我最近疯狂迷上了1in8b游戏。这是个近期很火的人生模拟游戏，大致就是分配给你一名随机降生的小人，然后在人生的分岔口进行一次次选择，和这个小人一道走出独属自己的一生。
在沉迷地玩了一个下午后，我产生了一种好奇：作为真实的人类，我在成为今天的我的过程中做出了一个个选择，那么那些做出另外选择的我，在2026年的今天，是什么样的。
以及随之产生的越来越多的好奇，比如读书、出国、投资全球股市，这些行为具体会取得多少收获？出生在不同的国家、不同的时代会有什么变化？健康饮食、按时体检、购买保险，会让生活有什么不同？
我决定用模拟器进行大数模拟，即使结果只代表这个小小的模拟世界，但看看它会怎么发展，本身也很有趣。
我让codex分析了相关代码，将模拟器本身在本地真实运行模拟，通过对不同随机种子的多次运行，制造试验间的对比性。
15 份主报告，合计模拟了 235,000 轮，也就是 23.5 万次完整人生。每一个人都是模拟器真实运行的结果。
分享几条我觉得有意思的报告：
同样是 2002 年出生，24 岁时大家过得怎么样？
——在模拟的全球同龄人中，活到 24 岁并留下记录的人里，约 23.9% 拥有大学及以上学历，38.1% 已婚，26.7% 已经有了子女
出生在不同国家，65 岁时的资产能差多少？
——中国、日本、尼日利亚出生组里，活到 65 岁者的净资产中位数分别约为 181.8 万、138.2 万和 4.3 万元
出生年代不同，同样的一生能差多少？
——在模拟的中国组里，1950 年出生的人，平均寿命是 53.1 岁；2020 年出生的人，则是 84.3 岁
全部实验报告、看板和数据都已经公开，开源到了 GitHub。如果你也好奇，可以直接进去页面，挑一个问题，看看小人最后过上了怎样的一生。
查看实验报告与看板
一个月前，从杭州回北京前，我在上海和杭州见了很多朋友，朋友们（尤其是在上海的朋友）很不解，觉得北京的生活舒适程度不如上海，学院路没有大学路chill，即使考虑到我在北京读大学，在北京还有很多朋友和同学，回京也只是从不可接受变成可以接受。
我觉得大家都没有错，只是侧重点不同。我的朋友们很多不考虑离开长三角，所以上海是大家的幸福老家，更何况上海的街道和商业中心很精致，逛街很开心，还有很多朋友可以约出来一起玩，总之城市体验很好，便利与松弛，很适合生活。而北京主要是具备就业优势，以及在文化和艺术方面有非常多的资源。
这些文化上的资源，包括但不限于电影博物馆、电影资料馆的电影；天桥的音乐剧；故宫、国博，以及各种其它博物馆艺术馆时不时举办的展出；超多专业级体育设施；鸟巢的音乐会……总之，北京的人、机构和资源密度形成了普通市民也能享受的“北京的福利”。而且，北京有很多人，有人就有故事，就有更多能从事的有趣的活动。
北京资源密度很高，但使用资源的摩擦也很高，要是天天待在郊区，那其实没有什么意思。我这次决定更好地利用北京的资源，每到周末就到处出发，着实让生活非常充实。
而且，事实上一个月里，北京的日常生活给我留下了超级多值得回忆的瞬间。在夜幕下坐在五道口的公交站台吃冰淇淋，看面前的车水马龙；在华清的酒吧转场；在秋天的胡同 city walk，拍照走走停停；在三联书店晒着太阳看一下午的书。
我也不否认北京存在很多老生常谈的问题，比如气候、通勤、长期居留。但我想表达的是，它的一些禀赋，主要是文化、体育和社交资源上的，对有的人来说，真的是相当的加分项，不要因为扣分就忽视了这些闪光点。
城市选择是人与城市能否互相适应。我自己也喜欢上海的生活节奏，我也觉得西岸很artsy，在黄浦江边看着三件套办公很metropolitan。只是可能另一种生活，对于喜欢文化和喜欢和朋友在一起的我，也很适合。
最近跟一位刚入职新公司的朋友打电话。他跟我说，发现新工作好像不太适合自己，正在考虑辞职，却又纠结刚入职就离开，会不会影响未来的稳定性。
