📔 笔记整理 · 🌿 生长中 · 图例见 本站的诚实规则 这是私人知识库总纲的公开副本。涉及账号、网络工具与服务商的部分只保留判断原则，不提供代充、共享账号、具体代理服务或服务器搭建推荐。
这篇文章是整个占占 Wiki 的总地图。我的能力系统不是一组彼此无关的清单，而是一条循环：接触世界，形成判断，学习能力，用工具放大，与 AI 一起工作，做出项目，表达经验，管理生活，再把经验沉淀成教程与复利资产。
能力地图入口
- 输入系统：从事实、真实业务、大众文化和 AI 获得高质量输入。
- 学习与能力：把输入变成能迁移、能交付的能力。
- 工具与杠杆：用最小工具栈开始，在明确限制下切换。
- AI 工作系统：让 Agent 进入目标、权限、检查和回滚闭环。
- 项目与作品：用真实产出和失败检验能力。
- 内容与表达：把判断和经历讲给别人，同时接收反馈。
- 人生操作系统：让工作、关系、节奏和自主时间长期可持续。
- 教程与复利：把一次经验变成可复用、可更新的公共资产。
公开 Wiki 负责观点、方法、公开案例和基础试读。未来进阶内容不会只是把公开文章藏起来，而会围绕详细案例、进阶实战、模板、验收和持续更新展开；当前不提供购买入口。
我的信息源
我以前也会收藏很多东西。看到一篇好文章就收藏，看到一个工具就记下来，看到别人推荐书单就保存。最后收藏夹越来越大，真正看完的东西却没有多少。
后来我意识到，信息焦虑不是因为信息太少，而是因为信息没有收敛。你不知道什么值得看，也不知道看完之后要做什么，于是只能不断刷新，试图通过获取更多信息缓解自己的不确定感。
所以我不准备给你一份几百项的“AI时代必看信息源大全”。那种清单看起来很丰富，实际上只是把选择压力重新交给你。
下面就是我现在真正使用的信息源。你可以先完全照着我这套来。先做到我的程度，再去根据自己的行业和兴趣增加新的来源。在你还没有形成判断能力之前，选择太多并不是自由，只是干扰。
第一层：直接接触事实
我最重视的不是别人如何评价一件事，而是这件事本身到底发生了什么。
官方文档
学习一个新工具，最好的教程通常不是别人写的“十分钟精通”，而是官方文档。
官方文档可能没有短视频那么轻松，也不一定最适合完全没有基础的人，但它最接近产品真实能力。一个功能是否存在、怎么配置、有哪些边界、最新版本发生了什么变化，都应该先看官方文档。
我使用一个新工具时，通常会先让AI帮我阅读官方文档，再让AI根据我的目标给出最短操作路径。这样既不需要自己从头啃完所有内容，又不会完全依赖二手教程。
GitHub仓库
GitHub对我来说不只是保存代码的地方，它同时是信息源、合作平台和高质量社交网络。
一个项目的README只能告诉你它想成为怎样的项目，Issue和PR才能告诉你它实际上遇到了什么问题。你可以看到：
- 用户真正抱怨什么；
- 哪些功能很多人需要；
- 项目维护者在乎什么；
- 一项修改为什么被接受或者拒绝；
- 一个看起来很简单的问题，背后到底有哪些工程约束。
维护者对PR的反馈尤其有价值。文档告诉你规则，维护者反馈告诉你这个社区真正如何运行。StarPeer就是建立在这种认识之上：先观察项目，再寻找窄而真实的问题，提交贡献，接受反馈，逐渐进入一个有价值的协作网络。
GitHub上还有一些专门整理新项目和新工具的仓库，可以用来发现宝藏项目。但是我不会看到什么都下载。我会先问：这个项目解决了什么问题？它是否比我当前方案更成熟？我是否真的会在近期使用它？
arXiv与论文
如果我需要判断一个技术方向是不是已经有真实突破，论文比自媒体标题更可靠。
但是读论文不是为了显得专业，也不是每天追几十篇摘要。只有当一个问题会影响我的技术判断、产品方向或者长期学习路线时，我才会去追原始论文、实验方法和公开数据。
AI非常适合辅助读论文：解释术语、还原实验、比较不同论文、寻找反例。但AI给出的结论依然要回到原文验证。论文是证据，AI是阅读加速器，不能把两者反过来。
第二层：接触真实世界
互联网会让人误以为世界是由观点组成的，但真正的商业世界由预算、组织、流程、责任和具体的人组成。
用户访谈、客户现场与真实业务数据
企业需要什么，不是坐在办公室里猜出来的。
真正进入客户现场之后，你会发现很多在互联网上看起来非常先进的方案，到了真实业务里根本无法使用。可能是员工不会操作，可能是权限不允许，可能是数据不完整，也可能是这个问题根本不值得自动化。
所以我把用户访谈、客户现场和真实业务数据放在很高的位置。一个客户真实重复了三次的问题，比一百篇趋势文章更值得研究。
集成商工单、招投标流程、财务四流一致，这些方向都不是我凭空想出来的，而是从真实业务里长出来的。好的企业AI产品，不是先做一个宏大的平台，再到处寻找使用场景；而是先把一个真实流程跑通，再从成功流程里长出产品。
展会、沙龙、企业交流与咨询
展会和沙龙的价值，不只是看新产品，也不是收集一袋宣传册。
它们让我观察不同角色如何描述AI：技术人员关心能力，老板关心成本和增长，员工关心工作是否会变麻烦，服务商关心项目能不能成交。只有同时听见这些声音，才可能理解企业AI转型的真实阻力。
我会特别记录三个问题：
- 对方正在为什么事情付钱？
- 哪个环节最耗人、最容易出错？
- 如果用AI解决，谁会受益，谁会抵触，谁来承担责任？
这三个问题通常比“你们公司想不想拥抱AI”有用得多。
自己的项目日志和失败记录
我自己的项目也是信息源，而且往往是最重要的信息源。
一个功能为什么反复返工，一个页面为什么看起来像测试版，一个Agent为什么频繁请求批准，一次部署为什么缺少回滚能力，这些失败都会暴露我认知里的缺口。
如果只记录成功，我得到的是作品集；把失败、审计、修复和复盘一起保留下来，我得到的才是能力。
Jarvis、StarPeer、集成商工单和招投标审查工具真正积累下来的，不只是代码，而是一套关于目标、权限、协作、测试、发布和恢复的经验。项目日志就是我自己的纵向数据集，它能告诉我：我过去在哪里反复犯错，现在又真正学会了什么。
第三层：借助高质量的人完成筛选
我当然不会只看原始材料。人的注意力有限，高质量的信息筛选者可以替我节省大量时间。
AI资讯
AI Hot这类聚合工具适合帮我快速知道全球AI领域发生了什么。我不会要求自己记住所有新闻，只需要判断：
- 这是产品更新、研究突破，还是营销事件？
- 它会不会改变我正在做的项目？
- 我需要现在行动，还是知道它存在就够了？
资讯的作用是发现变化，不是替我制造紧迫感。真正重要的信息，我会继续追到官方公告、代码仓库或者论文；追不到原始来源的消息，先降低可信度。
公众号
文字仍然是密度最高、最方便检索和反复思考的信息形式之一。
我关注公众号，不是为了看每天的AI新闻搬运，而是为了看真实使用者如何讲自己的Agent经验、工程方法和产品判断。目前对我有价值的包括：
- 赛博禅心；
- 数字生命卡兹克。
我判断一个作者是否值得长期关注，主要看三点：他有没有持续做真实项目，他会不会公开失败和边界，他的判断能不能在一段时间后被验证。只会转述发布会、制造焦虑或者堆砌提示词的人，不会成为我的核心信息源。
书籍
书籍的价值不在于新，而在于它能把一个人多年形成的思考压缩成一套结构。
资讯适合告诉我世界刚刚发生了什么，书籍适合告诉我这个世界为什么会这样。系统、经济、社会、历史、投资、心理和技术基础，这些东西不能只靠短内容建立。
我会先确定一个问题，再围绕问题找书，而不是为了完成阅读数量去看书。寻找书目时可以使用图书馆、正版电子书平台、作者公开版本和合法数据库；重点不是囤积文件，而是真正读完、验证并用起来。
第四层：理解大众，而不是只理解技术
抖音
你可以不喜欢抖音，但如果你要做大众内容，就不能假装抖音不存在。
抖音是观察大众情绪、语言习惯和叙事节奏的重要窗口。什么标题会让人停下来，什么问题正在让普通人焦虑，什么表达会引起共鸣，这些都能在那里看到。
但观察大众情绪不等于服从算法。我的目标不是学习如何制造更多焦虑，而是理解大众已经在为什么焦虑，然后用更诚实、更完整的表达回应他们。
目前我会观察数字游牧人等创作者，但我更重视的是具体内容为什么传播，而不是简单模仿某一个账号。
电影、番剧与小说
如果只学习知识，不学习叙事，就很难真正理解人。
电影、番剧和小说让我看到一个观点怎样被放进人物、冲突、选择和命运里。它们影响了我对自由、成长、爱情、牺牲、技术和社会的理解，也训练了我捕捉大众情绪的能力。
很多人做自媒体播放量不高，不一定是表达能力差，而是缺少大众文化通识。他不知道观众共享哪些故事，也不知道一句话会唤起怎样的集体记忆。我的观影和阅读覆盖面看起来很杂，但它们最后都会进入我的内容判断。
第五层：AI是主动信息源，不只是回答工具
AI是我主动收集信息的最佳入口。
搜索引擎要求我先猜出关键词，AI允许我先描述自己的困惑。很多时候我甚至不知道应该搜索什么，但我可以先把问题、背景、矛盾和已有判断全部告诉AI，让它帮我建立地图、提出反例、寻找关键词，再回到原始来源验证。
对着AI倾注意力，你通常会得到更多信息；但是如果没有明确问题，你也会得到大量看起来有道理的废话。
所以我不会只问“最近AI有什么机会”，而会问：
- 对我现有的企业AI转型业务，哪个环节最可能形成可重复收入？
- 这个判断依赖哪些事实？
- 有哪些反例可以推翻它？
- 我能在一周内做什么实验验证？
AI真正降低的，不只是信息获取成本，还包括形成问题、比较观点和建立认知地图的成本。它不能替我决定什么值得相信，但可以让我更快地到达需要作出判断的位置。
我的信息处理流程
我现在尽量不进行没有出口的输入。每次主动获取信息，都应该进入下面这个循环：
现实问题
-> 让AI帮助定义问题和关键词
-> 找到官方文档、代码、论文或真实业务证据
-> 用高质量作者的观点补充解释
-> 比较不同来源，形成自己的暂时判断
-> 做一个项目、实验、内容或商业动作
-> 记录结果和失败
-> 更新判断这套流程里最重要的不是收藏，而是行动。没有进入项目、文章、决策或者实验的信息，大部分只是暂时经过了我的大脑。
所以，一个信息源是否高质量，我最终只用一个标准判断：它有没有提高我定义问题、作出判断和完成交付的能力。
我的信息源看起来没有那么多，但它们形成了一个闭环：官方材料让我接近事实，客户现场让我接近需求，优秀作者帮我压缩世界，大众文化让我理解人，AI帮我主动探索，而自己的项目和失败记录负责给出最终反馈。
这已经足够支撑我继续学习、创业和创作。剩下的信息，不需要现在就拥有。
我的工具箱
工具箱不是软件收藏夹。工具只有进入工作流后才属于我。
如果你想先照着做，直接看本节后面的“默认最小工具栈”；如果你想知道我在不同任务中真实使用和切换哪些模型、Agent、工具与技术底座，看 我的完整工具图谱。两者不是同一张采购清单。
我以前会把编辑器、Agent、平台、基础设施和协作方法全列在一起，看起来很全面，实际上谁也不知道遇到任务应该先开哪个。现在我不再按品牌整理工具，而是按工作台整理：我要解决什么问题，默认从哪里开始，什么时候换工具，最后必须留下什么产物。
这也符合我一直以来的学习方法：如果你不知道怎么选，就先做到我的程度，再去自己选。不是因为我的组合永远最好，而是先完整跑通一条生产链，比一开始就在二十个同类软件之间做参数对比有用。
工作台一：思考与写作
这里解决的是把脑子里的东西变成可以继续修改、连接和交付的文字。
我的默认工具是 Typora。我要写一篇文章、课程或方案时，先在 Markdown 里把判断写出来。它足够直接，不会让我在排版上假装工作。需要管理大量相互关联的本地笔记时，我切到 Obsidian；需要多人阅读、评论和交付时，我切到 飞书；需要更偏视觉化的叙事或展示时，我会试 Fable。Jarvis 不代替我写，它负责把过去的项目、决定和上下文带回当前写作。
这个工作台的产出不是“记了很多笔记”，而是一篇文章、一份课稿、一份能被别人看懂的方案，或者一个经过确认的判断。成功标准也很简单：脱离我当场解释，读者仍然知道我在说什么、为什么这样判断、下一步做什么。
工作台二：AI 思考与研究
这里解决的是我不知道、拿不准或需要建立判断的问题。
