[{"content":"我慢慢发现，自己写作越来越离不开 AI 了。\n不是“用一下试试”，是真的默认会用。想写一个观点，先让它展开几个方向；想搭结构，先让它出一版骨架；一段话改不顺，扔给它换个说法，反而顺了。\n这个过程里我注意到一件事：用 AI 写作，正在走电脑写作走过的路。\n开始会质疑，然后觉得好用，再后来默认就找它，最后它退到背景里——我不再觉得自己“在用 AI 写作”，我只是在写作。\n现在已经没人讨论“该不该用电脑写作”了，它就是默认。AI 早晚也会到这一步，变成没人再需要表态的事。到那时，真正的问题反而浮出来了。\n两次免费 电脑让文字的编辑成本趋近于零。删一段、移一段、改一句，不再需要涂改液和重新抄一遍。\nAI 让文字的产出成本也趋近于零。输入一句话，出来一段完整论述；以前两小时憋出来的稿子，现在几分钟就能有一个版本。\n两次免费都发生了，但后果不一样。\n电脑改变的是文字的形态：怎么存、怎么改、怎么排。它没有替你完成“想”这一步。你想清楚的，电脑帮你打出来；你没想清楚的，电脑也帮不了你。好作者和普通作者的差距，还在选题、经验、判断这些老地方。\nAI 改变的是产出本身。以前写一篇文章，很大一部分成本花在“把想法变成句子、把句子接成逻辑”上。现在这部分被大幅压低了。\n剩下更关键的，是决定留什么、删什么。\n删减是判断力的结果 写作本质是思考的外在表达。想清楚了，字才站得住；没想清楚，写得再顺也是空的。\n而思考难就难在判断——这段话有没有信息增量，这个观点站不站得住，这个例子是不是真的。判断力一直是写作的核心，只是以前它藏在“写”里面。你在写的时候就在判断，在组织的时候就在取舍，写和判断是同一件事的两面，分不开。\nAI 把“写”外包了，判断力被挤到台前。落到具体动作上，就是删减。\n说个不是写作的例子。前段时间 AI 建站很火，宣传得很酷炫，我也试了，还做出了一个完整的设计。结果折腾了一段才发现，我试的那个工具是纯客户端渲染，内容靠 JS 动态加载，搜索引擎很难抓到，和我做 SEO 的方向冲突。我把做好的东西全删了，不再用这个工具。\n如果一开始就有这个判断，我可能根本不会用它做网站。但判断力往往就是这么来的——先做了，才发现哪不对。\n删减不是独立的手艺，删减是判断力的结果。\n提示词重要，但不是终点 那一定有人会说：最稀缺的不是删减，是写提示词（prompt）的能力。\n这个反驳值得回应。提示词当然重要。你怎么描述任务，怎么给背景，怎么限定风格，都会影响 AI 给你的东西。\n但提示词更像产出端的能力。随着模型变强、工作流变成熟，很多提示词技巧会变成默认配置，或者被工具自动完成。今天你精心写的模板，明天可能就是某个产品里的按钮。\n判断力更难被外包。它不只是技术问题，而是你的经验、审美、价值排序和责任承担。AI 可以帮你模拟偏好，可以给你很多备选，但最后留下哪一句、删掉哪一段，还是要你签字。\n所以我更愿意说：提示词会越来越基础，判断力会越来越露出来。\n删什么，暴露你是谁 一个人写什么，可以模仿、可以学习、可以让 AI 生成。但一个人删什么，暴露的是他的真实判断。\n两篇文章用同一份 AI 产出，一个人删成了鸡汤，另一个人删成了观点。差别不在 AI 写了什么，而在两个人认为“什么不重要”。\n留下的，是你觉得重要的。删掉的，是你觉得不重要的。一留一删之间，品味、经验、价值观全在里面。\n默认情况下，AI 很容易生成正确、完整、但没主人的文字。删完之后，它才开始变成你的。删减不是把文章变短，而是把平均内容里不属于你的部分剔出去。\n判断不够时，人会被 AI 带向平均——AI 写什么就发什么，反正看起来都还行。判断足够时，AI 才会变成加速器——它负责产出，人负责筛选、删减和承担结果。\n","cover":"https://img.fengzhiyonggeo.com/piclist/260716155034536.png","coverAlt":"AI 敢写，我敢删：当文字产出变免费，删减成了新能力封面","date":"2026-07-16","description":"AI 让文字产出变得廉价之后，真正稀缺的不是写得更多，而是敢于删减、保留判断并为最终表达负责。","permalink":"https://fengzhiyonggeo.com/posts/ai-writing-delete-judgment/","title":"AI 敢写，我敢删：当文字产出变免费，删减成了新能力"},{"content":"工作前先做计划，是我 10 多年来的老习惯了。 (图示：滴答清单软件长达 11 年的使用数据汇总截图)\nAI 出来的时候，我就有一段时间特别想把日常计划交给 AI。\n毕竟，那时候我对 AI 的期待是贾维斯级别的。\n我用滴答清单把每天要做的事整理得整整齐齐，然后把这些清单丢给一个 AI 助手，让它帮我把今天的任务排成一个合理的日程。我以为它能比我更冷静、更全局——毕竟它不会被\u0026quot;今天有点累\u0026quot;这种情绪干扰。\n结果它排出来的东西，我几乎都要返工。\n很多时候，AI 会把两件需要长时间专注的事挨着排，因为它不知道我实际上做不到；它会建议我先处理一个\u0026quot;看起来只有五分钟\u0026quot;的小事，但它不知道那件小事背后牵着一个我回避了很久的人。它排的不是我的一天，是一个假设里不会累、不会躲、不会拖的人的一天。\n问题不在 AI 蠢，在上下文只有我自己知道 后来我想明白了一件事：这事本质上不是 AI 不够聪明。是我有一大堆上下文，只有我自己知道，也根本不会主动告诉它——我今天累不累、哪件事我心里其实在躲、那些任务已经拖了三周必须先处理掉。\n这些我没说出口的部分，恰好是决定日程怎么排的那部分。AI 拿到的只是滴答清单上那几行字，它排得越\u0026quot;合理\u0026quot;，离我却越远。 让 AI 排好，我得先说清楚——可我说清楚的时候，自己排完了 所以要让 AI 真把我的日程排好，我得先把这一大堆最新上下文逐条喂给它：昨晚几点睡的、今天和谁吵架了、某件事已经拖了多久、哪件事我心里在躲。它只能拿我喂给它的那点信息去推理，喂不到的一点都拿不到。\n但问题就在这：当我真把这些逐条理清楚喂给它的时候，我自己其实已经把日程排完了。把上下文讲明白这件事，一点都不比自己做一遍计划轻松。把日程交给 AI 省下的那点力气，全花在给它补背景上了，有时候还倒贴。\n所以我暂时不让它做这类活 试过几次之后，我暂时不把日程计划这类活交给 AI 了。不是它不行，是这个分工不划算——我自己排日程，靠的是一堆我自己都说不清的感受和状态，排的时候是顺的；可要把这些翻译成 AI 能消化的文字，反而比自己排还累，而且它排出来的我还得逐条核对它有没有漏掉我没说出口的那部分。\n算下来不如自己排。\n其实不只是日程。一类依赖\u0026quot;我现在什么状态\u0026quot;、而状态又只有我自己清楚的活——比如日程、比如该不该现在接这个事——AI 都卡在同一个地方：它需要你先把只有你知道的东西讲给它，而讲清楚的那一刻，这件事你已经能自己做了。\n也许等穿戴设备能读到比我自己还全的状态，这件事才有可能交出去——但那个\u0026quot;我在躲什么\u0026quot;，它还是得我自己说。\n","cover":"https://img.fengzhiyonggeo.com/piclist/260715170342444.png","coverAlt":"小黑站在状态井边，试图把疲惫、回避和拖延等隐藏上下文舀给 AI 日程机，机器却吐出一张合理但不贴身的计划表。","date":"2026-07-15","description":"让 AI 做个人计划不划算，因为真正决定计划的疲惫、回避、拖延和状态上下文，往往只有自己知道。","permalink":"https://fengzhiyonggeo.com/posts/why-ai-cannot-plan-my-day/","title":"为什么 AI 做不好个人计划？"},{"content":"\n大量使用 AI 工具后，我对加班的感觉变了。\n不是因为“AI 替我干活，所以不用加班”。真正的变化是：脑袋不清醒的时候用 AI，只会越用越乱。如果是用 API，每一次错误指令、无效试错、方向不清的长上下文，都是在花钱。\n过去加班，最多是人累一点、效率低一点。现在不一样了。AI 会放大执行力，也会放大错误判断。它像一支突然变多的兵马：清醒的人指挥它，是乘法；昏君指挥它，残局越难收拾。\n加班的遮羞布被掀开了 过去我其实很喜欢加班。每天工作 10 个小时是日常。早上 8 点到公司，晚上 10 点下班，也太正常了。\n那时候我会觉得这是一种认真：至少我在推进事情，至少我没有闲着。但回头看，这份“认真”里有自我感动的成分——光是“完成工作量”本身就能让我心安。加班当然也有自己想推进的事；可还有一部分，是用努力逃避思考，逃避家长里短的生活琐事。\nAI 把这个加班遮羞布掀开了。因为 AI 不奖励努力，只放大输入。你清醒，它帮你跑得更快；你糊涂，它帮你生成更多文件、代码、方案，以及更多看起来像成果的垃圾。\n这不是低收益，是负收益——你不止没有前进，还制造了后续要清理的东西，并且为这些错误方向实打实付了 token 账单。\n负收益是怎么来的 过去很多公司和工作的默认逻辑是：\n有效产出 = 时间 × 执行力\nAI 时代，这个公式将会变成：\n有效产出 = 清醒状态 × 执行力\n执行力被 AI 接管后，清醒状态就成了唯一还在你手里的系数。目标清楚、边界清楚、知道怎么验证，AI 就是乘法；目标含糊、判断力下降、没有精力复查，AI 也还是乘法，只不过乘出来的是混乱。\n长工时本来就带不来线性产出。超过某个阈值，人就开始变慢、出错，边际收益往下掉。\n以前掉就掉，顶多是当晚产出打折：你只是慢，不会跑得更远。现在不一样了——你不只变慢，判断糊涂的时候还会指挥 AI 朝错误方向跑得更快。你越累，它越快，错得越多。\n比如半夜改需求，脑子已经不清醒了，让 AI 连写三版方向各异的代码，第二天一看全删。这种事在 AI 之前是浪费一个晚上；现在还要搭上 API 费用，以及第二天清理残局的半天。\n这种负收益我叫做：很辛苦地亏钱。时间没了，钱还少了。\n真正该反对的是不清醒，不是辛苦 辛苦不是问题，不清醒才是。同样是坐到深夜，状态在线是付出，状态掉线是在欠债——欠的是第二天要重做、要清理、要回滚的那一堆残局。\n更糟的是，这笔债以前欠得有限，最多是你一个人多花几个晚上；现在 AI 替你放大执行，也就放大了这笔债：你欠下的不再是几小时，而是一整批方向错误的代码、文档和方案。\n以前，昏君只是昏君。\n现在，昏君手里有千兵万马，还有一张按 token 计费的账单。\n","cover":"https://img.fengzhiyonggeo.com/piclist/260714233614164.png","coverAlt":"AI 时代，加班是负收益——token 账单配图","date":"2026-07-14","description":"脑袋不清醒的时候用 AI，不是提高效率，而是在放大错误判断、制造返工，并为无效试错支付 token 账单。","permalink":"https://fengzhiyonggeo.com/posts/ai-overtime-negative-return/","title":"AI 时代，加班是负收益"},{"content":"最近订阅 AI 工具有点多，我发现一个细节：付款越来越快了。\n以前买一个工具，要输入卡号、有效期、CVC、账单地址，有时还要跳转验证。现在很多地方点一下 Link，再确认身份，支付信息就自动带出来了。\n我一开始以为 Link 是一家新支付公司，后来才发现它是 Stripe 做的跨商家快速付款钱包。