从搜索信息，到构建个人趋势雷达
一个人如何拥有自己的 AI 参谋部——持续观察世界、验证判断、积累认知
1. 信息爆炸里的个人困境
做内容做久了，最怕的不是不会写，而是坐下来不知道该写什么。这句话看起来只是创作者的小烦恼，但顺着它往下追，追出的东西比「下一篇写什么」大得多。
AI 相关的信息每天都在爆炸。新模型、新工具、新概念轮番出现，抖音、小红书、微博上到处都是「必学」「颠覆」「普通人机会」。看得越多，反而越难判断：什么只是当天的热闹？什么正在变成真实需求？什么值得连续研究半年，而不是跟着写一篇就结束？
企业有情报部，个人只能刷热榜
一个被忽略的事实：企业为什么会有市场研究部、战略规划部、竞争情报部、用户研究部？不是因为人多管不过来，而是企业早就知道——谁先看见变化，谁就拥有战略优势。所以企业愿意养一整支队伍，专门盯着市场、判断趋势、研究对手、理解用户。
而过去一个普通人靠什么感知环境？刷公众号、看热榜、翻朋友圈、听行业分享。本质上都是被动接收。你看到的是别人想让你看到的，而且永远是滞后的、碎片的、被算法喂过来的。这不是情报，这是投喂。
AI 时代，一个人第一次有机会改变这件事：把被动接收，变成主动感知。
2. 三层认知升级
一旦开始用 AI 做研究，而不是只让 AI 写东西，认知会自然经历三层升级。这不是概念包装，而是实践中一步一步发生的。
第一层：从「内容生产」到「个人战略感知系统」
最初我以为自己在找选题。其实真正发生的事是：我在搭一个属于个人的战略情报中台。它干的事，和企业情报部门高度同构——持续采集外部信号、区分热闹和真实需求、把信号连成趋势、挑战自己的结论、把判断转成行动。
这对应一个人的新能力模型，我把它叫做「认知操作系统」：
第二层：从「信息差」到「认知差」
互联网时代，大家卷信息差——谁知道更多谁占优势，所以人人收藏报告、PPT、课程。但 AI 时代，信息差正在快速消失：所有人都能问 AI，都能拿到一份看起来很全的答案。真正稀缺的，不再是你知道多少，而是你提出了什么问题、如何判断答案值不值得信。
第三层：从「AI 工具使用者」到「AI 增强型个体」
很多人学 AI 分三阶段：会不会用 ChatGPT、会不会搭 Agent、能不能让 AI 持续增强自己的能力。这本书展示的是第三阶段。区别看闭环：
3. 个人 AI 参谋部
企业老板身边有战略、市场、投资部门，是一整个参谋部。未来一个人身边也会有一组 Agent：趋势研究员发现机会、信息分析判断真伪、内容策划负责实验、学习教练补齐能力、决策顾问给出建议。一个人加一组 Agent，就是一个微型组织。
这套系统最初由五个角色开始，它们不是一个写作团队，而是一套认知分工：
这五个动作，后面会固定成「趋势研究专家团」的五位成员。现在先记住一句话：真正有价值的，不是 WorkBuddy 这个工具，而是它背后那次个人智能基础设施的升级。没有它，方法是一次性的灵感；有了它，方法变成可以积累、复用、进化的系统。
4. 为什么需要趋势雷达
一次采集只能叫「趋势信号」，连续多次采集、对比变化，才能叫「趋势」。
很多人做完一次数据抓取，就迫不及待宣布「XX 是趋势」。但一次采集只能说明「今天大家在讨论什么」，不能说明「这个方向正在增长、可持续、值得长期投入」。要回答后者，需要按周或按月重复采集同一关键词，保存时间快照，再比较增长、持续和跨平台扩散。
5. 工具层：四层流水线
支撑这套研究的工具并不复杂。重点是把一次性的 AI 使用，变成一条可以重复运行、积累历史、持续校正的研究流程。它由四层组成：
| 层级 | 工具 | 作用 |
|---|---|---|
| 采集层 | MediaCrawler | 获取抖音、小红书、微博的公开内容与评论（按关键词） |
| 分析层 | Python 分析脚本 | 清洗数据、统一字段、统计工具与场景、识别评论意图，生成关系图谱与深度洞察 |
| 编排层 | WorkBuddy | 拆任务、调用工具、组织 Agent 协作、保存研究过程，把前一阶段结果交给下一阶段 |
| 沉淀层 | 腾讯表格 + 知识库 | 保存每次采集的时间快照与研究结论、反证、反馈、可复用方法 |
6. 过程层：一次研究怎么跑
研究跑起来，可以压缩成一条清晰的流水线。下面是用 WorkBuddy 陪跑一次真实研究的 9 步：
- 定口径：搜哪个词、哪个平台、什么时间窗口、采多少条。
- 采集：MediaCrawler 跑抖音、小红书、微博，拿到原始 Excel 和日志。
