我在 2026 年如何使用 AI（编程、写作、学习、充当助手）
对《我在 2025 年如何使用 AI》的个人更新。
学习如何有效使用 AI 的最佳方法之一，就是旁观一位“重度用户”的操作，并亲自上手尝试一堆这类技术，从而分辨出哪些是炒作、哪些是真正有价值的。
在这篇对 我如何使用 AI（2025） 的一年期后续中，我想记录一下我个人目前折腾 AI 的最新方式。
编码 / 研究项目
我把大部分 token 花在了编码和研究项目上。基本上就是拿一些随机问题来玩，比如：
我目前的工作流对每个项目来说几乎都一模一样：
手写（约一段话的）CONCEPT.md —— 理论上的 Hacker News 标题、我的项目主旨、一些零散的约束条件
与 ultra code fable 配对：“完善 CONCEPT.md，哪些地方有歧义，问我问题，有哪些我没考虑到的维度，你需要哪些 API 密钥……”
与 ultra code fable（或 codex sol max）配对：“转换为 TECH_PLAN.md，这是我愿意花的预算，部署在……，这些是 API 密钥……”
然后我就会直接提示“构建并验证 TECH_PLAN.md”，在接下来的 4 到 48 小时里，我会让它把所有东西都构建出来。
对于这些运行：
我完全是原生的 Codex 和 Claude Code。没有自定义技能、插件或设置。对于业余项目，我认为这些功能中的大多数都是将这些 agent 用作结对编程工作流的辅助轮——而对我来说，这种编码工作流本就不该再存在了。我也没有刻意设计任何所谓的“子代理工作流”，当我发出实现提示时，就让 动态工作流 自己掌舵。
95% 以上的代码都是在第一次大型构建运行中写出来的。我认为人们没有意识到 左移（shifting left）是对抗代码库垃圾（codebase slop，即 SlopCodeBench）的秘密武器。比如第 (4) 步在这里真的是二元的——没有配对，甚至不看终端 agent 说了什么。如果输出是错的，我就完全丢弃它，并在 CONCEPT.md 中添加约束。对于外面许多 vibe coder 来说，第一个构建提示只写了 5% 的代码，我认为这正是他们大多数问题的根源。
用单阶段提示“构建并验证 TECH_PLAN.md”有一个刻意为之的副作用，那就是我也在把整个项目历史转变为 harbor 式评测，这让我能够针对新模型发布来脉冲式检查“真实工作”的表现。Codex 和 Claude Code 现在已经足够接近，我会轮流选择其中一个来进行原始实现。
我会稍微读一下代码。通常是结构（即文件树）和入口点。如果有某个核心算法，我会要求一个 .html 解释器，而不是去深挖源码。如果我最终确实深挖了代码，那是因为我怀疑实现中存在某种“作弊”行为。
对于最终输出中的任何书面文本，我会在计划中设定任意的字数限制。“这个整个应用只能有 500 个面向用户的词”。我发现这是保持内容可读性的最有效方法（相比于简化英语或“请简洁”之类的提示）。
我通常在早上7点左右发出实现提示（让它们在我工作时运行），以及晚上9点左右（在我睡觉时运行）。编码代理始终设置为自动模式，技术计划通常足够清晰，中间步骤不需要人工验证。我其实不太常用 claude/codex 的“远程控制”功能，因为对我来说，需要在中间输出上进行结对协作是一种反模式。
这些项目的结果通常是一个洞察，或者对假设性问题的答案。对我来说，分享代码甚至应用 URL 往往没什么意义。相反，我通常认为整个循环及其产物都是短暂的，只在 X 上或通过博客文章分享洞察。
我使用三种不同类型的机器，同时运行一到大约十个代理 CLI 终端：
一台游戏 PC（Nvidia 5090，Windows + WSL v2）——用于 ML/RL 研究以及游戏/图形相关项目
一台 Mac Mini——用于大多数日常项目。我通过 cloudflared 隧道从离我最近的任何设备 ssh 过去。
Modal 函数——用于极度并行的 CPU 计算或 大型 GPU 研究项目。通常先在我的 PC 上进行快速的缩小规模迭代，然后将其扩展到集群进行最终的 $$$ 运行。
感谢阅读 Shrivu 的 Substack！免费订阅以接收新文章并支持我的工作。
写作
我们已经进入企业和社会 AI 垃圾内容的巅峰时代。我坚信你可以使用 AI 来写出高质量的内容，但在过去的一年里，我更加深刻地认识到，大多数情况下结果并非如此。因此，“这段文字是 AI 写的吗”事实上已经等同于“写作时投入了任何努力吗”。这很不幸，但我理解。好的一面是，我认为拼写错误和糟糕的语法（在有限程度上）又重新流行起来，所以我个人确实感觉压力小了很多，不必追求“完美”的文本。
因此，对于面向人类的写作，我已经回到了 GenAI 之前的 AI 拼写和子句语法检查水平，这样就不存在我写的内容是否投入了努力的歧义。手动输入其实并没有多花多少时间，只是我确实感觉稍微不那么“确定”我的写作是否像以前那样综合得当、最适合受众了。在这一点上，为了获得“人类撰写”的 Pangram 徽章，这是一个值得的权衡。
并非所有人都收到了这个信息。我发现自己在设定写作和 AI 使用期望方面（在工作中和工作之外）变得更加自在。绝不因使用 AI 而羞辱某人，但明确指出臃肿和/或未经审查的文本是对 AI 的糟糕使用，读起来也不令人愉快。
学习
