AI · METHODOLOGY
AI 方法论
9 POSTS怎么把 AI 当乙方用:交底、验收、拍板都在我。写方法和踩坑，不写工具测评。
把 AI 搬进 Excel：一次被「重新生成」逼出来的工作流迁移
脚本生成工作簿两次碾掉我手工调好的图之后，我把 AI 从「在外面生成文件」搬进了 Excel 侧栏就地干活——真正难搬的不是工具，是攒了两年的规矩：怎么打包、怎么分层、怎么让一个没有记忆的助手长记性。
我给 AI 助手的配置画了张图 —— TL Harness 说明书
228 个零件、677 篇笔记，我说不出哪些还在转。名单能告诉你有什么，答不出「删掉这个会断谁」——于是我把关系画成了图，顺带发现 419 篇笔记的类型标错了，而所有计数都是自洽的。
过度乐观，就是悲观
你感受到的从来不是现实本身，是现实减去预期。现实好过预期才有多巴胺，不如预期就只有失望。所以过度乐观就是悲观——预期抬到天上，现实天天让你失望。教条式的乐观和自信，本质是把预期拉满，在批量给自己制造失望。而两千年前的斯多葛给出了另一种乐观：预期压到最坏，接受一切并从中学习——高预期容易 miss，低预期容易 beat。
情绪价值是个强化信号
情绪价值不是有用没用的问题，它是个强化信号——本身没有方向。绑在真实能力上，它是燃料；和能力脱钩，它是高能耗、不稳定、还会把你锁在错误的行为上。而当前这个内卷、下行、上升通道变窄的环境，正在系统性地让它脱钩——所以它的负作用在放大。
靠结构，不靠记性
重复的错误不该靠记性解决，该靠结构解决。教训记在笔记里是愿望，写进拦截钩子里才是制度。三个亲身的坑——一个看不见的字体、一次并发提交、一份报错的台账——机制是同一个：只要'做对'还依赖某个人当场不出错，错误就永远有复发的地方。把这个依赖拆掉。
三家订阅的跑分账：K3 管量、Claude 管质、GPT 管尖
Kimi K3 发布放出 14 项对比跑分,我把两张图逐项抄了一遍对照自己用法:K3 五冠全是高频体力活(长程 agentic/联网调研/自动化),Fable 5 六冠全是案头质感活,GPT-5.6 两冠是尖峰脑力活。按任务性格分工:K3 管干活的量,Claude 管成稿的质,GPT 管推理的尖——附五类任务路由表。
把活说清楚：一次 AI 协作的完整复盘
我和 AI 协作完成了一个技术方案，从起草到终稿几十轮。坑不值钱，复盘才值钱：几乎每个坑都指向同一件事——初始条件和边界条件是什么时候、以什么方式说清楚的。开工前一句话，抵得上后面十轮纠错。文末附一份 30 秒交底清单，对 AI 和人类协作者同样适用。
如何构建企业级 Claude Code Harness 体系
从 43 个 commands 到 14 个 skills，从 hooks 自动化到 MCP 生态集成——一套完整的 LLM 工具链工程化方法论。
MCP 协议实战：从代码检索到 gmail 的 Agent 生态
3 个 MCP Server、512+ 会话记录、语义搜索——一套真正用起来的 AI Agent 工具生态是怎么搭的。