开采你生活中的上下文
原文：https://every.to/context-window/mining-your-life-for-context
大型语言模型让生活的许多部分变得可以被搜索，从会议记录到 iMessage 信息，再到清晨尚未成型的念头。但所有这些上下文信息，只有在你清楚自己目标时才能发挥作用。今天，我们重新审视人工智能创业者 Noah Brier 如何将 Claude Code 作为第二大脑，来打磨和拓展他自己的想法；Every 的增长负责人 Austin Tedesco 分享了 Codex 如何帮助他发现挤占深度工作的干扰因素；我们还会提供一套工作流，帮助你把散落在过往各处的洞见开采出来，整理成连贯的草稿。
聚光灯
Noah Brier，人工智能创业者与前瞻者
Brier 是名副其实的 AI 先行者。作为人工智能咨询公司 Alephic 的联合创始人，早在大多数人还只把 Claude Code 当作写代码工具时，他就已经将其用作知识工作的“第二大脑”。
去年九月，Brier 在我们的播客《AI & I》中告诉 Dan Shipper，他是如何通过将 Claude Code 与自己的数千条个人笔记相连，把这个编程应用变成了研究、思考和写作伙伴。自那以后，他开始思考超越个人效率的问题——AI 究竟是让整个组织更容易、还是更难朝着同一个目标前进？为此，他提出了一个新框架，他称之为人工智能工程学的“步调节奏层”，借鉴自 Stewart Brand 用来描述社会各部分以不同速度变化的系统理论。
关键在于，正如将 Claude Code 接入海量个人信息需要你去判断什么值得浮出水面、什么不值得一样，运营一家成功的 AI 公司，依靠的也是人的判断力。类似地，AI 让代码的生产变得几乎零成本，但这并没有让识别人们真正需要的产品，或让整个人机混合系统围绕一个愿景协同运转这件事，变得更容易。
你可以阅读 Brier 用以实现协同的框架文章，也可以在 YouTube 上观看他的《AI & I》节目，或者在 Spotify 和 Apple Podcasts 上收听。这里是该期节目的文字稿链接。
数据点
671
根据 Codex 的屏幕上下文记忆功能 Chronicle 的分析，这是每天 iMessage 在 Austin 电脑屏幕上被激活的次数。Chronicle 通过截屏来分析你的电脑使用行为。Austin 希望把这个数字降到 150。
减少打开和交互 iMessage 的次数，只是 Codex 为 Austin 制定的效率提升方案中的一部分。当时他让 Codex 利用 Chronicle 分析如何能更高效地使用电脑，其他指令还包括大幅减少在 Slack、电子邮件和 Chrome 浏览器中的交互次数。
Austin 乐于接受这个挑战——他希望能有更多专注的工作时间，主要是通过克制在应用程序和标签页之间来回跳转的冲动，转而尽可能多地待在 Codex 应用中。在那里，他可以在应用内置的浏览器里起草和审阅素材、电子邮件及 Slack 消息。
他说：“我很兴奋，一直开着 Codex 保持专注。然后它可以标记提醒我，‘这是你处理通讯事务的一个小时，开始吧’——甚至直接说，‘去回复这些东西，我已经帮你起草好回复了’。”
如果你也想要类似地分析自己糟糕的电脑使用习惯，可以将以下指令粘贴到 Codex 中：
根据 Chronicle 的记录，我在电脑上做了哪些非常低效的事？给我一些建议。直接一点，告诉我需要听到的事实。
借鉴这个工作流
动笔之前，先开采你自己散落的思考
当你终于坐下来，准备写那篇文章、策略备忘录或产品发布页时，你可能早就在 Slack 讨论串、Notion 文档、语音备忘录和会议记录里表达过大部分你想说的话了。下面就是如何从这些内容中淘金，并避免面对空白页时的卡壳。
工作流程如下：
1. 默认全收集，稍后再整理。 Monologue 的总经理 Naveen Naidu 把这个应用当作一个中转站：他会录下会议、用户通话、与同事的对话，以及自己清晨天马行空的想法，因为他知道之后随时可以回来提取所需内容。工具不如习惯重要——选一个就行，比如 Monologue Notes 或任何一个语音备忘录应用，然后在你思考的所有场景中使用它，而不仅仅是在办公桌前。
2. 连接你的智能体能读取的所有信息源。 给你的编程智能体开放 Slack、Notion、Google Drive、Monologue Notes 以及会议记录等权限。对于那些没有现成连接器的资料，就将文件导出到一个智能体能够搜索的文件夹里。目标是建立一个可搜索的统一库，覆盖你所有想法留存的地方。
