Till årets årliga utvärdering bad jag AI-agenten att göra en djupgående databaserad inventering av mig själv. Denna process delas eftersom den gör det enkelt att genomföra professionell datautvinning utan någon programmeringserfarenhet. Det är ännu enklare än Vibe Coding, som kräver: full data + Coding Agent. För att validera den övre gränsen för denna process valde jag medvetet den största och mest komplexa 10-årshälsoprofilen av personuppgifter för stresstestning. 1️⃣ Dataskala och bearbetningströskel Det som slutligen exporterades från Apple Health-appen var en kopia av rådata från en Apple Watch med en storlek på upp till 3,5 GB. Detta dokument innehåller hundratusentals hjärtfrekvensmätningar samt olika fysiologiska indikatorer med mycket fin granularitet. Innan AI kom in i arbetet var jag tvungen att tillbringa åtminstone några dagar med att forska om Python-bibliotek och analysera komplexa XML-datastrukturer för att hantera data i denna skala. Detta är ofta det största hindret för många när de står inför att "kvantifiera sig själva". 2️⃣ Agent-aktiverade arbetsflöden När vi introducerade kodningsagenter som OpenAI Codex eller Claude Code var hela processen helt omvänd. Du behöver inte längre fokusera på specifika kodimplementationer, bara definiera "analysmålet". Agenten kör automatiskt en rekursiv loop: den forskar autonomt i datastrukturer → skriver Python-skript → stöter på undantag → forskar och fixar koden igen. Den kan slutföra hela processen från rengöring till analys självständigt, vilket hjälper mig att slutföra många av mina tidigare idéer som lades på paus på grund av höga tekniska kostnader. Om du inte vet hur du ska börja kan du först berätta bakgrunden för uppgiften och motsvarande filer, så att den kan utforska själv, till exempel: ...