AI 时代，每个人都需要构建自己的操作系统

过去一段时间，很多人对 AI 的使用还停留在“问一个问题，拿一个答案”的阶段：写一段文案、总结一篇文章、生成一个表格、改一封邮件。

这些当然有价值，但如果 AI 只被当成一次性工具，它带来的提升往往也是一次性的。真正拉开差距的，不是某一次 AI 回答得多好，而是每一次协同之后，是否沉淀成下一次更好的上下文、更清晰的判断和更稳定的工作流。

所以，我更愿意把 AI 时代的个人能力建设，看成一件事：

不要只使用 AI 工具，要构建一套会执行、会记忆、会生长的个人 AI 工作系统。

换句话说，AI 时代，每个人都需要构建自己的操作系统。

这里说的“操作系统”，不是一个软件，而是一套个人工作方式：它能帮助你感知问题、做出判断、推动行动、接收反馈，并把经验沉淀下来，形成持续复利。

本文以 Codex 和 Obsidian 为例，介绍一种可落地的个人 AI 工作系统：用 Codex 作为执行层，用 Obsidian 作为记忆层，逐步打造个人第二大脑和个人专家库。

一、从“使用 AI”到“构建 AI 工作系统”

很多人使用 AI 的方式是临时性的：

• 需要写东西时，问一次 AI；
• 需要总结材料时，问一次 AI；
• 需要分析问题时，问一次 AI；
• 问完之后，结果被复制、发送、关闭，下一次又从零开始。

这种方式的问题不在于 AI 不好用，而在于没有形成系统。每次对话都像一次孤立事件：没有持续上下文，没有历史判断，没有复盘沉淀，也没有可复用的方法。

与之相反，构建 AI 工作系统意味着：

这两种方式短期看差别不大，长期看差距会越来越明显。因为前者只获得了一次输出，后者在积累一套能力。

二、AI 带来的紧迫感：差距会来自协同能力

有一句话很适合描述今天的变化：

AI 不会简单替代人，但会使用 AI 协同工作的人，会替代不会使用 AI 的人。

这句话的重点不是制造焦虑，而是指出一个现实：工作竞争力正在从“是否会使用某个工具”，转向“是否能和 AI 形成稳定协同”。

差距主要来自三个方面。

第一是效率差距。会用 AI 的人，可以更快完成信息整理、初稿生成、方案推演和结果审查。

第二是判断质量差距。AI 本身不能替人承担责任，但它可以帮助人更全面地看到信息、风险、假设和反例，从而提高判断质量。

第三是知识复利差距。如果每次 AI 协同后的结论、经验和方法都能进入长期记忆，下一次协同就不再从零开始。

这就是为什么我们不能只关注“AI 会不会回答”，更要关注“自己有没有一套 AI 工作系统”。

三、个人 AI 操作系统的三层结构

一个实用的个人 AI 操作系统，可以拆成三层：

人类判断层 + AI 执行层 + 知识记忆层

如果用 Codex 和 Obsidian 来举例，就是：

• 人类判断层：由人负责目标、判断、责任和取舍；
• Codex 执行层：负责分析、推演、生成、Review 和任务推进；
• Obsidian 记忆层：负责记录、连接、复盘、沉淀和生长。