我在想，这种把工作看得太重，将它过度神话，过度赋魅，甚至为了一个还没有发生的、关于未来稳定性的担忧，让现在的生活痛苦，这是不是一种舍本逐末呢？
我们以及这个社会赋予了工作太多意义，很容易让人把自我认同等同于社会地位和个人价值，绑定在自己的工作身份上。似乎工作顺利，人生就走在正轨；工作不顺，人生的整条路就都选错了。
我觉得，人是最终的目的，工作只是生活的一个组成部分。钱、职位、名声，本质上都是手段；真正不可逆的是已经被消耗掉的时间。
对于工作，我会说，工作，好吧，它的确是我生命的一部分，在我的生活中占据很大比重。但它像休息、娱乐一样，不过都是让我花一些时间，给我一些感受，最终服务于我的人生体验。
我们总讲 Work Life Balance，仿佛“工作”和“生活”是两个容器，然后我们努力让两个容器达到平衡。但我不觉得人生真能像《人生切割术》一样，被切成工作和非工作两部分。工作本身就是生活的一部分。工作的快乐与否，也会直接决定今天是不是美好的一天。
我觉得人需要的是长期地过好这几十年，带着心气感受每一天，而不是被目标异化，着急地向前达到某个目标，又冲向下一个目标，一直追着挂在驴前面的那根胡萝卜，相信“等 xx 了就好了”。
我不想今天过着自己不喜欢的生活，只为了未来的某个时刻被许诺的另一种生活。
我觉得，人是最终的目的。工作是生活的一部分，不要神话它，也不要妖魔化它。我们拥有的，也是所有人公平地拥有的，只是一天24小时。生活就在那里，重要的是怎么填充它，赋予24小时不一样的深度和色彩。既然每天只有24小时，我会更在意它们到底被什么占据。我不想长期过着自己不喜欢的日子，只指望以后再弥补自己。
所以我也没有直接劝朋友辞职或者坚持。只是，可以把工作当成生活的一个属性，一个普通的、剥离了社会的赋魅的属性进行考虑。如果把工作从那些社会赋予它的意义中剥离出来，只看它作为你生活的一部分，你愿不愿意过这样的每一天？
在我的24小时里，有太多的事情要做。它们有时候互相帮助，有时候就是互相抢时间，我也没有找到一个永远正确的平衡。但我目前觉得，还好，这就是生活。
最近带实习生，我发现了一件挺矛盾的事。
现在的实习生，产出比我们当年多得多，干活看上去也没那么费力。不会写的代码可以问AI，不懂的业务可以让AI解释，遇到报错，把上下文交给Agent，它会自己找文件、改代码、跑测试。
但实习生并没有因此更轻松。他跟我说，AI生成了一段代码，他不知道写得好不好。光是理解已经很费力，更谈不上判断方案是不是合适。看着正式员工熟练地用AI推进工作，他会怀疑是不是自己没用好，也担心彼此的差距越拉越大。
我很理解这种焦虑。AI提高了所有人的生产力，提高的幅度却不一样。
对资深员工来说，AI省掉的往往是自己已经会做、只是不想重复做的部分；对新人来说，AI省掉的可能正是他原本需要经历的练习。
光坐副驾驶，很难学会开车
写一个东西和看懂一个东西，差别很大。在AI时代之前入行的程序员，大概都体验过这一点。
我刚开始实习时，几乎什么都不会。每天拿到任务，再一个个慢慢做。遇到问题，先自己想，想不出来再找mentor讨论。做的事情大多琐碎，也谈不上有趣，但每个任务都逼着我做选择：从哪里下手，用什么方案，出了问题先查哪里，什么结果才算做完。
很多选择一开始都是错的。写完被指出问题，改过，下次再遇到类似情况，才慢慢知道什么方案靠谱，什么风险不能忽略。
判断力就是这样长出来的。它不只来自最后那个正确答案，也来自走到答案之前的犹豫、试错和纠正。
看AI生成的代码则不同。它已经替你做了大部分选择，你要做的往往只是沿着结果往下读。代码最后能运行，但你没有亲自走过中间那些岔路，也不知道AI替你避开了什么，或者悄悄埋下了什么。
AI曾经被叫作Copilot。到了2026年，真正握着方向盘的常常已经是AI。这本身没有什么问题，但新人坐在副驾驶上，却仍然需要学会开车。
