2026年我的AI生产力工具栈

在2026年，AI生产力工具已经深度融入日常工作流程。本文作者分享了自己实际使用的AI工具栈，并围绕五个核心循环展开：捕捉、思考、构建、知晓和运营。这并非一份简单的工具清单，而是一套经过实践检验的工作流系统。

循环一：捕捉

捕捉环节的目标是将信息快速无摩擦地记录下来。作者使用Fathom进行免费无限制的会议录制，支持Zoom、Meet和Teams。2026年4月，Fathom推出了无机器人模式（botless mode），消除了“会议中有第三方参与者”的尴尬。对于个人独处的场景，如研讨会、白板会议或散步时的思维记录，ChatGPT Desktop则作为补充。核心原则是：捕捉必须极其便捷，任何超过一个快捷操作的开销都会累积并导致放弃记录。

循环二：思考

思考环节旨在将原始捕捉转化为决策，而非仅仅增加笔记。Claude Desktop是作者主要的对话界面，支持Mac和Windows（不含Linux）。其核心优势在于Claude Cowork模式，能够直接操控桌面应用（如Finder和Mail），实现网页代理无法完成的最后一步自动化。ChatGPT在语音模式、图像编辑和双重验证等特定领域仍占优势。Perplexity则用于需要来源而非推理的问题——作者将其定位为“告诉我有什么”，而Claude用于“帮我思考”。作者放弃了Notion AI，因为通过MCP连接Claude到Notion更便宜且效果更好。

循环三：构建

构建环节是开发者最常争论的部分。Cursor的自动补全仍是行业最佳，适用于快速编辑循环。Claude Code则擅长涉及多文件的重构和迁移，在终端中运行（支持Mac、Windows、Linux），且token效率高于预期。Warp作为终端，提供GPU渲染、基于块的操作，其云代理编排（Oz）允许无需保持本地shell即可运行长时间任务。Codex用于代码审查：先用Claude Code开发，再通过OpenAI的Codex进行第二轮审查，不同模型交叉检查能发现单一模型遗漏的问题。Docker Desktop用于本地容器和微虚拟机沙箱；DBeaver是开源的通用SQL客户端，今年新增了MCP支持；Ollama用于本地模型迭代，避免每次调用前沿模型的高成本。作者特别指出，Cursor在2025年的定价变得不友好（积分重置影响深度使用），而Claude Code加Warp对大多数团队更经济。

循环四：知晓

知晓环节确保所有已读、已写和已决策的内容能在几秒内被检索。Obsidian作为个人RAG系统，存储本地Markdown文件，通过MCP与Claude连接，使AI能直接查询个人知识库。Notion则作为团队协作平台，承载文档、维基和项目数据库。这种分工是刻意的：Obsidian用于个人思考，Notion用于团队需要知道的信息。Raycast将两者与操作系统连接，提供代码片段、剪贴板历史等功能。

循环五：运营

运营环节让每一天按轨道运行，而非依赖意志力。Raycast作为万能启动器；LookAway强制休息（20-20-20规则、姿势提醒和番茄钟），但仅限Mac；Setapp提供CleanShot X等230+原生应用。Docker确保本地开发环境在团队中可重现。

跨平台情况

作者坦诚列出了不同平台的工具支持情况：macOS独占或优先的工具包括Raycast（Windows测试版）、LookAway、Setapp等；跨平台且体验良好的有Claude Code、Codex、Cursor、Obsidian等；Windows方面，PowerToys和Microsoft Copilot值得关注；Linux用户则可使用Espanso、Ulauncher等。

值得借鉴的三种模式

1. 语音到知识循环：Wispr Flow、Fathom、Obsidian和Claude通过MCP连接，实现语音输入、智能检索，彻底改变笔记方式。
2. 多运行时开发：Ollama本地迭代，Claude Code深度处理，Cursor流畅编码，根据不同场景选择最优运行时。
3. 桌面控制作为最后一公里：Claude Cowork能操作Finder、Mail等原生应用，约三分之一的办公室工作因此实现自动化。

值得关注的发展

MCP（模型上下文协议）正在成为AI领域的“npm”。截至2025年底，已有1万个公开服务器，80%的财富500强企业正在部署代理。未在2026年底前接入MCP的团队将面临整合成本。

本文兼顾了工具选择、工作流设计和未来趋势，为构建AI生产力栈提供了实用指南。