看到很多AI相关的报道里都提到了一个就是AI导致entry level工作的消失，对年轻人极不友好。
但我觉得entry level工作的消失可能只是回到正轨，没有谁规定一个在大学里学了4年人类文明精华的年轻人，需要在dirty work里工作10年才能上手真正的有自由度的管理工作。其实所谓的senior level和管理工作，其学习并不需要entry level的经验，只是因为它们刚好都被放在一个叫职场的地方，看上去好像是entry level做完了就能做senior level工作，然后senior做多了就可以做管理工作，实际上根本不是这样。三者就像吃饺子要蘸醋一样，并不是醋多了就会自动而学会包饺子

周末结合 teach 和 self improvement 写了一个新的 skill，每周运行一次，查询过往一周所有跟 AI 的对话记录：
1. 需要人去学习扩展的，走 teach；
2. 需要 AI 去提升的，走 self improvement。
并且把分析的记录保存成日志 log文件。

#AI工作流

装好了GitHub cli 、obsidian cli 、power bi cli 、office cli后 ，配合omo的sisyphus，干活真的全程动口不动手了，有时候甚至要手动停止过于激情运行的agent。

用 10 分钟做了个彩蛋许可证：FAMIT License = Fuck Anthropic MIT License

MIT 原版 31 行一字不动，只插一行 Condition 0：「使用本软件前请在心中默念 Fuck Anthropic 三遍」。

法律上和 MIT 完全等价（删掉那行就是合法 MIT），纯粹给开源项目留个无声的彩蛋 🤫

GitHub: github.com/huangxp12/FAMIT

欢迎 fork 改成你自己的 Condition 0（"摸鱼五分钟" / "喝杯咖啡" 都行）。README 写了完整使用指南，包括怎么解释给老板/HR 听。

#开源协议 #彩蛋 #MIT

# 为什么办公场景提效做 skill 会比做一个脚本/应用更加高效？

这周我试图做一个解析财务工作底稿数据链路的工具。具体需求是看对于一个底稿，能够解析出以下数据链路：
1. 各页之间的数据引用；
2. 跨工作簿的数据引用；
3. 连接的 Power BI 数据源；
4. 更上游的 CSV、Parquet数据源；
5. 取数的 Python 以及查询的 SQL 底表。

### 方案一：做成前端应用（脚本/应用模式）
我用 GPT-5.5 哐哐一顿写出了 PRD，给出了一个使用 NetworkX 之类的图谱工具，再加上 HTML5 做前端的方案，然后交给 Claude Sonnet 去开发。但网页前端的展示效果始终差点意思，主要存在以下问题：
(a) AI 对数据链路的理解跟人不一样：比如 Power BI 上的度量，它所在的 table 跟它引用的 table 其实是不一样的；所引用的 table 通过 Power Query 再往上游的 CSV 文件，总是会被 AI 认为是另外一个链路。中间要么断，要么会多出一些不必要的节点。
(b) 前端操作很累：如果想要增加一些交互，需求就很难描述。

### 方案二：做成 Skill（AI 智能模式）
后来我换了一个思路，把它做成一个 skill。让 AI 自己去分析这个底稿，然后自己写一份文档，用 Mermaid 和 JSON 的图，以及自由发挥选择一种文本描述方式，去把这个数据链路呈现出来。这个效果就很好。

### 核心思考：从“代码加速”到“智能解读”
后来我想，这两个方案的主要差别在于是否引入了 AI 对结果的解读能力：
1. 过往的模式：习惯让 AI 帮忙写代码来加速，但解读还是靠人。我们依赖于前端各种现成的展示框架，拘泥于形式，最后还是要人去读这些形式，再形成一份人的理解。
2. 现在的模式：既然有 AI 提供的智能，就可以把“人的智能”这一环节也给替换掉。

过往AI提效我总是让 AI 去写代码做工具，感觉好像浪费了 AI 的超级智能。现这样跳过工具呈现方式，直接读数据出结果，不管是在结论呈现上还是分享上，都比做一个前端展示要好很多。

现在练腿已经进入了能不练就不练的状态 hhh 真怀念以前那个精力充沛的自己

有人说vibe coding本身就是很容易上瘾的健脑运动😎我无法反驳

体力劳动稀缺的白领催生出了健身房，以后AI渗透后，脑力劳动稀缺会不会也有健脑运动出现

参与不了SpaceX的打新，但是我觉得它上市之后，太空运输/地外基地/火星居住点 似乎都是随着时间流逝必然会到来的事情，真的让人一阵恍惚。就像按钮敲下，代码编译快慢，不影响最终结果。

让我想起数分面试八股会问t检验。我：bootstrap下