交付变快了，成长没有自动跟上
从Chatbot到Agent，这个问题又明显了一些。
以前用Chatbot写代码，人还得复制、修改、放进项目里，至少会被迫看上一遍。现在Agent可以自己读代码库、改文件、跑测试。人给出任务，最后检查结果，中间发生了什么，越来越少出现在眼前。
这对交付当然是好事。可对新人来说，那些被隐藏的过程，原本也是学习发生的地方。
人的大脑很难拒绝一个现成答案。手头还有下一个任务，代码也已经跑通了，这时要求一个新人停下来，把AI做过的事情从头想一遍，很反人性。何况他可能连哪里值得细看都不知道。
于是，一个人可以交付得越来越多，却没有变得更有把握。今天借助AI做出了一个功能，明天换个相似的问题，还是不知道该从哪里下手。AI留在代码库里的东西越来越多，留在自己脑子里的东西却没有同步增加。
过去，变聪明常常是工作的副产品。一个人做得足够多，踩过坑、挨过批评，逐渐知道什么是对的。
现在，变聪明更像一项需要主动完成的工作。
资深员工用AI，和新人用AI不是一回事
同样在用AI，资深员工往往会越来越快，因为他知道该把什么交给AI。
他能划出边界，能看出结果哪里不对，也知道什么时候应该停下来自己接手。AI负责执行，他负责选择。
新人恰好还没有选择的依据，缺一套标准：什么算好，什么只是勉强能跑，什么问题现在看不见、以后却一定会找回来。
如果一直接受AI给出的第一个答案，工具确实能让新人变得更能干，却不一定能帮他建立这些标准。时间久了，他甚至很难分清，眼前的产出里，哪些已经成了自己的能力，哪些只是模型暂时替他托住了。
不过，我不赞成用“少用AI”解决这个问题。公司不会因为新人需要练习，就退回低效率的工作方式。新人也没必要为了复制上一代人的成长路径，故意放弃现在的工具。
真正要练的，是别把所有选择都交出去。
开始任务前，可以先不让AI动手，自己说清楚准备怎么做、做到什么程度才算完成。AI给出方案后，不要急着接受，至少看一眼还有没有别的做法，为什么选这个。代码跑通了，也要自己决定怎么验证；出了问题，先猜一次原因，再去看AI怎么判断。
这些步骤不会让工作变快，甚至有点麻烦。但练习本来就不是交付流程自动附送的东西了。
AI也给了新人以前没有的机会
AI可能拉大了新人和资深员工眼下的生产力差距，却也让新人离一个完整产品更近了。
以前，一个新人可能要工作几年，依赖一整个团队，才有机会参与做出完整产品。现在他可以借助AI补上设计、开发和部署中的缺口，更早把自己的想法做出来。
这件事同样能训练判断力，而且可能比接一串零散任务更有效。因为产品是自己的，他必须决定做什么、放弃什么，也必须面对真实用户是否愿意用。AI可以替他写代码，却没法替他承担这些选择的结果。
所以我并不觉得这一代新人注定更弱。他们少了一部分由工作被动提供的练习，也得到了以前很少有的机会：可以更早独立做完一件事，更快看到自己选择的后果。
只是从现在开始，交付和成长不再是同一件事。前者AI可以帮忙，后者还是得自己负责。
最近和不同的朋友聊天，话题经常绕到一种相似的对工作的疲惫：每天都很忙，却很难感受到意义，只想退出。
这种疲惫，很像大卫·格雷伯在《毫无意义的工作》里所写的“狗屎工作”——不是工作辛苦或者工资低，而是连从业者自己都不相信它有存在的必要，却还要假装它很重要。
在大厂里，这种感觉尤其常见。
当一个人看不到自己的工作和最终结果有什么关系，就只能从绩效、职级和领导评价里确认价值。于是，证明“我做了什么”变得比结果本身更重要。对过程指标的评比，压倒了对真实结果的评比，人的工作和实在的结果被割裂开来。
对“狗屎工作”的判断本来就是主观的。只要一个人已经无法解释这份劳动为什么值得存在，那种价值感丧失的荒谬感就是真的。
我们从前以为，AI可以帮人干这些沟通对齐的白领工作，就能把人从狗屎工作中解放出来。但更常见的结果是，AI只是让人更快地完成这些局部任务，同时你发现，又有新的狗屎工作在等着你。