我通常先用通用 AI 帮我展开问题、寻找关键词和反例，再回到搜索引擎、官方文档、GitHub 和论文核对事实。Jarvis 提供的是我的上下文：我以前做过什么、踩过什么坑、这个问题和哪些项目有关。它不能代替外部证据，更不能因为“很了解我”就替事实投票。
如果问题只是概念解释，通用 AI 足够；涉及软件行为、接口和规则，我优先看官方文档；涉及开源项目，我去 GitHub 看代码、Issue 和维护者反馈；涉及研究结论，我尽量追到论文。网络条件只是一层基础条件，我只选择合法合规、信誉透明、隐私条款清楚的服务，不碰来路不明的代理、共享账号、代充或绕过平台规则的方案。
这个工作台最终要交付的是带来源的事实清单、可验证的判断、调查报告或明确的下一步实验。成功不是 AI 回答得很长，而是关键结论能追到原始来源，我也知道哪些仍然不确定。
工作台三：Agent 执行
这里解决的是让 AI 不只给答案，而是真正读取文件、运行命令、修改项目并返回证据。
我的默认复杂执行工具是 Codex。任务涉及多个文件、长时间运行、项目上下文和浏览器验收时，我优先交给它。WorkBuddy 更适合小白和国内环境：安装、界面和可视化反馈更直接，用来完成办公操作或第一轮 Agent 入门很合适。Claude Code 能力很强，我在需要它的编程工作流、并且环境和账号条件稳定时切过去。Cursor 适合我想盯着代码小步修改、频繁切模型时使用；VS Code 则是需要成熟编辑器生态、扩展和手工接管时的底座。
我不会同时打开五个 Agent 比赛。先选一个默认工具把任务跑通，只有遇到明确限制才切换。这里的产出必须是实际发生变化的文件、代码、数据或操作结果，同时附带验证证据。成功标准不是 Agent 说“完成了”，而是我能看到 diff、测试、截图或真实页面，并且知道如何撤回。
工作台四：代码与协作
这里解决的是保存状态、多人协作和让工作可以继续生长。
我的默认组合是 Git + GitHub。Git 给我后悔药，GitHub 同时承担项目管理、信息源、协作平台、对外名片和网站发布入口。重复操作变多时，我用 GitHub CLI，因为命令比反复点网页更容易被 Agent 复用和审计。
StarPeer 是我给自己造的开源贡献系统。它不是替我到处刷存在感，而是帮助我观察高价值项目，从窄而真实的问题开始贡献，在维护者反馈和多次合并之后再判断是否值得深度参与。
这个工作台的产出是清楚的提交、Issue、PR、Review 和版本记录。成功标准是另一个人只看仓库也能知道改了什么、为什么改、验证过什么，而不是只能回来问我的聊天记录。
工作台五：检查与发布
这里解决的是“我电脑上看起来可以”与“别人真的可以使用”之间的距离。
网页和交互的默认检查工具是 Playwright：它适合重复点击、跨视口断言、检查 console error、重叠和溢出。遇到无法稳定定位的系统界面或必须像人一样操作的软件时，我切到 Computer Use，但视觉操作的不确定性更高，不能把“点过一次”当成稳定测试。需要把运行环境封装起来时，我使用 Docker；真正发布时，再结合项目已有的构建、部署、日志、备份和回滚能力，而不是为了工具表完整硬塞一套没用过的运维平台。
这里的产出是构建产物、测试报告、截图、部署记录和回滚点。成功标准不是流水线变绿，而是目标用户在真实环境能完成关键任务，出问题时我能定位，也能退回上一个可用状态。
工作台六：数据与办公自动化
这里解决的是表格、文档、批量数据和企业协作中大量重复但不能出错的工作。
数据量不大、需要人直接检查时，我默认用 Excel；需要共享、表单、关联记录和流程协作时，我切到 飞书多维表格。Word、PDF 或 WPS 是现实交付格式，我不会因为自己偏爱 Markdown 就假装它们不存在。重复的飞书操作可以交给 飞书 CLI，清洗、转换、统计和批处理则用 Python。工具选择取决于交付对象，不取决于哪个格式在程序员眼里更优雅。
这个工作台的产出是可复核的表格、文档、PDF、数据集或自动化脚本。成功标准是数据口径清楚，公式和转换可抽查，文件能被接收方正常打开，重复执行不会悄悄破坏原始数据。
工作台七：内容生产
这里解决的是把个人判断变成别人愿意读、愿意看、愿意反馈的内容。
我的默认起点仍然是个人写作：先有判断和故事，再让 AI 做结构检查、事实提醒、删重复和找反例。AI 审稿可以让我更快发现问题，但不能把文章磨成没有性格的标准答案。视频需要人工剪辑和快速调整时，我用 剪映；适合代码生成、批量复用和自动化画面时，我用 Remotion。没有明确复用价值时，我不会为了“技术含量”强行上自动化视频。
这个工作台的产出是文章、课程、脚本或视频，以及发布后的真实反馈。成功标准不是生成速度，而是内容有我的判断，事实经得住核对，目标读者能看完并采取行动。播放量和反馈可以帮助我修正方向，但我不会编造设备、商业数据或不存在的传播结果来证明工具有效。
工作台八：个人与多 Agent 操作系统
这里解决的是任务越来越多、Agent 越来越强以后，谁来保存连续性、管理注意力和控制协作。
我的默认入口是 Jarvis。我只向主控说目标，主控把任务交给对应项目负责人，负责人再组织工程、审计和发布。制作和检查尽量分开，也就是 maker-checker；任务通过任务包、文件、报告和极简回执异步流转，不靠一群 Agent 在群里反复聊天。StarPeer 管开源贡献这条长期路径，飞书承载需要分享和协作的知识，番茄 Todo 则把我的注意力拉回一个明确目标——这是一个 P 人强迫自己借一点 J 人的方法。
这个工作台的产出是清楚的目标、负责人、任务包、报告、决策和长期沉淀。成功标准不是我同时启动了多少 Agent，而是我只看一个主控入口仍然知道每个项目在哪里、下一步归谁、哪里需要我判断，并且没有因为自动化失去权限和隐私边界。
工具状态：留下、专用、试验和淘汰
我现在会给工具标状态，而不是把用过的软件都永远留在清单里：
- 核心工具：高频进入主工作流，坏了会直接影响交付，例如 Markdown、Git、GitHub、Codex、Jarvis。
