AI Self-Insight — 认知画像仪表盘 2026-05-31

行为画像数据驱动

提问模式

文档指令委托

开放:封闭 = 1:9

决策速度

极快

风险偏好: 激进

最长会话

20轮

ai-self-insight 开发

领域分布 — 按对话占比排序

数据工程 (Spark SQL/ETL)

38%

↑

AI工具/Skill开发

25%

↑

项目管理 (standup/reality-sync)

15%

→

工具探索与配置

12%

→

后端业务开发 (Java)

7%

↓

其他（头脑风暴/生活）

3%

→

高频指令模式 TOP 5

@docs/path 读取文档，完成需求	~18次
今天该干什么	~8次
继续	~7次
继续生成spec文件	5次
/skill-name (激活skill)	~5次

工作时段分布

🌅 08:00-12:00████████ 40%

☀️ 13:00-18:00██████████ 45%

🌙 18:00-22:00███ 13%

🌑 22:00-08:00▏ 2%

人格素描推断性

大五人格 OCEAN

开放性

4/5

尽责性

5/5

外倾性

2/5

宜人性

3/5

神经质

1/5

MBTI 倾向

ISTJ

检查者 / 物流师 · 置信度: 🟢高

E

I

N

S

T

F

J

P

学习风格

🔨

实践型 Pragmatist

主导 — "怎么做"优先，动手验证

🏗️

建构型 Theorist 新增

次要 — 开始构建系统框架(SPEC/skill)

OCEAN 证据速查

高开放性 — 探索新skill、构想产品、头脑风暴

极高尽责性 — 行号引用、standup流程、spec管理

低外倾性 — 极简沟通、无社交对话

中宜人性 — 中性态度

极低神经质 — 遇到所有问题都冷静分析

认知盲区需关注

检测到的认知偏误 (点击展开证据)

高置信 🟢

锚定效应

在已有框架内修补，精确引用行号加入逻辑，不质疑整体设计

"参照第98行…也要赋值为labor_cost"、"在etl.sql中加入这个表"

高置信 🟢

委托偏误

高度信任AI输出，"继续"/"完成需求"模式中几乎不验证中间步骤

"继续生成spec文件"×5、"读取文档完成需求"不追问细节

中置信 🟡

重复行为

相同指令多次发送，可能是工具重试或习惯性重复

"今天该干什么"×6、同一SQL指令重复发送×2

未探索领域 — 盲区地图（63次对话中零次涉及）

测试与质量保障

零次讨论单元测试、集成测试、ETL数据质量验证策略

性能优化

复杂Spark SQL从未讨论执行计划、Shuffle、数据倾斜

安全与权限

ETL涉及财务数据但从未讨论脱敏、权限、审计

代码审查与协作

零次讨论PR review、团队代码标准、协作模式

职业发展

零次讨论技术方向、领导力、个人成长战略

文档维护

高度依赖文档驱动但不讨论文档如何维护更新

核心矛盾深层洞察

📄

文档委托高效 vs 深度理解缺失

"@docs/path 读取文档，完成需求"是你的核心模式。极高效，但缺少"我理解这个需求吗"的反思。如果文档本身有遗漏，这个链条会静默传递错误。

需求写入文档交给AI执行不验证中间过程🟢 高置信

🔨

工具创造者 vs 工具消费者

本期你从消费者变为创造者（ai-self-insight从构想→实现），但创造过程中仍用消费者模式（大量"继续"推进）。创造时有架构视野，实现时退回委托模式。

独立构想产品设计SPEC框架"继续"×5推进生成🟡 中置信

⏰

规律化工作流 vs 探索性中断

工作日有明确standup→执行流程，但会被新想法中断（头脑风暴、openspec-explore等）。通过时间分区来平衡：工作时间做任务，碎片时间探索。

standup "今天该干什么"突然头脑风暴/探索新skill🟡 中置信

本期最大变化信号 — 你正从纯粹的执行效率追求向系统性构建过渡。ai-self-insight 的创建是一个完整的建构行为链（构想→风暴→设计→SPEC→迭代）。模式上限从"高效执行"向"高效创造"扩展。

认知地图综合

知识领域关联图 · 5月

mindmap
  root((你的技术世界 5月))
    数据工程
      Spark SQL ETL
      飞书多维表格同步
      PySpark脚本
      数据建模
    AI工具生态
      Claude Code
      Copilot CLI
      Skill框架
      SPEC管理
    项目管理
      standup
      CBU项目
      文档驱动
    后端开发
      Java
      数据库SQL
      资源计划
    个人知识管理
      Obsidian
      多仓库配置
      ETF分析