我痴迷于用 .html 文件学习东西（参见 HTML 的不合理有效性）。我会（通过 X、实验室/初创公司博客文章或 Hacker News）发现某个主题、书籍或研究论文，然后将它们转化为“交互式演练场”。通常：
在 X 上看到热门新研究论文
浏览摘要，将全文扔进 Claude/Codex，“构建一个交互式演练场产物来解释这里的新颖之处，我是一个已经知道……的技术人员，我对……不太熟悉”。
玩转 .html 文件
提出一些后续问题以生成更新的 .html 文件，回到 (3)
这种方法最适合学习技术主题，不过我通常也会尝试用它来处理时事（例如交互式地图/数字博物馆）和非技术类书籍（例如重新格式化为结构化、逐步展开的原文章节）。我甚至会说，我在大学期间听过的大多数讲座，如果做成精心制作的交互式 .html 文件，（对我个人而言）可能会更有效。
随着快速发展的 AI 社区越来越多地聚集在 X 上，我也经常通过自定义 CLI（配合动态工作流使用）使用 Grok X Search API，用于深入研究某个主题的已有成果，或寻找值得关注的高影响力人士（有趣的事实：通过 Grok 使用比直接调用 X API 便宜 10 倍）。
个人后台助手
虽然围绕 OpenClaw 的热度已经有所消退，但自主个人助手比以往任何时候都更好、更便宜。
我在这里也基本是原生用法。使用我现有的 Claude 订阅，我 ssh 进入我的 Mac Mini，打开一个 tmux 会话，然后像这样启动 Claude Code：
$ tmux attach -t 0
$ claude --dangerously-skip-permissions “/start-ops-team”
其中“/start-ops-team”是一个自定义技能。
“/start-ops-team”会教给智能体一些操作原则，以及一个供其使用的本地 markdown 目录结构，还有它可能想要生成的子智能体。它大量使用了 Claude Code 的“/loop”内置功能，以使其持续运行数周。
我使用 brw 进行高效的并行浏览器自动化。我想让它做的大多数事情都没有 MCP，而传统的浏览器使用成本相当高或不太可靠，所以我为我的智能体构建了这个工具。
我使用一个 自定义 WhatsApp 插件，让我可以直接从 WhatsApp 聊天。我的助手也设置了自己的真实电话号码。这使用了一个小众但非常强大的 “channels” MCP 功能。
我不相信个人“指挥中心”或 Jarvis 式的助手。相反，我非常推崇后台智能体，并专注于让我的助手执行那些不需要我参与就能完成的任务。我明确提示它，除非有紧急例外情况，否则每周最多联系我一次。我也非常容易产生通知疲劳。任务包括：
支付没有自动扣款的定期账单并转发费用收据。
回复社交媒体的入站消息。特别是通过研究和筛选陌生人，将 LinkedIn 私信分诊为预定的咖啡聊天和其他直接渠道。助手会参考一份持续更新的回复手册来应对，并在遇到边缘情况时在每周消息中上报。对我来说，重要的是人们不会在不知道对方其实不是我的情况下与助手进行冗长的对话，因此它被大力引导以分诊到正确的渠道。
帮我报名参加活动，并同步我的 Google Calendar 作为事实来源（例如，我被邀请参加一个活动 → 它以足够的确定性判断我会想去 → 帮我报名 + 更新我的日历以预留时间）。这些通常是我过去见过面的人举办的活动，助手知道这一点。还有理发和其他类似的定期预约。
成本
说来也怪，我现在每月的花费反而比一年前更少了（$800 → $500）。这完全是因为我将订阅整合到了 Anthropic 和 OpenAI，并且能从中获得极高的使用量。我过去的很多成本来自 API 令牌计费，现在我也策略性地将这部分流量路由到这些订阅中。我的粗略计算表明，如果没有这些订阅，我目前的实际使用成本大约会是每月 $6,000。
Claude Code Max 20x（$200/月）
ChatGPT Pro 20x（$200/月）
Google AI Pro（$20/月）—— 一个方便的 AI 家庭计划，附带 GSuite 权益
Modal、Railnet、Netlify（$20-500+/月）—— 用于托管或运行实验
已弃用：Elevenlabs、Suno、Cursor、Vast.ai、Perplexity、Gemini Ultimate
尽管 Fable/Sol 超级模式拉满，我通常在每月的最高套餐中仍有一点余量。我从未用完过 ChatGPT Pro 的额度，但在想法密集的几周里，我确实经常用完 Fable。
建议
最后，我将给出我最新的建议，以帮助你充分利用 AI：
戒掉将 AI 当作基于聊天的助手来使用的习惯。 左移，让大部分工作在你的第一个提示词中完成，并把自己更多地看作一名管理者，而不是副驾驶。审查结果，而不是中间的聊天消息。在我进行过的结对提示（pair-prompting）环节中，我看到最常见的错误是：人们将狭小的任务一点点塞进聊天会话中以完成一个更大的目标，而不是将完整的目标左移到一份文档中，然后让智能体从那里开始处理（不要打断它！）。
将前沿模型作为衡量你自身 AI 雄心和技能的标尺。我知道声称“AI 已经遇到瓶颈”或实验室实际上让新模型变得更差的说法非常流行。抵制这种说法，并自行发现你能想到的最难的可验证任务——只有前沿模型才能完成它们——这是跟上最新能力、了解什么可能与什么不可能之间真正边界的绝佳方式。
感谢阅读 Shrivu 的 Substack！免费订阅以接收新文章并支持我的工作。