今年的年度复盘，我请 AI Agent 协助，对自己做了一次基于数据的深度盘点。 分享这套流程，是因为它无需任何编程经验，就能让你轻松完成专业级的数据挖掘。 它甚至比 Vibe Coding 还要简单，只需要：全量数据 + Coding Agent。 为了验证这套流程的上限，我特意选取了个人数据中规模最大、结构最复杂的 10 年健康档案进行压力测试。 1️⃣ 数据规模与处理门槛 最终从苹果健康 App 导出的，是一份体积高达 3.5 GB 的 Apple Watch 中的健康相关原始数据。 这份文件中包含了几十万条心率记录，以及颗粒度极细的各类生理指标。 在 AI 介入之前，要处理这种规模的数据，我至少需要投入数天时间去研究 Python 库，并花费大量精力解析复杂的 XML 数据结构。 这往往也是很多人面对「量化自我」时最大的阻碍。 2️⃣ Agent 赋能的工作流 当我们引入 Coding Agent（如 OpenAI Codex 或 Claude Code）后，整个流程被彻底改变。 你不再需要关注具体的代码实现，只需明确「分析目标」。 Agent 会自动执行一个递归循环：自主研究数据结构 → 编写 Python 处理脚本 → 遇到异常结构 → 再次研究并修正代码。 它能独立完成从清洗到分析的全过程，帮我完成了许多之前因技术成本过高而搁置的设想。 如果不知道怎么下手，你可以先把任务的背景和对应的文件告诉它，让它自己进行一些探索，比如： > 这是一份 Apple Health 导出的完整原始数据，请你看看里面包含了哪些类型的健康数据？时间跨度如何？ > 基于这些健康数据，帮我找 10 个 Insights。 > 基于不同类别的健康数据，请你帮我找找不同类别数据之间是否有相关性。 > 你确认你的研究正确吗，请你验证，并且给我更多中间数据，我来确认。 这些都可以很容易实现，甚至你可以进行更复杂更具体的研究。 ⚠️ 注意：因为健康数据的原始数据规模比较大，是无法直接丢入 ChatGPT 等 App 中的，所以还是需要使用 cli 版本的 Coding Agent 来进行研究（Cursor 等 IDE 或许也可以）。 具体可以问 AI： > 如何安装 Codex CLI / Claude Code CLI。 3️⃣ 样本概况 本次分析覆盖了从 2015年5月18日 至 2025年12月25日 的完整周期，共计 3875天。 在此期间，我佩戴过 5 款 Apple Watch，实际佩戴天数达到 3503 天，佩戴率超过 90%。其中最长连续佩戴纪录为 399 天，最长中断记录为 33 天。 4️⃣ 关键洞察：静息心率的相关性研究 基于清洗后的有效数据集，Agent 挖掘出了一些此前未曾发现的有趣规律。以下结论均由 Codex 计算得出（注：目前仅呈现相关性，非因果性）： 🔊 环境噪音的即时压力（样本量：1802天）： 环境噪音更高 → 当日静息心率偏高的概率增加 约 5.2 倍。 🪑 久坐的滞后影响（样本量：2546天）： 站立时间更少 → 次日静息心率偏高的概率增加 约 1.75 倍。 🪜 攀爬的长期效益（样本量：1909天）： 爬楼高度更少 → 次日静息心率偏高的概率增加 约 1.91 倍。 所以至少对我来说，环境更安静、每天工作时更常站起来、多爬楼梯，都可以带来长期的健康益处。 5️⃣ 实践与行动建议 目前的分析仅聚焦于静息心率这一维度，其中的算法细节和更多维度的交叉分析，后续有机会我会整理成详细的长文。 如果你也计划用 AI 进行此类分析，请注意，务必建立验证机制。 Agent 在处理复杂逻辑时可能存在「幻觉」，建议要求它输出中间统计数据，或者进行小样本的人工抽样核对，以确保最终结论的准确性。 或者用多个 Agent 进行交叉对比验证。 6️⃣ 总结 这仅是我个人对自己身体的一次数字化审视，结论未必严谨，仅作参考。 分享这一流程，意在展示 Coding Agent 如何抹平了技术鸿沟：挖掘数据资产不再需要会写代码，只需要会提问题。 既然技术门槛没了，不妨把那些积灰的数据翻出来，看看 AI 能帮你挖出点什么意料之外的细节。

刚实现一个里程碑，本月单月的 Impressions 终于突破 1000 万了。 这个数字是什么概念呢？是我过去 12 个月 Impressions 加在一起还要多一倍。 （当然，这说明我数据一直很差。） 如果还有人怀疑这个数字的真实性，那换另一个 Bookmark 数据。 本月被 Bookmark 了接近 1 万次了，也几乎相当于过去 24 个月加在一起。 最近我们几个人对于 X 的推荐算法其实都有了些新的认知，有些是玄学，有些也包含着随机因素。 但基本上可以确认的是： > AI + Vibe Coding + 真实的个人体验 + 适合社交媒体阅读的文章结构 是这套新算法会优先考虑的因素。 当然流量只是一方面。更重要的是 AI 和 Vibe Coding 话题的延展性特别大，几乎任何方面的产品都可以探索。 最近两个月我也上线了很多个产品/网站，总的 DAU 突破 1000 了，但还是很少。 我也至今还没找到盈利模式，也许我还要尝试几个才有机会。但我觉得之前的这些产品已经对用户产生了真实的价值了，不然他们不会固定每天都打开一个网页的。 或许这就是 Vibe Coding 的魅力所在：你不再是为了写代码而写代码，而是为了捕捉那个转瞬即逝的想法，并将其变成大家触手可及的产品。 至于如何变现，不妨就把这个问题也留给下一次的迭代吧。

以前常说 Web3/Crypto 是年轻人的机会，要跟着 Intern 学。 现在的 AI + Vibe Coding 其实更甚。它不需要深厚的 CS 背景，唯一的门槛是自驱力，也就是学习的意愿。 老登程序员往往背负着沉重的「经验包袱」，习惯了手写每一行代码，很难在第一时间把信任完全交付给 Coding Agent。 而这恰恰是年轻人的机会，因为没有旧习惯，所以能直接适应新规则。 在这个新范式里，一张白纸，可能比十年的经验跑得更快。 Vibe Coding 才是真正留给年轻人的巨大机会。