讓你“成為”而非“做事”的AI

在當今的AI工具生態中，無論是ChatGPT替你撰寫郵件、Claude審查程式碼，還是Cursor自動補全函式，它們都遵循一個共同模式：使用者提出任務，AI給出結果。這就是所謂的“做事”（DO）經濟——AI高效完成任務，但對使用者自身的行為模式卻視而不見。

作者Ray Svitla發現，即使是最先進的AI，在使用者經歷兩小時高強度編碼後即將崩潰時，也只是機械地詢問“今天我能幫你什麼？”，而不會察覺到使用者正處於注意力分散的邊緣。這種缺失源於AI僅記憶使用者提供的明確資訊，卻無法觀察使用者實際的工作方式——何時失去專注、什麼觸發最佳思考、為何特定時段效率更高。

為了驗證這一點，Ray手動追蹤了自己的活動16天。資料揭示了一系列意外模式：每天早晨85%的時間會透過YouTube進行15-30分鐘的“熱身”；深度工作恰好兩小時後會出現規律性的注意力崩潰；11:00至12:30是最佳工作視窗，卻常被不必要的會議佔用；Telegram出現在80%的30分鐘時段中，成為背景噪音；而深夜工作會導致次日清晨緩慢啟動。這些規律在資料中一目瞭然，但在日常中卻完全隱形。

Ray指出，當前的大型AI公司並未致力於填補這一空白。Meta和Google擁有使用者資料，卻用於廣告推送和延長使用者停留時間；OpenAI和Anthropic則專注於能力競賽——推理、編碼、工具使用和智慧體系統。自我提升和行為洞察並不在它們的路線圖上。原因很簡單：“做事”型功能易於演示和評測，而“成為”型功能需要長時間觀察、反饋週期漫長，成果也難以在推廣材料中展示。

這正是作者構建自己AI棧的初衷。該棧包含四個層級：Dayflow持續本地螢幕截圖；Gemini Flash Lite本地識別使用者活動；Clawdbot作為日常對話AI理解上下文和模式；self.md則提供預測和輕推。這套系統執行在本地，資料不出裝置，旨在成為使用者自身的數字映象。

在實踐中，這意味著AI不僅能回覆查詢，還能主動提醒：“你今天的會議將在12:30進行，這會打斷你的專注視窗，要重新安排或保護這段時間嗎？”或是“過去一週你連續四天工作到晚上10點以後，早上的啟動時間已經延遲了一小時，今晚早點休息如何？”這些並非假設，而是由使用者自身資料驅動的預測。

作者強調，這並非追求更高的生產力或更快的任務完成，而是實現最優體驗——即心理學家米哈里·契克森米哈賴所稱的“心流”：挑戰與技能相匹配、時間流逝、最佳工作自然發生的狀態。目標是幫助使用者發現並保護這些心流時刻，從分散和漂移中轉向專注和投入。

最終，self.md的核心理念是：將記憶、模式和預測相結合，資料本地儲存、歸使用者所有、可在不同工具間便攜。這不僅是關於你做了什麼，而是關於你將需要什麼——在你開口之前。