- 清洗：去重、识别广告引流、统一字段、把「10万+」这类中文互动量转成数字。
- 大盘：看工具、场景、痛点和平台差异。
- 图谱：把信号连成关系网，找中心节点。
- 深度洞察：算供需错位和机会评分。
- 校验：检查数据质量（如微博被拦、数据误选），不能直接信的部分标出来。
- 判断：区分这是热点、趋势，还是值得长期研究的方向。
- 沉淀：把结果存成时间快照，供下一次对比。
我不是在用 AI 写文章，而是在用 AI 做研究。
7. 真实案例：搜「AI」三平台
这套系统的第一个任务，是研究三大平台上的「AI」。下面是所有结论的实盘数据，不是设想。
数据底盘
| 平台 | 内容数 | 评论数 | 可用性 |
|---|---|---|---|
| 抖音 | 29 | 413 | 完整 |
| 小红书 | 40 | 773 | 完整 |
| 微博 | 42 | 226 | 部分（评论接口被拦截，仅作趋势参考） |
工具提及 Top
| 排名 | 工具 | 次数 |
|---|---|---|
| 1 | Agent | 48 |
| 2 | Claude | 36 |
| 3 | 豆包 | 33 |
| 4 | Skill | 29 |
| 5 | ChatGPT | 27 |
评论痛点 Top（用户真实卡点）
| 痛点 | 次数 |
|---|---|
| 求模板 / 求提示词 | 63 |
| 不会用 / 学习门槛 | 57 |
| 工具选择困难 | 41 |
| 工作与岗位焦虑 | 34 |
| 免费 / 付费焦虑 | 31 |
核心洞察
如果把评论放进来，画面完全不同。用户高频问题是求模板、学习门槛、选择困难、岗位焦虑——这说明用户真正缺的不是又一篇模型能力介绍，而是：这东西怎么进入我的工作？我该从哪个任务开始？有没有可复用流程？小白能不能完成？
热度在工具，需求在工作流。
关系图谱最后形成了 38 个节点、78 条关系，第一次让我看清这些信号不是散点，而是一张网。同一个 AI Agent，在抖音可以被表达成效率结果，在小红书可以被表达成「替我上班」的工作流，在微博则被讨论为岗位替代和行业变化。所以跨平台内容不能只改标题和字数，真正要改的是问题入口。
内容机会排序（综合评分）
| 排名 | 方向 | 评分 |
|---|---|---|
| 1 | 从 Prompt 到 Skill/Agent 的工作流 | 69.0 |
| 2 | 「AI 替我上班」：具体任务工作流 | 64.4 |
| 3 | 任务型 AI 工具横评 | 61.4 |
| 4 | 零基础 AI 任务地图 | 59.9 |
| 5 | 企业 AI 落地与岗位边界 | 57.1 |
8. 为什么 AI 需要角色分工
真实研究最难的，从来不是生成报告，而是定义问题、判断证据、挑战结论。
一开始我也想得很简单：把数据交给 AI，让它总结一下趋势。很快发现这样做不可靠。AI 在真实研究里容易犯三个错误：
所以我没有做一个万能 Agent，而是把研究拆给五个角色。下面逐一说明每个角色解决什么研究问题。
9. 研究主编：定义问题
他决定研究什么、时间范围多大、搜哪些平台、什么结果才算有意义。没有这一步，采集越多，噪声越大。研究主编是整套系统的起点，也是防止「为了分析而分析」的守门人。
10. 数据质量师：怀疑数据
他检查采集口径是否一致、样本是否重复、平台有没有拦截、结论能不能追溯到原始内容。他最重要的产出，不是告诉我「发现了什么」，而是告诉我「哪些结论现在还不能下」。
11. 趋势分析师：寻找变化
他不只统计什么词出现得多，而是比较这些信号是否持续、是否从一个平台扩散到多个平台、用户问题是否反复出现、内容供给有没有跟上需求。趋势分析师把「一张快照」变成「一条曲线」。
12. 反证审查师：挑战结论
某个话题突然爆发，可能是事件刺激，也可能是平台推荐、投流或账号矩阵。点赞多不等于用户会行动，评论热闹也不等于存在长期需求。这个角色存在的意义，是防止五个 Agent 最后变成「趋势吹捧团」。
13. 内容策略师：行动转化
不是每个趋势都适合我。她会继续判断：这个方向和我的经历、能力、案例能不能接上？适合做一篇快内容，还是值得形成栏目、课程或长期研究主题？下一步应该用什么内容去验证？
14. 专家团如何从流程里长出来
这五个角色，不是拍脑袋设计的，而是研究跑着跑着，发现每一步都在遇到不同问题，于是把重复出现的认知动作固化成了五个 Agent：