它真正改变的不是“少填几个表单”，而是把支付从“人每次重新操作”，变成了“系统识别你是谁，然后调出可信的支付能力”。\n本质上是入口变了：从“人去操作每一步”，变成“系统替你调出能力，你只做确认”。\n这个细节让我重新理解了 GEO。\n很多人说，GEO 就是 SEO 的升级版。我觉得不准确。GEO 和 SEO 的工作逻辑相似，但面对的入口已经不一样了。\nSEO 解决的是：用户搜索之后，能不能点到你。\nGEO 解决的是：AI 生成答案、做推荐、帮用户比较时，会不会把你纳入它的判断范围。\n再往后一步，Agent Commerce 解决的是：AI 替用户执行任务时，会不会选择你、购买你，并完成付款和售后。从搜索到答案再到执行，入口正在层层下移。\n未来电商会多出一层：给 agent 用的层 过去用户买空气净化器，可能会打开 Google，搜关键词，点进 20 个网站，看参数、看评价、比价格。未来用户可能直接对 AI 说：\n“帮我找一款适合 30 平米公寓、低噪音、能寄到加州、预算 200 美元以内的空气净化器。”\n这时候 AI 不只是找网页。它要理解规格、价格、库存、配送、退货、认证、评价、售后和支付方式。更关键的是，它要判断：这个商品是否适合用户的真实场景。\n所以未来电商会分成两层。\n第一层还是给人看的。品牌、视觉、故事、种草、审美和情绪价值都不会消失。\n但第二层会越来越重要：给 agent 用的层。\n这一层不是一句“陪你征服每一段旅程”就够了。Agent 需要知道容量、功率、噪音、尺寸、适用场景、不适用场景、保修几年、配送多久、能不能退、有没有库存、能不能直接下单。这些信息不能只写在给人看的详情页里，还要以机器可读的方式提供：结构化的商品参数表、对 agent 开放的库存与下单接口、可被调用的支付能力。\n换句话说，电商竞争会从“页面竞争”进一步走向“可操作信息竞争”。\nGEO 不是新 SEO，而是新的 AI 认知入口 如果只看 Google 的 AI 搜索，SEO 基础当然仍然重要。网页能不能被抓取，内容是否清楚，结构化数据是否完整，品牌是否可信，这些不会突然失效。\n但如果看 ChatGPT 的商品发现与购物功能、Stripe 面向 agent 的支付能力，以及 Stripe 与 OpenAI 在让 agent 直接完成购买上的合作，问题就不只是“网页有没有排名”。\n真正的变化链条是：搜索引擎 → 答案引擎 → Agent → 交易层。\n搜索引擎时代，商家争排名；答案引擎时代，商家争 AI 回答；Agent 时代，商家争理解、比较、信任和执行；交易层时代，商家争 agent 能不能直接买得到。\n所以我更愿意这样定义：\nSEO 是流量入口优化。\nGEO 是 AI 认知入口优化。\nAgent Commerce 是 AI 执行入口优化。\n未来电商不只是让人买得爽，还要让 agent 找得到、看得懂、比得出、买得了。\n因为人人都有 AI 的时候，人人也就都有了自己的采购经理。用户不会再从零筛选所有商品，他会先让自己的 agent 过滤一层。\n到那时，商家的第一个客户，可能不是人，而是他们的 AI 代理人。\n","cover":"/images/geo-agent-commerce-new-entry-system/01-entry-layer-down.png","coverAlt":"GEO、SEO 与 Agent Commerce 的入口层级变化","date":"2026-07-14","description":"搜索、答案、Agent 与交易入口正在层层下移；GEO 优化的是品牌进入 AI 判断范围的认知入口。","permalink":"https://fengzhiyonggeo.com/posts/geo-agent-commerce-new-entry-system/","title":"GEO 不是 SEO 的升级，而是 AI agent 时代的新入口系统"},{"content":"6 月份的一个周末，我去了广州黄沙集市。\n现场刚好在做一个香港助学活动，人挺多，也吸引了很多人过来逛。人一多，拍照的人自然也多。让我印象比较深的是，现场有不少人挂着相机，有人拿着很专业的机身，有人背着长焦镜头，站在摊位前找角度、等光线、拍氛围。\n我看着这些设备，突然想到一件事：相机的普及，和现在 AI 工具的普及，其实很像。\n以前单反相机还是一个比较高端的东西。一个人只要会用单反，别人就容易觉得他会摄影。因为那时候“拍得清楚”“曝光正常”“背景虚化”本身就是门槛。你能把这些东西搞定，别人就会默认你有水平。\n后来单反普及了，手机摄影也越来越强，甚至很多手机的成像能力已经超过入门相机。“有单反 = 会摄影”这个观念慢慢消失了。大家不再因为你脖子上挂着相机，就默认你拍得好。相反，器材越普及，很多人的问题反而越明显：东西是拍清楚了，但照片没什么可看的。\n这时候大家才意识到，摄影器材的普及，并不是让所有人都变成了摄影师，而是把很多人的审美暴露了出来。\n我自己也有过类似经历。以前我也以为，只要搞懂相机、镜头、灯光和参数，就能拍出好的照片。后来专职做了 2 年电商摄影师，才发现一个很残酷的事实：我其实对美没有感觉。\n更准确地说，我不是不会操作设备，而是缺少判断一张照片好坏的能力。参数我能调，灯光我能布，流程我也能做完，但到了最后挑图、修图、判断这张照片到底好不好时，我心里其实是空的。很多时候，我最真实的想法只是：这照片弄来弄去有什么意义？差不多就行了。可摄影最要命的地方，恰恰就在这个“差不多”上。你越分不清好和差，技术越熟练，就越像是在熟练地完成动作，而不是在创作。\n所以，人均相机之后，真正拼的不是器材，而是审美。\n但审美本质上也是一种判断力。它不是单纯说一句“好看”或者“不好看”，而是你能不能判断：这张照片只是拍清楚了，还是确实有意思；这个画面只是记录下来了，还是它真的抓住了某个值得看的东西。\n这就引出了我真正想问的问题：人均相机之后拼审美，人均 AI 之后拼什么？