夜雨聆风最近我集中用 AI 工具，就着一套效率系统干了一整天的活：重做工作台仪表盘、修公众号自动抓取 bug、把公众号数据分析与多平台数据接进系统，顺手把写复盘的方法固化成一个可复用技能。
AI 不是来炫技的，是来帮我把"对的事"一遍遍做对的。那几条本分的是非，看着朴素，却在复利——每做对一次，下次就省一点劲。这篇不教你用什么工具，只说清楚我用 AI 造工具时，该注意点什么。
对，说一个小技巧：
如果你的目标是 "做配图"这个事本身最省心、产出最完整 → 你可以技能库装一个 article-image-set 最合适。它本身就是「ImageGen 底图 + HTML/Edge 截图信息卡」的打包工作流，固定深蓝+琥珀金视觉基线，默认产出三件套：封面底图 cover.png、闭环图loop.png、能力矩阵meta.png，还能按文章加对比图/流程图。(文字不会乱码，背景比较稳定，也不怎么消耗token）
插曲：这套"是非"，是我抄作业抄来的
这几条框架不是我的发明，是从坑里爬出来后一条条"抄"来的。
投资上吃过亏：早些年嘴上高抛低吸，手里追涨杀跌；金叉死叉、小道消息都信过。我后来自嘲一句：总有一款骗术适合你，只是还没遇到。转机在 25 年 2 月，空窗期把巴菲特、李录、段永平问答录、丁西坡美团书、方伟公众号、霍仟整理的张一鸣微博啃完，每本手写"框架+我的理解"逼自己消化（费曼那套，输出倒逼输入）。
懂了也常做不到，于是造口头禅：做对的事情，把事情做对。段永平拿学广东话打比方点醒我："我明明这么努力才做到，怎么就被说成天赋了？"学不会就模仿，模仿就是我最擅长的抄作业——本分、平常心、能力圈、stop doing list，一条条刻死。
这套心态落了实处：收尾时我没让"写复盘"再从零想，而是把方法写进技能，连"怎么把道理写对"都刻成规则交给 AI 守线，自己只纠跑偏。
一、做对的事情，把事情做对
"做对的事情"和"把事情做对"是两件事。很多人忙第二件，却没认真想过第一件。
昨天第一个活是重做仪表盘。我拉出第一版就发现几处不对：
左侧导航滚动时跟着跑、该固定；
"今天要处理"占全宽浪费；
页面大量空白。
这几处点出"对的事"——看板本质是信息密度，不是页面面积。
于是侧栏固定、统计卡收成方块、"今天要处理"压成可折叠紧凑仪表盘，全站统一紧凑卡片，提交新版本、语法校验通过。方向一对，改起来很快。这句话成了我做看板的默认标准：
（上图旧版）
先问"这块屏幕要让人一眼看到什么"，再谈怎么排。
同一天还有个隐蔽案例。前阵子写复盘，我发现 AI 几处不靠谱，纠了四处：别拿方法论比工具高下、别把社保数据服务商说成"账号"、别把 AI 写的代码算到自己头上、别给本分硬加煽情生平。
这四处写进技能变逐条案例，以后动笔 AI 默认守线。把一次想透的判断变成每次默认，本身就是复利。
社保政策库也重做一版：旧版城市列表占满半屏、每行就一个名加一个数；新版照某可归因的社保数据服务商的查询工具做成三层——顶部三张统计卡（五险/公积金/附加险最低月缴，实时算单位个人分项）、省份下拉加搜索加城市标签、底下四个 Tab。不是"把城市列出来"，是"让人一眼看清这座城交多少钱"。
二、本分
本分，就是清楚该干什么、不该干什么，待在线内。当天两条红线被验证。
不虚构。公众号数据分析要拉阅读趋势、转化、分享、用户画像。微信开放接口不返回读者性别年龄地域，只后台可见。第一反应：标清楚拿不到，绝不编。画像栏无该维度时显示阅读来源分布替代，写明"微信不返回此维度"。转化漏斗初版写死 233.33% 估算值——假数据，当天全改成接口真实值算转化率。
本分：先承认不知道，再找真知道的来源。和社保库那次一致——福利数据缺失的城市宁可标"暂无"也不编。
同一天公众号抓取修复也撞这条线。代理对微信错误码不检查，把空列表当"抓取成功"。根因是代理对带请求体的接口默认用 GET，而微信要求 POST，下游又把错误静默吞掉。修复：带数据默认 POST、加退避重试、返回码非 0 如实报错。重启拉回素材，修对了。错的如实说，比"跑通了"难，但值得。不过可惜还是跑不通在微信这个数据api只能通过服务号才能开通，慢慢琢磨呗
不出网。本地文件、客户资料的 AI 分析，默认走本地部署的大模型，不过云端。抓取凭证存本地配置不进版本库。平台对比那次：几家主流第三方数据服务平台加某中文 SEO 关键词工具，价格普遍不透明，GMV 带货额是估算值（抖音脱敏误差 ±10~30%）。没采信 SEO 内容农场转述价，只标"付费墙缺口""估算值不作财务依据"。那些把各省基数全写成整百数、养老费率写 14% 的"AI 编造一览表"一律不采信——那不是数据，那是要命的东西。诚实比看起来专业重要。本地大模型是千问3，参数非常小，已经跟不上了，半年前都算落后了，更不要说现在。
