Tämän vuoden vuosikatsauksessa pyysin tekoälyagenttia tekemään perusteellisen dataan perustuvan inventaarion itsestäni. Tämä prosessi on jaettu, koska sen avulla voit helposti suorittaa ammattitason datan louhinnan ilman ohjelmointikokemusta. Se on jopa yksinkertaisempi kuin Vibe-koodaus, vaatien: täysi data + koodausagentti. Validoidakseni tämän prosessin ylärajan valitsin tarkoituksella suurimman ja monimutkaisimman 10 vuoden terveysprofiilin henkilökohtaisista tiedoista stressitestaukseen. 1️⃣ Datan skaalaus ja käsittelykynnys Apple Health -sovelluksesta vietiin lopulta kopio raakaa terveyttä koskevista tiedoista, jotka saattoivat Apple Watchin, jonka koko oli jopa 3,5 GB. Tämä asiakirja sisältää satojatuhansia syketietoja sekä erilaisia fysiologisia indikaattoreita hyvin tarkkoja yksityiskohtia. Ennen kuin tekoäly astui mukaan, minun pitäisi käyttää ainakin muutama päivä Python-kirjastojen tutkimiseen ja monimutkaisten XML-tietorakenteiden analysointiin, jotta voisin käsitellä dataa tässä mittakaavassa. Tämä on usein suurin este monille ihmisille, kun he joutuvat "määrittelemään itseään". 2️⃣ Agenttia tukevat työnkulut Kun esittelimme koodausagentteja kuten OpenAI Codex tai Claude Code, koko prosessi muuttui täysin. Sinun ei enää tarvitse keskittyä tiettyihin koodin toteutuksiin, määrittele vain "analyysin tavoite". Agentti suorittaa automaattisesti rekursiivisen silmukan: tutkii itsenäisesti tietorakenteita → kirjoittaa Python-prosessointiskriptejä → kohtaa poikkeuksia → tutkia ja korjata koodia uudelleen. Se voi suorittaa koko prosessin siivouksesta analyysiin itsenäisesti, auttaen minua toteuttamaan monia aiempia ideoitani, jotka jäivät korkeiden teknisten kustannusten vuoksi. Jos et tiedä, miten aloittaa, voit ensin kertoa sille tehtävän taustan ja siihen liittyvät tiedostot, jotta se voi tutkia itsenäisesti, kuten: > Tämä on täydellinen raaka Apple Health -vienti, katso mitä terveystietoja mukana on. Mikä on aikaväli? > auttoi minua löytämään 10 oivallusta näiden terveystietojen pohjalta. > Auttakaa minua eri terveystietokategorioiden perusteella selvittämään, onko eri tietokategorioiden välillä korrelaatiota. > Vahvistatko, että tutkimuksesi on oikea, varmista se ja anna lisää välidataa, vahvistan sen. Nämä kaikki ovat helposti saavutettavissa, ja voit jopa tehdä monimutkaisempaa ja tarkempaa tutkimusta. ⚠️ Huomautus: Koska terveysdatan raakadata on suhteellisen suuri, sitä ei voi suoraan heittää sovelluksiin kuten ChatGPT, joten sinun täytyy silti käyttää Coding Agentin cli-versiota tutkimukseen (IDE:t kuten Cursor voivat myös toimia). Voit erityisesti kysyä tekoälyltä: > Kuinka asentaa Codex CLI / Claude Code CLI. 3️⃣ Esimerkkiyleiskatsaus Tämä analyysi kattaa koko ajanjakson 18. toukokuuta 2015 – 25. joulukuuta 2025, yhteensä 3875 päivää. Tänä aikana käytin viittä Apple Watchia, joissa oli 3503 päivää varsinaista käyttöä ja käyttöaste yli 90 %. Pisimmän jatkuvan kulumisen ennätys on 399 päivää ja pisin katko 33 päivää. 4️⃣ Keskeiset oivallukset: Korrelaatiotutkimukset leposykkeestä Puhdistetun pätevän aineiston perusteella agentti löysi mielenkiintoisia kuvioita, joita ei oltu aiemmin löydetty. Seuraavat johtopäätökset on laskettu Codexin mukaan (Huomautus: Tällä hetkellä vain korreloitu, ei kausaalinen): 🔊 Välitön ympäristön melun paine (otoskoko: 1802 päivää): Korkeampi ympäröivä melu → lisännyt todennäköisyyttä korkeaan leposykeeseen, noin 5,2-kertaiseksi. 🪑 Passiivisen ajan viivevaikutus (otoskoko: 2546 päivää): Lyhyempi seisominen → todennäköisyys korkealle leposykeelle seuraavana päivänä kasvaa noin 1,75-kertaiseksi. 