\n我的答案是：还是判断力。审美只是判断力在视觉上的那一小块，AI 把这件事从照片，扩展到了文字、方案、代码，扩展到了所有领域。\n强大工具越普及，执行能力就越不稀缺；执行越不稀缺，判断力就越稀缺。\nAI 和相机一样，先把“做出来”的成本打下来。以前写文章、做图、写代码、做方案，都需要一定手艺。你能写得通顺，能做出一张图，能写出一段能跑的代码，就已经算有门槛。但 AI 出来之后，很多东西突然变得容易了。你不会写，它能帮你写；你不会画，它能帮你画；你不会搭结构，它也能给你搭一个看起来还行的结构。\n问题是，看起来还行，不等于真的好。\n相机只是帮你拍下来，它不会替你决定这一张值不值得留下。AI 更进一步，它不只是帮你执行，还会给你一个看起来完整、顺滑、没什么大毛病的结果。于是很多人最容易被迷惑的地方就在这里：东西已经生成出来了，语言也通顺，结构也完整，看上去没有问题，于是就以为它是好东西。\n但真正的差距，恰恰在这里。\n你能不能看出一段话只是顺，还是有洞察？能不能看出一个方案只是完整，还是真的解决问题？能不能看出一张图只是漂亮，还是有气质？能不能看出一段代码只是能跑，还是结构上值得信任？这些东西，AI 可以给你材料，但最后拍板的人还是你。\n回到黄沙集市，我觉得那个现场很能说明问题。市集已经被布置得很好看了：摊位、招牌、灯光、氛围，很多东西都已经准备好了。也就是说，别人已经替你完成了一部分判断：这里适合拍，这里有画面，这里有氛围。\n所以很多人拍出来的照片都差不多。同样的摊子，同样的光，同样的角度，同样的“市集感”。照片不是不能看，但你很难从里面看出谁真的有自己的眼睛。\n这时候，相机也发生了一个变化。它不只是工具，也变成了道具。\n很多人专门带相机出门，不一定是因为手机拍不了，而是因为“挂着相机”本身像是在表达一种身份：我是一个会看、会拍、有审美的人。可问题是，当技术门槛已经降低，相机就不再自动证明你会摄影。它最多只能证明你带了相机，不能证明你真的看见了什么。\nAI 也会走到这一步。会用 AI、不再稀奇。写了很多 prompt、不一定有判断。一天生成很多内容，也不代表你真的知道自己要什么。\n过去，很多人可以用勤奋的执行，掩盖懒惰的思考。因为你很努力地写、很努力地做、很努力地改，别人至少会觉得你在干活。但 AI 把执行成本降下来以后，这层遮羞布也会被拿掉。你真正的判断标准是什么，你到底想表达什么，你能不能删掉不该留的东西，都会变得更明显。\n不过这里有个容易被忽略的地方。我自己是做了 2 年、拍了大量的图，才发现自己没审美的。也就是说，判断力其实不是凭空来的，它恰恰是在大量执行里一点点喂出来的。你被逼着拍很多烂图，烂着烂着，才慢慢长出自己的眼睛。\n这就带出一个反过来的问题：AI 让人跳过了执行，会不会反而让判断力更难长出来？以前你没得选，只能自己一遍遍做，做废无数次，判断力就是这么熬出来的；现在 AI 一键给你成品，你连做废的过程都省了，那判断又从哪里来？\n我没有特别漂亮的答案。但有一点是确定的：判断力不会因为 AI 来了就自动到位，恰恰相反，你得比以前更刻意地去练、去为自己的每一次取舍负责。而这，正是差距会被拉开的地方——以前难的是把东西做出来，以后难的是看出来什么东西值得留下。\n所以，人均相机之后拼审美；人均 AI 之后拼判断力。\n工具会越来越多，生成会越来越快。最后拉开差距的，不再是谁做得更多，而是谁能看得更准了。\n","cover":"https://img.fengzhiyonggeo.com/judgment-after-ai-01-cover.png","coverAlt":"人均相机之后拼审美，人均 AI 之后拼什么——文章封面","date":"2026-06-30","description":"AI 普及后，工具能力会逐渐趋同，真正拉开差距的是目标选择、取舍和对结果的判断。","permalink":"https://fengzhiyonggeo.com/posts/judgment-after-ai/","title":"人均相机之后拼审美，人均 AI 之后拼什么？"},{"content":"自从用了 AI，长文章、长视频，我基本没了耐心。 大多数时候，我会先把它丢给 AI，问一句：这对我有什么用？ 如果 AI 说里面确实有东西、甚至建议我去读原文，我才会重新考虑。\n看起来，这只是我的阅读姿势变懒了。 但我越来越觉得，这不是个人习惯的小变化。 问题不是「用了 AI 之后还要不要读原文」。 问题是：原文，在什么时候还值得读。\n过去我们读原文，是因为没有别的入口。 一本书、一篇长文、一个两小时的视频，你必须自己从头钻进去，才能判断它有没有价值。 现在 AI 成了第一层筛选器。\n前段时间，我刷到一个 YouTube 长视频，标题是个国外卖家用 AI 实现高速增长的出海案例，挺吸引人。 我看了一下开头，发现时长 1 个多小时。 然后我就把它转成文字丢给 AI，问：这对我有什么用？ AI 说：里面说法过于营销，对你价值不大，不用看。 然后，我就真没再看下去了。\n同样的，GitHub 上天天有爆火的工具、skill、插件。 以前我还会看一眼介绍，现在我连「爆没爆」都不关心了。 我只会丢链接，然后问 AI：这东西对我有用吗？它说有用、能装，我才动手。\nAI 不只是帮我筛选。有时候，它直接替我把原文读完了。 前段时间，卡帕西那个爆火的 wiki 项目，我本来想自己啃文档。 结果全是开发者视角的术语，对我这种跨境卖家，一大半是冗余。 我啃不动，然后上网找视频看看有没有博主讲解的简单点，结果视频也看不懂。 最后，我干脆丢给 Claude，问它：这东西我到底怎么用？ 它把整个项目，转译成了我能看懂、能上手的版本，比视频博主说的保姆教程还保姆。 我很快就用起来了——而我自始至终，没真的「读」过那份原文。 这比筛选更进一层：AI 不止告诉我值不值得读，它还能把不属于我视角的原文，翻成属于我的。