Năm nay, tôi đã mời AI Agent hỗ trợ để thực hiện một cuộc tổng kết sâu dựa trên dữ liệu về bản thân. Chia sẻ quy trình này vì nó không yêu cầu bất kỳ kinh nghiệm lập trình nào, giúp bạn dễ dàng hoàn thành việc khai thác dữ liệu ở cấp độ chuyên nghiệp. Nó thậm chí còn đơn giản hơn cả Vibe Coding, chỉ cần: dữ liệu đầy đủ + Coding Agent. Để xác minh giới hạn của quy trình này, tôi đã chọn 10 năm hồ sơ sức khỏe lớn nhất và phức tạp nhất trong dữ liệu cá nhân của mình để thực hiện kiểm tra áp lực. 1️⃣ Quy mô dữ liệu và ngưỡng xử lý Cuối cùng, từ ứng dụng sức khỏe của Apple, tôi đã xuất ra một tệp dữ liệu gốc liên quan đến sức khỏe từ Apple Watch có kích thước lên tới 3.5 GB. Tệp này chứa hàng trăm ngàn bản ghi nhịp tim, cũng như nhiều chỉ số sinh lý với độ chi tiết rất cao. Trước khi có sự can thiệp của AI, để xử lý dữ liệu có quy mô như vậy, tôi ít nhất cần dành vài ngày để nghiên cứu thư viện Python và tiêu tốn nhiều công sức để phân tích cấu trúc dữ liệu XML phức tạp. Điều này thường là rào cản lớn nhất mà nhiều người gặp phải khi đối mặt với "tự định lượng". 2️⃣ Quy trình làm việc được hỗ trợ bởi Agent Khi chúng tôi đưa Coding Agent (như OpenAI Codex hoặc Claude Code) vào, toàn bộ quy trình đã thay đổi hoàn toàn. Bạn không còn cần phải chú ý đến việc thực hiện mã cụ thể, chỉ cần xác định "mục tiêu phân tích". Agent sẽ tự động thực hiện một vòng lặp đệ quy: tự nghiên cứu cấu trúc dữ liệu → viết kịch bản xử lý Python → gặp cấu trúc bất thường → nghiên cứu và sửa mã lại. Nó có thể hoàn thành toàn bộ quá trình từ làm sạch đến phân tích một cách độc lập, giúp tôi thực hiện nhiều ý tưởng trước đây đã bị gác lại do chi phí kỹ thuật quá cao. Nếu bạn không biết bắt đầu từ đâu, bạn có thể trước tiên cho nó biết bối cảnh của nhiệm vụ và tệp tương ứng, để nó tự thực hiện một số khám phá, chẳng hạn như: > Đây là một tệp dữ liệu gốc hoàn chỉnh được xuất từ Apple Health, hãy xem bên trong có những loại dữ liệu sức khỏe nào? Thời gian trải dài như thế nào? > Dựa trên những dữ liệu sức khỏe này, hãy giúp tôi tìm 10 Insights. > Dựa trên các loại dữ liệu sức khỏe khác nhau, hãy giúp tôi tìm xem có mối tương quan nào giữa các loại dữ liệu khác nhau không. > Bạn có xác nhận nghiên cứu của mình là chính xác không? Hãy xác minh và cung cấp cho tôi nhiều dữ liệu trung gian hơn, tôi sẽ xác nhận. Tất cả những điều này đều có thể dễ dàng thực hiện, thậm chí bạn có thể thực hiện nghiên cứu phức tạp và cụ thể hơn. ⚠️ Lưu ý: Do kích thước dữ liệu gốc của dữ liệu sức khỏe khá lớn, không thể trực tiếp đưa vào các ứng dụng như ChatGPT, vì vậy vẫn cần sử dụng phiên bản cli của Coding Agent để thực hiện nghiên cứu (Cursor và các IDE khác có thể cũng được). Cụ thể, bạn có thể hỏi AI: > Làm thế nào để cài đặt Codex CLI / Claude Code CLI. 3️⃣ Tổng quan mẫu Phân tích này bao gồm toàn bộ chu kỳ từ ngày 18 tháng 5 năm 2015 đến ngày 25 tháng 12 năm 2025, tổng cộng 3875 ngày. Trong thời gian này, tôi đã đeo 5 mẫu Apple Watch, số ngày đeo thực tế đạt 3503 ngày, tỷ lệ đeo vượt quá 90%. Trong đó, kỷ lục đeo liên tục dài nhất là 399 ngày, kỷ lục gián đoạn dài nhất là 33 ngày. 4️⃣ Những phát hiện quan trọng: Nghiên cứu mối tương quan của nhịp tim nghỉ ngơi Dựa trên tập dữ liệu hiệu quả đã được làm sạch, Agent đã khai thác ra một số quy luật thú vị mà trước đây chưa từng được phát hiện. Các kết luận dưới đây đều được Codex tính toán (chú thích: hiện tại chỉ trình bày mối tương quan, không phải nguyên nhân): 🔊 Áp lực tức thời từ tiếng ồn môi trường (kích thước mẫu: 1802 ngày): Tiếng ồn môi trường cao hơn → xác suất nhịp tim nghỉ ngơi trong ngày cao hơn tăng khoảng 5.2 lần. 