- 专业工具：只在特定任务出现，但出现时不可替代，例如 Playwright、Docker、Remotion、飞书多维表格。
- 探索工具：正在试，还没有证明能稳定提高产出，例如新的编辑器、Agent 或视觉表达工具。
- 已弃用工具：曾经用过，但已经被替代、维护成本太高或没有进入工作流。弃用不代表它差，只代表它现在不属于我。
全面不等于堆名字。真正的全面，是从思考、研究、执行、协作到检查、发布和沉淀，每一步都有可靠的默认动作，也知道什么时候切换。
我的默认最小工具栈
如果读者想先做到我的程度，不要一上来把上面全部安装。先用这 10 项跑通一条最小生产链：
- Typora：把想法写成 Markdown；
- Obsidian：管理本地长期笔记；
- 一个合规可用的通用 AI：思考与研究；
- Codex 或 WorkBuddy：二选一，负责 Agent 执行；
- Git：保存每一步状态；
- GitHub：协作、公开和发布；
- Playwright：验证网页和交互；
- Excel：处理最常见的数据任务；
- 飞书：分享文档和协作；
- Jarvis：当项目和 Agent 真的多起来以后，再用它管理连续性。
这十项也不是采购清单。先用“写一篇文章、做一个小项目、测试、提交、发布”跑完一轮，缺什么再补什么。一个想法能进入写作，被研究核对，交给 Agent 执行，用 Git 保存，用 Playwright 验收，通过 GitHub 或飞书交付，最后回到 Jarvis 沉淀，这时工具才连成了我的 AI 时代生产系统。
工具只有进入工作流后才属于我。对某个软件保持忠诚没有意义，对自己的目标、产出和边界保持忠诚才有意义。
我的书单
这不是一份“成功人士必读书单”，也不是我为了证明自己有文化列出来的目录。
我读书通常带着很强的问题意识。技术书帮我理解计算机世界到底是怎么运行的；数学和物理让我接近更底层、更稳定的思维结构；社会和历史类书籍让我理解个人命运为什么会被家庭、阶层、制度和时代共同塑造；商业和投资类书籍让我重新理解钱、时间与自由；文学作品则让我理解人。
我不要求自己把所有书都从第一页读到最后一页。一本书只要真正改变了我的一个判断，进入了一个项目，或者让我重新解释了一段经历，它就已经产生价值。读书不是为了积累读过的数量，而是为了获得过去的我无法独立产生的思想。
理解技术世界
我不希望自己永远停留在“会让AI写代码”的程度。即使AI能够替我完成大量工程工作，我依然需要理解程序、操作系统、网络、数据结构和计算机组成。否则我只能判断一个页面看起来能不能用，却无法判断系统为什么出错、风险在哪里、架构能不能继续生长。
- 《C++ Primer Plus》
- 《算法》普林斯顿版
- 《图解HTTP》
- 《图解 TCP/IP》
- 《网络是怎样连接的》
- 《C++标准库》
- 《STL源码剖析》
- 《深入理解计算机系统》
- 《现代操作系统》
数学和物理
数学和物理对我来说不只是就业技能。我曾经因为竞赛失败而把“成为顶尖科学家”当作一条已经关闭的道路，但我现在越来越意识到，学习数学和物理不需要先获得某种身份许可。
我可以为了理解世界重新学习它们，也可以借助AI做一些有巧思的实验、可视化和模拟。哪怕这些研究不能立刻赚钱，它们依然属于我真正想过的人生。
- 《费曼物理学讲义》
- 《Understanding Analysis》
- 《微积分的本质》
- 《Gibert Strang 线性代数教材》
学习、效率与认知
我过去很容易把效率理解成压榨自己：更快、更久、更紧绷，最好每一分钟都有产出。后来我才意识到，真正的效率不是把一天塞满，而是让有限的注意力稳定地进入最重要的问题。
番茄工作法、费曼学习法、刻意练习和系统思维，对我最有价值的地方不是提供几个技巧，而是让我开始把学习和工作当作可以设计、观察和迭代的系统。
- 《番茄工作法》
- 《番茄工作法图解》
- 《费曼学习法》
- 《把时间当作朋友》
- 《刻意练习》
- 《思考，快与慢》
- 《系统之美》
自由、内心与人生设计
我过去总觉得生活还没有真正开始。眼前的一切都像过渡阶段，只有完成经济独立、拥有自己的房间、证明自己的能力之后，我才有资格放松。
这些书让我逐渐意识到，自由不只是未来某一天获得的结果，也是一种今天就可以练习的能力。人生不是等我解决所有问题之后才开始，设计人生也不是找到唯一正确答案，而是同时创造几种值得尝试的生活，再用真实行动获得反馈。
- 《当下的力量》
- 《被讨厌的勇气》
- 《悉达多》
- 《沉思录》
- 《人生设计课》
文学、人格与文明想象
文学不是效率很低的娱乐。它提供的是压缩后的人生经验。
我对自由、爱情、成长、技术、文明和个人命运的很多理解，并不是从理论中直接获得的，而是被小说、电影和人物命运一点点塑造出来的。它们也构成了我表达能力的一部分。一个人如果只掌握观点，没有人物、冲突和叙事，他很难写出真正能让别人记住的内容。
- 《红楼梦》前八十回
- 《三体》三部曲
- 《大明王朝1566》
- 《1984》
- 《动物农场》
- 《美丽新世界》
- 《明朝那些事儿》
- 《白鹿原》
- 《毛泽东选集》
中国社会、历史与权力结构
只用个人努力解释一个人的处境是不够的。家庭观念、城乡结构、教育筛选、房地产、就业市场、代际资源和时代变化，都会进入一个年轻人的焦虑。
读这些书不是为了把所有问题都归因于宏观结构，更不是为了逃避个人责任，而是为了把责任放回正确的位置。看见结构之后，我既不会把一切失败都解释成自己不够努力，也不会因为理解了结构就停止行动。
- 《乡土中国》
- 温铁军国仁文丛系列
- 《八次危机》
- 《去依附》
- 《解构现代化》
- 《全球化与国家竞争》
- 《中国历代政治得失》
- 《邓小平时代》
- 《世界地缘政治中的中国国家安全利益分析》
- 《人类简史》
商业、财富与投资
钱对我最重要的意义不是消费，而是购买自主时间和独立空间。
