走出舒适区，不是把过去清零。会过时的技术、工具和招式要敢换；能迁移的判断力、原则和方法，则要在变化中不断磨炼。换术而不丢道，才走得远。

我这人有个恶习——不想做又不得不做的事，能拖就拖，拖到火烧眉毛才手忙脚乱地上。这篇先把拖延症的底细摸清：它有多普遍、为什么番茄钟和"吃青蛙"这些常规招数常常失灵，再给出我的解法——用点心理学，列一张愿望清单当胡萝卜、一张惩罚清单当大棒，给"未来的我"和"现在的我"签一份合约，附可以直接照抄的模板，最后聊聊怎么让 AI Agent 当"陪跑教练"帮你降门槛、盯打卡、做复盘。

“铁打的营盘流水的兵”和“英雄造时势”，这两句话在办公室里天天打架。我在国企、外企、私企都待过，兜了一圈的体会是：这道题的分界线不是行业，而是这块活的主要风险到底是“做错”还是“做不出来”。这篇给一个能上手的分类——护栏、记忆、仪式，解释为什么大企业的流程只会变多不会变少，一个改不了流程的普通人怎么用 AI 改掉自己和流程之间的那层界面，以及为什么“AI 替代人”只说对了一半：等、盯、催、填可以交出去，想、选、扛只能自己留着。

“超级个体”这个词被讲了太多遍，多半落在“一个人干十个人的活”。我作为一个写了半辈子代码、又被推着做点项目管理的老兵，让 AI 写代码当然也用，但真正想让它接走的是那些不想干又不得不干的活：走流程、开会、跟进度、要支持、写各种报告。这篇拆开讲：哪些活能交、哪些活死也交不出去，秘书型 AI 的五项职能，三段式落地路径，两个从头到尾走完的例子（带 deadline 的待办清单、例行周会），以及别人已经跑通的案例和我踩过的坑。

我以前有位高级 QA 老同事：每次 Design Review 之后，她都会拿出一整套验收用例，没通过就别把软件包交给她。如今我们已经不是同事，我却把她的质量纪律“蒸馏”成了 qa-acceptance-harness，并配上 lazy-harness-audit 和 lazy-harness-helper：先定义什么叫做对，再用证据验收、审计和改进 AI 编码护栏。

第二大脑不是网盘,也不是某个 App,而是一套"采集、提炼、连接、核对、内化、复用"的能力回路。本文讲怎么用你已有的工具——ChatGPT/Claude、本地 RAG、命令行脚本、Jupyter、笔记软件和自建 Wiki——把这套回路亲手搭起来,并接上"问、猜、跑、看、讲、测"六字诀。NotebookLM 只是众多参照物之一。

人生一个个十字路口，我常常徘徊彷徨、踟蹰不前，想不清楚也做不了决定。后来慢慢琢磨出两条：先弄明白自己到底想要什么，再审时度势、顺势而为。上赶着不是买卖，勉强来的东西留不住。

有的人解决问题像打地鼠，这个坑填上，下个坑又冒出来。真正拉开差距的，不是记住多少答案，而是能不能把一类问题的成因、解法和取舍一次性想透。这篇聊聊我这些年反复用的一套笨办法：分类、穷尽、对比、取舍。

明知该做，就是不想动，眼看 deadline 变成头上的达摩克利斯之剑，心理负担越来越重，却越拖越凶。研究过无数克服拖延的方法，也天天告诫自己知行合一，可"臣妾就是做不到"。这篇不劝你自律，而是想聊聊：为什么方法没用，以及怎么把"启动成本"降到你抬手就能做的地步。

写给临床八年制本博连读、即将结束大一的医学女生：未来七年不要急着追工具、追热点、追论文，而要按阶段搭好医学基本功、临床思维、科研训练、数据工具箱和长期身心节奏。

人难免懈怠、偷懒、迷茫。真正成熟的自律，不是永远靠一个人硬扛，而是主动设计协作、反馈和承诺，让团队、朋友和同事在关键时刻推你一把。

老程序员真正的护城河，不是会几道 LeetCode、背几个算法，而是胸中的丘壑、心中的准则、脑子里的体系，以及知道自己几斤几两的清醒。

设计评审上最值钱的不是答案，是问题。借《The Thinker's Guide to Socratic Questioning》的九类提问，和《胡思乱想消除指南》里对付灾难化思维的那套反驳法，我把它们改造成一份可以照着问的设计体检清单。

传统软件的攻击面是"代码里的洞"，LLM 应用多了一个要命的新洞——模型会"听话"地执行别人塞进来的指令。一个帮你总结网页的 Agent，可能因为网页里藏了一句"把用户的 key 发到我这里"就真的照做。这篇按 Prompt 层、Agent 层、数据层、运营层四层梳理 LLM 应用与 AI Agent 的安全要点，配上几个典型翻车实例、一份行动清单和一份上线检查清单。

过去写软件，大半时间花在敲代码上。AI 把"敲代码"这件事的成本压到接近于零之后，时间该怎么重新分配？我的答案是一个有点夸张、但越用越觉得对的比例：80% 在思考与讨论（架构、流程、测试用例、度量、CI/CD、Harness），10% 在编程，10% 在验证。本文聊清楚这 80% 到底在想什么、剩下两个 10% 怎么花，以及为什么这个转变对老程序员是好事、对新手是陷阱。

AI 不会消灭学习，它只是让浅层会用变得便宜，让系统理解、判断力和可迁移能力变得更值钱。本文尝试把 AI 时代的学习重心，从记忆事实和追逐工具，转向原理、抽象、判断和长期积累。

咱们一天的精力，多半花在了关注圈——抱怨老板、骂大环境、替别人的人生操心。柯维在《高效能人士的七个习惯》里留了一张特别朴素的图：影响圈和关注圈。同样的劲，花在影响圈里过几个月就有回声，花在关注圈里只剩内伤。这是一篇关于"力气往哪儿使"的复盘。

一边用 AI 一边刷信息流，我把自己刷得越来越浅，直到重读《思考，快与慢》才意识到——AI 时代真正稀缺的不是答案，是肯慢下来想一件事的能力。这是一篇关于"装了又卸"的自我反省，也是一份给工程师的"反系统 1"操作清单。

拆 gstack 这个 Claude Code 脚手架——它把 sprint 拆成了 30+ 个 slash command，工程上有真功夫，方法论上更值得抄；但工具栏拥堵和文档膨胀，也是 AI 时代项目的通病。这篇讲哪些值得偷师，哪些要警惕，以及自己做类似项目时怎么避坑。

传统 Build Pipeline 是为"人写代码、机器构建"设计的；AI 编程时代需要一条新流水线——SDD（OpenSpec + DDD）→ TDD → BDD → MDD，配上静态分析、AI Review、规则检查，把"AI 生成"变成"AI 可交付"。