3. 明确成果物，并限定信息来源。 告诉智能体你正在起草的是什么——文章、策略备忘录、发布页，还是市场进入计划——并在你的提示语（或项目指令）中明确指出，它只能从你已经说过的话中提取信息。这能避免生成的草稿将你的思考与人工智能凭空产生的概念混杂在一起。
本周就可以试试： 将你的智能体连接到两三个你绝大多思考存放的地方——Slack 和 Notion 通常是不错的起点，如果有会议记录的话也一并加上。然后粘贴以下指令：
“在这些信息源中，找出所有我曾经就[某个主题]发表过的观点。将最强的内容线索进行分组，为每组注明出处，然后把它们整理成一个草稿大纲。”
讨论
“我会用格外随意的语言，像是‘嘿哟，讲真’，或者加上一堆感叹号。”——文案撰稿人 Sarah Suzuki Harvard 在《华尔街日报》中分享
大型语言模型压平了大多数文章的腔调。据《华尔街日报》报道，作为回应，专业作家们开始刻意偏向口语化和个人特质，在文字中点缀晦涩的引用、冗长的跑题句和刻意的错别字，以此证明这不是机器生成的作品。随着 AI 生成内容吞食越来越多的互联网内容，精修的千篇一律与刻意营造的怪异感之间的分化，只会越来越大。
核心启示：人工智能使捕捉个人上下文变得前所未有地容易，但真正的价值仍在于人——你的判断，决定了哪些信息值得开采，以及如何将其编织成一个团队都能协同的清晰愿景。
Mining Your Life for Context 的发芽报告
材料核心
LLM 让生活变得可搜索，但“上下文”本身的价值取决于你是否有清晰的目标。Noah Brier 用 Claude Code 连接数千条个人笔记，将其从编程工具转化为思考伙伴；Austin Tedesco 用 Codex 分析屏幕行为，发现自己每天打开 iMessage 671 次，从而识别出阻挠深度工作的干扰源。材料提供了一套实践工作流：将散落在 Slack、Notion、语音备忘录、会议记录中的碎片化思考，在正式动笔前就被代理挖掘、分组并转化为草稿大纲，以对抗空白页面的瘫痪感。
发芽 01：从“可搜索”到“可觉察”——第二大脑的真正功能层级
种子
材料多次强调 LLM 让生活“可搜索”——会议转录、iMessage 记录、半成型的晨间思绪都可以被检索。但 Noah Brier 和 Austin Tedesco 的案例揭示了一个更深的维度：真正的价值不在于“找到已有的内容”，而在于发现自己未曾意识到的模式。Brier 的“第二大脑”之所以是思考伙伴而不仅仅是存储库，在于它能够重新组合、对比、放大个人知识库中的隐性连接；Tedesco 让 Codex 分析屏幕行为，得到的不只是一个数字（671次/天），而是对自己工作模式的外部觉察：他以为自己只是在快速回消息，实际上是在被碎片化通信劫持深度时间的配额。
故事：从 Vannevar Bush 的 Memex 到“量化自我”的挫败
1945 年，美国科学研究办公室主任 Vannevar Bush 在《大西洋月刊》上发表了著名的文章《As We May Think》，提出了 Memex（记忆扩展器）的构想：一个可以存储个人所有书籍、记录和通信的设备，并且能建立关联轨迹，让使用者可以随时回溯并分享思考路径。Bush 的核心理念是通过外部系统增强人类的联想能力——这正是当代知识管理工具和“第二大脑”概念的精神鼻祖。
但 2007 年后的“量化自我”（Quantified Self）运动提供了一个反向教训。早期量化自我爱好者佩戴传感器记录步数、心率、睡眠、血糖，积累了大量数据，却很快发现一个致命问题：数据本身并不能自动带来洞察。这个运动后来反复回到一个朴素问题：记录这么多，到底帮助我们理解了什么？搜索不同于觉察，存储不同于理解。
Brier 的做法之所以比早期的量化自我更有效，在于他给 Claude Code 的角色不是“存储库”，而是主动的对话者：代理不只返回搜索结果，还可以在上下文中提出反问题、重新框定问题、甚至指出笔记之间的矛盾。这正是 Bush 当年设想的“关联轨迹”（associative trails）的活态版本——不是一张静态的地图，而是一条可以被激活、被走过的路。
Aha 瞬间
“可搜索”解决的是“我忘了什么”，而“可觉察”解决的是“我从未意识到自己知道什么”——LLM 作为第二大脑的真正分水岭，不在于扩展记忆容量，而在于提供一个外部视角，让自我观察成为可能。
发芽 02：人类判断作为不可压缩的瓶颈——AI 时代的“慢层”
种子