这三层里，最重要的仍然是人。

AI 可以放大能力，但人要定义方向。没有人的目标、约束、判断标准和责任边界，AI 输出再多，也只是更快地产生噪音。

Codex 的价值在于推进任务。它可以把模糊的问题推进成结构化结果，把一堆材料推进成可讨论的方案，把初稿推进成更完整的版本。

Obsidian 的价值在于形成长期记忆。它不是为了记更多东西，而是为了让下一次判断更快、更准。

四、一个公式：AI 输出质量到底由什么决定？

很多人会把 AI 输出质量简单归因于模型能力。但在真实工作中，模型能力只是其中一个因子。

更完整的公式可以写成：

AI 输出质量 = 模型能力 × 上下文质量 × 人类判断 × 反馈沉淀

这四个因素缺一不可。

模型能力是基础。工具本身当然重要，更强的模型意味着更好的理解、推理和生成能力。

上下文质量决定 AI 能不能理解真实问题。问题是否清楚？背景是否充分？数据是否准确？约束是否明确？判断标准是否说明？这些都会直接影响输出质量。

人类判断决定输出是否真正可用。AI 可以给建议，但目标、取舍、风险和责任，仍然需要人来判断。

反馈沉淀决定能力是否复利增长。如果一次输出用完就结束，下一次还是从零开始；如果输出、偏差、修正和经验进入知识库，下一次协同就会更好。

这也解释了一个常见现象：同一个 AI，有人用起来很惊艳，有人用起来很普通。

原因往往不是工具不同，而是输入不同、上下文不同、判断方式不同、沉淀方式不同。

简单说，就是：

垃圾进，垃圾出。

问题模糊、背景缺失、目标不清、判断标准不存在，AI 很容易给出看似完整但不可执行的答案。

相反，如果问题清楚、有业务背景、有数据、有约束、有复盘沉淀，AI 才更可能产出接近真实场景、可验证、可行动、可复用的结果。

五、人与 AI 的协同闭环

AI 使用不应该是单次问答，而应该是一套闭环：

感知 → 决策 → 行动 → 反馈 → 沉淀

感知：收集问题、数据、材料和背景。这里既包括外部信息，也包括自己已有的经验和知识。

决策：进行分析、归因、取舍和判断。AI 可以帮助展开思路，但最终判断必须由人完成。

行动：形成报告、清单、方案、任务或具体输出。AI 在这一环节可以显著提高推进速度。

反馈：观察结果、偏差和问题。输出有没有被采用？执行中遇到了什么阻力？哪些假设被证明是错的？

沉淀：把事实、判断、经验、反例、模板和复盘写入知识库，形成下一次 AI 协同的上下文。

这个闭环不是 AI 单独完成的，而是人、AI 和知识库共同完成的。

人负责真实问题和判断价值，AI 负责放大分析和执行能力，知识库负责让经验进入长期记忆。

六、Codex：把 AI 从“回答问题”变成“推进任务”

在这个系统里，Codex 可以被理解为执行层。

它的关键价值不是替人拍脑袋，也不是展示某个功能，而是帮助我们推进问题：把模糊输入变成清晰结构，把材料变成方案，把想法变成草稿，把草稿变成更可交付的结果。

我认为 Codex 最值得掌握的不是一堆复杂技巧，而是三个动作。

1. Brainstorm：模糊问题先澄清（/superpowers:brainstorming）

很多时候，我们一开始并不知道真正的问题是什么。此时不要急着让 AI 直接生成最终答案，而应该让它先提问、拆解约束、识别目标和受众。

可以这样开始：

我想设计一个【主题/任务】，对象是【听众/团队/客户】， 时长/范围是【限制】，目标是【希望达成的结果】。 请不要直接生成最终内容，先通过问题帮我澄清需求； 然后给出 2-3 种方案，说明优缺点，并推荐一种。

Brainstorm 的价值在于把“我也说不清楚的问题”，变成“可以讨论、可以判断、可以推进的问题”。

2. 追求目标：让 AI 持续推进到完成状态（/goal）

很多人使用 AI 时，只是在问一个问题。但更好的方式是给 AI 一个明确目标和成功标准，让它围绕这个目标持续推进。

比如：

请追求这个目标： 在【限制条件】下，帮我完成【具体目标】。 成功标准是： 1. 【成功标准一】 2. 【成功标准二】 3. 【成功标准三】 你可以先澄清问题，再给方案，然后持续推进。 如果信息不足，请先问我，不要直接编。

这会让 AI 从“回答者”变成“协作者”。它不只是给一句建议，而是围绕目标推进到一个可用结果。

3. AI Review：完成后让 AI 反向审查（review）

AI 生成内容之后，不要急着结束。一个很有价值的动作，是让 AI 站在反对者、审稿人或挑剔读者的角度，重新审查这份输出。

可以让它检查：

• 是否符合最初目标？
• 结构是否清晰？
• 是否有遗漏、重复或逻辑跳跃？
• 哪些内容过于抽象，需要例子？
• 哪些内容可以删减？
• 如果读者质疑，会质疑什么？

AI Review 的作用，是把一次输出变成一次迭代。很多时候，真正提高质量的不是第一次生成，而是后面的反向审查和修正。

4. 几个实用习惯

除了三个动作，还有几个简单习惯很重要。

分项目：不同业务、主题和长期任务，尽量放在不同项目里，减少上下文污染。

分会话：一个会话解决一个阶段问题。例如，一个会话只做需求澄清，另一个会话只做方案生成，第三个会话只做 Review。

信息不足先追问：明确告诉 AI，缺关键事实时先问，不要假设，更不要硬编。

会话结束总结：让 AI 总结结论、决策、待办和可沉淀内容，方便下次接续，也方便写入知识库。

七、Obsidian：从笔记工具到个人第二大脑和专家库

如果 Codex 是执行层，Obsidian 就是记忆层。

但 Obsidian 的重点不是“记更多笔记”，而是把经验变成可复用的上下文。

这里可以区分两个概念。

第二大脑更偏向记忆、连接和检索。它帮助你保存资料、关联概念、回忆历史判断。

个人专家库更偏向判断标准、案例、方法论和 AI 可复用上下文。它不是资料仓库，而是可以反复调用的经验系统。

这两者结合起来，才是个人 AI 操作系统的记忆层。

用 LLM-Wiki 思想提炼知识（Claudian+LLM-wiki）

很多知识库最后会变成“收藏夹”：资料很多，但复用很少。

要避免这个问题，可以借鉴 LLM-Wiki 的思想，把资料拆成不同类型的知识节点：

• Source：这件事从哪里来，原始材料是什么；
• Concept：这件事说明了什么概念、方法或原则；
• Entity：这件事涉及哪些人、公司、产品、项目或对象；
• Synthesis：这件事对以后有什么启发，可以形成什么综合判断。

