> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# 我差点删掉的一个 AI 副业项目
- URL: https://www.hubwiz.com/blog/the-ai-side-project-i-almost-deleted/
- Published: 2026-06-10T14:58:24.000Z
- Updated: 2026-06-10T14:58:24.000Z
- Description: 无聊的问题往往隐藏着有价值的机会。
- Author: admin
- Tags: SIDE HUSTLE, #Import 2026-10-14 14:41

它始于一个周末的实验。六个月后，我每天都在使用它。

像许多开发者一样，我有一堆未完成的副项目坟墓。

文件夹的名字像这样：

```
ai-tool-v1
new-ai-tool
final-ai-tool
final-final-ai-tool
really-final-ai-tool

```

你懂的。

大多数副项目都悄无声息地死掉了。

一阵兴奋。

几个深夜的编码会话。

然后现实降临。

这个特定的项目也走向了同样的命运。

想法很简单：

构建一个AI系统，作为我开发工作的第二大脑。

没有什么革命性的。

只是一个让想法、代码片段、研究、bug修复、架构决策和项目笔记存放的地方。

起初，它感觉没有必要。

然后奇怪的事情发生了。

我开始使用它。

每天。

然后每天多次。

最终，它成了我工作流程中最有价值的工具之一。

不是因为它很智能。

因为它消除了摩擦。

而消除摩擦往往是最大生产力提升的来源。

## 1、大多数开发者都有记忆问题

我们喜欢认为自己擅长记忆技术信息。

其实不是。

至少我不是。

每周我都会发现自己已经在搜索我已经解决过的问题。

像这样的问题：

- 我是怎么修复那个Docker问题的？
- 我们用了哪个API端点？
- 那个有用的Python库是什么？
- 我们为什么选择这个架构？
- 那个SQL查询在哪里？

答案是存在的。

在某个地方。

通常埋在：

- Slack消息
- Notion页面
- GitHub issue
- 随机的文本文件
- 浏览器书签

信息没有丢失。

它只是不可访问。

这是一个非常不同的问题。

## 2、仅仅搜索是不够的

传统搜索在你知道你要找什么时有效。

问题是开发者通常不知道。

有时候我会搜索：

```
authentication problem

```

而我实际需要的是：

```
JWT refresh token issue
from February project

```

人类记忆是模糊的。

传统搜索期望精确。

AI出人意料地很好地弥合了这个差距。

## 3、第一个版本简陋得令人尴尬

第一个版本不过是：

```
Store notes
↓
Generate embeddings
↓
Search
↓
Retrieve results

```

就这样。

没有花哨的代理。

没有自主工作流。

没有复杂的架构。

核心实现看起来像这样：

```
from openai import OpenAI
from chromadb import Client

client = OpenAI()
db = Client()

def save_note(text):

    embedding = (
        client.embeddings.create(
            model="text-embedding-3-small",
            input=text
        )
        .data[0]
        .embedding
    )

    db.add(
        documents=[text],
        embeddings=[embedding]
    )

```

说实话？

它并不令人兴奋。

但它能用。

而能用的软件永远胜过令人兴奋的软件。

## 4、然后我添加了上下文检索

这是改变一切的功能。

系统不再只是查找笔记，而是可以自动收集相关信息。

例如：

我可以问：

```
How did we handle authentication
in the ecommerce project?

```

系统会检索：

- 架构笔记
- 实现细节
- 相关的代码片段
- 之前的bug报告
- 部署笔记

突然它感觉不那么像搜索了。

而更像有一个记忆力完美的队友。

## 5、真正的生产力提升来自于捕获一切

大多数生产力系统失败的原因是人们停止使用它们。

解决方案不是让检索更智能。

而是让存储更容易。

任何东西都可以保存：

- 会议笔记
- 架构决策
- 代码片段
- 文档
- 研究发现
- AI提示词
- 调试会话

信息越容易捕获，系统就越有价值。

因为知识会复利。

## 6、AI出人意料地擅长组织混乱

我没想到会喜欢的功能之一是自动分类。

每条新笔记都会自动接收标签。

例如：

```
Python
Automation
Backend
Database
Architecture
API Design

```

不需要手动组织。

系统逐渐自我组织起来。

这正是好的软件应该做的。

减少工作量，而不是创造更多工作量。

## 7、我开始构建专门的AI代理

一旦知识库存在，新的机会就出现了。

我没有使用一个助手，而是创建了几个专门的代理。

一个专注于：

```
Code Reviews

```

另一个处理：

```
Research Summaries

```

另一个专门做：

```
Architecture Recommendations

```

每个代理都访问同一个知识库。

这大大提高了输出质量，因为回复基于真实的项目历史。

而不是通用的互联网知识。

## 8、最有用的代理不是最聪明的那个

我最常使用的代理执行一个极其无聊的任务。

文档生成。

给定一个项目文件夹：

```
Project Files
       ↓
Code Analysis
       ↓
Feature Detection
       ↓
Documentation Draft
       ↓
README Creation

```

实现看起来像这样：

```
from pathlib import Path

def analyze_project(root):

    files = []

    for file in Path(root).rglob("*"):

        if file.is_file():

            files.append(
                file.read_text(
                    errors="ignore"
                )
            )

    return "\n".join(files)

```

简单。

但极其有用。

因为开发者很少喜欢写文档。

## 9、构建AI工作流改变了我对软件的思考方式

在AI之前，软件主要遵循规则。

输入。

处理。

输出。

现代系统不同了。

它们可以：

- 解释
- 分类
- 总结
- 优先排序
- 推荐

这创造了全新的设计可能性。

应用程序变得不那么程序化，更加自适应。

不是自主的。

是自适应的。

这是一个重要的区别。

## 10、最有价值的AI产品不是消费应用

这个认识花了我一段时间。

每个人都想构建下一个病毒式传播的AI产品。

与此同时，公司正在为以下系统支付真金白银：

- 处理文档
- 组织信息
- 自动化报告
- 分类请求
- 总结会议
- 监控竞争对手

这些问题不那么令人兴奋。

但它们也明显更有利可图。

无聊的问题往往隐藏着有价值的机会。

---

原文链接: [The AI Side Project I Almost Deleted Became the Most Useful Tool on My Laptop](https://medium.com/@SulemanSafdar/the-ai-side-project-i-almost-deleted-became-the-most-useful-tool-on-my-laptop-4319a6afc309?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处