普通人到底怎么才能用上国外顶级 AI 研究员的最新思想，来打造自己的产品？

视频版本：

大家好，我是麒桦。

最近我一直在死磕「伟大的我」APP 的 Mac 版。因为这次真的是把它当成艺术品在打磨，所以进度稍微慢了点，但很快就能和大家见面了。

在 Mac 版里，我设计了一个很酷的 Dashboard，有点像特工电影里的那种感觉。里面有一个我非常喜欢的核心功能，叫「战术地图」。

战术地图到底是什么？

「伟大的我」是一个帮助用户设立人生目标、每天打卡、每周复盘，并且不断迭代自己的个人成长 APP。

战术地图做的事情很简单：它会从你每天的打卡、复盘、和 AI 的聊天记录里，自动提炼出你正在推进的事件、项目、产品和任务，然后把它们变成一张行动脉络图。

也就是说，你可以一眼看清：

• 你最近真正推进的主线是什么；
• 哪些事情之间互相影响；
• 一个项目在时间线上是怎么发展的；
• 哪些节点算里程碑，哪些只是临时状态。

如果这个功能做好了，它就不是一个普通的记录页，而是一个真正能帮助你理解自己行动路径的系统。

但刚开始，它的效果我很不满意。

最大的问题：提取出来的东西又碎又散

一开始的战术地图，经常会把一些很临时、很局部的东西，当成独立事件。

比如日期、版本号、一次性的进度状态，甚至「完成 5 项」这种临时描述，都可能被它提取成一个泡泡。结果就是地图上全是东西，但你反而看不出真正的主线在哪里。

更麻烦的是，一二级事件之间的关系也不稳定。有时候一个大事件下面塞了一堆不该属于它的东西；有时候明明是同一条主线，又被拆成很多碎片。

以前我们优化这种问题，基本就是看到哪里不对，就去改提示词。结果经常变成「拆东墙补西墙」：修好了一个 bug，另一个逻辑又崩了。

这也是我一直对这个功能不够满意的原因。它有潜力，但还不够稳定。

Auto Research 给了我一个新思路

前段时间，Andrej Karpathy 提到一个很有意思的概念：Auto Research。

它的核心不是让 AI 一口气把所有东西都改完，而是把任务切得很小，建立一个稳定的评分机制，每次只改一点点，然后不断测试、评分、保留有效变化、淘汰无效变化。

这个思路我非常喜欢。

一开始我尝试把它用在文章优化上，但后来发现文章这类东西很难量化。什么叫更好？更有感染力？更有结构？这些当然可以判断，但很难稳定打分。

后来我突然意识到：AI 产品里的提示词和规则，反而是一个特别适合 Auto Research 的场景。

因为它既有很容易量化的部分，比如 JSON 格式是否稳定、输出是否合规、耗时是否可控；也有适合让大模型判断的部分，比如一级事件和二级事件之间的关系是否合理，事件命名是否清晰，主线是否突出。

我准备了两类数据

这次实验，我用了 DeepSeek V4 Flash 和 Doubao Seed 2.0 Lite 260428 作为主要提炼模型。

同时，我准备了两类数据。

第一类是真实数据。来自我自己的「伟大的我」备份 ZIP，一共有 28,599 条记录，23 个附件，50 条事件本体，298 条事件更新。这里面有 active 事件，也有 archived 事件。

第二类是合成数据。因为我自己的使用数据会比较偏独立开发者，所以我让 GPT 生成了 20 条不同职业的合成样本，再加上 6 条固定边界样本，覆盖碎片化、主线/支线、多工作线、手动标题保护、删除/静音不复活等情况。

