第一部分：AI Coding 前夜 - 一个数据控的挣扎
我一直是个"应用数据私有化爱好者"。
知识文档、思维导图、技术笔记、有用的链接、代码片段... 这些东西我都有。而且我不愿意把它们交给别人保管，总觉得放在自己手里才踏实。
所以我走上了自建之路。
Docker 起来，Nextcloud、MrDoc、还有各种开源笔记工具，一个接一个往服务器上装。听起来很美好对吧？我的数据都在自己手里，集中管理，随时可控。
但现实很骨感。
第一个坑：工具疲劳
每次发现一个"更好用"的工具，就要经历一轮迁移——数据导出、格式转换、重新整理。这不是一次性的，是循环往复。几个月后又会发现另一个工具更吸引人，周而复始。
第二个坑：数据孤岛
我的数据散落不同系统：知识笔记在一个工具，思维导图在另一个，项目文档还在第三个。想找半年前的一个想法，得打开三四个应用搜索，还不一定找得到。
第三个坑：移动端噩梦
很多开源软件的移动端体验一言难尽，或者干脆没有原生 app。我在外面想到一个好点子，要么等回去用电脑，要么用临时工具记录后再手动同步——想想都累。
第四个坑：能力短板
每个开源工具都有自己的强项：这个笔记做得好，那个文件管理强，但总有些关键能力缺失。我找不到一款完美契合我需求的工具——就像拼图，每块都不错，但永远少了一块。
尽管如此，我还是坚持整理：闪记、图片存储、知识沉淀、项目管理、OKR、资产管理、待办... 分类越来越细，但心里越来越清楚：
核心问题始终没解决：数据不集中，功能差一点。
我知道很多人会说：用 Notion、飞书、百度网盘不就完了吗？云端服务确实方便，但对我这种有"数据自控强迫症"的人来说，把自己的数字资产交给别人保管，心里总觉得少点什么。
不是云端不好，是我不够妥协。
直到 AI Coding 时代的到来，这个困局有了转机。
第二部分：AI Coding 时代，我开始构建自己的工作台
当 AI Coding 的浪潮涌来时，我意识到一个转折点：
如果你能"口喷"出自己的需求，为什么还要忍受别人的工具设计？
于是我决定，这次不再迁移工具，而是构建工具。
它是什么？
简单说，这是我的私人工作空间。
不是某个现成 SaaS 的私有部署版本，也不是某个开源项目的魔改，而是从零开始、完全为我而生的数字化领地。
它管理我各类数据的存储、状态流转，帮我沉淀数据，更帮我找到数据。而且，它天生 AI 驱动。
它能做什么？
目前实现的模块：
- 导航：所有功能的统一入口
- OKR：目标与关键结果管理
- 项目管理：工作流的可视化管控
- 资产管理：数字资产与实物资产的统一记录
- 闪记：快速捕捉想法
- 知识沉淀：从碎片到体系的转化
- 财经类：理财数据和决策记录
- 社交管理：人脉和关系的维护
听起来很多工具都有这些功能，对吧？
但关键在于：它们是一个整体。
为什么自建？
我以前也想过用现成方案——飞书、Notion、Jira... 但总有些问题：
- 功能不匹配：我想要一个"闪记 + 自动分类 + 跨模块关联"的功能，现成工具要么分开做，要么根本不支持
- 定制成本高：改别人的系统，要么受限，要么要懂代码开发
- 数据控制权：第三方服务总有各种限制，数据迁移也不自由
自建解决了这些问题，但最大的障碍是：我不会写前端代码。
过去，这是不可逾越的鸿沟。
现在，这不再是问题。
AI Coding 改变了什么？
技术选型我自己定——毕竟我知道我需要什么架构、什么技术栈适合长期维护。但我不需要知道那些代码长什么样。
前端、后端、数据库、API... 完全前后端一体，由 AI 帮我从零构建。我用的是 Claude Code + Codex 模式：
- 我口喷需求："我想实现一个闪记功能，要支持语音输入、自动打标签、能在手机和电脑同步"