我学习商业与投资，不是因为我迷恋数字，而是因为我不希望自己的生活永远由工资、父母资源或者某一个老板决定。商业让我理解如何创造和交换价值，投资让我理解如何保存价值、管理风险并让时间参与生产。
-
曼昆《经济学原理》
-
《穷查理宝典》
-
《纳瓦尔宝典》
-
《富爸爸穷爸爸》
-
《小狗钱钱》
-
《有钱人和你想的不一样》
-
《财务自由之路》
系统、风险与未来
我越来越不相信只靠一次正确选择改变人生。真正可靠的东西通常不是一个答案，而是一套能够在变化中继续运行的系统。
反脆弱、无限游戏、进化与复杂系统让我开始关注：一个系统如何面对失败，如何保留选择权，如何从波动中学习，以及怎样避免一次意外摧毁此前所有积累。
- 《有限与无限的游戏》
- 《反脆弱》
- 《货币战争》
- 《自私的基因》
这份书单以后一定会变化。但我不会为了完整而继续堆书。新的书只有在回答我正在面对的问题时，才应该进入这里。
我的作品
作品是我判断自己有没有真正学会一件事的标准。
我当然可以说自己懂AI、懂Agent、懂产品、懂内容，但这些词都很虚。只有当一门课真的被写出来，一个网站真的可以访问，一个PR真的被维护者合并，一个工单真的从报修走到关闭，一个视频真的被几十万人看见，能力才从自我想象变成了外部事实。
- 占占AI小白入门实战课
- Jarvis
- StarPeer
- 集成商工单
- 招投标审查工具
- 占占wiki
- 占占伴学AI
- AI-Daily
- 企业Agent产品探索
- 12万字科幻小说《重生：审查》
- 3万字青春校园小说《竞赛生的成长之路》
- 多篇自媒体百万，几十万播放内容
这些作品看起来很分散：课程、软件、开源贡献、企业项目、小说和视频似乎属于完全不同的方向。但它们背后其实是同一种能力：我能够快速进入一个陌生问题，理解它，给出结构，借助工具把它做出来，再把过程转化成可以被别人理解和使用的东西。
我过去经常因为作品还不够成熟而否定它们。我会看到代码不够专业、商业闭环还没有完成、内容依赖个人经历，于是觉得自己“其实什么也没有”。但作品的价值不只在最终规模，也在它们证明了一条能力路径确实存在。
我真正需要做的不是继续无止境地开新项目，而是选择少数已经验证价值的作品持续维护，让它们从“我做出来过”变成“别人长期愿意使用、购买或者共同建设”。
我的工作方法
我以前的工作方式很依赖冲动。想到一个方向就立刻开始，AI又让这种启动变得极其容易。一天之内可以同时开很多项目，每个项目都看起来有希望，但注意力也会迅速被切碎。
所以我需要的不是更强的发散能力，而是一套让发散最终收敛成交付的流程。
- 番茄工作法，25分钟一个番茄，每个番茄休息5分钟，番茄内不看手机不接收消息，不接受打扰，只做一件事，25分钟结束立即停止，5分钟不允许再继续工作
- 目标 → 成功标准 → 调查 → 计划 → 执行 → 测试 → 反馈 → 沉淀
- 先在GitHub寻找成熟方案，不重复造轮子
- 总控+项目负责人机制
- maker+checker
- 小步执行，保留回滚点
- 用真实浏览器和截图验收（需要Agent有视觉能力）
- 区分原型可用、内部试用、外部上线
- AI负责发散，人负责收敛于判断
- AI等待时间与番茄工作法如何兼容
- 先描述需求与成功标准，再让Agent工作
这套方法最底层的动作其实非常简单：
人给出目标 -> AI返回结果 -> 人检查结果 -> 给出下一个目标目标可以继续被拆成“审查目标是否合理”，结果也可以继续被拆成“制定计划、执行、测试和修复”。流程看起来像套娃，但本质始终没有变化：AI扩大执行能力，人负责方向、标准和责任。
我不会要求每一个小任务都经过一套沉重流程。低风险、可回滚的工作可以让AI直接做；涉及公开发布、客户数据、服务器、付款或不可逆修改时，才提高审查强度。好的流程不是步骤越多越专业，而是风险越大，证据越充分。
番茄工作法也需要适应Agent工作。AI运行时长是不确定的，我不能坐在屏幕前持续等待。一个番茄应该属于“一个明确目标”，而不是属于“盯着一个Agent窗口”。我可以在番茄开始时派发任务，在等待期间切换到同一主线中的阅读、验收或写作，番茄结束时统一收取结果。这样AI的等待时间不会变成注意力灾难。
我的AI使用心得
我拿到Agent之后没有经历“我不知道能用它做什么”的阶段。三天之内，我就尝试上线自己的产品。不是因为我已经会开发网站，而是因为我知道一个产品大致由哪些部分组成，也敢于把模糊目标不断拆成下一步可以验证的动作。
这让我意识到，使用AI的差距并不只来自会不会写提示词。更大的差距来自一个人能不能提出问题、定义完成、理解电脑、承受试错，并在结果不对时继续追问。
先理解AI到底放大了什么
AI不会自动把一个人变成专家。它首先会放大这个人原有的目标、判断和行动方式。
没有目标的人会得到更多选项，缺少判断的人会得到更多看起来正确的答案，习惯逃避的人也可以用“学习AI”继续逃避真实交付。AI能够加速我实现认知和能力范围以内的事情，也能够加速学习、帮助我逐渐扩大认知范围，但它不能稳定替我完成连我自己都无法定义和验收的事情。
所以，AI不是许愿机，而是一套认知与执行杠杆。支点仍然是使用者自己。
这也是为什么我更重视Agent，而不只满足于聊天AI。聊天AI主要给我文字答案，Agent可以读取文件、运行命令、修改项目、操作浏览器并返回证据。前者帮助我思考，后者开始进入真实世界。但执行能力越强，错误的破坏力也越大，所以Agent必须和目标、权限、测试及回滚一起使用。
使用Agent的五个层次
第一层：对话
让AI解释概念、整理思路、提供选项。
这一层的成功标志不是AI回答得很长，而是我获得了一个比原来更清楚的问题，或者知道下一步应该验证什么。
第二层：任务
给Agent一个明确目标，并写清楚成功标准，让它完成一个范围有限的动作。
例如，不是说“帮我优化网站”，而是说“检查移动端首页为什么有文字遮挡，修复后用390像素视口截图，确保没有横向溢出和控制台报错”。
这一层的成功标志是：我能独立判断任务到底完成了没有。
第三层：项目
让Agent围绕一个目标完成调查、计划、执行、测试、反馈和修改，而不是只生成一个文件。
