鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
5
3
2

用 Obsidian + AI 拆目标:让每天的行动都有价值!

瞻妮芙
瞻妮芙
2026-08-07 07:53
阅读 923
瞻妮芙
2026-08-07 07:53
阅读 923

大家好,我是专注探索 AI 价值最大化实践和学习本质的 Jennifer,感谢鱼皮创办的编程导航交流社区!

前两篇我写了怎么用 AI + Obsidian 搭一套 学习产出工作流,以及怎么 让 AI 接管文章创作流。今天是第三天,卡点更隐蔽:

系统确实跑起来了,每天都有产出,但我 说不清今天的行动让自己里大目标近了哪一格。

早上打开 df plan,AI 给我三到五个候选,每个都标好了类型、难度、预期耗时、为什么是今天。看着都挺对。选一个做完,晚上成稿、点评、发布,一天闭环。第二天再来一遍。

第三天我才发现问题:这些候选全都在服务「打基础」「做分享」这类词。而这类词,你永远没法证明它今天前进了一格。忙碌感是真的,推进感是假的。

这篇文章我会讲清四件事—— 我开源的 daily-flywheel skill 如何让 AI 帮忙解决目标量化拆分问题:

  1. 为什么「里程碑写满了能力和闭环」反而会让日更空转
  2. 怎么把模糊大目标拆成能勾选的结果阶梯,并单独处理「开局就白白勾上」的存量
  3. 怎么用一道硬闸门逼每个任务自报「你在推进哪一格」
  4. 年 → 月 → 周 → 日的焦点怎么做到单源下推,而不是四个文件各写一份、越写越不一致

点个收藏,咱们开始~

一、里程碑如何体现可量化的价值

先看一眼我原来的能力工程文件长什么样。里程碑大致是这几条:

  • 连续 7 天闭环
  • plan / ship 两条流程跑顺
  • 技能画像建立
  • 开源一个陌生人能复现的最小 Agent

问题一眼可见:全部是能力和闭环,一条证明行动价值的可量化结果都没有。

而大目标笔记里写着一堆听起来很大的方向,比如“探索 AI 价值最大化实践”文件里却连一个可勾选的格子都没有。

后果是链条断在中间。年目标是口号,月焦点接不上年目标,周焦点接不上月焦点,等传到每天早上的候选表,AI 只能拿「这件事有助于长期目标」来给我作论证。而它说得还挺像那么回事,这才是最危险的地方 —— 一个说得通的理由,掩盖了一个没法验收的目标。

我把这个毛病总结成一句话,贴在了目标文件顶上:

目的(Purpose) 本身不可勾选,下面的可量化阶梯才是验收线。

二、把结果拆成可量化阶梯

我做的第一件事是分层:大目标笔记只盯可验收的结果阶梯;原来的飞轮降级成「能力子工程」。结果归结果,能力归能力,各自有各自的验收方式。真实目标内容只留在 vault 本地笔记里,不进开源技能仓库——和 README 同一条隐私线。

然后是拆可量化阶梯。我拆了两遍,第二遍才是关键。

第一遍写成绝对值,很自然:到了某个总数就勾。写完才发现不对——前几格开局就是勾上的,因为里面混进了项目开始前就有的存量。若用绝对值当日常标尺,等于开局白拿几格,下一格又远到没法指导今天下午做什么。

所以我加了第二条阶梯,并明确它才是日常用的那条:先冻结一条基线快照,之后只认相对这条基线的推进。配套两条防作弊口径:基线行一旦测完就不许改;每周复盘必须对照基线写一笔,没有数据就记空,不假装完成。

最小结果格也要能被外人核对。不是「调研完成」,不是「方向想清楚了」,而是某个具体产物或计数真的出现了。

绝对值阶梯可能开局白勾,相对基线阶梯才是日常标尺

三、任务文件必须自报关联目标

阶梯建好了,还差一步 —— 怎么保证每天的活真的挂在阶梯上,而不是又飘回口号。

我的做法是在任务文件的 frontmatter 里加两个字段,缺一个就不许建任务。

这一节可以直接抄。 先是维度字典,写在大目标笔记里,供所有任务查表(下面用占位名,你换成自己的结果维度即可):

goalDim含义验收落点
result直接推进结果阶梯大目标笔记里某一格
leverage提效,让结果可持续单次耗时下降、手工步骤减少
capability能力底座与可外示作品能力子工程里程碑

然后是任务文件的字段,goalDim 查上面这张表,goalStep 必须抄目标文件里那一格的原话:

▼
yaml
复制代码
title: te-example-publish-speedup type: T goalDim: leverage goalStep: 配图免手传 status: 🟡Doing