最终通过 WorkBuddy 的 expert-manager 技能，把这套设计落成「趋势研究与内容机会专家团」（Team 型），并完成校验、注册与打包。它不是一个一次性答案机器，而是一套会积累的个人研究系统——换一个关键词（如「AI 办公」「AI 招聘」），不用从零开始。
15. 时间快照与趋势判断
判断一个方向是不是趋势，我看四件事：
- 时间上是不是持续出现；
- 是不是从单一平台扩散到多个平台；
- 用户的问题是不是反复出现；
- 有没有真实行为（使用、学习、咨询、购买）跟着发生。
具体打分，我用一套透明模型（分数不是终点，每个分数背后的证据和反证才是）：
| 维度 | 权重 |
|---|---|
| 增长速度 | 25% |
| 持续性 | 20% |
| 跨平台扩散 | 15% |
| 用户意图强度 | 15% |
| 供需缺口 | 15% |
| 个人能力匹配 | 10% |
16. 内容实验与反馈回流
趋势判断最终要回到真实内容。每次从系统选出一个方向，都应记录：发布了什么、面向哪个平台、用了什么表达、阅读/收藏/评论/转发如何、是否产生私信或合作、用户又提出了什么新问题。
平台数据只能说明市场可能需要什么；自有内容反馈才能说明这个方向是否适合你。
最容易被忽略的是最后两步：趋势不是分析完就结束，要用行动去验证；行动也不是结束，要把反馈回去，反过来修正判断。
17. 研究方向生命周期
每个方向不要只有一个排名，而要有状态，让系统输出「这个方向现在处于什么阶段，我应该做什么动作」：
18. 个人 AI 参谋部运行闭环
整套系统跑起来是这样的：
19. 系列路线图
这本绿皮书是《AI 时代个人智能系统》系列的第一本。后续沿这条线展开：
| 主题 | 回答的问题 |
|---|---|
| 个人趋势雷达 | 如何让 AI 帮你比别人更早发现变化 |
| 个人知识操作系统 | 如何让 AI 管理你的第二大脑 |
| 个人决策系统 | 如何让 AI 成为你的战略顾问 |
| 个人 Agent 团队 | 一个人如何拥有一家公司级能力 |
20. 组织智能飞轮
这套个人系统，并不止于个人。它和更大的演进线一致：
过去，战略判断是一种组织能力；未来，它可能成为一种个人能力。当每个人都有自己的智能系统，竞争的就不只是工具使用能力，而是谁拥有更强的学习和进化能力。
21. 给你的起点：第一周怎么做
如果你想搭自己的趋势雷达，不用等完美系统。第一周只要做四件事：
- 选 1 个你真正关心的关键词（如「AI 办公」「AI 招聘」）。
- 用 MediaCrawler 或手动，在 2–3 个平台各采一轮，记录日期与口径。
- 把内容数、评论数、高频痛点列成一张表，标出「热度在工具 / 需求在工作流」这类判断。
- 把这轮结果存成「基线快照」，下周同一时间再采一轮，对比变化。
过去，企业靠战略部门感知变化。未来，一个人也可以拥有自己的 AI 参谋部。它不是替你决策，而是帮助你持续观察世界、验证判断、积累认知。
我是雷神。下一篇，我们从「个人趋势雷达」开始，让 AI 真正帮你比别人更早发现变化。
角色卡 · 工具清单 · 名词表
趋势研究专家团角色卡
| 角色 | 花名 | 核心问题 |
|---|---|---|
| 研究主编 | 顾全之 | 我到底应该研究什么问题？ |
| 数据质量师 | 齐可知 | 这些数据可信吗？ |
| 趋势分析师 | 林势成 | 这是短期波动还是长期变化？ |
| 反证审查师 | 陈问真 | 有没有可能我错了？ |
| 内容策略师 | 许见微 | 这个趋势如何转化成行动？ |
工具清单
- MediaCrawler：多平台公开内容采集
- Python 分析脚本：大盘报告 / 关系图谱 / 深度洞察
- WorkBuddy：Agent 编排、任务执行、专家团运行
- 腾讯表格：时间序列与趋势快照
- 知识库 / 记忆系统：研究资产沉淀
- expert-manager：专家团创建、校验、注册、打包
名词表
- 趋势信号：单次采集观察到的热度，不等于趋势。
- 时间快照：同一口径下，某一时刻的数据切片，用于跨期对比。
- 供需错位：用户需求密度高、但内容供给少的方向，机会更大。
- 个人 AI 参谋部：一个人 + 一组 Agent，承担过去属于组织的研究/情报职能。
- 认知操作系统：信息获取→问题定义→证据判断→趋势洞察→行动实验→反馈学习。