己深信不疑的“世界本来就是这样”，也可能只是自己一路走来形成的一套解释，就会慢慢给其他人的世界留出一点空间。

“我依然不认同你，但我开始知道，你为什么会走到这里。”

这种理解并不要求认同，也不急着原谅什么。它只是让我越来越愿意承认：人远比一个“对”或“错”的判断复杂。

而当我们不再急着证明谁的世界才是真的，或许才第一次有机会，看见那个和我们完全不同的人，究竟生活在一个怎样的世界里。

作为一个分析师，如果问我现在 AI 离真正“接管数据工作”还有多远，我会觉得，最大的瓶颈已经不完全是智力了，它越来越像一个可信度工程的问题。

AI 能不能完成查询、计算、写入数据？很多时候已经能。
AI 能不能连续正确地完成 100 次？开始变得困难。
第 73 次做错的时候，它自己知不知道？更困难。

而当它不知道自己错了的时候，系统能不能发现异常、拦住错误，不让一个“看起来正确”的结果进入正式产出？

这可能才是最后一公里。

像 lock、validator、state machine、golden baseline 这些东西，看起来只是我为了修一个 Excel 自动化逐渐接触到的工程概念，但它们背后其实都在解决同一个问题：

怎么把一个“很聪明但可能犯错的 Agent”，装进一个能够约束它、验证它，并尽可能阻止错误结果被正式交付的系统里。

说得更具体一点。

当你告诉 AI：“检查本周数据是否完整，然后更新 Excel。”它需要先理解“完整”是什么意思，再决定应该怎么做。

于是可能出现：
第一次：发现只有 6 天 → 停止。
第二次：发现只有 6 天 → 认为“虽然不完整，但也够分析” → 继续。
第三次：发现缺了一天 → 自己想办法补了一下 → 继续。

真正麻烦的是，后两种情况不一定会报错。

Agent 可能非常流畅地读取数据 → 做出判断 → 写入 Excel → 生成周报 → 告诉你“任务完成”。

整个流程看起来完全正常，但它其实在中间替你做了一个它本来没有资格做的判断。

传统程序当然也会产生静默错误，但 Agent 又增加了一层新的风险：

它可能理解错了、判断错了，却依然非常顺利地把整个任务执行完。

所以后来我发现，给自动化不断增加的那些检查，本质上都是在给 Agent 划定一些它没有资格自行判断的边界：

6 天够不够？——你不用判断，必须 7 天。
重复运行能不能再写？——你不用判断，唯一键不允许。
前一步失败还能不能继续？——你不用判断，状态机不允许。
两个任务能不能同时写 Excel？——你不用判断，lock 不允许。

这些规则不是为了让 AI 变得更聪明，而是为了让一些关键问题根本不需要 AI 发挥聪明。

能验证的自动验证，不能验证的明确暴露，有疑问的停止交付，而不是让错误安静地流到最后。