今年的年度覆盤，我請 AI Agent 協助，對自己做了一次基於數據的深度盤點。 分享這套流程，是因為它無需任何編程經驗，就能讓你輕鬆完成專業級的數據挖掘。 它甚至比 Vibe Coding 還要簡單，只需要：全量數據 + Coding Agent。 為了驗證這套流程的上限，我特意選取了個人數據中規模最大、結構最複雜的 10 年健康檔案進行壓力測試。 1️⃣ 數據規模與處理門檻 最終從蘋果健康 App 導出的，是一份體積高達 3.5 GB 的 Apple Watch 中的健康相關原始數據。 這份文件中包含了幾十萬條心率記錄，以及顆粒度極細的各類生理指標。 在 AI 介入之前，要處理這種規模的數據，我至少需要投入數天時間去研究 Python 庫，並花費大量精力解析複雜的 XML 數據結構。 這往往也是很多人面對「量化自我」時最大的阻礙。 2️⃣ Agent 賦能的工作流 當我們引入 Coding Agent（如 OpenAI Codex 或 Claude Code）後，整個流程被徹底改變。 你不再需要關注具體的代碼實現，只需明確「分析目標」。 Agent 會自動執行一個遞歸循環：自主研究數據結構 → 編寫 Python 處理腳本 → 遇到異常結構 → 再次研究並修正代碼。 它能獨立完成從清洗到分析的全過程，幫我完成了許多之前因技術成本過高而擱置的設想。 如果不知道怎麼下手，你可以先把任務的背景和對應的文件告訴它，讓它自己進行一些探索，比如： > 這是一份 Apple Health 導出的完整原始數據，請你看看裡面包含了哪些類型的健康數據？時間跨度如何？ > 基於這些健康數據，幫我找 10 個 Insights。 > 基於不同類別的健康數據，請你幫我找找不同類別數據之間是否有相關性。 > 你確認你的研究正確嗎，請你驗證，並且給我更多中間數據，我來確認。 這些都可以很容易實現，甚至你可以進行更複雜更具體的研究。 ⚠️ 注意：因為健康數據的原始數據規模比較大，是無法直接丟入 ChatGPT 等 App 中的，所以還是需要使用 cli 版本的 Coding Agent 來進行研究（Cursor 等 IDE 或許也可以）。 具體可以問 AI： > 如何安裝 Codex CLI / Claude Code CLI。 3️⃣ 樣本概況 本次分析覆蓋了從 2015年5月18日 至 2025年12月25日 的完整週期，共計 3875天。 在此期間，我佩戴過 5 款 Apple Watch，實際佩戴天數達到 3503 天，佩戴率超過 90%。其中最長連續佩戴紀錄為 399 天，最長中斷記錄為 33 天。 4️⃣ 關鍵洞察：靜息心率的相關性研究 基於清洗後的有效數據集，Agent 挖掘出了一些此前未曾發現的有趣規律。以下結論均由 Codex 計算得出（注：目前僅呈現相關性，非因果性）： 🔊 環境噪音的即時壓力（樣本量：1802天）： 環境噪音更高 → 當日靜息心率偏高的概率增加 約 5.2 倍。 🪑 久坐的滯後影響（樣本量：2546天）： 站立時間更少 → 次日靜息心率偏高的概率增加 約 1.75 倍。 🪜 攀爬的長期效益（樣本量：1909天）： 爬樓高度更少 → 次日靜息心率偏高的概率增加 約 1.91 倍。 所以至少對我來說，環境更安靜、每天工作時更常站起來、多爬樓梯，都可以帶來長期的健康益處。 5️⃣ 實踐與行動建議 目前的分析僅聚焦於靜息心率這一維度，其中的算法細節和更多維度的交叉分析，後續有機會我會整理成詳細的長文。 如果你也計劃用 AI 進行此類分析，請注意，務必建立驗證機制。 Agent 在處理複雜邏輯時可能存在「幻覺」，建議要求它輸出中間統計數據，或者進行小樣本的人工抽樣核對，以確保最終結論的準確性。 或者用多個 Agent 進行交叉對比驗證。 6️⃣ 總結 這僅是我個人對自己身體的一次數字化審視，結論未必嚴謹，僅作參考。 分享這一流程，意在展示 Coding Agent 如何抹平了技術鴻溝：挖掘數據資產不再需要會寫代碼，只需要會提問題。 既然技術門檻沒了，不妨把那些積灰的數據翻出來，看看 AI 能幫你挖出點什麼意料之外的細節。

剛實現一個里程碑，本月單月的 Impressions 終於突破 1000 萬了。 這個數字是什麼概念呢？是我過去 12 個月 Impressions 加在一起還要多一倍。 （當然，這說明我數據一直很差。） 如果還有人懷疑這個數字的真實性，那換另一個 Bookmark 數據。 本月被 Bookmark 了接近 1 萬次了，也幾乎相當於過去 24 個月加在一起。 最近我們幾個人對於 X 的推薦算法其實都有了些新的認知，有些是玄學，有些也包含著隨機因素。 但基本上可以確認的是： > AI + Vibe Coding + 真實的個人體驗 + 適合社交媒體閱讀的文章結構 是這套新算法會優先考慮的因素。 當然流量只是一方面。更重要的是 AI 和 Vibe Coding 話題的延展性特別大，幾乎任何方面的產品都可以探索。 最近兩個月我也上線了很多個產品/網站，總的 DAU 突破 1000 了，但還是很少。 我也至今還沒找到盈利模式，也許我還要嘗試幾個才有機會。但我覺得之前的這些產品已經對用戶產生了真實的價值了，不然他們不會固定每天都打開一個網頁的。 或許這就是 Vibe Coding 的魅力所在：你不再是為了寫代碼而寫代碼，而是為了捕捉那個轉瞬即逝的想法，並將其變成大家觸手可及的產品。 至於如何變現，不妨就把這個問題也留給下一次的迭代吧。

以前常說 Web3/Crypto 是年輕人的機會，要跟著 Intern 學。 現在的 AI + Vibe Coding 其實更甚。它不需要深厚的 CS 背景，唯一的門檻是自驅力，也就是學習的意願。 老登程序員往往揹負著沉重的「經驗包袱」，習慣了手寫每一行代碼，很難在第一時間把信任完全交付給 Coding Agent。 而這恰恰是年輕人的機會，因為沒有舊習慣，所以能直接適應新規則。 在這個新範式裡，一張白紙，可能比十年的經驗跑得更快。 Vibe Coding 才是真正留給年輕人的巨大機會。