让你“成为”而非“做事”的AI
本文探讨了当前AI工具仅注重完成任务（DO），却忽略了帮助用户理解自身工作模式、实现自我提升（BE）的缺失。作者通过个人16天的活动追踪，揭示了诸如固定时间点注意力崩溃、最佳工作窗口等行为模式，并介绍了构建中的自我认知AI栈——包括Dayflow、Gemini Flash Lite、Clawdbot和self.md——旨在提供行为洞察而非仅仅任务执行。
在当今的AI工具生态中，无论是ChatGPT替你撰写邮件、Claude审查代码，还是Cursor自动补全函数，它们都遵循一个共同模式：用户提出任务，AI给出结果。这就是所谓的“做事”（DO）经济——AI高效完成任务，但对用户自身的行为模式却视而不见。
作者Ray Svitla发现，即使是最先进的AI，在用户经历两小时高强度编码后即将崩溃时，也只是机械地询问“今天我能帮你什么？”，而不会察觉到用户正处于注意力分散的边缘。这种缺失源于AI仅记忆用户提供的明确信息，却无法观察用户实际的工作方式——何时失去专注、什么触发最佳思考、为何特定时段效率更高。
为了验证这一点，Ray手动追踪了自己的活动16天。数据揭示了一系列意外模式：每天早晨85%的时间会通过YouTube进行15-30分钟的“热身”；深度工作恰好两小时后会出现规律性的注意力崩溃；11:00至12:30是最佳工作窗口，却常被不必要的会议占用；Telegram出现在80%的30分钟时段中，成为背景噪音；而深夜工作会导致次日清晨缓慢启动。这些规律在数据中一目了然，但在日常中却完全隐形。
Ray指出，当前的大型AI公司并未致力于填补这一空白。Meta和Google拥有用户数据，却用于广告推送和延长用户停留时间；OpenAI和Anthropic则专注于能力竞赛——推理、编码、工具使用和智能体系统。自我提升和行为洞察并不在它们的路线图上。原因很简单：“做事”型功能易于演示和评测，而“成为”型功能需要长时间观察、反馈周期漫长，成果也难以在推广材料中展示。
这正是作者构建自己AI栈的初衷。该栈包含四个层级：Dayflow持续本地屏幕截图；Gemini Flash Lite本地识别用户活动；Clawdbot作为日常对话AI理解上下文和模式；self.md则提供预测和轻推。这套系统运行在本地，数据不出设备，旨在成为用户自身的数字镜像。
在实践中，这意味着AI不仅能回复查询，还能主动提醒：“你今天的会议将在12:30进行，这会打断你的专注窗口，要重新安排或保护这段时间吗？”或是“过去一周你连续四天工作到晚上10点以后，早上的启动时间已经延迟了一小时，今晚早点休息如何？”这些并非假设，而是由用户自身数据驱动的预测。
作者强调，这并非追求更高的生产力或更快的任务完成，而是实现最优体验——即心理学家米哈里·契克森米哈赖所称的“心流”：挑战与技能相匹配、时间流逝、最佳工作自然发生的状态。目标是帮助用户发现并保护这些心流时刻，从分散和漂移中转向专注和投入。
最终，self.md的核心理念是：将记忆、模式和预测相结合，数据本地存储、归用户所有、可在不同工具间便携。这不仅是关于你做了什么，而是关于你将需要什么——在你开口之前。