所以从长远看，给人看的saas平台不会是主流，要时刻提醒自己一点，就像19世纪发明电的时候，初期我们只会用电来驱动齿轮来传动，但到今天我们会发现可以让电直接驱动小电器直接获取对应功能，ai也是一样，agent获取数据后，你的大模型可以直接做应用，你不再需要saas平台帮你做好功能，你只需要agent帮你搓一个最适合你的看板就行。
三、想长远、想本质
长远是五年十年后还站不站得住；本质是拨开热闹看"不变的东西"。
想本质。多平台接入时，我把两套代理端口隔开、各自独立进程。本质是"每多一个共享依赖就多一个互相拖累的点"，隔离掉各跑各的。上阶段云部署：让 AI 用非标端口直连后端，公网对非标端口直接拦截；改标准端口反代才通。不是非标端口不好，是没顺"公网入口走标准端口"这个本质。当天接代理时记着这条，端口一分为二——还是少依赖。
想长远。当天连交几个版本。勤提交是因为之前两次全站按钮失灵（删代码留半截函数、漏逗号）学乖了：崩溃会再来，留好恢复点一条命令回滚。这不是浪费时间，是给未来的自己留后路。版本库是和未来的自己约定：崩了回去就行。改明细表又撞两处语法错（嵌套引号崩结构、辅助函数漏引号），靠语法校验脚本逐个揪出才提交——"想长远"落到的日常：用自动化校验兜底，别把回滚寄托在运气上。ai能想到方案给自己的方法论升级，我能想到的是多备份几次，保障开发不会全崩。
四、stop doing list（不为清单）
stop doing list——不做什么的清单。知道不做什么，比知道做什么难，也重要。
清单上该记跨项目跨时间成立的事：不碰非法爬虫（法律红线）、不虚构数据、数据默认不出网、不懂不做。换什么项目都成立。
当天"不做"的几条，是长期原则的具体落地。
"删代理"是上阶段已落地的决定：原依赖本地代理中转，好几轮把全站带崩，我自己也质疑"方案本身有问题"，于是删掉改浏览器原生文件选择器，零依赖。今天不重述过程，只点它背后的原则"每多一个要手动启动的东西就多一个故障点"在当天继续生效：新建多平台代理时刻意把端口和微信代理隔开、各自独立，为"任何一边出事另一边还能跑"。表面加功能，底下还是少共享依赖。
"不碰爬虫"：当天把某商业数据 API 接进来做公众号/视频号/短视频公开维度。查公开文档清楚：自建无头浏览器爬虫撞《刑法》285 条（有平台告赢赔数百万），它走授权 API 归一化返回。所以从头不碰爬虫，走"平台授权 + 商业数据 API"。底层还是那条长期清单。
五、不懂不做，用对工具
巴菲特讲不懂不做。当天两件事说明边界感。
接入前先让 AI 查公开代码样例和商业数据 API 文档，确认接口地址、鉴权（API Key/Bearer）、返回字段归一化才动手。端点实测：公众号爆文接口到达鉴权通过、短视频点赞榜改走主域、视频号端点被接受。没瞎猜接口形状。查完再动手，多花半小时，省下的是返工和无底洞。
某短视频平台扫码授权显示红色"缺少参数"，没当 bug 硬修，诊断出配置只有公众号凭证、缺对应平台密钥——配置缺失不是代码错。该去开放平台建应用拿密钥就建，别用代码掩盖配置问题。接口形状没猜对最多白跑一次；配置问题当 bug 硬修才越修越乱。本机出网受限、本地模型慢，是事实。基于事实选工具，比基于愿望靠谱。
其实，
六、平常心，面对 bug
当天 bug 不少，但处理得平。
明细表嵌套引号（转义引号崩结构）、辅助函数漏引号，表面看不出。没甩锅"浏览器缓存""没刷新"，而是抽脚本块逐个语法校验，把事件引用对上定义确认全在，再提交修复版。现在版本库里坏的好的都留着，清清楚楚。bug 不可怕，可怕的是用"缓存"把真因盖住。盖一次下次还得盖。
平常心不是不着急，是着急时还能按规矩来。bug 一定有，你能做的是让代价可控、可查、可回滚——跟投资一样，控制不了市场，能控制仓位和纪律。
收个尾
那天整天的活剩一句话：AI 替我造工具，让工具站住脚的还是那几条本分的是非。
开头那句巴菲特的话，今天算有了注脚：雪球要湿雪长坡，对的事就是湿雪，复利就是长坡。收尾那下，我把写复盘的方法固化成技能——这本身就是"做对的事会复利"的注脚。以前每次写复盘要重想一遍哪些模糊、哪些冒领、哪些不能编，想一遍费一遍劲还易漏；现在规则写死，AI 默认守线，我只纠跑偏。省下的是以后每一次的时间。
这套工作台也好，社保库也好，数据分析也好，都是这几个道理的注脚。仪表盘想透信息密度，以后做看板直接照做；抓取如实报错，以后接口默认不静默降级；stop doing list 写死长期项，以后项目先划边界。AI 把"把事情做对"越做越快，方法论把"做对的事"越积越厚——叠起来才是复利。
AI 强的是"把事情做对"的执行力；"做对的事"那下判断还得自己来。做对了时间给复利，做错了硬撑时间也找你算账。
如果你也在用 AI 造工具，先问"我到底要对谁、对什么事本分"，想透，工具自然对起来。剩下的，一天天做下去，平常心，做对的事。
本文为段永平风格的方法论随笔（非段永平先生原文）。文中具体数据源已做模糊化处理；案例中的数据规模来自公开可归因来源或作者自建成果。
如果这篇对你有启发，欢迎点个「在看」，或留言说说你最近在搭什么系统、最想"停止"的一件事。
