AI 很聪明,为什么你还是这么累?

从陪母亲看病，到搭起个人数字分身，我这一年多的摸索。

我真正认真使用 AI，是从母亲一次看似普通的检查开始的。

最初，只是糖尿病筛查。后来，检查中的异常，把我们一步步带到了协和医院，最终面对的是癌症。

那段时间，AI 帮我理解检查信息、梳理疑问，陪着我把一个个问题拿去向医生求证。直到后来的诊疗和术后放疗，它仍然是一个重要的参谋。

这是我探索 AI 的起点。没有什么宏大的计划，只是家里遇到了事，我想多弄明白一点。

一年多过去，我从网页里的几句问答，折腾到了云端智能体、个人知识库，还有自己搭起的自动化流程。

这篇文章，就是其中一个小成果：我先在手机上分三次口述，内容自动整理、进入笔记，再由 AI 帮我串成文章。

如果你对 AI 很感兴趣，却总觉得“别人用得那么好，怎么轮到我，还是提问、复制、粘贴、反复修改”，我想把这一路讲给你听。

因为那些挫败，我也经历过。

大约在 2025 年，我开始比较多地使用 DeepSeek。

那时主要是问一些生活问题、解释一些陌生概念。它回答得快，条理也清楚，但我还没有形成持续使用它的习惯。

母亲的检查，把这个习惯改变了。

起初是糖尿病筛查，后来出现了一些异常指标。对没有医学背景的家属来说，一份报告里的几个陌生词，就足以让人心里没底。

问题太多，却不知道从哪里问起。

异常意味着什么？已有的检查能说明什么？还有哪些问题，需要进一步向医生确认？

我把已有检查信息和医生的解释放在一起，让 AI 帮我理解、梳理。随着新结果出来，再继续补充，继续讨论。

这个过程，并不是问一次，它就给出一个正确答案。更像是信息一点点增加，我对问题的理解也一点点往前走。

从最初的糖尿病筛查，到注意到其他需要排查的线索，我开始更有针对性地向医生提出疑问，也提出进一步检查的诉求。

后来，我们去了协和医院就诊。经过进一步诊查，病因逐步明确，母亲确诊了癌症。

一路上有多方求助，也有不同医生的帮助。AI 参与其中，帮我把信息串起来，让我在向专业人士求助时，能把问题说得更清楚。

确诊之后，问题没有结束。

诊疗方案里的术语怎么理解？不同阶段的安排意味着什么？手术之后，放疗方案中还有哪些事情需要向医生问清？

AI 又帮我做了很多理解和整理的工作。很多原先只能听到一个专业名词的地方，我逐渐能理解它与母亲的实际情况有什么关系。

回头看，我心里确实有一个很重的感受：那次，AI 的辅助很可能帮母亲争取了重要的诊疗机会，甚至可能救了她一命。

这是我作为家属的感受。真正的确诊和治疗，由医生完成；诊疗与放疗方案，也由专业医生决定。AI 帮助我理解、准备问题、求证，让我有能力更好地参与这段艰难的过程。

在家人需要帮助的时候，少一点茫然，多一点问清楚的能力，对我来说，分量很重。

从那以后，遇到难题时，我开始认真想一件事：能不能让 AI 帮我一起把它弄明白？

后来，我开始更频繁地尝试 AI 写作，也试着让它整理公开资料、生成演示内容。

第一次看到结果，很容易惊艳。

以前琢磨很久的提纲，它很快就能列出来；一段卡住的表达，它可以连续给几个版本。我也试过播客、短视频和演示文稿，觉得这些能力非常新鲜。

但用得越多，我越发现，生成一个结果，和拿到一个真正能用的结果，中间还隔着不少事。

有时文字很顺，意思却偏了。有时结构完整，但全篇都是笼统概括。有些演示内容看着不错，在我当时的用法里，却不方便继续编辑。

我开始反复解释：给谁看，重点是什么，哪些地方别空泛，哪些判断必须有依据。

这一轮改了。下一轮，又可能在别的地方犯同样的错。