\n那 AI 还替不了什么？ 我本来想说：体验式的东西——音乐、电影、故事，这些你总得自己经历吧。 可话到嘴边，我自己先打了脸。 我已经很少看原片了，大多数电影，我直接看解说。 连「看电影」这种最该亲历的体验，大众都在习惯「看解说版」。 电影如此，原文更是如此了。\n所以用了 AI 之后，我不是不读原文了。 而是读得更少、更晚、更有目的。 读原文，正在从一个默认动作，变成少数时刻才舍得做的奢侈行为。\n而且不只读原文。AI 替我筛选、替我转译，连体验都能换成一段解说——它能接手的越来越多。 可它接手得越多，有样东西反而越扎眼：它能告诉我「讲了什么」，却替不了我决定信不信、用不用、要不要照着做。 筛选和转译可以外包，判断不能。 机器把「读」接走了，「想」却推不掉——读得越省心，想得就得越用心。\n你呢，现在还会读原文吗？\n","cover":"https://img.fengzhiyonggeo.com/read-original-after-ai-01-cover.png","coverAlt":"用了 AI 之后，你还会读原文吗——文章封面","date":"2026-06-30","description":"AI 可以代替筛选和转译原文，却不能替人决定信不信、用不用；阅读减少后，判断反而更重要。","permalink":"https://fengzhiyonggeo.com/posts/read-original-after-ai/","title":"用了 AI 之后，你还会读原文吗？"},{"content":"\nClaude Code 用得越深，我越明显感到一个问题：额度不够用。\n不是完全不能用，也不是非得立刻升级到更高套餐，而是那种很尴尬的状态——差一口就能吃饱，但每次刚进入工作状态没多久，就撞上 5 小时额度上限。\n如果只是偶尔写几段代码、问几个问题，这个限制不算严重。但我现在的使用方式已经不是「问答」了，而是把 Claude Code 当成一个长期工作台：读项目、拆任务、写文档、改代码、复盘流程、沉淀规则。它参与的环节越多，额度消耗就越快。\n直接升级 Claude Code 更高阶套餐，当然是最简单的办法。但我当时的判断是：还没到那个阶段。不是用不上 Claude，而是还没有用到必须花更多钱买大额度的程度。真正的痛点不是「完全不够」，而是「核心判断想留给 Claude，机械执行也在消耗 Claude」。\n于是我开始找一个补位工具。\n最后补进来的，是 Codex CLI。\n我为什么装 Codex CLI？ 原因很简单：它符合我的工作场景。\n我本来就习惯在 CLI 里工作。项目在本地，Obsidian、终端、Git、脚本、AI 助手都围绕文件系统转。相比再开一个网页工具，Codex CLI 更容易嵌进现有流程里。\n更重要的是，Codex 有自己的额度。对我来说，它不是要替代 Claude Code，而是给 Claude Code 分担一部分消耗：那些不太需要深度判断、但需要模型去读文件、改文件、跑命令、整理结果的活，可以先交给 Codex。\n一开始我的想法很朴素：Claude Code 额度不够，就装个 Codex CLI 将就一下。\n真正用起来以后，我对它的定位反而更清楚了：Codex 不是我的第二个大脑，而是我给 Claude Code 装上的一只机械臂。\n大脑负责判断，机械臂负责干活。\nCodex CLI 的体验：不是不好，而是不能乱用 先说结论：我目前不会把 Codex 当成 Claude Code 的平替。\n它当然能回答问题，也能写代码、读项目、执行任务。但在我的使用感受里，它和 Claude Code 的气质不一样。\n第一，Codex 的判断感弱一些 我对 Codex 最明显的感受是：它更容易顺着用户说。\n这件事在无关紧要的问题上没什么影响。比如让它整理文件、补一段说明、按规则改格式，它答得肯定一点，甚至还会让人感觉执行很顺。\n但如果问题本身需要判断，比如：\n这个方案值不值得做？ 现在是不是该重构？ 这个工作流是不是过度设计？ 某个产品定位是否跑偏？ 我自己的判断里有没有盲区？ 这类问题，我更愿意找 Claude Code，而不是 Codex。\n因为我需要的不是一个一直说「对，你说得有道理」的助手，而是一个能帮我拆开问题、指出风险、反驳我、逼我把前提讲清楚的合作者。\n所以我现在对 Codex 的回答，默认会多一层质疑。无关紧要的问题可以问它，重要的思考和讨论，我还是只和 Claude 聊。\n第二，Codex 对复杂问题和任务响应体感更慢 另一个直观感受是慢，这里的慢是针对复杂问题和任务而言的。 日常小问题codex回答起来比Claude实际上快很多的。\n同样一个稍微深一点的问题和任务，分别丢给 Claude Code 和 Codex，Codex 的回答体感会慢不少。这个我没有做严格基准测试，因为意义不大。工具都会迭代，速度后面肯定会变。\n但作为日常工作流的一部分，体感速度本身就很重要。\n如果一个工具慢，但判断力强，我可以等。如果一个工具慢，同时判断还需要我反复校验，那它就不适合被放在「核心讨论」位置。\n这也是我后面形成分工的原因：Codex 不负责替我想清楚问题，它负责在问题已经被 Claude Code 拆清楚以后，去执行。\n那为什么不直接申请两个 Claude Code 账号？ 这也是我当时想过的方案。\n如果一个 Claude Code 账号额度不够，那是不是再开一个账号就好了？Claude 官方层面并不是完全不能这么做，但实际使用会遇到一个问题：切换账号。\n对轻度使用者来说，手动切换可能没什么。但我现在的工作流里，AI 助手不是孤立工具，而是跟本地项目、全局规则、会话上下文、CLI 环境、插件配置都绑在一起。\n两个 Claude Code 账号来回切，我会担心几件事：\n哪个账号加载了哪套规则？ 哪个会话承接了哪个项目上下文？ 本地配置会不会被我自己搞混？ 