AI 复盘工作流：让 AI 负责模式挖掘，人负责认知和行动更新

总览：一条工作流怎么跑

整条流水线五个环节，环环相扣。触发靠定时任务，不靠人的记忆；读取靠固定协议，不靠临场发挥；洞察靠分级标准，不靠自由发挥；交付分双份，各司其职；最后所有洞察回流成模型，反哺下一个周期的决策。

这条链路的关键不是"AI 会写报告"，而是每一环都有防退化机制：固定触发防遗忘、读取协议防偏倚、分级标准防空话、双份交付防断裂、模型回流防原地打转。

壹 · 触发与节奏：固定时间，不靠记忆

复盘的第一个设计决策是定时任务。为什么不用"想起来了再复盘"？因为记忆是最不可靠的触发器——忙起来最先牺牲的一定是复盘。固定时间触发，让复盘成为和吃饭睡觉一样自动发生的节奏。

三条节奏规则：复盘周期永远取"最近一个完整自然周期"，不补旧账；触发时间固定（周三/1 日/首月 1 日），错过就等下个周期，绝不积压；时间跨度越大，触发越低频、洞察越宏观——日复盘看细节，年复盘看方向。

贰 · 数据读取协议：读全，才有资格下结论

AI 收到触发后，按固定顺序读取 6 组核心表。顺序不是随意的——先读核心状态，再读外围信息，防止洞察被次要数据带偏；同时记录读取的时间范围与记录数，让"读了什么"本身可审计。

读取规则同样固定：按「年月」或「年周」公式字段筛选复盘周期；分页读取直到 has_more=false；记录本次读取的时间范围和记录数。这些规则的作用是防一件事——读不全就下结论。

叁 · 分析流水线：先算数，后归因

数据读进来之后，分析分四步走，顺序固定。倒过来就会出错：先有结论再找数据，找到的全是支持自己的证据。

• 数据概览：本周期总记录数、与上周期环比、数据完整度评估——先知道"这周数据靠不靠谱"。
• 指标计算：TD 率（深度在场率）、五色时间分布、能量六维度评分、各主题时间占比——把散点记录变成可比较的指标。
• 模式识别：心流时刻分布、情绪变化规律、能量来源与消耗、反复出现的坑——指标背后的人。
• 对比分析：与上周/上月对比、与目标对比、与历史同期对比——单点数据没有意义，对比才有。

为什么这个顺序不可颠倒：概览防止"拿着半截数据下结论"，指标防止"凭印象判断"，模式识别防止"只算数不读人"，对比防止"只看当下不看趋势"。四步走完，才进入洞察生成。

肆 · 洞察分级：防止复盘变流水账

复盘最容易退化成的样子是"本周做了 A、做了 B、做了 C"——全是描述，没有判断。洞察分级 L0–L4 就是为了逼出判断：每一层回答不同的问题，越往上越难，也越有价值。

每条洞察都带三件套：发现（一句话 + 对比）、证据强度（强/中/弱）、行动选项（2-3 个）。加上三条红线：

• 结论先行，数据支撑。每条回答遵循【AI洞察·L1~L4 分级】格式，先给判断，再给证据。
• 诚实标注，严禁脑补。数据缺失或口径变化时明确写"字段为空，用替代口径重建·待核实"，数据不足就明说不足。
• 与上周对照。没有对比的洞察不是洞察，只是感想。

伍 · 双份交付：一份给机器，一份给人

每次复盘产出两份东西，内容一致、用途不同。这是复盘工作流里最容易被忽略的设计——存档不是为了存档，是为了未来可回测；简报不是为了交差，是为了当下可阅读。

• Base 存档（结构化）：每个问题新增一条记录——复盘日期、维度、问题原文、AI 回答。写入后回读验证 17 条记录齐全、日期与内容正确。这份数据的消费者是未来的 AI：月、季、年复盘会二次消费它，个人模型提炼会回测它。
• 云文档简报（人读主载体）：一句话结论 + 数字速览表 + 完整 AI 洞察（逐题展示问题原文与完整回答，不放摘要）+ 行动清单 + 数据口径说明。这份文档的消费者是人：审阅、评论、补充图片、决定下一步。

为什么必须双份：结构化的存档是"数据资产"，会被未来的复盘反复调用；叙事化的简报是"阅读体验"，让人愿意每周读完。只做简报，数据散落在文档里无法回测；只做存档，人根本不会去读。双份交付是复盘体系能持续运转的物理基础。

陆 · 人在回路：AI 是助手，不是决策者

复盘工作流最容易翻车的方向是"AI 全包了，人只负责收报告"——那样复盘会退化成流水账，因为没有人参与，就没有人发生认知更新。这条工作流把人和 AI 的边界划得很清楚。

核心原则一句话：AI 负责数据处理和初步分析，人负责最终的判断和提炼。复盘的产出物不是那份报告，而是人读完报告之后发生的那一点认知变化。

柒 · 模型回流与质量控制：防止越跑越歪

流水线最后一步是把复盘的洞察沉淀成个人模型——这也是"AI 越用越懂你"的实现机制。每月 2 日，独立于复盘运行一次维护：

• 候选提炼：从当月复盘的洞察里，提炼新的候选模型（θ本质 / V状态 / C战术 三层级）。
• 补验证设计：AI 自动补充「可检验预测」（观测信号 → 预期结果）和「验证方式」（依赖的数据源 + 判定方法）。
• 回测已有模型：对"待验证"状态的模型，用当月数据做回测。
• 状态更新：根据回测结果，模型升级为「已回测」，或被证伪，或补充边界条件后升级。
• 汇总确认：输出候选模型汇总表，供人选取入库——入库是人的权力。

质量控制贯穿全程，三层检查：数据质量（记录数与预期对比、完整度、异常值、口径一致性）、洞察质量（是否有数据支撑、是否过度推断、是否标注不确定性、是否可操作）、交付质量（存档记录齐全、简报完整、排版清晰、链接正确）。三种异常各有预案：数据缺失 → 标注替代口径；口径变化 → 不做跨期直接对比；复盘超时 → 先完成核心板块，次要板块标注「待补充」。

为什么这些机制是必要的：复盘是长期工程，最怕的不是一次做差，而是悄悄退化——这周少读一张表没人发现，下周洞察开始注水没人质疑，三个月后复盘就只剩形式。分级、双份、回测、检查，全都是给"长期不变形"上的保险。