目标
-> 成功标准
-> 调查成熟方案
-> 制定计划
-> 小步执行
-> 测试与审查
-> 修复
-> 发布与复盘这一层的成功标志是：结果不只在我的电脑上“看起来能用”，而是有明确版本、测试证据、发布边界和恢复方法。
第四层：协作
把不同Agent分成不同角色，让执行者、审查者和发布者互相独立。
Jarvis的主控—负责人系统就是这一层。主控负责理解我的目标和调度项目，项目负责人负责长期上下文，工程负责人执行，视觉审计官检查界面，发布负责人处理上线。它们不需要在聊天窗口里反复开会，而是像GitHub协作一样，通过任务包、代码、报告和验收证据合作。
这一层的成功标志是：我不需要盯住所有执行过程，只需要在关键决策点出现，而且任务状态可以被追踪、复核和接管。
第五层：复利
把一次成功变成以后可以重复使用的模板、脚本、Skill、工作流、课程或者产品。
做出一个原型已经不再稀缺。真正值钱的是：第二次做同类事情时不需要从零开始，另一个人也能沿着这套方法得到相近结果，系统还能从每次失败中更新规则。
这一层的成功标志是：一次劳动开始产生多次价值。
人到底应该参与多少
不是所有任务都需要同样程度的人工控制。
- 低风险任务：可回滚、不涉及外部系统，例如整理文字、生成草稿、修改本地样式。可以让Agent直接执行，人只检查结果。
- 中风险任务：会影响项目质量或协作者，例如修改共享代码、更新课程、提交PR。人应该审查目标和最终结果，必要时审查计划。
- 高风险任务：涉及付款、客户数据、生产服务器、公开发布、删除数据或不可逆操作。人必须确认目标、计划和执行边界，Agent必须提供测试、备份与回滚证据。
好的控制不是“裸奔”或者“微操”二选一，而是根据风险动态调整。能安全放权时就放权，必须承担责任时就收回控制。
我目前坚持的使用原则
- 明确目标，不为了使用Agent而使用Agent；
- 先写成功标准，再开始执行；
- 开始开发前先到GitHub调查成熟方案，不重复造轮子；
- 优先使用先进Agent，但至少持续真实使用一段时间再评价，不追逐每天出现的新工具；
- 不为了收集Skill而收集Skill，只有进入工作流的Skill才有价值；
- 使用一个主控窗口管理多个负责人，减少窗口切换和注意力损耗；
- AI负责扩大搜索、生成和执行，人负责价值判断、范围收敛和最终责任；
- 用AI模拟未来的普通生活，也用它理解自己，而不只把它当作生产机器；
- AI目前最稳定的主战场是工作与学习。娱乐作品依然需要人的经验、审美、选择和表达，不能因为生成成本下降就假设价值可以批量生产。
我现在真正想提高的，是从“我能用AI做出很多东西”进入“我能稳定理解、维护和复用这些东西”。速度已经得到证明，下一阶段需要证明的是收敛、质量和复利。
我的内容创作
我做内容不是因为我只想成为一个流量博主，而是因为表达本身就是我理解世界的方式。
当我把竞赛失败、成长经历和焦虑写成视频时，我不是单纯消费自己的经历，而是在重新获得对人生的解释权。一段经历究竟让我变成受害者、失败者，还是一个能够理解别人并继续行动的人，很大程度上取决于我如何解释它。
- 如何捕捉大众情绪
- 为什么大众文化通识影响流量
- 如何把个人经历变成公共叙事
- 《我的成长自述》为什么能获得四十多万播放
- 真实表达与制造焦虑的边界
- 形散神不散的长口播写法
- AI适合润色什么，无法替代什么
《我的成长自述》这样的文案之所以成立，不是因为它的信息密度特别高，而是因为它有真实经历提供的细节，有长时间积累形成的矛盾，也有一个人在回望自己时产生的重新解释。它用了很多小说创作手法：时间跳跃、具体场景、伏笔、对照、回环和人物变化，所以看起来形散，实际上始终围绕“我如何成为现在的我”。
AI可以帮我整理结构、寻找重复、补充过渡、检验读者是否听得懂，但它不能替我经历，也不能替我决定哪一段痛苦值得公开、哪一种表达符合我的伦理。
我的内容主线正在变得清楚：个人成长系统。AI不是唯一主题，而是我用来理解自己、重建能力、创造作品和争取自由的工具。这条主线可以容纳原生家庭、优绩主义、社会观察、情感思考、学习方法、创业和技术，但每一次表达都必须回到真实的人，而不是只追逐一个热门概念。
我的人生操作系统
我以前总想找到一条通往未来的最短路径。后来我发现，人生不是一个只要优化参数就能得到最高分的程序。真正决定长期状态的，往往是那些看起来非常基础、甚至有点无聊的东西：睡眠、空间、节奏、关系、现金流和能否停止工作。
所谓人生操作系统，不是把生活管理得像公司，也不是再给自己增加一套考核。它的作用恰恰是让我不用每天重新决定什么重要，在状态不好的时候也能依靠基本规则保护自己。
- 不被安排的自由
- 慢就是快
- 早睡是人生系统的底座
- 下午五点半以后停止工作
- 人生是无限游戏，不是限时考试
- 焦虑不是成就的必要燃料，甚至很可能是阻力
- 独立空间对我有重要意义
- 钱是购买自主时间的工具
- 区分有意识输入与无意识逃避（大量阅读后迟迟不行动的反思）
- 从”会做题“升级为”能定题、拆题、交付“
这里面最重要的底层规则是早睡。睡眠不足时，我会把所有方向都看成问题，会更冲动、更焦虑，也更容易用咖啡和意志力透支未来的自己。状态稳定时，我反而会觉得做这个也可以，做那个也可以，甚至什么都不做也没有关系。
第二条是慢就是快。着急会让我同时打开太多路径，几天迅速过去，却没有任何一件事真正完成。慢下来之后，我才会发现十五分钟其实很长，一个番茄足以写清楚一个判断，一周足以完成一个小闭环。
我追求经济独立，也追求成就，但最终不是为了让自己永远工作。我希望三十岁的我足够强，也足够松弛；能够给很多人带来力量，同时在下午停止工作，保留写小说、学习数学物理和陪伴亲近之人的时间。
如果一个系统只能让我更成功，却不能让我更自由，它就不是我想要的人生系统。
基础能力自检
AI时代的基础能力不是变少了，而是更容易被忽视了。
很多人拿到Agent之后不知道做什么，不完全是缺少想法，而是缺少对电脑世界的基本地图。他不知道文件在哪里，不理解软件、程序、命令行和网站之间的关系，也不知道一个结果应该如何运行和检查。AI给出了答案，他却无法判断答案是否真的完成。