数据、记忆、插件状态会不会出现不一致？ 这些不一定真的会出问题，但只要存在这种可能，我就不想把它放进主工作流里。\n相比之下，Codex CLI 更像一个清晰的外部执行器。它有自己的环境、自己的额度、自己的职责。边界越清楚，协作越稳定。\n真正让我继续用 Codex 的，是 Claude Code 插件 单独使用 Codex CLI 后，我其实没有特别兴奋。\n它能用，但没有到「从此我转向 Codex」的程度。真正让我觉得这件事值得继续折腾的，是 OpenAI 的 codex-plugin-cc。\n这个插件的思路很直接：让 Claude Code 用户可以在原来的工作流里调用 Codex。也就是说，你不用完全切到 Codex，而是可以让 Claude Code 把一部分任务委派给 Codex。\n这个瞬间，我对 Codex 的理解变了。\n以前它是另一个工具；装上插件以后，它更像是 Claude Code 的外挂机械臂。\n我并不是花钱买了一个新主脑，而是花钱给 Claude Code 加了一条执行手臂：Claude 继续负责出方案、做判断、复审结果；Codex 负责接任务、跑流程、产出交付物。\n从这个角度看，给 Codex 充值就不再像「又订阅了一个工具」，而像是「加强了 Claude Code 的执行层」。\n这就是我为什么明明觉得 Codex 体验不如 Claude Code，却还继续用它，甚至愿意充值。\n但我没有把插件直调作为主流程 听起来，Claude Code 能直接调用 Codex，是不是就完美了？\n理论上很美。\nClaude 在当前会话里判断任务，然后自动派给 Codex；Codex 在后台执行，完成后把结果返回；Claude 再继续总结或复审。整个过程像多 Agent 协作，用户只需要等结果。\n但真用到自己的项目上，我反而把它收了起来。\n原因只有一个：黑箱。\n插件直调的问题不在于它不能用，而在于中间过程太顺了。Claude 把活甩过去，Codex 闷头做完，再返回一个结果。方便是方便，但我很难看清楚：\nClaude 到底把任务描述成了什么？ Codex 是否理解了任务边界？ 它动了哪些文件？ 它有没有做超出范围的改动？ 它的自验是不是可靠？ 如果结果不对，我该从哪里回溯？ 对成熟、低风险、边界清楚的任务来说，这些问题不大。\n但我的很多项目都还在早期阶段。早期项目最大的问题不是「执行速度不够快」，而是「方向和边界还不够稳」。这时候让一个黑箱自动跑起来，一旦跑偏，后面改错的成本可能比省下的时间还高。\n所以我最后采用了一个更原始、也更稳定的方法：文件交接法。\n什么是文件交接法？ 文件交接法的核心逻辑很简单，只有三步：\nClaude Code 生成任务文件 tasks.md； Codex 读取 tasks.md 执行任务，完成后生成交付文件 report.md； Claude Code 读取 report.md，按原任务要求审核确认。 看起来很笨，但它解决了我最在意的问题：可见、可查、可复审。\n在这个流程里，Claude Code 不再是随口把任务丢给 Codex，而是先把任务写成一份清楚的工单。工单里至少要写明：\n背景：为什么要做这件事； 目标：最终要达成什么； 范围：哪些能动，哪些不能动； 验收标准：做到什么程度算完成； 自验方式：Codex 做完后要怎么检查； 交付格式：最终 report.md 里要写什么。 Codex 拿到的不是一句模糊的「帮我改一下」，而是一份边界清楚的任务书。\n完成后，Codex 也不能只说「我做好了」。它要写 report.md，说明：\n实际做了什么； 改了哪些文件； 如何对齐任务要求； 做了哪些验证； 还有哪些风险或未处理事项。 然后 Claude Code 再拿这份交付报告，回到最初的任务标准里复审。\n这才是我想要的多 Agent 协作：不是两个模型在黑箱里互相说话，而是一个模型出工单，一个模型交报告，最后再按工单验收。\n为什么我执意用文件交接？ 因为文件是最稳定的协作界面。\n插件、MCP、会话、上下文、后台任务，这些东西都很强，但也都更复杂。复杂系统一旦出问题，排查成本就会上升。\n文件不一样。\ntasks.md 写在磁盘上，谁都能读；report.md 写在磁盘上，谁都能查。今天用 Claude Code + Codex 可以跑，明天换别的 Agent 也可以跑。新项目能跑，老项目也能跑。改代码能跑，写文档也能跑。\n这套方法牺牲了一点自动化，但换来了几个确定性：\n第一，任务边界更清楚。\nClaude Code 必须先把事情讲明白，才能交给 Codex。这个动作本身就会逼我和 Claude 一起澄清任务。很多时候，真正有价值的不是 Codex 后面执行了什么，而是 Claude 在写 tasks.md 时把目标、范围和验收标准整理清楚了。\n第二，中间过程可回溯。\n如果结果不对，我可以回头看：是任务本身没写清楚，还是 Codex 执行跑偏了，还是验收标准缺失。问题能定位，就能改流程。\n第三，责任分工更稳定。\nClaude Code 负责判断，Codex 负责执行，用户负责拍板。三个角色不混在一起，协作就不容易乱。\n第四，它不依赖某个特定插件。\n插件直调很好，但它是加速通道，不应该成为唯一通道。只要我的主流程建立在文件交接上，即使插件临时不可用，整个协作也不会瘫痪。\n自动分工不是自动放权 这里有个容易误解的点：我不是反对自动化，也不是反对多 Agent 调度。\n我反对的是，在任务还没讲清楚的时候，就把控制权交给自动调度。\n很多人一听「Claude 调 Codex」，第一反应是：太好了，以后 Claude 自动分工，Codex 自动执行，我不用管了。\n但我的实际感受正好相反。越是多 Agent，越要把规则写死。否则两个模型都很努力，但努力方向可能不一致。