每次重新打开一个对话，好像都要重新介绍一遍自己。

还有一次查询专业问题，AI 给出的答案很完整，连引用都有。后来经过专业人士核对，才发现其中的引用是错的。

你以为省下了查资料的时间，结果又得回头重新核实。

如果你也有过这种感受，我很理解：看别人演示，AI 好像什么都能做；轮到自己，它似乎总差一口气。

我后来逐渐把两件事分开：让 AI 帮我理解和生成，以及检查它有没有真正做好。

也开始用一个很实际的标准看它：这份结果，我还要花多少力气，才能用起来？

在从网页对话向智能体转型的过程中，我看到过李开复关于 AI 应用的分享，对我触动很大。

我把其中的启发，归纳成三条给自己的原则。

第一，尽早把 AI 用起来。

尽早开始做真实的事情。用过，才能知道哪里有帮助，哪里需要改，也才能积累自己的判断。

第二，尽可能使用最强的 AI。

尤其遇到复杂任务，先体验能力强的模型，再判断差距在哪里。模型的使用费用要看，反复失败消耗的时间和精力，也要看。

第三，积累自己的高质量数据，并形成闭环。

对我个人来说，就是把学习笔记、个人思考、有效方法留住，再把实际使用中的纠正和反馈，放回这些积累里。

这三条，逐渐成了我继续往前摸索的方向。

与此同时，我也开始学习智能体的基础知识。一个简化的理解，帮了我很大忙：

智能体 ≈ 大模型＋上下文＋工具。

这不是严格的技术定义，却足够让我开始拆解问题。参考说明

大模型，负责理解和推理。

上下文，告诉它我是谁、这次要做什么、已经知道什么，以及有哪些要求。

工具，让它能搜索、读取文件、记录内容、处理录音，把一些步骤真正做下去。

如果缺少必要信息，再聪明的模型也只能猜。如果没有合适的工具，很多步骤仍然需要我在中间搬来搬去。

我开始沿着这几部分，搭自己的助手。

2026 年，我尝试了不同的智能体产品。有些公开资料整理任务完成得不错，排版也清爽；换成做演示文稿，效果又可能让我失望。

我尝试接入不同模型，遇过运行一阵就报错的问题。后来又把 Hermes 部署到云服务器上，希望有一个能够持续在线的助手。

服务器怎么选，环境怎么配置，费用怎么算，任务能不能跑完，每一件都得摸索。

那时我终于发现，原先看似一个笼统的“AI 不好用”，可以拆成很多具体问题：模型能力够不够？信息给全了吗？工具接通了吗？执行到哪一步出了错？

问题能拆开，才开始有办法改。

搭系统时，我也走过一段尽量用免费额度试错的路。

它给了我开始的机会。但有些问题反复解决不了，人也会越来越烦躁。

后来，我换了模型。同一个问题，前一个模型折腾很久，还是处理不好；另一个模型却能比较快地往前推进。

再到后来使用前沿模型，我在一些复杂任务里，感受到了明显的能力提升。这是我当时、在那些任务里的体验，不代表所有任务都会有同样的差距。

但它改变了我的习惯。

过去，只要结果不好，我就继续修改提问：是不是少说一句？是不是还得找一个更好的模板？

后来，我会多问一步：这个任务，会不会已经超出了当前模型比较稳定的能力范围？

我也在知识检索上交过学费。为了让 AI 找到自己的资料，我尝试部署检索相关模型，结果磁盘空间被大量占用，检索质量却没达到预期。

继续调整之后，我才逐渐分清，“找到相似内容”和“找到能支持判断的来源”，是两件事。

搜到了，还得打开原文，看看上下文，确认它到底说了什么。

这些经历，让我不再迷信装好某个工具，或者接上某个模型，就能解决所有问题。

一次没做好，先找具体原因。模型、信息、工具和检查，都可能是需要改的那一环。

模型能力提升之后，另一个问题越来越明显：它聪明，但还不够了解我的需求。