所以这部分不是考试大纲，而是一套最低限度的行动能力。掌握它们之后，一个人才有可能把AI从聊天对象变成真正的执行工具。
第一层：输入与表达
- 能持续阅读长文本，而不是只能接受短视频和摘要；
- 能够盲打，让思考不被输入速度打断；
- 能使用搜索引擎和AI把模糊问题转化为关键词；
- 能用Markdown组织标题、列表、链接、代码块和图片；
- 能阅读和输入基础LaTeX公式；
- 能用自己的话描述需求、限制条件和成功标准。
这一层解决的是“我能不能把脑中的东西准确交给AI”。如果表达始终含糊，Agent能力越强，跑偏得只会越快。
成功标志： 独立写出一份别人和Agent都能执行的任务说明，其中包含目标、背景、边界与完成标准。
第二层：文件与软件
- 理解文件、文件夹、路径、扩展名和文件格式；
- 知道TXT、Markdown、PDF、Word和Excel分别适合承载什么；
- 会下载、安装、更新和卸载软件；
- 理解操作系统、应用程序、浏览器和网页不是同一个东西；
- 会管理本地文件，知道项目真正保存在哪里；
- 能使用Obsidian、Typora等工具打开本地Markdown文件夹。
这一层解决的是“AI完成结果之后，我找不找得到、打不打不开、带不带得走”。很多小白不是不会使用AI，而是没有稳定的文件观念，导致每次工作都像一次性聊天。
成功标志： 在指定英文路径创建一个项目文件夹，生成TXT和Markdown文件，用不同软件打开并解释它们的区别。
第三层：程序与命令行
- 理解程序是“输入 -> 处理 -> 输出”，也可能通过副作用改变电脑外部状态；
- 知道代码文件、运行环境和正在运行的程序不是同一个东西；
- 会打开终端，理解当前目录；
- 会使用
pwd、ls、cd等基础命令； - 会根据说明运行一个Python程序；
- 遇到“命令不存在”、路径错误或环境变量问题时，知道先读取报错而不是反复重试。
这一层解决的是“我能不能让Agent真正操作电脑”。Agent之所以能工作，不是因为它会移动一个更聪明的鼠标，而是因为大量电脑操作都可以通过程序和命令精确完成。
成功标志： 在终端进入指定项目，运行一个接收输入并产生文件副作用的Python程序，并能够重复运行、检查结果和停止程序。
第四层：Agent操作与检查
- 理解聊天AI只返回内容，Agent可以调用工具改变外部世界；
- 会为Agent选择正确工作文件夹；
- 会把任务拆成小步骤，不一次授权模糊的大目标；
- 会检查Agent修改了哪些文件；
- 会亲自运行结果，而不是相信“已经完成”；
- 会在出错时把现象、报错和预期重新反馈给Agent；
- 涉及账号、权限、付款和公开发布时，知道必须人工确认。
这一层解决的是“我能不能控制AI，而不是被AI生成的大量结果淹没”。
成功标志： 让Agent完成一个小项目，亲自运行至少三次，主动发现并反馈一个问题，直到结果符合预先写下的成功标准。
第五层：数据、协作与远程保存
- 会完成Word、Excel和PPT的基础编辑；
- 会用Excel处理一份真实数据，并检查公式和异常值；
- 理解Git的存档、回档和读档；
- 理解GitHub的推送、拉取和远程仓库；
- 能在另一台电脑拉取自己的项目并继续工作；
- 能分辨本地可用、内部试用和公开上线；
- 具备基础隐私意识，不把密码、密钥和私人数据上传到仓库。
这一层解决的是“我的一次操作能不能变成可保存、可协作、可交付的成果”。
成功标志： 完成一个包含文档、数据或程序的项目，将它安全推送到GitHub，再从另一个文件夹重新拉取并成功运行。
这也是《占占AI小白入门实战课》的核心逻辑：不先讲一整套抽象理论，而是让学习者完成一个个足够小、可以亲眼判断成功的任务。先获得行动经验，再用概念解释刚才发生了什么。
计算机相关专业进阶能力自检
基础能力让我能够使用AI完成项目，计算机专业能力让我逐渐理解AI到底替我做了什么。
我不需要先成为算法工程师才有资格开发产品，但如果我希望长期管理复杂项目、判断技术方案、参与高质量开源协作，就不能永远停留在“它能运行就行”。理解得越深，我能交给AI的问题就越准确，也越能识别那些表面可用、实际上非常脆弱的实现。
第一阶段：程序如何运行
先选择一门语言形成完整闭环。Python适合快速实验和AI应用，C/C++适合理解更底层的内存与执行模型。起点不重要，重要的是不要永远只会拼接Agent生成的代码。
需要理解：
- 变量、函数、模块和基本数据类型；
- 顺序、选择、循环；
- 输入、输出、异常和文件读写；
- 源代码、解释或编译、进程和运行结果之间的关系；
- 二进制、机器码、汇编和高级语言的大致层次；
- 调试器、日志、报错栈和最小复现。
成功标志： 不依赖Agent从零写出一个小程序；面对Agent生成的程序，能够解释主要执行路径，并通过报错定位一个简单问题。
第二阶段：数据如何组织，算法如何取舍
需要理解：
- 数组、字符串、结构体或对象；
- 指针、引用、栈与堆；
- 链表、栈、队列、哈希表；
- 树、图和常见遍历；
- 排序、查找、递归、最短路径；
- 时间复杂度、空间复杂度，以及为什么不存在对所有场景都最好的算法。
力扣Hot 100可以用来训练基础模式，但它不是工程能力本身。刷题的目标是建立算法直觉和代码熟练度，不是重新制造一套排名焦虑。
成功标志： 能为一个具体问题选择合适的数据结构，解释复杂度，并判断Agent给出的实现是否存在明显性能问题。
第三阶段：计算机系统如何协同
这一阶段分成几门彼此关联但不能混为一谈的基础课。
计算机组成原理
- 逻辑门、组合逻辑与时序逻辑；
- 二进制表示、指令和存储；
- CPU、寄存器、缓存、内存与外设；
- 程序如何最终变成硬件执行的指令。
操作系统
- 进程、线程、并发和调度；
- 虚拟内存与文件系统；
- 用户态、内核态和系统调用；
- 权限、资源隔离与容器；
- 宏内核、微内核是操作系统结构问题，不属于CPU组成。