这个过程的关键是：不要只搬运原文，而要提炼判断。

一篇文章、一场会议、一次项目复盘，如果只被保存下来，它只是信息；如果被提炼成概念、经验、反例和决策依据，它才会变成知识。

不是什么都要沉淀

第二大脑不是越大越好，而是越能复用越好。

真正值得沉淀的，通常是这几类内容：

• 反复用到的判断标准；
• 踩过坑的经验和反例；
• 可复用的方法、模板和案例；
• 未来会再次使用的决策依据；
• 能帮助 AI 下次更好理解你的上下文。

临时信息、低质量材料、只用一次且没有复用价值的碎片，不一定都要进入系统。否则知识库会越来越大，但越来越难用。

Obsidian 也可以是行动安排工具

很多人只把 Obsidian 当成笔记工具，但它也可以承接日程、任务和复盘。

例如：

• Daily Note：记录当天输入、会议、任务、行动和复盘；
• 项目页：聚合一个项目的目标、资料、决策、待办和复盘；
• 周期复盘：每周或每月把零散记录提炼成经验、原则和方法。

这样，Obsidian 就不只是“存放过去”的地方，也能成为“安排未来行动”的工作台。

八、Codex × Obsidian：让系统在使用中自我进化

当 Codex 和 Obsidian 结合起来，就会形成一个飞轮：

Daily Note / 项目页安排下一步行动 ↓ Codex 推进任务 ↓ 复盘结果与偏差 ↓ Obsidian 沉淀为个人专家库 ↓ 下一次用更好上下文继续修正

这个飞轮的关键在于：知识不是静态存档，而是在使用、反馈和修正中自我进化。

一次 AI 协同，如果只是得到一个结果，价值是有限的。

但如果你把它进一步拆解：当时的目标是什么？AI 输出哪里有效？哪里失真？自己做了什么判断？最终采取了什么行动？结果如何？下次应该怎么改？

这些内容沉淀下来，就会成为下一次协同的上下文。

时间越久，系统越懂你的问题类型、判断标准、表达风格和业务背景。它不是因为工具本身自动变聪明，而是因为你把每次使用后的反馈都喂回了系统。

这就是个人 AI 操作系统的复利。

九、用得越深，越要有边界、责任与复核

越深入使用 AI，越需要明确边界。

AI 可以辅助分析，但不能替代责任。尤其在涉及业务决策、客户信息、隐私数据、财务判断、合规风险等场景时，更要谨慎。

几个基本原则值得长期坚持：

• 不上传敏感、隐私或未经授权的数据；
• 数据口径不清时，不让 AI 直接下结论；
• 重要结论必须经过人工判断；
• 对外发布或正式使用前，要做 Review、复核和必要验证；
• AI 输出要保留不确定性，不要把推测包装成事实。

成熟使用 AI，不是无条件相信 AI，而是知道什么时候用、怎么用、用到哪里必须停下来由人判断。

十、今天就可以开始的三件事

个人 AI 操作系统不是一次搭完的，而是用出来的。

不要一开始就试图设计一个完美系统。最好的开始，是选一个真实问题，跑通一次最小闭环。

今天就可以做三件事：

1. 选一个真实问题 2. 用 Codex 推进到一个可行动结果 3. 把判断、结果和复盘沉淀进 Obsidian

如果想更具体一点，可以用一个 7 天启动节奏：

• D1：选一个真实问题，不要从工具开始；
• D2：用 Brainstorm 澄清目标、受众和限制；
• D3：让 Codex 拆解并输出一个初版结果；
• D4：让 AI 做整体 Review 并修正；
• D5：执行一个小动作，验证输出是否有用；
• D6：把结论、Prompt、判断和经验沉淀到 Obsidian；
• D7：复盘并复用一次，把模板用到第二个真实问题上。

只要完成一次，就已经不是在“试用 AI 工具”，而是在构建自己的 AI 工作系统。

结语：真正的差距，是有没有把协同沉淀成优势

AI 时代的个人能力，不再只是掌握多少知识，也不只是会不会使用某个工具。

更重要的是：你是否能把 AI、自己的判断和长期知识库，组合成一套持续运行的系统。

这套系统里：

• 人负责判断；
• AI 负责推进；
• 记忆让能力复利增长。

真正的差距，不是用了多少 AI 工具，而是有没有把每次协同沉淀成下一次优势。

AI 时代，每个人都需要构建自己的操作系统。