我既有日常事务，也有学习任务，还有家庭生活中的问题。写一篇文章、理解一篇论文、安排一次出行，需要的背景和回答方式并不一样。

于是，我在 Hermes 上逐步建立了三个个人 Profile：工作、学习、生活。

Profile 可以理解为一份分场景的个人说明书。里面放相关背景、稳定偏好和协作要求，帮助 AI 在开始一件事之前，先知道该怎样与我配合。

工作这个场景，我更关心结果能不能用。

要先理解目的和受众，表达直接，少说空话，有依据的判断才往下写；发现信息不足，要把缺口说清楚。这些属于我个人的做事方法和协作偏好。

学习这个场景，我希望它帮助我真正理解。

在个人学习过程中，我更重视研究问题怎么定义，方法为什么合适，证据怎样支持结论。

例如读一篇公开论文，我希望先看清它研究什么、怎样研究、结论依据是什么，再进入公式和细节。这类要求，也逐步整理进学习场景的说明里。

生活这个场景，我更关心建议能不能落地。

家人、时间、路线、费用和现实限制，都会影响一个建议到底有没有用。回答再漂亮，做不到，也帮不上忙。

三个 Profile 的意义，是每次处理问题时，尽量使用相关的背景和要求，减少混杂，也减少重复解释。

这里需把边界说清楚：本文分享的个人知识库，只积累个人知识，包括学习笔记、公开资料、个人思考和方法总结，工作场景，讲的是个人方法与偏好。

除了这些背景，我还逐渐整理 Skill。

它可以理解为一份做事说明：这一类任务怎样开始，哪些步骤容易出错，怎样检查结果。

比如写作：先说清读者和目的，再组织结构；具体经历要保留，没有依据的细节不能补成事实；写完检查是否真的表达了我的意思。

这些方法，常常来自一次次纠正。做一件事，发现一个问题，把有效的改法留下来，下一次再用。

逐渐地，过去散落在对话里的经验，开始有了可以继续使用的形状。

最近，我开始把更多积累放到本地电脑，用 Obsidian 作为个人知识的载体。

我想得越来越清楚：以后模型会换，工具会换，但我的学习、思考和方法，应该能继续留下来。

Obsidian 把笔记保存为本地文件夹中的 Markdown 文本。对我来说，这意味着笔记是能打开、查看、迁移的文件。

不过，第一版并不好用。

我照着 llm + wiki 的教程，设置了“待摄入”“已摄入”等目录。听起来很合理：资料放进去，AI 处理完，再归到另一边。

实际用起来，我却经常找不到文件。

昨天明明放在这个地方，今天处理完就搬走了；分类可能再建一遍。为了方便后台处理，我反而失去了自己熟悉的找文件方式。

于是，我和 AI 一起调整迭代，最终摸索出一个折中方案：把原始资料放进固定的“文件柜”。

放在哪里，就在那里找。按自己的习惯分类，长期保留原件，后台处理完成也不搬家。

面向我的入口，就是熟悉的文件夹、原始资料、个人笔记，以及随手记录的收件箱。

拿学习来说，一篇公开论文的原文，有固定的存放位置；读过之后留下的理解，也能继续找回来。下一次讨论同一个问题，就可以从已有积累接着往下走。

我不需要记住后台究竟建了多少索引、多少关联。AI 在另一层整理知识、建立联系，处理新增和变化的内容，需要核实时再回到原文。

云端已经积累的个人知识和方法，我也逐步回流到本地。发往云端的内容与回流内容分开处理，尽量避免两边互相覆盖。

这套办法还在完善，换一个工具也需要适配。但至少，知识开始有了一个自己能掌握的落脚点。

它带给我的效率变化，主要在于少了重复：少找一次文件，少讲一遍背景，少重新整理一遍以前已经想过的问题。切换任何一个智能体，都会先读我在obsidian 中的profile 说明，先读懂我。

