多局点、多任务、多角色同时推进时，真正稀缺的不是勤奋，而是 判断力、取舍能力和可复用记录。均匀响应所有任务只能保证不出明显纰漏，却很难形成个人优势；优势通常来自少数高风险、高杠杆、高不确定、强依赖的局点。

本文把工作链路整理成一个可执行系统：先识别重点风险局点，再拒绝低优先级任务；先快穿刺关键假设，再并行派活和紧跟踪；先用原理、显存、性能 MFU 和投产约束做建模，再用实践验证、详细记录和持续修正形成历史；最后把优势进展、后续风险和必要求助稳定汇报出去。

这篇文章记录我当前的 Work with AI 文档工作流：不是把一段 prompt 扔给模型、得到一篇孤立文章，而是把调研、来源管理、论文图表、正文插图、图片上传、Hugo 写作规范、可复用 skill 和 git 发布串成一个可验证的流水线。

这条流水线的关键变化来自 Karpathy 的 LLM Wiki 思路：把知识库视作一个由 LLM 维护的 Markdown 代码库。原始资料进入 raw 层，结构化理解进入 wiki 层，Hugo 文章只是最终发布层。这样每次写作都会沉淀可复用记忆，而不是从聊天记录里重新发明一次。

随着AI模型的能力越来越强，我们要做的就是像SE一样描述清楚需求边界，然后让AI去干就行了。

但是由于安全保密，或者不同公司开发软件的历史原因，如何搭建一个AI Coding的环境直接第一步就难住了：

1. 问题场景：黄区开发，根本连不上外网；
   2. 解决方法：允许蓝区开发
2. 问题场景：客户都是k8s集群调度机器，都是虚拟出来的机器，只提供一个web的terminal调试界面。代码是在跳板机上修改，然后挂载同步到实际申请到虚拟机上。

• 第一阶段的目标: 接入api模型，完成每日的工作相关基础的信息收集和整理归档。
• 第二阶段的目标: 无监管处理较简单事项；
• 第三阶段的目标: 参与构建复杂系统，和辅助重要决策。

AI浪潮下，一开始是代码补全，之后是Vibe Coding，现在是Agent（规范驱动开发(Spec-driven Development)），后续趋势是Agent Team/Swarm。核心LLM上层的 逻辑编排层 愈发的重要。Harness Coding等

作为一个程序员，应当以什么姿势拥抱AI时代的代码编程，是需要持续关注的问题。

量化交易一直是最火的自动赚钱的途径：

• 经过调研，个人量化从技术上是可行的。
• 加上现在agent coding能力起来了。
• 原本是自己在写AQTP仓，但是发现了 zvt 这个偏个人的研究策略仓，和更关注实盘高频模拟的 vnpy
• 现在把精力转移到开源仓的使用
  • zvt 仓的使用和二次开发上；（思路、可视化、数据库、策略拓展性都感觉OK）
  • QUANTAXIS 通过 Rust 加速；
  • AI 向 Qbot 和 microsoft/qlib 方法尝试。Qbot还支持接入飞书。

26年开年，Agent爆火，我也尝试了OpenClaw、CC等前沿工具和API接口。当前问题还是记忆力不够（即使1M也远远不够），这导致你还是不能将其看作是一个“数字员工”。从技术发展、幻觉和使用成本角度考虑，AI仍然将作为单点技术咨询/单问题解决（ 定制prompt ）的角色参与到个人的工作中，来增强个人能力，促成“生产力”超高的超级个体的产生。

大部分员工只是按部就班的做事，但是AI时代下，什么有价值，应该做什么（应该要AI帮你做什么）反而是最重要的。

本文将

• 从SE角度：热点跟踪、技术调研、客户交流/筛选规划、按期执行、测试看护、总结汇报。 这些方面来介绍我是怎么利用AI辅助加速的。
• Research发论文角度：AutoResearchInSleep： (调研文献)->(找idea)->(查新验证)->(写代码)->(部署跑实验)->(自动改到能投)-> (大纲)-> (作图)-> (LaTeX+PDF)->(审稿×2 + 格式检查)->(搞定!)

Agent 概念与 OpenClaw 的爆火，本质上反映了人们对个人数字员工（Digital Worker）能力的期待：它不只是一个对话式 AI，而是一个可以在真实工作流中长期运行、承担任务、放大个人生产力的“虚拟员工”。

我真正关心的问题是：如何为自己的具体工作场景配置合适的数字员工，使其在时间与认知两个维度上对个人效率形成倍增效应。