- AI 生成代码：几分钟后，一个可用的原型就跑起来了
- 我体验反馈："这个标签分类不够智能，我希望根据上下文自动推荐"
- AI 快速迭代：几分钟内修改完成
我一行代码没看过，也不需要看。
快速迭代的魅力
以前做一个功能，从需求调研到设计、开发、测试，可能要几天甚至几周。现在？
- 想到新功能，几分钟描述给 AI
- AI 生成原型，我直接上手体验
- 有问题立刻反馈，AI 实时调整
- 不满意就重来，没有沉没成本
迭代周期从"周"压缩到"分钟"。
这才是自建的核心价值：你想要的，立刻就有。
第三部分：从记账软件崩溃到数字王国
一切始于一个下午。
我常用的记账软件突然打不开了。数据在，但界面卡死，无法记录任何新的交易。
如果是以前，我会做什么？
- 换另一个记账软件
- 导出数据、重新整理、重新导入
- 重复一遍痛苦的迁移流程
但这一次，我做出了不同的选择：我自己造一个。
从资产开始：第一个2天
我的第一个功能是资产管理。
需求很简单：
- 截图识别资产并保存更新
- 手动更新资产
- 资产统计
就这么简单。我开始用 AI Coding 口喷需求。
从开始到第一个可用版本，只用了2天。
这不是"2天搭个框架"，是真的能用的东西：我可以截图一张银行卡界面，系统识别后自动记录；我可以手动录入新的资产；我可以看到所有资产的统计图表。
那一刻，我第一次意识到：这真的可以。
模型选择的关键一课
一开始我用的是国产模型，但很快就发现问题——修复一个 bug 需要非常具体的描述，而且要来回十几轮。效率很低。
后来我切换到 Codex，效果完全不同。
同样的需求，同样的 bug，描述一次，AI 就能理解。修复效率直接提升了一个数量级。
这不是说国产模型不好，而是在"代码理解和生成"这个场景下，Codex 确实更强。工具选对，事半功倍。
几个"卧槽"时刻
整个过程中，有好几次我真的喊出了"卧槽这都可以"。
第一个瞬间：CRUD 的速度
我要实现一个新模块的数据表和 CRUD 功能。我知道 AI 可以做，但没想到这么快——我描述完需求，刷个牙回来，代码已经写好了，数据库表建好了，增删改查的接口和页面都有了。
从想法到可用，不到10分钟。
第二个瞬间：交互逻辑的自洽
我想调整某个功能的交互——从弹窗改成右侧抽屉式展开。我只是描述了一下我希望看到的效果："点开这个按钮，右侧滑出一个面板，里面是详情信息，底部有操作按钮。"
几分钟后，我看到的不只是抽屉式交互。连同这个功能相关的状态流转、数据更新、甚至是关联模块的联动，AI 全部帮我考虑到了。
逻辑自洽。
这个词很重要。不是"它做了我要的"，而是"它理解了我的系统，自动补充了我没想到但应该有的东西。"
第三个瞬间：跨工具的优雅集成
我现在有个有意思的交互流程：
- OpenClaw 生成报告（比如市场分析、理财总结）
- 报告以 Markdown 结构存储到数据库
- 我的私人工作空间从数据库读取并渲染展示
- 所有报告都可以检索和关联
这不是预设的功能，是我在用的过程中自然想到的，然后口喷给 AI，它就帮我实现了。
工具之间的边界消失了，一切都流动起来。
持续迭代：每天都在进化
到现在，产品已经迭代了5个版本，但这只是开始。
我每天都在用它，每次用的时候都会想："这个如果能这样就好了。"然后我就口喷给 AI，几分钟内就能看到效果。
没有排期，没有评审，没有开发队列。想到了，就有了。
这种感觉，怎么说呢？
就像你脑子里有一个想法，下一秒它就变成了现实。
第四部分：数据存储和线上化 - 让 AI 帮你搞定
技术栈：越简单越好
我的技术栈很简单：
- 前后端一体：Node.js
- 数据库：MongoDB