我给这个逐渐熟悉我的知识和要求的助手，起了个名字，叫“数字分身”。

它不需要复制一个完整的我。能带着已有积累，帮我把下一件事做得更顺，就值得继续往下搭。

真正让我感到顺畅的，是一些小流程终于连起来了。

第一条：把随口说出的想法，留下来，再写成文章

很多人已经试过，用豆包口述转成文字，再把文字发给 AI 整理。这是一种很方便的起步方式。

我后来希望再往前走：每次有想法，说完之后，后面的整理和保存也能自动接着做。

于是，我搭起了这样一条流程：

手机口述 → 转成文字 → AI 整理成通顺版 → 自动进入 Obsidian → 积累多个片段后，交给大模型整合成文章。

我通过飞书发出一段口述，内容进入这条流程。原话保留，AI 另生成一份整理版，补标点、分段、处理重复的口头表达，让文字更容易读。

已经有依据、确认过的识别错误，也可以校正。说不清的细节则留待确认，不能为了让文章顺畅，就替我补出一段经历。

这些内容会自动进入本地笔记。我不用说完一段，就再手动复制、切换工具、整理命名、保存文件。

等积累到几段，再提出一个明确的写作任务，让大模型读取它们，组织成文章，最后由我确认事实和表达。

这篇文章就是这样来的。

三段口述，分别记录了最早的使用经历、个人知识和技能的积累，以及最近的本地系统与自动化尝试。

说的时候有重复，也有没想清楚的地方。但我可以先留下来，以后继续补。

有想法的时候，未必有时间写文章；有时间的时候，又未必还记得那个想法。现在，中间这段距离短了很多。

第二条：从录音，到转写、润色，再到纪要

我也用过腾讯 ima 等工具。按我当时的用法，常常还需要在录音、转写和进一步整理之间，做一些来回操作。

后来，我把转写模型和大模型接起来，跑通了自己的另一条流程：

录音 → 自动转写 → AI 润色整理 → 提取要点与纪要。

它可以用来整理个人学习等场景中的录音。转写先把话变成文字，整理再让内容更清楚，最后提取值得留下的信息。

两条流程的简化示意，是这样的：

跑通之后，我自己的使用感受很顺畅。原先要来回转发、反复复制的几个动作，开始由系统接着做。

当然，人名、数字、关键判断和重要遗漏，还得核对。有些地方需要回听，润色也不能改变原意。

但这时我终于感到，自己正在从“每一步都亲自操作”，走向“交代好输入和要求，再检查结果”。

这个变化，比又多装了一个新工具，更能让我每天感受到 AI 的价值。

我一直很拥抱智能驾驶。

人机共驾带给我的一个体会是：有了机器的辅助，人仍然需要理解它能做什么，留意实际情况，并在需要时作出判断。

这和我后来使用 AI 的体会，有相通的地方。

目标是什么，哪些信息可信，什么结果可以接受，这些事情仍然需要我想清楚。AI 则承担越来越多的整理、查找和执行步骤。

逐渐地，我开始习惯这种人机共同做事的方式。

如果你看到这里，已经想试一试，又觉得服务器、知识库、Skill 听起来太复杂，我的建议是，从今天的一件小事开始。

第一步，拿一个真实问题给它。

整理一次个人旅行的经历，理解一篇公开文章，或者把脑子里一个想法写下来，都可以。

第二步，说清楚你想拿到什么。

比如这段提问，就可以直接试：

它交代了素材、读者、结果和边界。

拿到结果，再具体指出哪段没重点、哪个细节被遗漏、哪里改了你的意思。这样的反馈，更容易帮助下一轮往前走。

第三步，把有效的东西留下来。

满意的版本、自己的修改、下次还会用到的要求，都保存好。普通文件夹就可以开始，等真的需要时，再搭知识库。

第四步，找到一个反复出现的麻烦，把流程接起来。

如果你总在做“口述、复制、转发、整理、保存”，就可以从这条小流程开始尝试自动化。先让一件事稳定完成，再考虑增加其他能力。

这是我一路摸索下来，最愿意分享的起步方式：做一件事，检查它，把有效的积累留下，再让下一次轻松一点。

回头看，从陪母亲就医，到学习新的知识、留下自己的想法，我对 AI 的期待，始终来自具体的生活。

这篇文章也只是我的一家之言，是一份仍在继续的个人记录。我还在考虑云端和本地怎么分工，也仍然会碰到报错、误解和需要返工的地方。

但下一次有了想法，我可以先拿起手机说出来。

下一次遇到一个问题，我可以带着已有积累，继续往前走。

如果你也有一件一直想做、却迟迟没开始的小事，今天就可以拿它试一试。

也许，你自己的 AI 之路，就从那件事开始。

· · ·