这一年 AI 语音输入法冒出来挺多的，像微信这种通用型产品也增强了 AI 语音输入功能，仿佛一夜之间就回到了入口争夺战的场景。你要说这些产品好不好呢，我会说都挺好的，也都挺快，识别率和体验都不会差到哪儿去，但就使用频率上看，“闪电说”是我用的最多的，不为什么，因为它好用。

还有呢，是因为数据可以被自己利用起来。

我把近一年在“闪电说”里说过的话重新用模型跑了一遍，统计显示，我有近万条语音记录，主要是聊天、会议、工作里的想法，甚至一些很快就会忘掉的东西。可这些东西有什么用呢？我也不知道它能有什么用，但闪电说的助理是这么提示的：“这批记录最值得整理成‘你的设计判断与项目经验库’。其中已经有不少可以复用的判断、方法和具体案例。”

于是，下面就是 AI 针对我语音输入中的内容进行的深度汇编（由 ChatGPT 完成）了，放几张能看的吧：

我一边惊讶于自己竟然留下了这么多内容，一边感叹 AI 的提炼能力。很多经验和判断本来就在我脑子里，只是一直没有被系统地整理和表达出来。平时给别人解释一个问题，或者随口聊几句，说完也就过去了。重新放在一起看，才发现这些零散的表达之间，其实有不少联系，也存在巨大价值。

回看记录，我发现值得留下的东西有两类。一类是我平时给别人解释问题时，说出来的经验和判断；另一类，是我和 AI 反复磨合时，逐渐明确的要求：什么样的表达适合我，哪些信息值得记住，哪些事情需要由我决定。

前者让我重新看见自己的积累，后者让我开始整理自己的工作方式，并形成一些自己的 AI 工作方法。这也让我越来越好奇：如果继续整理这些表达和要求，我还能从中发现什么？

机会是在实际使用里发现的

最早，我并没有想过要做一套完整的 AI 工作方法。很多想法都是在实际使用里冒出来的，做着做着才发现：“咦？对，可以这样！”

对我来说，语音输入就是一个很方便的入口。想到什么，先说出来；说完以后，再让 AI 帮我整理、追问、比较，或者变成下一步可以做的事情。用得多了，新的需求和问题也就跟着出现了。

比如用“闪电说”的时候，我不希望 AI 自作主张把消息发出去，于是写下了一条规则：“不要自动发送消息。”意思很简单，没有明确说要发送，就不要替我发。

后来，我又做了“主动记忆”。我希望 AI 记住那些以后还会影响沟通和判断的东西，比如我的长期目标、沟通习惯和明确表达过的偏好。我把这些要求整理成可以重复调用的规则，也就是这里说的 Skill。什么时候使用，先看什么，有哪些边界，最后应该输出什么，都可以写下来。

这些规则是在使用中逐渐补出来的。和做产品一样，一开始很难想清楚所有场景。某次回复不像我，某条记忆不准确，或者工具越过了你设定的边界，才会意识到：这里还需要说得更明确一点。

所以我现在看 AI，会更注意身边那些重复发生的小问题。某件事是不是每次都要重新解释？某种回复是不是总要改几遍？某个流程是不是明明可以让 AI 先帮我整理？这些地方，往往比“AI 还能做什么”更容易找到答案。

语音输入法如此，其他 AI 产品也一样。这也是我对 AI Native 工作方式的理解：面对一件事时，会自然地考虑怎样与 AI 配合，再在实际使用中不断调整。

比如你现在看到的这篇文章，结构、想法和表达目标由我确定，AI 根据我的要求和习惯生成初稿，我再反复打磨修改，过程中也继续让 AI 配合润色。我甚至不知道，这种写法该怎么称呼，它还是传统意义上的“写作”吗？但它已经逐渐成为我的日常。

下面这个文本润色小工具，也是我在有了具体需要以后，让 Codex 在二十分钟内做出来的。

半年前你想象有一个 AI 在你旁边，一边看你写东西，一边帮你改东西吗？

多用几次，场景才会显现

你说这些是效率提升吗？是，绝对提升了效率。

但，一个 Skill 写出来，只是开始。第一次测试通常只能看出一个大概，真正的问题往往要到连续使用几次以后才会暴露出来。使用别人的 Skill 也是一样，需要放进自己的场景里，才知道哪些地方合适，哪些地方还得调整。