\n自动分工的关键，不是让模型自由发挥，而是把分工规则写清楚：\n什么任务必须留给 Claude Code 判断； 什么任务可以交给 Codex 执行； 交给 Codex 前必须生成什么工单； Codex 完成后必须交付什么报告； Claude Code 如何复审； 哪些情况下必须停下来问用户。 这些规则可以写进 Claude Code 的全局规则，也可以写进项目规则。Codex 侧则用 AGENTS.md 约束它在项目里的行为。\n我现在的原则是：先用文件交接把流程跑稳，再考虑插件直调提速。\n插件直调适合什么时候用？ 虽然我主流程不用插件直调，但我并不否定它。\n相反，我觉得它很适合做「快线」。\n比如：\n让 Codex 做一次只读 review； 对某个方案做反向审查； 把一个边界非常清楚的小任务丢给 Codex； 在项目已经稳定后，让 Codex 后台跑一段机械执行； Claude Code 已经写好详细计划，只需要 Codex 按计划实现。 这些场景下，插件直调的优势就出来了：快、顺、少切换。\n但它不适合一上来就接管主流程。尤其是在项目早期、任务边界模糊、你自己也还没想清楚的时候，插件越顺，风险越大。\n所以我的排序是：\n先文件交接，后插件直调。\n先白纸黑字，后自动提速。\n先让协作可靠，再让协作变快。\n如果你也想照着做 最简单的路径是三步。\n第一，装 Codex CLI，并登录你的 ChatGPT 或 OpenAI API 账号。\nnpm install -g @openai/codex codex login 第二，在 Claude Code 里安装 codex-plugin-cc。官方 README 给出的路径是：先添加 marketplace，再安装插件，重载插件，最后运行 setup。\n/plugin marketplace add openai/codex-plugin-cc /plugin install codex@openai-codex /reload-plugins /codex:setup 第三，不要急着全自动派活。先让 Claude Code 帮你写一条全局协作规则：以后凡是需要 Codex 执行的任务，先生成 tasks.md；Codex 执行完必须生成 report.md；Claude Code 再按任务要求复审。\n也就是说，真正关键的不是安装命令，而是分工规则。\n没有规则，插件只是一个更快的黑箱。\n有了规则，Codex 才会变成 Claude Code 的机械臂。\n结尾：我不是在换工具，而是在重组工作流 这次折腾 Codex CLI 和 codex-plugin-cc，我最大的收获不是「发现了一个更便宜的替代品」。\n恰恰相反，我更加确认：Claude Code 仍然是我的主工作台。\n它负责和我一起想清楚问题，拆出方案，判断轻重缓急，最后复审交付。Codex 的价值不在于替代它，而在于把一部分执行消耗接过去。\n以前我把所有事情都丢给 Claude Code：讨论、判断、改文件、跑命令、写报告。这样当然顺，但也会快速消耗额度。\n现在我更愿意把工作拆成两层：\nClaude Code 做判断层； Codex 做执行层。 中间用 tasks.md 和 report.md 交接。\n这套方法看起来没那么炫，但它符合我现在对 AI 工作流的理解：真正重要的不是让 Agent 越来越自动，而是让每一次自动化都有边界、有记录、能复审。\n只有这样，AI 才不是一个会随机扩大影响面的黑箱，而是一套可以长期接进项目里的工作系统。\nCodex 不是我的第二个大脑。\n它只是我给 Claude Code 装上的一条机械臂。\n大脑继续思考，机械臂负责干活。\n参考资料 OpenAI codex-plugin-cc OpenAI Codex CLI features OpenAI Codex plugins OpenAI Codex AGENTS.md guidance ","cover":"https://img.fengzhiyonggeo.com/codex-arm-01-cover.png","coverAlt":"给 Claude Code 接入 Codex 执行能力的文章封面","date":"2026-06-25","description":"把 Codex 作为执行工具接入 Claude Code，在保留 Claude 协作体验的同时分担编码执行和额度消耗。","permalink":"https://fengzhiyonggeo.com/posts/claude-code-codex-arm/","title":"给 Claude Code 装上 Codex 机械臂"},{"content":"起因：8GB 内存被 AI 工具吃光 今天早上打开 MacBook，卡到不行。\n照例打开活动监视器一看：一个 node 进程吃了 1.6GB，Claude 的一个窗口占了 1.2GB，内存压力直接飙到 92%。\n我这台电脑只有 8GB，本来就紧。偏偏为了提效，我装了一堆 MCP、skill，每个都会在后台拉起一串进程。结果就是——你用来提效的 AI 工具，自己先把内存吃光了。 这是 AI 时代才有的新问题，以前没人会因为装了几个效率工具就内存爆掉。\n光看进程名是 node，根本不知道是谁。顺着 node 进程的命令行参数往回扒，才认出真凶：lark-mcp（飞书的 MCP）——之前我已经清过一次，这回又死灰复燃。\n索性彻底卸载了这个「内存刺客」。\n顺着 node 进程参数往回扒，认出真凶 lark-mcp，彻底卸载。\n折腾完我突然冒出一个念头：其实让 Claude 来帮我看内存，本身就是个挺好的办法。它不只是甩给你一堆数字，而是像一个医生——带你做检查，还告诉你这块内存到底被什么吃掉了、为什么。这种体验，远胜于那些只会「展示数据」的内存优化工具。\n而且对我来说，「清内存」会是个高频需求。一方面机器内存本就紧张，禁不起浪费；另一方面 MCP、skill 装多了，会在后台莫名其妙占掉一大块——你以为关了窗口就完事，其实进程还在那儿吃着。