🪜 Kiipeilyn pitkäaikaiset hyödyt (otoskoko: 1909 päivää): Portaiden kiipeäminen matalammalla → todennäköisyys korkealle leposykeelle seuraavana päivänä kasvaa noin 1,91-kertaiseksi. Joten ainakin minulle rauhallisempi ympäristö, useammin ylös nouseminen töissä ja portaiden kiipeäminen useammin voivat kaikki tuoda pitkäaikaisia terveyshyötyjä. 5️⃣ Harjoitus- ja toimintaehdotuksia Nykyinen analyysi keskittyy vain leposykkeen ulottuvuuteen, ja algoritmin yksityiskohdat sekä muiden ulottuvuuksien ristiinanalyysit kootaan yksityiskohtaiseksi pitkäksi artikkeliksi, jos tulevaisuudessa tulee mahdollisuus. Jos aiot käyttää tekoälyä myös tämän tyyppiseen analyysiin, ole tietoinen siitä, että on tärkeää luoda validointimekanismi. Agentilla voi olla "hallusinaatioita" monimutkaisen logiikan käsittelyssä, ja suositellaan pyytämään sitä antamaan välitilastoja tai tekemään manuaalisia otantatarkistuksia pienille näytteille lopullisen johtopäätöksen tarkkuuden varmistamiseksi. Tai vertaile useiden agenttien kanssa. 6️⃣ Yhteenveto Tämä on vain digitaalinen tarkastelu omasta kehostani, ja johtopäätös ei välttämättä ole tiukka ja on vain viitteeksi. Tämän prosessin jakaminen on tarkoitettu osoittamaan, miten Coding Agent ylittää teknologian rajan: data-omaisuuden louhinta ei enää vaadi koodin kirjoittamista, vaan pelkkää kysymysten esittämistä. Nyt kun tekninen kynnys on poissa, voit yhtä hyvin kaivaa pölyisen datan esiin ja katsoa, mitä odottamattomia yksityiskohtia tekoäly voi auttaa sinua löytämään.

Saavutin juuri virstanpylvään, ja tämän kuukauden kuukausinäyttökerrat ylittivät vihdoin 10 miljoonaa. Mikä on tämän luvun käsite? Jäljennökset ovat yli kaksinkertaiset viimeisen 12 kuukauden aikana yhteensä. (Tämä tarkoittaa tietenkin, että tietoni ovat olleet hyvin heikkoja.) ） Jos joku vielä epäilee tämän numeron aitoutta, vaihtakaa se toiseen Bookmark-tietoon. Se on ollut lähes 10 000 kertaa kirjanmerkkeihin tässä kuussa, mikä vastaa lähes viimeisten 24 kuukauden yhteensä. Viime aikoina useat meistä ovat saaneet uutta ymmärrystä X:n suositusalgoritmista, joista osa on metafyysisiä ja osa sisältää myös satunnaisia tekijöitä. Mutta periaatteessa voidaan varmistaa: > AI + Vibe-koodaus + aito henkilökohtainen kokemus + artikkelirakenne, joka sopii sosiaalisen median lukemiseen ovat ne tekijät, jotka tämä uusi algoritmi priorisoi. Tietenkin liikenne on vain yksi osa-alue. Lisäksi tekoälyn ja Vibe-koodauksen aihe on erityisen muovautuva, ja lähes mitä tahansa tuotteen osa-aluetta voidaan tutkia. Viimeisen kahden kuukauden aikana olen myös lanseerannut monia tuotteita/verkkosivustoja, ja DAU:n kokonaismäärä on ylittänyt 1000, mutta niitä on silti hyvin vähän. En ole vielä löytänyt voittomallia, joten ehkä minun täytyy kokeilla muutamaa lisää, jotta minulla olisi mahdollisuus. Mutta uskon, että nämä aiemmat tuotteet ovat tuottaneet todellista arvoa käyttäjille, muuten he eivät olisi avanneet verkkosivua joka päivä. Ehkä siinä piilee Vibe Codingin kauneus: et enää kirjoita koodia pelkästään koodin kirjoittamisen vuoksi, vaan vangitset tuon ohikiitävän idean ja muutat sen tuotteeksi, joka on kaikkien ulottuvilla. Mitä tulee siihen, miten ansaittaa, voit yhtä hyvin jättää tämän kysymyksen seuraavaan versioon.

Aiemmin sanottiin usein, että Web3/Crypto oli nuorille mahdollisuus oppia harjoittelijilta. AI + Vibe Coding on vieläkin tärkeämpi. Se ei vaadi vahvaa tietojenkäsittelytieteen taustaa, ainoa kynnys on itseohjautuminen, eli halu oppia. Lao Dengin ohjelmoijat kantavat usein raskasta "kokemustaakkaa" ja ovat tottuneet kirjoittamaan jokaisen koodirivin käsin, mikä vaikeuttaa luottamuksen täyttämistä koodausagentille ensimmäisellä kerralla. Ja juuri tämä on nuorten mahdollisuus, koska vanhoja tapoja ei ole, joten he voivat sopeutua suoraan uusiin sääntöihin. Tässä uudessa paradigmassa tyhjä paperiarkki voi olla nopeampi kuin kymmenen vuoden kokemus. Vibe Coding on todellinen mahdollisuus nuorille.