价值观权重排序

1

效率 / 成就

极简沟通、文档委托、standup驱动

强 🟢

2

自主

独立工作、主动创造工具

强 🟢

3

创造 / 建构新增

从0构建skill、设计SPEC框架

中 🟡

4

掌控

精确到行号、spec规范化管理

中 🟡

5

新奇 / 探索

尝试各种skill、头脑风暴

中 🟡

发展阶段 (Kegan)

自主心智

Self-Authoring Mind

✓ 独立判断框架（文档→AI执行→验证）

✓ 不盲从AI建议（给精确指令）

✓ 构建系统化流程（standup, spec）

✓ 新：开始构建自己的工具框架

成长信号 → 通过自我洞察工具反观自身 = 反思性实践者萌芽

变化趋势 vs 上期

与上期对比矩阵（3-5月历史 vs 本期25天）

维度	上期	本期	变化
主要工作	Java业务 + ETL + AI Agent	ETL + AI Skill创造	转型
AI使用方式	稳定指令式	指令式 + 创造式	新增
对话深度	2.4 轮/次	2.3 轮/次	稳定
委托程度	高	极高	↑
工具探索	频繁切换模型(广度)	专注skill生态(深度)	↑ 聚焦
MBTI 置信度	🟡 中	🟢 高	↑

本期新出现的行为信号

产品思维萌芽 — 从"帮我实现X"到"我有个想法做一个skill"

元认知工具 — 创建分析自己的工具本身就是反思行为

规范化管理 — 从ad-hoc开发到spec-first迭代管理

哲学性思考 — 主动思考"代码即文档"并质疑其边界

方法论声明透明度

分析局限性

数据时间窗口

仅25天(5/7-5/31)，较上期84天窗口更窄

样本量

63 sessions / ~147 turns，部分结论统计显著性有限

数据源偏差

Claude Code多为工具命令，真实意图主要在Copilot CLI

重复消息

部分重复可能是工具重试而非真实行为

非诊断性

不是心理测评或临床诊断，仅供自我反思

AI偏差

分析由AI完成，可能过度推断模式

数据来源

GitHub Copilot CLI	55 sessions	~96 turns	~/.copilot/session-store.db
Claude Code	8 sessions	~51 turns	~/.claude/projects/

苏格拉底追问反思催化

以下问题基于本次分析的高置信度发现和核心矛盾生成。它们不寻求"正确答案"，而是邀请你暂停、后退一步，从不同角度观察自己的模式。

关于委托模式

你连续说"继续"的那些时刻，有没有哪一次，事后发现AI走偏了方向？如果有，你是怎么发现的？如果没有——你怎么确定你没有错过？

为什么这个问题重要 — 委托偏误的核心不是"AI做错了"，而是"你不知道它做错了"。如果验证机制只在终点触发，中间的偏移可能被最终结果掩盖。

关于测试盲区

你的ETL管道如果某天产出了错误数据，你会在多久后发现？发现的方式是什么——是下游投诉，还是你主动检查？

为什么这个问题重要 — 63次对话中零次讨论测试。这不一定是"你不重视质量"，也可能是"你有别的质量保障机制"。但值得确认那个机制是什么。

关于效率 vs 理解

如果明天你离开当前项目，需要向一个新人解释你写的ETL逻辑——你能纯靠记忆讲清楚每个JOIN的业务含义吗？还是需要重新读一遍代码？

为什么这个问题重要 — 高效委托模式的隐性代价可能是"你比你以为的更依赖代码本身来承载理解"。如果答案是"需要重读"，那么深度理解的缺口可能比你感知的更大。

关于创造者身份

你构建ai-self-insight这个skill时，有没有一个时刻是"停下来想清楚再动手"而不是"先做出来再迭代"？如果没有——这个模式的上限在哪里？

为什么这个问题重要 — 你正在从执行者转向创造者。创造者模式中，"先想后做"和"先做后想"各有最优场景。意识到自己的默认选择，才能在关键时刻切换。

关于职业盲区

三年后你希望自己是什么角色？现在的日常（ETL开发 + AI工具探索）是在朝那个方向积累，还是在舒适区里高效运转？

为什么这个问题重要 — 你从未与AI讨论职业发展。这可能是"想得很清楚不需要讨论"，也可能是"不想面对"。无论哪种，把答案写下来都有价值。