问题的核心在于生产方式带来的意义感缺失。在工业社会的流水线式的、标准化的生产方式中，一个人只对局部动作负责，却无法看到、影响或承担最终结果。标准化抹平了个体的差异，保障生产稳定性，代价是人和自己的工作结果相分离，弱化了传统意义上的工作价值感。
如果 AI 只被接进原来的分工，它只会让每个人更快地完成手里的那一小块任务。但是劳动者和产品、用户、收入之间的距离并没有缩短，价值感也不会自动回来。就像原来一周写一次周报，AI 让周报十分钟就能生成，但节约的时间会被另外的dirtywork占据。
但 AI 也提供了另一种可能：它降低了跨专业工作的门槛，让一个人在设计、开发、销售等多个领域都能从20分做到60分。过去需要多个岗位接力的事情，现在可能由一个人或更小的团队完成闭环。这让劳动者有机会缩短自己与产品、用户和收入的距离，重新对更完整的结果负责。
总之，一个人决定做什么，直接为结果负责。产品有没有人买，服务能不能解决问题，你的产品本身会有答案，价值不再只由绩效表决定。这种模式不一定会让人更轻松，但工作的产物、收入和价值感，真正重新落到了同一个人身上。
AI本身不会自动消灭狗屎工作。而当它改变工作的组织方式，让人看见结果、影响结果并为结果负责时，它更可能帮助人实现工作和意义感的统一。
最近很drama，我开始带实习生了。虽然我和实习生在这公司的工作时长，加起来还不满一个月。
我觉得挺好玩的。
一直都有种说法，说AI时代，每个人都是管理者。因为你可以管理好多Agent，你需要表述你自己的意图，给Agent上下文，让它执行你想要的任务。在这个过程中，管理需要的很多能力潜移默化滋长。
我以前平时更多是在带 AI。现在突然变成了一个真实的人来问我问题：“这个是不是应该这样做？”“这段代码可以交吗？”还挺奇妙的。
我觉得带实习生以后，我最大的变化是，习惯变好了。
比如我现在得好好沉淀文档，不然之后对方再来问，我还得从头解释一遍。而这些积累最终也能通过使用AI，作用到我自己的身上。AI 好用一点，我自己过几天再看也不用重新猜。
比如，要给别人做好规划每天做什么、做到什么程度算完成，之后还得看一眼产物。现在顺手把自己的任务也规划了，至少知道今天推进了哪些事，哪里卡住了，明天从哪继续。
另外就是，我会更进一步自我学习。因为知道可能被问，平时在工作中就得多想一步，把一些事情弄好、原理弄清楚。
总之，就是突然有一种很具体的感觉：前额叶真的开始发育成熟了，更像个大人了。
对了，还有个好处。当你有了-1，你就真的能更真实理解到，+1到底想要什么。为什么要同步，为什么要拆任务，为什么要问进度，为什么总要我把事情讲清楚。现在自己坐到另一边才发现，很多时候管理也没有那么神秘，也是一件要讲逻辑的事情。
有的时候，看着实习生，我有时会想起两年前的自己。那是在另一个厂，我也问过很多类似的问题，做过很多类似的事。彼时彼刻，恰如此时此刻。竟能如此相像。
两年之后，我从另一个角度，发现两年前发生过的事，原来可以是这样的看法。
有一天，你发现自己已经可以成为那个曾经帮助过你的人。不是完全一样的人，只是坐到了相似的位置上，然后把当初收到过的一点耐心，再交给别人。这真的很奇妙。
我最近越来越觉得，AI 最大的问题不是不聪明，而是不认识我。
每次让它帮我写东西、做复盘、想选题，我都要重新解释一遍：我是谁、最近在做什么、之前写过什么、卡在哪里。
它不是没有能力，而是没有我的上下文。
理想形态的 AI，尤其是个人助手类型的 AI，应该能天然知道我的所见所闻、所思所想，拥有我脑袋里的知识，站在和我一样的视野，用它自己的智慧和执行力去给我提供思路和做事。
它应该了解我，就像我了解我自己一样。
比如我想写一篇文章，它可以帮我从日记、播客笔记里找素材。我想复盘一个阶段，它可以帮我找出这段时间反复出现的问题。我想做内容输出，它可以帮我把灵感随记、草稿碎片整理成选题、提纲和初稿。
