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！

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。

AI 把“写出一个能跑的程序”的门槛大幅降低了，但并没有同时消灭“让一个程序长期可靠运行”的工程复杂度。

甚至因为 AI 把快速迭代的能力不断加成，后一个问题反而更容易出现。

最开始我也不太理解，为什么只是想用 AI 做一个“每周自动更新 Excel”的任务，最后却逐渐搞出了 lock、状态机、原子写入这些概念。

但在不断优化的过程中发现，一旦一个脚本从“偶尔手动跑一下”，变成“长期无人值守地自动运行”，它其实就已经变成了一个小型生产系统。

所以最近有了两个很深的感受：

1. 应该在程序里写死的东西，不应该只用 Prompt 约束

自然语言本身存在解释空间。例如：“请检查数据是否完整，如果不完整不要更新。”

第一次 AI 可能理解成“必须完整 7 天才能更新”，下一次却可能理解成“虽然只有 6 天，但也够分析，可以继续”。

Prompt 更多表达的是“希望 AI 遵守”。但如果一条规则绝对不能被违反，它就应该变成确定性的程序约束，比如 Python validator、lock、唯一键、状态机，让它从：

“AI 应该这么做”变成：“系统不允许不这么做”。

LLM 更适合负责理解已经计算好的结果、生成解释和报告，而不应该承担关键数据正确性的最终判断。

否则就很容易出现一种特别危险的失败：

任务显示成功 → 文件正常生成 → 数据看起来也挺合理 → 但业务结果其实已经错了。

这种问题甚至比直接报错更危险，因为程序正常结束了，用户反而很难意识到结果有问题。

2. 每次出问题都让 AI 局部打补丁，长期下来，程序自己按哪套规则运行都很难说清楚

单看每一次修改可能都是合理的，但不断叠加之后，系统很容易出现：

1. 新旧规则互相冲突，修复了 A，却重新引入 B。

2. 同一个业务规则在多个地方重复实现。Python 算一遍、Excel 公式算一遍、周报脚本又算一遍，修改一个地方，其他地方却没有同步。

3. 已经失效的旧逻辑仍然继续执行。新方案已经上线，旧 fallback、兼容代码、历史逻辑却还留着。

4. 正确性开始依赖隐式的执行顺序。明明必须 A → B → C，但 A 失败之后 B、C 仍然继续，最后甚至还能生成一个看起来正常的文件。

5. Prompt、文档和真实代码逐渐脱节。Prompt 还认为任务按照 A 工作，代码早就已经变成 B，下一次 AI 却又根据旧 Prompt 继续修改。

6. 状态管理逐渐失控。同一个任务重复运行、并发运行或者中途失败，都可能带来重复写入、覆盖正确结果、修改历史数据，甚至第一次留下半成品，第二次再基于半成品继续运行。

所以第二类问题本质上是：

系统经过长期、多次修改之后，怎么保证规则仍然只有一套，状态仍然一致，旧逻辑不会偷偷影响新逻辑。

否则最后就会进入一种很微妙的状态：

代码还能跑，但已经没人能确定它为什么这样跑，以及现在跑出来的到底是不是对的。

以前觉得 AI 自动化最重要的是“让 AI 帮我把代码写出来”。

现在越来越觉得，真正困难的是：代码写出来以后，怎么让它半年、一年以后还敢放心地让它自己跑。

又是向成为程序员努力的一天😑

孙哥这个故事，其实就是东亚社会那套“男人只有有钱、有权、足够成功，才配拥有尊重、爱情和选择权”的价值观，把一个人扭曲到极致的具像化。

一个年轻时没钱没权、连150块的羽绒服都舍不得买的人，中年一夜暴富，刚好经历了一个男人在这个社会里可能体验的两个极端。

很想蹭着热点说，是因为我在工作里也见过这样的男性：明明只是在讨论一件普通的事情，对方却突然调动远超场景需要的权威、知识和气势来震慑你。

那个瞬间，你会非常明确地感觉到：这个力气太大了。

他明明在看着你，可他眼睛里的人，可能根本不是你。

也许很多年前，也有人站在高位，用权力、知识和地位让他觉得自己弱小、不值一提。于是有一天，当他终于拥有了这些东西，也学会了同样的姿势。

看孙哥一次次对景甜说“好”，我就是这种感觉。

年轻时，几百块都花得局促，给喜欢的女明星发一句好友申请，都要犹豫半天。十九年后，私人飞机、包酒店、买空电影院、几千万彩礼——她要什么，他都说好。

这些“一镜到底”的好，甚至让对方开始质疑：“你怎么总说好？”

因为这些好，根本不是对你说的。

他是在一遍遍告诉十九年前的自己：你看，现在没有什么是我给不起的了。

从小，社会就告诉他：没钱，你不配得到。后来，他终于有了钱，也用各种方式让当年拒绝他的女神看见自己的能力和财富。

可当他终于可能迎来“我终于配得到”的那一刻，却在五千万美元面前犹豫了。

不是因为给不起。恰恰相反，他算来算去，发现这五千万美元对自己根本没有影响。

所以这一刻，他的问题才突然从：

“我要做到什么程度、付出多少钱，你才会选择我？”

变成了：

“如果我不给，你还会选择我吗？”

这也是这个故事最有意思的地方。

一个人花了十九年证明“我给得起”，直到这一刻才第一次发现：自己真正想要的答案，恰恰要在“我不给”的时候才能得到。

那套被他奉为真理的价值观确实没有骗他。

它真的让他一路爬到了金字塔顶端，给了他钱、权力和几乎所有世俗意义上的选择权。

可等他到了山顶，突然想要爱、信任和一个人不因为这些东西而选择自己的时候，才发现自己最熟悉的那套系统回答不了这个问题。

甚至更残酷一点：

一个人可能恰恰是靠着戒备、竞争、压倒别人、不相信别人，一路换来了社会承诺给他的“成功”；可到了最后，他真正想要的东西，却需要信任、袒露、平等，以及承担被拒绝的风险。

于是那个悖论才真正出现：

整个东亚社会都在教一个男人，怎么在金钱和权利上赢，可他终于赢了以后，才发现自己想要的那些东西，恰恰无法靠金钱和权利得到。

而这样的故事，难道不是时时刻刻发生在我们身边吗？

我现在基本已经完成了ai界的人岗匹配：

cursor接mcp查数据库负责数据查询；
claude接我的笔记知识库，负责资料检索和主力工作分析；
codex负责开发维护我自用的app，还有供养我那一窝越养越复杂的自动化任务；
chatgpt跟我的工龄最长，已经从全能型选手转岗成文案编辑兼精神分析师，成为了真正的本人助理；
deepseek则被我送去钻研紫微斗数和六爻，顺便承担一些玄学和炒股的有机结合。

最开始还是搞全场景一个ai，现在发现还是多雇几个员工最省事，直接数据库归数据库，代码归代码，知识库归知识库，心理问题归心理问题，无解的问题和炒股就归玄学。

术业有专攻，我也终于给每个ai都找到了ta最美的归宿🥹

以为有了ai自动化之后是躺平，实际发现自己是从流水线工人晋升成流水线维修工——流水线还是个会失忆、还会罢工的傻der，累了，毁灭吧🥹