夜雨聆风点击上方名片关注我，一起用 AI 做事、少走弯路
上篇讲了提示词，这篇讲工具选择和配置。
AI 自媒体上有大量关于工具的推荐，但很多鼓吹的东西其实都不是最优解。人要学会从底层原理做判断，而不是跟着别人的推荐走。
工具选择原则
先说一句反常识的话：工具选型不是给程序员看的，是给你 + AI 这对组合看的。
AI 要熟、你最好能改，缺一个都不行。AI 不熟的工具，写出来的代码老出错；你完全看不懂的方案，出了问题你根本没法介入。
做产品，优先走轻量方案。能不上的组件就别上，能用文件就别上数据库，能本地跑就别上云，能用现成工具就别造轮子。 这是做了好几个产品之后总结出的最高原则。下面四条，都是它的具体展开。
原则一：选 AI 训练数据里最多的语言
优先级：Python > TypeScript/JavaScript > 其他。
这两门语言在 AI 训练语料里数量级最大，AI 写起来又快又准。Rust、Elixir 这些冷门语言 AI 也会，但老出错、文档少、社区小，踩坑成本极高。选主流的，坑都有人踩过，AI 也能帮你找到解法。
原则二：选纯本地能跑的方案
能不依赖云、不开服务器，就别开。
服务器要钱、要运维、要域名、要备案、要部署、要监控……每一件事都是一个新坑。MVP 阶段的目标是最快验证想法，不是练运维。能在自己电脑上跑起来，就在本地跑。
原则三：选零运维的存储
存数据的优先级：文件 > 数据库。
很多人一想到「存数据」就上 MySQL、MongoDB……根本不需要。80% 的个人产品，纯文件就够了，最多用 SQLite。越简单的方案，出错概率越低，维护成本越小。
原则四：选社区大的工具
判断标准：Star 多 + 更新近 + Issue 活跃。
社区大有两个好处：AI 训练数据里这个工具的相关代码多，写起来更准；遇到问题 Google + AI 都能答上，你自己也能解决。冷门工具反过来——出问题没人答，AI 也含糊其辞，直接卡死。
一个常见坑：AI 有时候会推荐最新最潮的工具，但其实文档少、生态不成熟。追问一句「这个工具发布多久了？有没有更成熟的替代品？」——AI 通常会立刻改口推荐一个更老更稳的方案。
顺着这四个原则往下推，很多博主疯狂安利的工具根本经不起推敲。
MD 是对 AI 最友好的格式，HTML 不是。 HTML 里全是标签代码，让 AI 读 HTML 是在浪费 token。Markdown 纯文字，AI 处理效率最高——这就是为什么知识库要用 Obsidian，而不是 Notion 导出的 HTML。更轻量的文件读取其实用sublime text就可以，你甚至都不需要obsidian.
CLI vs 桌面版：先用起来比什么都重要
很多人抱怨 AI 工具卡、内存爆，第一反应是换电脑。
但问题可能不是电脑，是工具选错了。
Claude Code 和 Codex 都有桌面版和 CLI 两个选择。能用 CLI 就别用桌面版。
CLI 就是在终端里敲命令，开销最小、启动最快、占用资源最少。开一个窗口直接开干，没有多余的东西。
桌面版是图形界面，能可视化看改动、并行盯多个任务、支持 Computer Use，功能更强——但这些都是拿系统资源换来的。尤其 Codex 桌面版，是出了名的内存大户。核心原因是采用 Electron 架构——可以理解为包了一层 Chrome，优点是跨平台，缺点是内存占用是原生应用的两三倍。
电脑配置不够高，先用 CLI。 配置够了再考虑桌面版。
而且 AI 时代，CLI 不再是程序员专属。一个对话框，用大白话让 AI 干活，没那么复杂。多用几天就习惯了。别纠结设备，别怕终端——先用起来，才是最重要的事。
语音输入：说话比打字多了什么
推荐用闪电说、豆包输入法这类语音转文字工具，直接口喷对话。
效率更高只是一个原因。
更重要的是：人在说话的时候，会自带很多隐性上下文。 打字的时候大脑会过滤，说话的时候这些背景信息会自然流出来——你在做什么项目、你的顾虑是什么、你的目标是什么。
这些上下文对 AI 来说非常有价值，能帮它更准确地理解你的意图，给出更贴合实际的答案。
说出来，比打出来，质量往往更高。
上下文记忆：一个 MD 文件就够了
很多人以为 AI 的上下文记忆需要靠复杂的 Skill、Harness、Agent 记忆系统。
其实最简单、ROI 最高的方法，就是一个本地文件。
建一个 progress.md，每次对话结束后按规范更新：
● 当前阶段
● 已完成的事项
● 进行中的任务
● 待办清单
● 阻塞点
● 最近验证的结论
每次进入新会话，把这个文件丢给 AI，它立刻就能同步上下文，不需要重新解释背景。
这就是项目管理的思路，迁移到 AI 用的 MD 文件就行。 人怎么做项目管理，AI 就怎么用。做好全局规则文档和项目规则文档的维护，不需要任何复杂工具。
90% 的人不需要 OpenClaw 和 Hermes
说句实话：OpenClaw、Hermes 这些工具，绝大多数人其实用不上。
除非你已经有非常成熟的、需要定时执行的任务，才真的需要实时在线、定时执行这些机制。
大部分场景，你需要的只是和 AI 对话，在过程里慢慢打磨 Prompt 能力。
正确的升级路径是这样的：
AI 对话 → 沉淀 Prompt → 封装成 Skill → 打磨成工作流 → 工作流也可以封装成 Skill
这是一个不断升级的过程，每一步都有扎实的基础。90% 的人按这条路走，已经可以搞定绝大部分场景。
只有当你真的需要「常态化 AI 员工组织协作」的时候，才有必要考虑 OpenClaw 这个级别的东西。
一定不要从最复杂的开始学。 先从本地文件、知识库、AI 对话开始，Prompt → Skill → 工作流，足够了。
别上来就学什么「小龙虾灵魂赋能」，没到那个程度，别被带跑。
下一篇，告诉大家如何搭建一个属于自己的、可以持续迭代的本地文件知识库。
如果觉得有启发，关注我，我会持续分享 AI 实战和认知升级的内容。
有问题想聊，加我微信：votchen2008