就这两样。
为什么这么选？
前后端一体够快。分离架构有它的好处，但对于个人项目，一体化开发效率更高。我描述一个功能，AI 直接生成前后端代码，不用分两步走。
MongoDB 够灵活。文档型数据库的结构可以随需求变化，这对于持续迭代非常重要。我今天的"闪记"和下个月的"闪记"可能需要完全不同的字段，MongoDB 不会让我纠结这个。
部署：让 AI 替你操心
这是最神奇的部分。
本地开发：我在本地用 Claude Code 开发完功能，代码准备好了。
云端部署：你猜我怎么部署的？
在云服务器上安装 Claude Code → 拉取代码 → 让 Claude Code 自己部署。
就这么简单。
我不用写 Dockerfile，不用配 Nginx，不用管环境变量。 我只需要告诉 AI："帮我部署这个项目，让它能在外网访问。"
AI 会自动处理：安装依赖、配置运行环境、设置反向代理、启动服务。出错了它会自己修，修完再跑。
关键认知：你要懂"用什么"，不用懂"怎么做"
这是整件事的核心。
你必须知道的：
- Node.js 是什么，为什么选它
- MongoDB 能存什么，为什么适合你的需求
- 前后端一体和分离架构的区别
- 部署的基本概念（服务器、域名、端口）
你不需要知道的：
- 怎么写 Dockerfile
- Nginx 怎么配置反向代理
- 环境变量怎么设置
- PM2 怎么守护进程
这些"怎么做"，交给 AI 就好。
我的经验，你的思路
写到这儿，我必须强调：
这不是教程，是思路分享。
你不需要用 Node.js，Python 可能更适合你；你不需要 MongoDB，PostgreSQL 可能更符合你的数据结构。技术栈不重要，重要的是：
- 明确你的需求：你要存什么？怎么用？
- 选择合适的技术：根据需求选型，而不是追新技术
- 让 AI 负责实现：你描述，AI 编码，你体验
- 持续迭代：用着用着就有新想法，改就是了
如果你连"用什么"都不想操心？那可能 SaaS 更适合你。
但如果你有"想要完全掌控自己的数据"的想法，又不具备开发能力——AI Coding 时代给了你一个新选择。
第五部分：你也可以，只要你想
写到这里，有人可能会说：
"听起来很美好，但我真的能做吗？"
答案是：能。
你不需要成为程序员，不需要懂算法和数据结构，不需要理解设计模式。你需要做的只是：
- 想清楚你要什么：你有哪些数据？怎么管理最好用？
- 选对工具：找到一个适合你的 AI Coding 助手（Claude Code、Codex...）
- 开始描述：把你的需求说清楚，让 AI 帮你实现
- 持续迭代：用着用着就有新想法，改就是了
这不是魔法，是工具的进化。就像以前写文档要手写，后来有了 Word，现在还有 AI 辅助写作——工具在变，门槛在变，但核心不变：想法 + 工具 = 可能。
后续：分享更多细节
这篇文章只是一个开始。
我在构建这个私人工作空间的过程中，踩过一些坑，也有一些小技巧和心得。接下来我会把一些具体功能的构建过程写出来，比如：
- 如何设计数据结构让它更灵活
- 如何优化交互让 AI 更理解你的需求
- 如何处理"AI 理解错了"的情况
- 如何管理多个版本的迭代
代码也会陆续开源到 GitHub，如果你想直接看实现，或者基于我的代码做你自己的改动，都欢迎。
写在最后
AI Coding 时代，普通人也能构建自己的数字产品了。
这不是什么"颠覆行业"的宏大叙事，只是一个普通人的真实体验：我想管理自己的数据，我想掌控自己的数字资产，我做不到写前端，但我做到了——通过 AI。
如果你也有类似的想法，不妨试试看。
想法有了，工具也在，剩下的就是开始。