最终，我们一共得到 845 行测试记录，其中 744 次是真实模型评分。合成样本和真实 ZIP 样本大约各占一半。

这个实验不是随便跑几次看感觉，而是把模型放到固定考卷里反复测。

评分规则：不是看文笔，而是看是否听话

这次我给战术地图设定了几条非常明确的规则。

第一，一级事件必须是主线，不是任何出现过的名词都能成为一级事件。

第二，二级事件必须服务于一级事件，不能随便挂靠。

第三，日期、版本号、数量、一次性状态，不能被当成事件标题。

第四，用户手动修改过的标题要被保护，删除或静音过的事件不能被 AI 随便复活。

第五，同一套规则要同时适配 DeepSeek 和 Doubao，不能只对某一个模型有效。

这个部分很关键。因为真正稳定的提示词，不是写得漂亮，而是可测试、可复现、可比较。

迭代过程：每次只解决一个问题

整个过程大概经历了 10 个版本。

V1 到 V2，重点解决的是格式稳定性和整体表达。让模型先别乱输出，先把基本结构站稳。

V3 到 V4，开始处理事件颗粒度。哪些东西能成为事件，哪些只是过程描述，必须区分清楚。

V5 到 V6，重点处理边界问题。比如日期、版本号、临时完成状态、泛化的大标题，不能被提取成主线。

V7 之后，真正困难的问题出现了：二级事件归属。

一级事件其实相对好做。模型只要知道哪些东西是主线，分数就能很快上来。但二级事件很难，因为它需要判断一个小事件到底属于哪个父级，还是应该独立成一个平级分支。

这里如果规则不够清楚，模型就很容易把所有东西塞进一个大框里。

最大的坑：归属感

这次实验里，我觉得最大的坑不是命名，也不是格式，而是「归属感」。

比如一个人同时在做 APP 开发、内容运营、视频脚本和用户反馈。它们当然都和这个人有关，但不代表它们都应该被塞进同一个一级事件下面。

最糟糕的情况，是 AI 生成一个听起来很正确的大标题，比如「伟大的我 APP 整体运营」，然后把所有东西都装进去。

这看起来很完整，但实际上把结构毁掉了。因为所有东西都属于一个大框，就等于你什么关系都没有讲清楚。

所以后来我加了一个更硬的边界规则：先判断同级，再判断父子；先看是否是独立工作流，再看是否需要挂靠。不能因为两个事情都和同一个产品有关，就强行放进同一个父级。

这个调整之后，二级归属的分数从 52.7 提升到了 97.8。

最终结果：从 30 分到 90 分

最后的结果很明显。

DeepSeek V4 Flash 从 36.4 分提升到了 90.7 分。

Doubao Seed 2.0 Lite 260428 从 54.0 分提升到了 96.8 分。

这不是某一次偶然跑出来的好结果，而是在固定样本、固定评分、反复测试之后得到的提升。

更重要的是，最后的提示词不是只对一个模型有效。DeepSeek 更适合做大结构重排，Doubao 更适合做日常刷新和稳定提炼。它们可以分别扮演不同角色。

这件事给我的真正启发

这次实验之后，我对提示词的理解有了一个变化。

提示词不是魔法咒语。

真正重要的不是某一句话写得多漂亮，而是它背后有没有一套稳定的框架：数据怎么准备，规则怎么拆，测试怎么跑，分数怎么打，什么时候保留，什么时候回滚。

所以我现在更愿意把它理解成一个系统工程。

提示词是入口，框架才是核心。

回到「伟大的我」

这件事最后还是要回到产品本身。

我希望「伟大的我」不是一个普通的打卡软件，也不是一个只会陪你聊天的 AI 工具。

它更像一个帮你完成人生任务的系统。

你写下目标，每天回顾自己的胜利和阻碍，每周复盘校准下一步。AI 在背后持续帮你整理行动轨迹、提炼关键事件、识别主线和支线，最后把你的人生推进过程变成一张越来越清晰的地图。

这也是我做 Mac 版 Dashboard 和战术地图的原因。

当一个人能清楚看到自己正在推进什么，过去几周发生了什么，哪些事情在互相影响，下一步应该往哪里走，他就不只是「记录了生活」，而是真的开始拥有一种掌控感。

这次用 Auto Research 优化战术地图，对我来说不只是一次提示词实验。

它让我更确定一件事：普通人当然可以用上顶级 AI 研究员的新思想。关键不是把概念停留在朋友圈里，而是把它放进自己的真实产品、真实问题、真实数据里，然后让它一轮一轮变好。

这就是我这次最想分享的东西。