判断规则只有一句,但很好用:goalStep 必须含一个数字、一个日期,或一个具名产物。 写「2026-08·12 篇」「配图免手传」都合格,写「提升影响力」「打基础」直接判为没写,AI 会回来问我具体是哪一格,而不是自己编一个。

日记那头也要接上,我用的是 Dataview 的行内字段语法,这样以后能按维度做汇总:

▼
markdown
复制代码
## Actions - 今日产出:本地配图上传图床 + markdown 公网链接改写(最小切片) - 任务:[[te-example-publish-speedup]] - 维度:: `leverage` - 目标格:: `配图免手传`(本月焦点第 N 条) - 时间预算:2 小时(硬上限)

这道闸门当天就抓到了我一次。有一条工作我怎么都指不到具体哪一格,最后老实承认它服务的是「我想做」,于是它被降级进了 backlog,没占用当天的 2 小时。

四、目标由上至下逐层关联

最后一件事,也是我原来最容易做错的:年、月、周、日的焦点写在四个不同文件里,改一处,其余三处照旧,几天后自己都不知道该信哪个。

这事的后果具体长这样:我在大目标文件里把本周重点改成了「先把图床接进发布流程」,周记里那一行还停在旧焦点。第二天早上 AI 读的是周记,于是给我的三个候选全在服务那个我已经放弃的方向 —— 而它给的理由依然通顺,我差点就照着做了。不一致不会报错,它只会让你按着过期的计划忙一整天。

现在的规矩是只有一个焦点源:大目标笔记的 ## This Year / ## This Month / ## This Week。月记和周记里的对应小节只是镜像,不是独立计划。

焦点单源下推:大目标笔记是唯一焦点源,月记周记与今日日记只做镜像

配套三条硬规则:

  1. 每天早上开工前,先比对大目标笔记和月记 / 周记 / 今日日记的修改时间,较旧的一律刷新镜像,然后才开始出今天的候选
  2. 镜像和源不一致时,源赢,镜像被覆盖 —— 绝不允许只在镜像里改焦点
  3. ISO 周日触发周复盘并重写 ## This Week,日历月末触发月复盘并重写 ## This Month,年目标只在年初或年中改

本月焦点每条都要能被外人核对:带 goalDim、带可勾选的 goalStep,不靠「我感觉推进了」。

忙碌不等于推进

如果你也搭过一套挺完备的笔记或任务系统,却总说不清今天的活到底推进了什么,大概率不是你不自律,而是你的目标里没有一格是能勾选的。

判断方法很省事:翻开你的目标文件,随便指一条里程碑,问自己「什么数字、什么日期、或什么具体产物出现,我才允许勾上它」。答不上来的,就是今天让你空转的那一条。

综上,这是我的学习产出工作流 skill 开源地址:https://github.com/Jenniferwonder/daily-flywheel,包含上述全部文章创作流优化,欢迎大家访问并给一个小星星鼓励支持⭐。我会继续使用并持续优化,也欢迎大家提 PR 和我一起优化!