对一个人而言，生活中的一切都组成了他的人生知识库。但是人的知识库记在脑子里，AI 读取不到，所以我现在的想法是：主动记下来，给 AI 准备一个可读取的自己。
先有 context，再谈 context engineering。
人生本身就是一个人最大的项目，所以给它一个知识库也并不奇怪——日记、面试经验、播客摘要、读书观影、自媒体选题，甚至某个时间点突然冒出来的一个灵感——总之关于自己的一切，都可以往里面记录，它不一定完整，但至少能留下很多原本会散掉的自己。
我不太想把它做成一个什么都往里塞的资料仓库。对我来说，最重要的不是收藏信息，而是留下和我有关的判断、经历、项目和反复出现的问题。
以前这些上下文信息散在微信、备忘录、脑子里，甚至很多根本没有留下来。现在它们可以被有意识地放进同一个文件夹，分门别类，主动积攒，变成可调用的材料。
这件事的底层意义是，我不想让自己的想法和经历总是散掉。
Why Obsidian？
我目前用 Obsidian 承载这个知识库。
我的知识库，在载体上是一堆 Markdown 文件，方便随时编辑，占用空间小，还能被一些不支持多模态的模型读取。
我选 Obsidian，主要是因为它能满足我的诉求：
- 手机能随手记，电脑能写长文，二者同步方便；
- 对 Markdown 文件友好。
特别一提，手机真的是记录的最重要的入口。原因也很简单：很多东西不记下来，真的就没了。听播客学到的金句和突然产生的观点，和朋友聊天后短暂出现的判断，面试结束后还热乎的感受，过几个小时就会从记忆里消逝，过几天基本只剩一个模糊的轮廓。
形成知识库之后呢？
当我的经历、想法、阅读和项目都被记录下来，AI 才有可能基于“我的上下文”帮我工作，而不是每次都从零开始猜我是谁。
我有写内容的需要，这时候知识库就开始派上用场了。但写内容只是一个很具体的场景，它更像是在测试：当 AI 真的能读到我的上下文之后，它能不能帮我把原本散着的东西组织起来。
我现在会把一些和自己有关的内容分门别类放进 Obsidian，比如日记、播客笔记、读书观影记录、自媒体选题、面试复盘、灵感随记，还有一些还没成型的草稿碎片。
我会让 AI 帮我整理结构、归纳主题、润色表达，也会让它从一堆碎片里找出我最近反复在想什么。
比如这篇文章本身，就是这么来的。
我把 Obsidian 的文件夹权限开给 Codex，让它帮我看最近的内容库：我反复在写什么、哪些主题出现频率高、哪些素材可以组合成一篇文章。
比如我最近的记录里反复出现几个东西：AI、内容输出、个人记录、项目推进。Codex 看完之后提醒我，这些其实不是几个分散主题，而是同一个问题：我想让 AI 更理解我，而不是每次都重新喂背景。
最后它从一堆零散记录里拎出了“AI + Obsidian + 个人上下文”这个选题。
接着让它向我提问，我通过回答这些问题，把原本模糊的方向逼清楚了一点，最后生成文章骨架。
普通人可以怎么开始
我觉得最小版本就三步：
第一，找到一个你真的愿意打开的记录入口。对我来说，这个入口必须手机和电脑都能用。手机负责随手记，电脑负责整理和写长文。
第二，先把内容放进去，不急着搭一个完美系统。可以先有几个很粗的文件夹：日记、素材、读书/播客、项目、自媒体。分类不用一开始就很精细，重要的是先留下来。
第三，让 AI 定期帮你整理。比如让它看最近一个月的记录，总结你反复在想的问题；让它从素材库里提炼 5 个选题；或者让它把几条零散笔记组合成一篇文章提纲。
Obsidian 负责留存上下文，Agent 负责组织和发现它们。
我也不是每天都认真整理。更多时候只是先乱记，等需要输出的时候再让 AI 帮我收拾。
所以我现在理解的个人知识库，不是一个装满资料的仓库，而是一套持续更新的个人上下文。
先把自己记录下来，再让 AI 在这些记录里重新认识我。