Til årets årlige gjennomgang ba jeg AI-agenten om å gjøre en grundig databasert inventar av meg selv. Denne prosessen deles fordi den lar deg enkelt gjennomføre profesjonell datamining uten noen programmeringserfaring. Det er enda enklere enn Vibe Coding, og krever: full data + Coding Agent. For å validere øvre grense for denne prosessen valgte jeg bevisst den største og mest komplekse 10-årige helseprofilen av personopplysninger for stresstesting. 1️⃣ Dataskala og behandlingsterskel Det som til slutt ble eksportert fra Apple Health-appen, var en kopi av rå helsedata fra en Apple Watch på opptil 3,5 GB i størrelse. Dette dokumentet inneholder hundretusener av hjertefrekvensmålinger, samt ulike fysiologiske indikatorer med svært fin granularitet. Før AI tok over, måtte jeg bruke minst noen dager på å forske på Python-biblioteker og analysere komplekse XML-datastrukturer for å håndtere data i denne skalaen. Dette er ofte den største hindringen for mange når de skal «kvantifisere seg selv». 2️⃣ Agent-aktiverte arbeidsflyter Da vi introduserte Coding Agents som OpenAI Codex eller Claude Code, ble hele prosessen fullstendig forvandlet. Du trenger ikke lenger å fokusere på spesifikke kodeimplementasjoner, bare definere "analysemålet". Agenten kjører automatisk en rekursiv løkke: den forsker autonomt på datastrukturer → skriver Python-prosesseringsskript → støter på unntak → undersøker og fikser koden på nytt. Den kan fullføre hele prosessen fra rengjøring til analyse uavhengig, og hjelpe meg med å fullføre mange av mine tidligere ideer som ble satt på vent på grunn av høye tekniske kostnader. Hvis du ikke vet hvordan du skal starte, kan du først fortelle den bakgrunnen for oppgaven og de tilhørende filene, slik at den kan utforske på egenhånd, for eksempel: > Dette er en komplett rå Apple Health-eksport, vennligst se hvilke typer helsedata som er inkludert. Hva er tidsrommet? > hjalp meg å finne 10 innsikter basert på disse helsedataene. > Basert på ulike kategorier av helsedata, vennligst hjelp meg å finne ut om det er en korrelasjon mellom ulike datakategorier. > Bekrefter du at forskningen din er korrekt, vennligst verifiser den, og gi meg mer mellomliggende data, vil jeg bekrefte. Alt dette kan være lett å oppnå, og du kan til og med gjennomføre mer kompleks og spesifikk forskning. ⚠️ Merk: Siden rådataene for helsedata er relativt store, kan de ikke legges direkte inn i apper som ChatGPT, så du må fortsatt bruke CLI-versjonen av Coding Agent til forskning (IDE-er som Cursor kan også fungere). Spesifikt kan du spørre AI: > Hvordan installere Codex CLI / Claude Code CLI. 3️⃣ Eksempeloversikt Denne analysen dekker hele perioden fra 18. mai 2015 til 25. desember 2025, totalt 3875 dager. I løpet av denne tiden brukte jeg 5 Apple Watch med 3503 dagers faktisk bruk, med en bruksprosent på over 90%. Den lengste kontinuerlige slitasjerekorden er 399 dager, og den lengste avbruddet er 33 dager. 4️⃣ Viktige innsikter: Korrelasjonsstudier om hvilepuls Basert på det rensede og gyldige datasettet, avdekket agenten noen interessante mønstre som ikke hadde blitt oppdaget tidligere. Følgende konklusjoner beregnes av Codex (Merk: For øyeblikket kun korrelerte, ikke kausale): 🔊 Umiddelbart trykk av omgivelsesstøy (prøvestørrelse: 1802 dager): Høyere omgivelsesstøy → økt sannsynligheten for høy hvilepuls på dagen med omtrent 5,2 ganger. 🪑 Etterslepet effekt av stillesittende (utvalgsstørrelse: 2546 dager): Mindre tid stående → øker sannsynligheten for høy hvilepuls dagen etter med omtrent 1,75 ganger. 