P 人的自我管理：大语言模型辅助的自我认知实验

动机和目的

长期定性观察发现，我在较长一段时间内高效工作的总时间是一个有限而稳定的量，即一段时间的高强度高效工作往往会伴随一段时间的疲惫，且疲惫等级不同，有时通过看历史、社科等非专业书籍可以缓解，有时只想刷手机。为了理解自己的认知节律，我希望做一段时间的定量分析，找到适合自己的工作节奏，避免透支和耗竭。由于我过于不擅长计划和自律（表现为自幼寒暑假作业只会在最后几天写完，桌子整齐不会超过三天），是一个典型的 P 人，所以这一项目的指导思想是，以最无阻力的方式采集自己的大数据，分析自己最自然的模式，进而在尊重此模式的前提下微调行为节奏，在达到最佳状态的同时避免过度自律及其失败带来的耗竭和愧疚感。

数据采集

数据采集的第一标准是零阻力，否则绝不可能由 P 人持续实施。这意味着，采集过程需要满足：

• 随时随地能做——最好基于手机；
• 没有复杂的编辑流程——最好直接给一个聊天框发消息，支持语音转文字更好，而不是打开一个表格软件填入时间和内容；
• 没有格式要求——用日常语言叙述行为、冲动和感受，不对行为作分类、不对状态作评估。

换句话说，最理想的采集流程，是直接向一个聊天框发消息，分享自己的日常点滴，包括在做什么、有什么体验或想法、心情如何，等等等等。只要是认为回顾起来有助于理解自己状态的话，想说什么说什么。

但是一般来说聊天记录导出也并不方便。因此我们稍微需要一点科技，来将收到的消息自动整理为一个表格，作为格式化的原始数据。原始数据只需包含两个条目：时间和原始记录。飞书多维表格和机器人可以完美实现这个需求。

配置流程如下：

• 建立飞书多维表格，建立「时间」、「原始记录」两列；
• 给多维表格配置一自动化流程，收到用户消息时将发送时间和消息内容分别记录至两列。

注意对免费用户，飞书多维表格有 2000 行的限制，应留意快占满时将原始数据导出存储。

数据处理

上述数据采集方式如何用来分析？这个任务在前人工智能时代是不可想象的，你需要自己重读一遍整理分析——这其实也是很重的心智负担，尤其是面对不太愉快的经历时。但是，借助大语言模型（LLM），我们可以完美地从原始数据中生成我们想要的、更结构化的信息。

LLM 并非万能，它是有局限的。其局限主要是有限的上下文。这和人脑的局限类似，人类也不能一次记住好几天的记录然后写出一个分析。因此，避免这一局限的方式也合乎让人处理类似任务的直觉：分层提炼信息。

分层日志架构

原始数据非常零散，这是刻意为之，因为要追求以最小的实施阻力收集尽可能多的信息。LLM 发挥优势的第一步，就是尽量保留对后续分析重要的信息，而将每天的记录整理成一份日志。以天为单位整理，是考虑到上下文的限制。

但这样仍有一个问题，一天中所作所为，往往受到一些长期任务的影响。因此，LLM 不仅应读当天的原始数据，还应读前 1 日的原始数据，前 2 到 6 日的日志，和前3周的周总结，和前 3 个月的月总结。

[未完待续]