材料提到 Noah Brier 借用 Stewart Brand 的“速度分层”框架来理解 AI 工程。Brand 的原框架用于分析复杂系统（如建筑、文明）中不同组件的变迁速率：从快速变化的“时尚层”（几天到几个月）到缓慢变化的“自然层”（数个世纪）。Brier 的新框架将 AI 工程拆分为速度不同的层级：代码生产可以极快，但识别人们真正想要的产品、让人类和代理围绕共同目标对齐，仍然需要缓慢的、不可压缩的人类判断。这是一个关键张力：当代码的边际成本趋近于零，“知道要构建什么”并没有变便宜。
故事：丰田的“大房间”与 AI 的“快代码”困局
1990 年代，丰田的“丰田生产方式”（TPS）引入了一个著名的概念：Obeya（大房间）。在公司内部，所有关键决策者——工程、设计、生产、市场——聚集在同一个物理空间里，墙上贴满了图表、质量报告和客户反馈数据。目的不是在会议室里快速达成共识，而是刻意让不同视角的对立暴露出来，迫使团队在做出任何设计或生产决策前，直面信息冲突和权衡取舍。这个过程的节奏极慢，但丰田认为这是保证最终质量的核心机制。
这与 AI 时代“代码可以即时生成”的节奏形成悖论。当代码生产速度跨越了几个数量级，Obeya 所代表的那种缓慢的、需要人类判断的对齐过程反而成为最短缺的资源。2024 年到 2026 年，大量 AI 辅助编程工具的涌现——从 GitHub Copilot 到 Cursor、Claude Code——使得个人开发者更容易快速产出原型，但也放大了一个老问题：如果需求、约束和判断标准没有说清楚，AI 只会更快地把模糊意图变成需要返工的实现。
这与 Brier 的观点形成回响：代码免费，不代表愿景免费，不代表系统对齐免费，更不代表人类对“什么值得构建”的判断可以被代理自动化。Brand 的原框架里，“文化层”和“治理层”变化最慢，而在 AI 工程中，Brier 相当于把这两层映射到了“产品方向判断”和“组织对齐”——它们仍然是整个系统中最慢、也是最不可外包的层。
Aha 瞬间
AI 加速了生产链的外层，却暴露了它自己的“慢层瓶颈”——当代码可以即时涌现，人类对“为什么要构建”的追问不仅没有变快，反而变得更加稀缺和昂贵。
发芽 03：“故意写歪”——风格作为 AI 时代的身份签名
种子
材料在结尾引入一个文化现象：AI 生成内容让大多数文字听起来变得“扁平化”，专业写作者开始刻意使用口语化表达、生僻引用、长句甚至是刻意的拼写错误，以证明内容是人写成的。这并非简单的审美偏好，而是在一个逼近信息对称的世界里，风格从一种“表达习惯”升级为一种“可信信号”。
故事：从 Dreyfus 事件到“防御性怪异”
1894 年，法国军官阿尔弗雷德·德雷福斯因一纸字迹分析而被误判叛国罪——彼时笔迹被认为是人格和身份的确凿证据。一个多世纪后，情况发生了反转：身份不再通过书写特征被确认，而是通过书写中那些“不可能被机器模仿的缺陷”被证明。作家 Sarah Suzuki Harvard 说她会故意使用“hey yo, for real”这种表达，或用大量感叹号，来对抗读者对“这是 AI 写的”的怀疑。
经济学家 Michael Spence 在 1973 年提出的“信号理论”可以解释这个现象：在一个信息不对称的市场中，发送者需要付出成本才能让信号变得可信。在 AI 写作几乎零成本的时代，怪异、犯错、极其私人化的表达恰恰具有高信号价值——因为它们难以被大语言模型准确模拟。LLM 最擅长产出的，是统计上最平滑、最可预期的语言序列；因此，打破平滑就成为区分信号的核心策略。
这不是一场修辞游戏。Stack Overflow 等知识社区在 AI 生成答案涌入后遇到的信任压力，正好说明了这个变化：当“看起来像答案”的文本变得廉价，贡献者和读者都需要花更多力气判断内容背后是否真的有经验、推理和责任。这正是信号理论在知识市场中的代价显性化：当信息生产成本趋零，身份验证成本就会升高。
Aha 瞬间
风格不再是关于审美，而是关于防御——在一个被大量生成内容侵占的语义空间里，人类正在用“不可能被算法预测的偶然性”重新划界。
你的思考空间
Noah Brier 用“速度分层”框架来理解 AI 工程，如果一个组织中最慢的、最需要人类判断的那几层被误认为也可以被加速，会怎样一步步走向决策质量坍塌？
Austin Tedesco 让 Codex 分析自己的屏幕行为，发现每天打开 iMessage 671 次——如果你让代理分析自己的任何行为模式（不只是屏幕时间，也可以是对话语气、愤怒频率、决策前的犹豫时长），你最害怕看到什么？为什么？
材料提到“挖掘散落的思考”来对抗空白页面的写作瘫痪，如果一篇文字 80% 来自你过去的碎片记录、20% 来自代理的重组和框定，它还算“你写的”吗？边界应该在哪里？
当写作者为了证明自己是人类而刻意引入错误和怪异表达，我们是不是正在进入一种新的、反向的“图灵测试”——不是机器试图模仿人，而是人试图证明自己不是机器？