Synth Daily

我的 AI 工具日常使用与工作流是怎样的？

这套工作流的核心是 “重器轻用” 理念，即将不同的 AI 工具应用于其最擅长的特定任务，以实现高效协同。通过建立 “红绿灯原则” 来明确人机职责边界，并采用多智能体协同和模型间的同行评议来确保产出质量。AI 的介入极大地提升了深度调研、内容创作、翻译及软件开发的效率。在知识管理上，该方法构建了一个本地优先的四层体系，并利用 AI 实现从“囤积信息”到“创造价值”的转变，强调人的核心角色是设定方向和赋予意义的掌舵者。

AI 工具箱与任务分配

我的核心原则是 “重器轻用”，即不追求全能工具，而是让每个工具专注其最擅长的领域，形成一个高效的工具矩阵。

  • 深度调研

    • ChatGPT Pro：曾是我的“首席研究员”，尤其擅长需要严密逻辑推理的复杂分析。其 Deep Research 功能能在几十分钟内生成数据详实、引用准确的深度报告。
    • Perplexity Pro：在实时信息搜集和学术文献检索方面表现出色，其学术模式能将信源限定在论文。
    • Kimi Researcher：特长是生成带有细粒度引用的行业分析报告，能整合数百个网页信息。
    • 自制深度调研 Skill：目前我更倾向于使用自己开源的 Skill 来完成深度调研任务，它整合了过往的经验，更加定制化。

  • 文本创作与润色

    • Claude 3 Sonnet：曾是我的“长文主笔”，在处理长文时能很好地保持风格一致性。
    • Dessix 与 Youmind：目前更多使用这两款工具进行写作辅助，它们集成了多种顶级模型，并支持上下文对齐。
    • GPT-4o with Canvas：过去常用于交互式修改，尤其适合处理语音转录稿，操作直观。

  • 编程与自动化开发

    • Claude Code：现在已全面转向使用它。我可以直接通过语音下达指令，它能自动完成代码编写和修改，极大地减少了手动操作。
    • Windsurf 与 Cursor：过去是我的“工程师双雄”。Windsurf 负责从需求到原型的自动化开发，而 Cursor 负责对整个代码库进行深度理解和精细打磨。

  • 多媒体与知识摄取

    • Readwise Reader / Youmind：作为“通用收件箱”，用于归拢和深度摘要各类数字内容。
    • Get 笔记：作为“记录助理”，用于随时采集语音灵感和图片，并由 AI 自动整理。
    • ListenHub：目前的“金牌声优”，我用它克隆了自己的声音，用于快速生成图文解读短视频的配音。

AI 协同工作的管理方法

工具就位后，关键在于如何让它们协同工作。我采用了一套分层管理的方法，首先明确人与 AI 的职责边界。

红绿灯原则：人机权责边界

  • 红灯区（人类主导）：涉及 目标设定、价值判断、意义赋予 的核心决策。例如“为什么要做这件事？”这类问题，必须由人来回答。
  • 绿灯区（AI 主导）：涉及 代码实现、数据分析、格式转换 等执行层面的工作。这些任务可以完全交给 AI，追求极致效率。
  • 黄灯区（人机协同）：这是最有价值的合作区。人提出初稿，AI 优化；AI 给出方案，人来审核。这种“人在环中”的持续互动与校准是创新的关键。

协同工作流设计

  • 多智能体（Multi-Agent）协同架构：我设计了一套包含 7 个不同角色的内容创作框架，如风格导演、项目经理、调研专家等。每个 Agent 负责一个环节，并通过严格的交接协议确保质量，防止单一模型因“自信地犯错”而导致错误累积。

  • 模型间的“同行评议”（Peer Review）：让一个模型生成内容，再让另一个模型进行审查。不同模型的“认知盲区”不同，通过互相检查可以有效过滤问题。

  • “认知调音”工作流：在写作遇到瓶颈时，我不让 AI 代笔，而是让它扮演“认知分析师”，帮助我分析初稿中的逻辑瑕疵。这是一种 AI 辅助人类升级认知 的模式。

随着 AI Agent 能力的增强，未来我们手动调度模型的情况会越来越少。工具之间的交互协议将使协同工作的复杂度和灵活性达到新的高度。

AI 带来的效率提升

AI 的介入在多个环节带来了显著的效率飞跃，将工作模式从“动手执行”转变为“指挥调度”。

  • 文献回顾：从数月到 15 分钟 使用 Deep Research 或类似的 AI 工具，过去需要耗时数月的系统性文献综述，现在可以在十几分钟内完成初步报告的生成。AI 极大地压缩了资料搜集的体力活。

  • 内容创作：从“码字”到“拼图” 我的写作流程已变为：语音录入灵感、AI 自动整理、AI 提炼大纲、AI 润色风格、人工最终审定。整个流程端到端打通，写作障碍也能通过 AI 辅助快速突破。

  • 软件开发：从“逐行码字”到“指挥施工” 通过“氛围编程”，开发者只需描述需求，AI 便能理解意图并自动实现功能原型。人的角色从编码者转变为审查和指导者。

这些效率提升意味着你可以用更低的时间成本获得更多的产出。科技的进步甚至让你有机会“躺赢”。

AI 时代的知识管理

我搭建了一套“本地优先、云端同步、AI 赋能”的知识管理系统，其核心在于将知识从“负债”变为“资产”。

四层知识管理架构

  1. 入口（混沌存储）：使用 Get 笔记等工具快速采集录音、图片、网页等原始信息，确保灵感不丢失。
  2. 出口（稳定归档）：最终的成品文章和报告以 Markdown 格式存在 Obsidian 中，确保长期可用。
  3. 资产管理：使用 DEVONthink 存放项目附件等大文件，并通过深链接技术实现不同应用间的一键跳转。
  4. 隔离区：日记等高敏感信息存放在开启端到端加密的 Day One 中，严禁任何 AI 接入。

AI 赋能知识检索与创造

通过对笔记库进行向量化，AI 可以让你用自然语言“问自己的知识库”。像 NotebookLM 这样的工具甚至可以跨文档进行语义检索和综合分析，极大提升了从现有知识中提取洞见的能力。

我认为，在 AI 时代，大规模的信息囤积是一种 “负债”，而非“资产”。因为 AI 可以随时按需获取信息，你不再需要把所有东西都存在本地。

知识库的重点不再是存储了多少，而在于能 产出什么作品。AI 提供了高效的“预制件”，而人的任务是组装、创造和赋予意义。真正的知识资产是最终的产出。

核心理念：人是掌舵者

总结而言，这套方法论的核心是让每个 AI 工具在正确的位置发挥作用。这不是“人被 AI 取代”，而是 “人借助 AI 放大能力”。

  • 你 决定方向，AI 负责执行。
  • 你 把控质量，AI 提升效率。
  • 你 赋予意义，AI 处理信息。

人的角色始终是那个决定航向的掌舵者。