计算机网络
- IP地址、端口、域名与DNS；
- TCP、UDP和连接；
- HTTP、HTTPS、请求与响应；
- 路由、NAT、代理与防火墙；
- 分层模型的意义，以及浏览器访问一个网站时数据经历了什么。
数据库
- 表、字段、记录、主键和关系；
- SQL与基本查询；
- 索引、事务、一致性和并发；
- 备份、恢复和数据迁移。
成功标志： 能够从浏览器、网络、服务器、程序和数据库几个层次解释一个Web请求；系统出错时，知道应该先在哪一层寻找证据。
第四阶段：软件如何成为可靠产品
会写代码不等于会做产品。真正的工程能力还包括：
- Git分支、合并、冲突和代码审查；
- 需求拆分、模块边界、高内聚与低耦合；
- 单元测试、集成测试、端到端测试；
- 日志、监控、错误处理和性能分析；
- 依赖管理、构建、发布和版本控制；
- 身份认证、权限控制、密钥管理和常见安全风险；
- Docker、环境配置、数据库迁移、备份与回滚；
- README、设计文档、运行手册和复盘报告。
成功标志： 独立维护一个真实项目，使另一个人可以根据文档运行；一次修改有测试、有版本、有发布证据，也有失败后的恢复路径。
第五阶段：数学、AI与更深的技术方向
数学应该按问题进入，而不是作为一道永远无法完成的前置门槛。
- 离散数学帮助理解逻辑、集合、图和计算结构；
- 微积分帮助理解变化、优化和连续系统；
- 线性代数帮助理解向量空间、矩阵变换和现代机器学习；
- 概率统计帮助理解不确定性、数据和实验；
- 在此基础上再进入机器学习、深度学习、强化学习、分布式系统、安全、编译器或其他方向。
我不需要同时学完所有方向。项目遇到问题，暴露知识缺口，再围绕缺口系统学习；与此同时，保留一条缓慢但长期的数学和计算机基础训练路线。
成功标志： 不只是复述概念，而是能够做一个实验、写一段代码或画一张图，把抽象知识与真实系统连接起来。
AI可以帮助我降低学习门槛，但不能替代我在脑中形成稳定模型。真正理解一个概念的标志，是我能够用自己的话解释它，能够在项目中识别它，并且知道什么时候不应该使用它。
这条专业路线不是新的优绩主义清单。它不是用来证明“我距离算法工程师还差多少”，而是让我在需要时能够继续向下挖，不必永远依赖别人告诉我系统为什么这样运行。
其它能力获取方式
我越来越相信，大部分能力都可以通过设计正确的反馈循环获得。
所谓天赋，很多时候只是一个人更早进入了高频、真实、可纠正的练习。与其反复问自己有没有表达天赋、编程天赋或者赚钱天赋，不如先设计一个能够持续得到反馈的环境。
-
英语：100LS方法，反复观看同一部无字幕电影可大幅提升英语听说水平，反复阅读同一本英文爽文可大幅提升英语阅读水平，或者刷英文帖子。当然冲着迅速提分去请使用传统应试办法——刷原题。
-
表达能力：发视频，先做起来。解决心理问题，不要把自己看得太重要，意识到这个世界上没有多少人真正在乎你做了什么，这件事和你是谁无关。同时发视频还可以训练元认知能力。
-
爆款口播能力：真诚表达+露脸+适配音乐。一般来说文案写出来之后就知道能不能爆，多或者少的问题，但是只要写出来了就拍然后剪出来发出来，不要因为写不出好文案就不发。没火的视频也是账号的重要组成部分。
-
元认知能力：定义：将自己当作另外一个人冷静观察的能力。极大提升复盘能力和反思能力。避免自己被情绪左右的能力。冥想，阅读，写作，拍视频，和元认知能力强的人聊天，都可以提升元认知能力。
-
赚钱能力：找到一个能卖的东西+获客+交付。如果去上班，就是在将自己的综合能力+劳动时间打包出卖，如果做生意，卖什么都可以。
-
投资能力：意识到钱可以生钱。资产等于能生钱的东西，负债等于能吞钱的东西。尽可能购入资产，减少负债。
这些能力的获取方式有一个共同点：不要只在脑内练习。
学英语要真的听、真的说；练表达要真的发布；练元认知要真的记录自己在具体事件里的情绪和选择；练赚钱要真的提出报价、获得客户并完成交付；练投资要先学会管理现金流和风险，而不是急着寻找一次翻倍的机会。
我过去会把能力想象成一种需要别人认证的东西：学历、岗位、竞赛成绩、公司名称。现在我更愿意把能力理解为可重复产生结果的过程。如果我能够多次做出有人观看的内容，多次带着AI完成陌生项目，多次把客户问题变成可以运行的流程，那就是能力。
我当然还有很多不会的东西。但“不会”不再等于“我不是这样的人”，只意味着我还没有为这项能力建立足够好的学习和反馈系统。
小教程意向收集
这些教程不是我准备一次性全部制作的选题池，更不是为了让知识库显得内容很多。
我会优先制作那些自己已经真实跑通过、能够设计出清晰任务和成功标志的内容。一个教程只有在读者照着做能够完成结果时才算完成；如果只是把我的理解整理成几段文字，它更适合作为文章，而不是实战课。
选择下一门教程时，我会看三个标准：它是不是很多人真正卡住的地方，我是不是比普通使用者多走了足够远，以及它能不能自然连接到下一项更大的能力。
- 网络与信息访问安全（只讨论合法合规、隐私保护与来源验证）
- codex
- claude code
- claude code接其它大模型
- codex接其它大模型
- github CLI
- 飞书CLI
- AI+excel数据处理
- 我的世界服务器搭建
- 我的世界开发
- 游戏开发基础理论
- 飞书多维表格
- 个人知识库整理方法论
- 自媒体方法论
- 绝境自救方法
- 人际关系处理
- 摆脱恋爱脑
- 盲打练习方法
- 高中时期学习方法
- 竞赛备考思路
- 高三备考思路
- AI时代商业判断
- 高强度Agent使用心得
- 多Agent协作方式
- 对Agent的控制程度把握：“裸奔”还是“微操”
这整份文件最后想表达的其实只有一件事：我不是靠某一个工具、某一本书或者某一次机会走到这里的。我是在不断寻找信息、形成判断、完成作品、接受反馈，再重新解释自己的过程中，逐渐成为现在的我。
知识库也不应该只是保存我知道什么。它应该展示我如何学习、如何工作、如何创造，以及我准备把自己继续变成怎样的人。