🪜 Langsiktige fordeler ved klatring (prøvestørrelse: 1909 dager): Å gå opp trapper i lavere høyde → sannsynligheten for høy hvilepuls dagen etter øker med omtrent 1,91 ganger. Så i hvert fall for meg kan et roligere miljø, å stå opp oftere på jobb og å gå i trapper mer ha langsiktige helsefordeler. 5️⃣ Øvelses- og handlingsforslag Den nåværende analysen fokuserer kun på dimensjonen hvilepuls, og detaljene om algoritmen og kryssanalysen av flere dimensjoner vil bli samlet i en detaljert lang artikkel dersom det oppstår en mulighet i fremtiden. Hvis du planlegger å bruke AI til denne typen analyse også, bør du være klar over at det er viktig å etablere en valideringsmekanisme. Agenten kan ha «hallusinasjoner» når han arbeider med kompleks logikk, og det anbefales å be den om å levere mellomliggende statistikk eller utføre manuelle prøvetaking på små prøver for å sikre nøyaktigheten i den endelige konklusjonen. Eller kryssjekk med flere agenter. 6️⃣ Sammendrag Dette er bare en digital undersøkelse av min egen kropp, og konklusjonen er kanskje ikke grundig og kun til referanse. Delingen av denne prosessen er ment å vise hvordan Coding Agent bygger bro over teknologiskillet: å utvinne dataressurser krever ikke lenger å skrive kode, bare stille spørsmål. Nå som den tekniske terskelen er borte, kan du like gjerne finne ut støvete data og se hvilke uventede detaljer AI kan hjelpe deg å grave frem.

Har nettopp nådd en milepæl, og denne månedens månedlige visninger har endelig passert 10 millioner. Hva er konseptet bak dette tallet? Det er mer enn dobbelt så mange inntrykk de siste 12 månedene til sammen. (Selvfølgelig betyr dette at dataene mine har vært svært dårlige.) ） Hvis noen fortsatt tviler på ektheten til dette nummeret, bytt det til en annen bokmerkedata. Den har blitt bokmerket nesten 10 000 ganger denne måneden, noe som tilsvarer nesten de siste 24 månedene til sammen. Nylig har flere av oss faktisk fått en ny forståelse av X sin anbefalingsalgoritme, noen av dem er metafysiske og noen inneholder også tilfeldige faktorer. Men det som i bunn og grunn kan bekreftes er: > AI + Vibe-koding + Autentisk personlig opplevelse + Artikkelstruktur Egnet for lesing på sosiale medier er faktorene denne nye algoritmen vil prioritere. Selvfølgelig er trafikk bare én faktor. I tillegg er temaet AI og Vibe Coding spesielt fleksibelt, og nesten alle aspekter av produktet kan utforskes. I løpet av de siste to månedene har jeg også lansert mange produkter/nettsider, og det totale antallet DAU har oversteget 1000, men det er fortsatt svært få. Jeg har ikke funnet en profittmodell ennå, så kanskje jeg må prøve noen flere for å få en sjanse. Men jeg tror disse tidligere produktene har skapt reell verdi for brukerne, ellers ville de ikke ha åpnet en nettside hver dag. Kanskje det er nettopp det som er det fine med Vibe Code: du skriver ikke lenger kode bare for å skrive kode, men handler om å fange den flyktige ideen og gjøre den om til et produkt som er innen rekkevidde for alle. Når det gjelder hvordan tjene penger på det, kan du like gjerne la dette spørsmålet ligge til neste utgave.

Tidligere ble det ofte sagt at Web3/Crypto var en mulighet for unge til å lære av Intern. AI + Vibe-koding er enda mer slik. Det krever ikke en sterk informatikkbakgrunn, den eneste terskelen er selvkjøring, altså viljen til å lære. Lao Deng-programmerere bærer ofte med seg en tung «erfaringsbaggasje» og er vant til å skrive hver eneste kodelinje for hånd, noe som gjør det vanskelig å levere full tillit til kodeagenten første gang. Og dette er nettopp muligheten for unge mennesker, fordi det ikke finnes gamle vaner, så de kan tilpasse seg de nye reglene direkte. I dette nye paradigmet kan et blankt ark gå raskere enn ti års erfaring. Vibe Coding er den virkelige muligheten for unge mennesker.