比如我有不少群，自己来不及处理时，就会让 AI 全自动或半自动地协助处理一些消息。不过，具体处理哪些事情、自动做到哪一步，都要以我明确给出的授权为准。

“帮我在群里回复一下”这个 Skill，就是这样慢慢改出来的。我希望它像我在微信群里顺手回消息：先听懂上下文，再用平时的方式把事情说清楚。复杂的问题可以多解释两句，简单的问题不要写成小作文。打卡群的回复更短，根据时间问候或提醒就行。太热闹不像我，太客气也不像我。

在这个过程中，我会不断补充场景、修改规则、观察哪些地方仍然不对。表达风格和标点偏好，也是这样一点点写进去的。一个人的风格往往就在这些小地方里，AI 只有知道这些细节，写出来的话才不会像陌生人在替我说话。

使用 AI 不能只看第一次回答得漂不漂亮。你还是要把它放回真实环境里，反复试，反复调，反复改。有时候是提示词不清楚，有时候是场景没有交代，有时候是模型能力确实到不了那里。只有经过几次失败，才知道问题到底在什么地方。

AI 最后会把我带回自己

连续修改过几轮以后，我发现，自己也在发生变化。

以前我只会说“感觉不对”，“再通顺一点”，后来却需要继续问：究竟是太长、太客气、忘了上下文，还是越过了边界？如果我自己都说不清楚，AI 也很难知道该怎么改。

就拿群聊回复来说，我最初的要求只是“像我一点”。继续修改才发现，这里面其实有很多具体标准：有没有回应对方真正的问题，解释得是不是适量，语气是否适合当时的场景，以及有没有替我做出未经确认的承诺。这些要求一点点写清楚以后，我也更明白自己平时是怎样判断一条回复是否合适的。

还有一条分析，让我开始留意自己的作息（对自己的影响）。闪电说助理统计，在这批记录里，凌晨零点到两点有 1,060 条语音输入。它还进一步判断，深夜的表达可能存在语速慢、句子碎、意图模糊的问题……不言而喻了吧？

这条提醒让我感兴趣的地方，是这个平时不太容易留意的习惯摆在我面前了。我在深夜说了这么多话，而且已经说得不那么清了？那么，这些晚上的时间里我究竟在做什么？是在记录有价值的想法，处理不得不做的事情，还是有些事情其实可以留到第二天？

当然，AI 的判断还需要再进一步核对。深夜说话多，并不能直接说明那时的表达质量就差，“第二天回看经常不成立”也需要拿具体记录来验证。但它给了我一个值得检查的方向：选一些深夜和白天的记录，看看内容有什么不同，哪些想法后来真正用上了，哪些只是当时反复纠结的问题。

如果确实发现深夜有不少反复表达、第二天又要推翻的内容，我就可以试着调整：晚上先把想法记下来，把需要反复判断和修改的事情留到第二天，再观察这样做是否更适合自己。

这让我对“借助 AI 认识自己”有了更具体的理解。那些平时凭感觉说不清楚的习惯，可以从记录里找到线索，再由我去核对、尝试改变。自我认知也就有了下一步：我可以据此调整一个具体行为，看看自己能不能过得更好一点。

这些判断原本分散在很多次对话里。在一次次纠正 AI 的过程中，我逐渐把它们说清楚、写下来，也有机会重新审视它们。我在整理自己的工作方法，同时也在重新认识自己。

我真正想留下的东西

在这个过程中，我也一直在回答几个具体的问题：什么值得留下，什么需要停下来确认，什么可以交给工具，什么需要自己做决定。比如公众号排版，我很在意细节，我就希望能自己调整和控制。于是，有空的时候（其实也就半小时）我也做了一个排版工具，把一些重复操作交给工具，把最后的呈现留给自己判断。

你要说一个 AI 语音输入法能干啥？上面这些可能是我在闪电说里得到的最重要的东西。它留下的也不只是我说过的话，还包括我怎样表达、怎样判断、怎样和 AI 磨合，以及我愿意把什么交给工具、把什么留在自己手里。

这也让我想到之前记录过的 Humanistic Intelligence，我把它译作“人文智能”。Steve Mann 讨论这一概念时，强调人参与计算过程的反馈回路，以及人与工具之间持续的相互影响。回到我的这些实践，AI 根据我的反馈调整输出，而我也从它的输出和自己的修改中，逐渐看清原本没有说清楚的要求。

一个 AI 语音输入法能干啥？对我来说，它让很多原本说完就散的话留了下来，也给了我重新整理它们的机会。回看这些记录，我开始看见自己积累了什么；在一次次纠正 AI 的过程中，我也逐渐说清楚自己在意什么、依据什么做判断，以及哪些事情需要由自己决定。

AI 毕竟还是工具，那一个 AI 语音输入工具能干啥？

我觉得它让我得到了一次完美的认我自知和掌控感。