开源指路:https://github.com/Jenniferwonder/daily-flywheel

我是公众号【瞻思于学】的 Jennifer,持续探索 AI 价值最大化实践,思考学习本质,分享学习工具和方法,欢迎关注我,共同进步!❤️

也欢迎在评论区聊聊:你的目标文件里,有几条里程碑是你现在就能说清可量化价值验收条件的? 欢迎报个数。

AI
5
2
分享
操作
评论
相关内容
0个评论
全部评论
点击登录,快来和大家讨论吧~
表情
图片

目录

🔥 热门文章
1
手把手教你设计一个成熟的 Agent Harness
2500
2
我用 REA 逆向了付费颜色 APP,结果很意外!
570
3
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
420
4
DeepSeek 全新模型发布,性价比最高的一集!
380
5
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
370
6
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
360
7
又一个国产版 Codex 神器,也来卷办公了!
330
8
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
310
9
AI 越强,被它拒绝的代价就越大 我有时候会想:AI 越来越厉害之后,有些事情,会不会反而越来越难做? 这个想法看起来有点矛盾。AI 明明在降低门槛,让不会写代码的人做出软件,让不会画画的人生成图片,让一个人完成过去需要整支团队才能完成的工作。但今天用 Codex 的时候,AI 拒绝帮我编写 SQL 注入的请求体,而那还是我有源码、在本地跑测试的情况。那么,往后是否只会更难? 我们假设某一天,AI 说:「这个请求违规,我不能帮助你。」到那个时候,你还有多少能力,能绕过它,把事情做完? 这里的「违规」需要打个引号。平台的规则、模型的判断、法律的要求,以及一件事实际有没有造成伤害,彼此之间并不总是画得上等号。一个请求可能确实危险,也可能只是缺少上下文被误判,或者恰好落在某家公司的限制范围里。 无论是哪种情况,随着我们越来越依赖 AI,这句拒绝都可能变得越来越贵。 今天,一个程序员让 AI 帮忙写代码,AI 拒绝了,他大概率还有别的办法:查文档、找开源项目、问同行,或者自己写。麻烦一点,慢一点,但路还在。 可如果十年之后,大部分程序都由 AI 完成,情况就不一样了。 很多人从接触编程的第一天起,就习惯了描述需求、等待生成、运行结果、继续迭代。他们能做出相当复杂的产品,却未必经历过独立处理底层问题的训练。平时,这种能力结构完全够用,效率甚至更高。只有 AI 拒绝的时候,他们才会发现:平常被省掉的那段学习过程,恰好是此刻最需要的东西。 到那时,一次拒绝的成本,可能就从「今晚多花两个小时」,变成「先花半年学会这门技术」。 拿 SQL 注入举个稍显极端的例子:往后,连真正理解这类攻击如何发生、能够独立构造测试的人,会不会也越来越少? 这里也包括那些有正当需求的人。一个开发者想检查自己的旧系统,一个经过授权的安全研究员想复现漏洞,假如 AI 识别到危险模式就拒绝,而使用者又只熟悉「让 AI 帮我检查」,这项原本可以独立完成的工作,就这样卡住了。 但是安全专家不会因此消失,但这类技能可能越来越集中在少数人手里。你仍然可以找专家,只是要付出更多的钱、更多的时间,以及更高的沟通成本。 类似的困境,未必只发生在网络安全领域。 你想从一个停止维护的软件里取回自己的数据,需要解析它的旧文件格式。AI 判断这涉及规避保护措施,拒绝继续。你拥有这些数据,却没有能力把它们读出来。 你买了一台设备,厂商停止提供服务。你想修改程序让它继续运转,过程中需要处理某种访问限制。AI 不愿协助,而你所掌握的维修方式,早已只剩下「把报错发给 AI」。 你想给常用的网站写一个辅助工具,减少重复操作。平台将此归入自动化限制,AI 也据此拒绝。过去会写脚本的人可以自己判断、自己处理;未来的使用者,可能连从哪里开始都不知道。 这些例子有一个共同点:当工具同时承担了「执行工作」和「传授知识」的角色,它的拒绝就不只是挡住了一次任务,也挡住了获得这种能力的机会。 更麻烦的是,这种依赖往往是我们主动选择的,而且每一步都很合理。 既然 AI 几秒钟就能做好,为什么还要花几个月学习?既然公司可以采购成熟的 AI 服务,为什么还要养一支负责基础工作的团队?既然市场上已经很少有人手写这些东西,学校为什么还要花大量时间教? 对个人、公司和学校来说,这些选择都有现实依据。但叠加起来,整个社会保留的独立能力就可能越来越少。等到某项能力突然受到限制,我们才发现,备用方案早已在追求效率的过程中被一点点削掉了。 所以,「AI 越强,做事越便宜」可能只描述了未来的一半。 另一半是:被允许的事情越来越便宜,被拒绝的事情依然需要人工完成,却要面对更少的人才、更高的报价,以及越来越难获得的知识。两边的成本差距,会越拉越大。 有人会说,可以换一个模型,或者用本地模型。这确实是重要的选项。只要工具之间还有充分竞争,开放模型还足够可用,限制就未必能形成真正的门槛。 但备用方案也需要维护。它需要硬件、知识、软件生态,以及一群仍然理解这些系统的人。如果大多数人已经习惯了最方便的商业服务,那么「理论上还有别的办法」和「普通人实际用得起、用得明白」,之间仍然可能隔着很远。 我担心的,正是这段距离。 我不指望 AI 对任何请求都照单全收。对明显会伤害他人的行为设置限制,有充分的理由。但我们也需要关心:限制由谁定义,误判有没有申诉渠道,用户能不能换工具,以及脱离这个工具之后,还剩下多少独立行动的能力。 保留这些能力,平时看起来甚至有点低效,明明可以自动生成,还要理解原理;明明可以一键完成,还要知道手动怎么做。 但这些看似多余的知识,会在工具拒绝、失效、涨价或改变规则的那一刻,成为真正的选择权。 AI 越强,我们可能越需要留意它说「不」的那一刻。 因为那句话的分量,最终取决于:它拒绝之后,我们还能做什么。
310
10
什么是LLM
300
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题