可以说，这几乎是刚上手 Claude Code 的人都会撞上的问题：功能越装越多，机器越用越卡。\n于是我打算把这事做成一个 skill，方便以后随时调用。\n为什么现成的内存工具都是「伪优化」 为了做这个 skill，我先去看了看市面上现成的内存工具。结果有点失望——这类工具满大街都是，但大多数其实是「伪优化」。\n问题出在它们清的根本不是该清的东西。\n这里要先说个反直觉的事实：macOS 故意会把你暂时不用的内存拿去缓存最近打开过的文件，让你下次再打开时直接从内存里秒读，不用再去硬盘捞。所以活动监视器里那一大块「已用」内存，很多其实是缓存——它看着被占着，但系统一旦需要，立刻就能收回来用。换句话说，这部分内存本来就是随时可用的，它不是问题。\n活动监视器里那块「已用」内存，很多其实是随时可收回的缓存。\n而那些「一键清理」工具干的，就是强行把这块缓存清掉，让「可用内存」的数字唰一下涨上去，你看着舒服。可代价是：你下次再打开那些文件、那些软件，得重新从硬盘读一遍，反而更慢了。它清掉的是正在帮你的东西，却对真正拖慢你的元凶——某个软件实打实占住的一大块活动内存——一点没碰。\n所以它优化的是一个错误的数字。真正该看的不是「可用内存还剩多少」，而是内存压力：当真正在用的内存太多、系统被迫开始压缩内存、往硬盘上倒腾（swap），这时候才是真的卡。而这恰恰是缓存清理工具碰都不碰的地方。\n那问题来了：既然真正该做的是「找出那个吃内存的软件、把它关掉」，为什么没有一个工具直接告诉你该关哪个？\n不是它们不想，是它们做不到。\n因为「该关哪个」这件事，离不开你当下的处境：哪个是你正在用的前台窗口、哪个开着但其实不要紧、哪个动了会丢你没存的东西。一个要卖给几千万人的产品，根本不知道此刻坐在屏幕前的你正在干什么，它没法、也不敢对一个具体的人说「把你这个关了」——万一你正用着呢？\n而清缓存恰好相反：它对每一台机器都安全，清了系统也能自己恢复，不会捅娄子。于是它就成了标配——正因为它没用，所以它安全。 真正有用的那个动作（关掉那个具体的软件），偏偏是大厂没法替陌生人做主的。\n这就是通用产品那截永远走不完的「最后一公里」。\n私人工具的特权：不必正确，只需对我有用 但我要做的，是一个只给我一个人用的工具。这就完全不一样了。\n它知道我此刻在用什么、什么能关、什么碰不得，因为它只服务我一个人。这有点像医生：给陌生人看病得处处保守，怕担责任；可要是医生给自己治病，反倒敢下猛药——因为他清楚自己的底细，知道这一针扎下去不会出事。\n[!quote] 私人工具 vs 大众工具 私人工具和大众工具不可比拟的地方就在这儿：它不必正确，只需对我有用；它可以想多武断就多武断。\n于是我动手做了一个。做出来才发现：不难，而且特别顺手。那些大公司产品不肯碰的事，它全替我干了——把同一个软件拆出来的一堆后台进程合并到一起算，按真正占内存的多少排好序，自动跳过我正在用的窗口，最后直接告诉我：这几个，可以关。\n做完最大的感受是这个：\n这些功能其实一点都不难，过去没有，不是因为做不出来，而是没人愿意为「一个人」专门做一遍。大公司的产品要讨好大多数人，注定有一截「最后一公里」它永远不会替你走完。而现在，靠 AI，你完全可以自己把这一截补上——做一个只服务你自己、想多直接就多直接的小工具。\n最后我把脚本整理了一下，放到了 GitHub：github.com/fengzhiyongGEO/memcheck。\n整理好的脚本放到了 GitHub。\n用得上的人估计也不会很多，需要有苹果电脑和在用 Claude Code，但它却实实在在解决了我自己的问题。\n另一层：为什么我不直接推荐 Claude Code 写完这些，我又想到另外一层。\n平时朋友问我 AI 工具怎么用，我会说先用 Claude.ai 的 chat 聊天模式，而不是直接使用 Claude Code 这个核心产品。\n不是它不好，恰恰相反——前面这一整套，看内存、定位进程、写脚本、传 GitHub，全靠它。效率上，没有什么能比。\n但我不敢上来就推荐。\n[!danger] 我自己踩过的坑 有一次 Claude Code（权限全开模式）把我 Obsidian 里一批笔记直接清空了。那不是什么无所谓的测试数据，是攒了很久的东西，说没就没了。后来我搞清楚了原因，也学会了怎么防——做好备份、分清权限、敏感目录不让它随便动——但那种「东西突然没了」的瞬间，到现在想起来还是会有点后怕的。\n但也正因为摔过这一次，我现在反而敢继续往深处用：敢让它装 skill、清后台进程、碰一些系统级的东西。因为我知道自己的底——哪些地方有备份、哪些操作以前出过问题、出了问题能不能兜得住——这些都是自己摔出来的经验。\n可这套东西真的没法直接打包转交给别人——**怎么开车，别人能教；但对马路的敬畏，只能自己悟。**换一个朋友来用，他没经历过那次清空，没有那种敬畏，大概率会一路把权限开到底——然后某一天，可能就轮到他的笔记被清空。到那时候，这对他不是「踩坑长经验」，是真的丢了东西。\n选择不直接推荐，反而是对朋友负责的表现。\n所以最后还是那句话：医生给自己治病，才敢下猛药——因为他清楚自己的底细。但这剂药的处方，他开不出来给你。不是藏着掖着，是这剂药，他只敢用在自己身上。\n","cover":"/images/private-tools-ai-era/cover.png","coverAlt":"医生给自己治病，才敢下猛药——AI时代的私人工具开发","date":"2026-06-12","description":"AI 降低了私人工具的开发门槛，让只服务一个人、只解决一个真实问题的软件开始值得做。","permalink":"https://fengzhiyonggeo.com/posts/private-tools-ai-era/","title":"医生给自己治病，才敢下猛药——AI时代的私人工具开发"}]