🪑 Ảnh hưởng chậm của việc ngồi lâu (kích thước mẫu: 2546 ngày): Thời gian đứng ít hơn → xác suất nhịp tim nghỉ ngơi vào ngày hôm sau cao hơn tăng khoảng 1.75 lần. 🪜 Lợi ích lâu dài của việc leo cầu thang (kích thước mẫu: 1909 ngày): Chiều cao leo cầu thang ít hơn → xác suất nhịp tim nghỉ ngơi vào ngày hôm sau cao hơn tăng khoảng 1.91 lần. Vì vậy, ít nhất đối với tôi, môi trường yên tĩnh hơn, đứng dậy thường xuyên hơn khi làm việc mỗi ngày, và leo cầu thang nhiều hơn đều có thể mang lại lợi ích sức khỏe lâu dài. 5️⃣ Đề xuất thực hành và hành động Phân tích hiện tại chỉ tập trung vào một chiều nhịp tim nghỉ ngơi, chi tiết thuật toán và phân tích giao thoa nhiều chiều hơn, tôi sẽ sắp xếp thành một bài viết dài chi tiết trong tương lai. Nếu bạn cũng có kế hoạch sử dụng AI để thực hiện phân tích như vậy, hãy lưu ý, nhất định phải thiết lập cơ chế xác minh. Agent có thể có "ảo giác" khi xử lý logic phức tạp, nên tôi khuyên bạn yêu cầu nó xuất dữ liệu thống kê trung gian, hoặc thực hiện kiểm tra mẫu nhỏ bằng tay để đảm bảo độ chính xác của kết luận cuối cùng. Hoặc sử dụng nhiều Agent để thực hiện xác minh so sánh chéo. 6️⃣ Tóm tắt Đây chỉ là một cái nhìn số hóa cá nhân về cơ thể của tôi, kết luận không nhất thiết phải chính xác, chỉ mang tính tham khảo. Chia sẻ quy trình này nhằm mục đích thể hiện cách mà Coding Agent đã xóa bỏ rào cản công nghệ: việc khai thác tài sản dữ liệu không còn cần phải biết viết mã, chỉ cần biết đặt câu hỏi. Vì rào cản công nghệ đã không còn, hãy thử lấy những dữ liệu bị bụi bám ra, xem AI có thể giúp bạn khai thác ra những chi tiết bất ngờ nào.

Nhiều khi chúng ta đọc một đoạn văn, ngay lập tức có thể cảm nhận được đó là do AI viết ra, không thể nói rõ là ở đâu, nhưng cái cảm giác không đúng. Tôi đã tổng hợp một số đặc điểm ngôn ngữ "cảm giác AI" thường gặp, tránh những yếu tố này sẽ giúp bạn viết ra những câu chữ tự nhiên hơn khi sử dụng AI: 1. Thích sử dụng cấu trúc câu "không phải... mà là..." và lặp đi lặp lại; 2. Thích sử dụng nhiều phép ẩn dụ mà họ cho là hài hước, và thường thích thêm dấu ngoặc kép; 3. Thích bắt đầu bằng emoji hoặc số thứ tự (1.2.3.4……); 4. Thích liên tục sử dụng dấu gạch ngang.

Có vài người bạn sau khi xem xong đã lập tức đặt hàng CGM để bắt đầu trải nghiệm, cảm giác "kiểm soát" dữ liệu cơ thể này thực sự là một nhu cầu thiết yếu. Trong hai ngày qua, tôi cũng đã Vibe Coding một sản phẩm nhỏ liên quan (), dùng để tìm kiếm điểm số dinh dưỡng tổng hợp của thực phẩm. Bạn có thể kiểm tra vài món ăn thường xuyên của mình, xem chúng được đánh giá bao nhiêu điểm từ góc nhìn chuyên nghiệp hơn. Dữ liệu bên trong hoàn toàn dựa trên bài báo Food Compass 2.0 được công bố trên tạp chí Nature. Nó bao phủ hơn 9000 loại thực phẩm, thông qua việc tính toán tổng hợp 54 chiều về vitamin, khoáng chất, mức độ chế biến, v.v., để đưa ra một điểm số sức khỏe từ 1-100. Logic rất đơn giản: điểm số càng cao, ăn càng lành mạnh. Ngoài ra, hệ thống còn tích hợp các chỉ số quốc tế như NOVA, HSR và Nutri-Score, cung cấp cho bạn nhiều tham khảo về mức độ chế biến và đánh giá tổng hợp. Địa chỉ rất dễ nhớ: