我用 WorkBuddy 干的第一件正经事，不是写周报，不是做 PPT，也不是分析行业报告。

是让它每天早上告诉我：今晚能不能去钓鱼。

朋友圈和社区里大家晒的都是同一类场景——三分钟生成一份年报、一键清洗几千行数据、自动写测试用例。卷生产力的姿势一个比一个标准。而我这边的需求是：查天气、查气压、查水温、查月相，然后告诉我值不值得拎着竿子跑一趟。

听起来确实像高射炮打蚊子。我一开始也没好意思跟人说。

但半年下来我发现，这可能是我用过最狠的一个 AI 考场。

周报写得平庸，领导多半看不出来；PPT 里的数据编了一个，同事未必去查；生成的测试用例跑不通，你可以说"还得调优"。但鱼咬不咬钩，晚上八点站在塘边二十分钟内就有答案——而且这答案不由你解释，也不留给你自我安慰的空间。

一个会对客观结果当场打脸的场景，逼出来的东西，跟"看起来不错"完全不是一个标准。后面你会看到，这套为了满足一个"没什么用"的爱好攒出来的方法论，最后被我原封不动搬到了正经工作上。

如果你不是钓鱼佬，直接从第四节看就行——前面三步用的是我的场景，后面全是通用套路。

我钓鱼十多年，最烦的不是空军，是每天早上翻五六个 App：天气、气压、风向、水温趋势、月相，然后在脑子里把这些揉成一个「今天能不能去」的判断。揉完往往已经该上班了。

，再谈别的。我给自己定的四段：

结论前置。我要的是决策，不是科普。

给分这一步别省。它不只是为了好看——后面所有的校准、归因、靠谱程度，全都得挂在这个数字上。

步骤 2：写 Prompt（这一步值 90% 的功夫）

这是核心。最终版骨架贴出来，

关键是每一条背景信息都要显式写进去

数据源】每次都要拉
- 北京今日天气实况：天气现象、气压值及 24 小时趋势、最高/最低温、
  风向风力、湿度
- 近 7 日最高/最低气温（用于推算水温）
- 今日月相、月出月落时间、当日日落（天黑）时间
- 距今降雨情况：雨后第几天

【场景：台钓 · 淡水（练竿坑 / 野河）】
- 水温：浅水塘用近 5 日日均气温推算，野河深水用近 7 日（滞后、平滑）
- 昼夜温差 = 当日最高温 - 最低温
- 风向风力、湿度、雨后天数

评分规则：
- 鲫鱼适宜水温 16-25°C，鲤鱼 20-28°C，超区间要降分并说明原因
- 昼夜温差 >12°C 的晴夜 → 浅水塘强制降权（9 月起生效）
- 锋前模式（云量骤增 + 湿度飙升 + 气压趋降）→ 即使预报无雨也降权
- 日水温变化 >3°C → 告警，判为应激停口风险
- 秋季水温回落期判定「口轻」而非「停口」，配套给调钓建议

【输出格式】
【结论】一句话能否去
【关键数据】水温推算值、昼夜温差、气压趋势
【出钓窗口】具体到时刻
【注意事项】钓组 / 饵料 / 钓深钓浅

【硬性要求】
- 不拉潮汐。淡水跟潮汐无关，但不显式约束，AI 就会把沾边的数据
  都拉进来一起加权，反而稀释了水温这个主角
- 数据拿不到就说「数据缺失」，既不许推测填补，也不许用历史值顶替

第一次跑出来一定不满意。别重写 Prompt，直接说哪里不对。

别把所有偏好塞进一个 Prompt，让它写进记忆文件更好用

。不同场景的偏好会互相打架，塞一起就污染了。分开存，用到才调。

步骤 4：把实况喂回去，让它改算法

这一步是整套东西能不能用的分水岭。但有个关键区别：

不是让它"记下来"，而是要求它先归因、再改规则、并说清改了哪一条。

只记录的话，它下次顶多知道"这一天不准"；要求归因，它会把「晴夜大温差 → 浅水塘降权」提炼成一条可复用的规则，写进记忆，往后所有类似天气自动生效。

反馈和校准是两件事，中间差着一个"为什么"。

出去钓鱼多半是几个人一起，一场下来就是好几个人的鱼获汇总

，一条反馈的信息量比单人体验大得多。一个人说没口，可能只是他钓位背；几个人都说没口，那基本能确定是天气问题，不是人的问题。样本干净，归因才准，不然你拿噪声去调参数，越调越歪。

这套跑了一个月，现在的准确率大概八成。

 剩下那两成基本集中在换季和极端天气——规则还没攒够样本，模型自己也知道，所以它会把靠谱程度标成"低"。

跑起来之后，最有价值的不是每天省下的那点查数据时间，是这套东西在自我迭代。贴三个真实案例：

案例一（9 月 1 日）：预测 78 分，实际口很差。

 复盘出来三条：晴夜大温差 30.7/18°C（差 12.7°C）导致浅水塘水温骤降、农历二十后半夜月光压口、练竿塘放鱼周期真空期。

修正：9 月起昼夜温差 >12°C 的晴夜，浅水练竿塘评分强制降权。

案例二（9 月 3 日）：口轻但食欲好。

 这次校准有意思——不是没口，是动作轻。之前 AI 会把这种判成停口，其实鱼在吃，只是吸口小。

修正：秋天水温回落期遇到口轻，判定为「口轻」而非「停口」，同时给出针对性调整（线组降号、饵轻软、钓灵）。

案例三（9 月 6 日）：口极差，但预报明明没雨。

 真正原因是冷空气前锋前一夜：云量骤增、湿度飙到 90%+、气压趋降，鱼提前感知变天停口。

修正：识别「天气转换前夜」这个模式，即使预报无雨也要降权。

这三条现在都固化在记忆里，它自己会调用。

每条规则后面都挂着「被验证过几次」。新提炼出来的规则先标记为待验证，攒够五次才升级成硬规则——这也是为什么我要求它在每次推送末尾输出

看到"高"我就照着安排；看到"低"，我知道这分数只能当参考，去不去还得自己判断一眼。

这一步是整个方案里我最满意的设计。

它把"我不确定"这件事从黑盒变成了显式字段

——AI 终于会主动告诉你哪句话该打折听，而不是所有结论都用同一种笃定的语气讲出来。

可以把同样的思路套到了正经工作上：每天早上行业信息汇总、每周项目进度检查。同一个套路，只是把「气压温差」换成了别的字段。

不太适合的：规则说不清楚的主观判断、需要实时交互的流程、一周才用一次的东西——最后这种手动问一句更划算，别为了自动化而自动化。

我原本以为搞这一套的收益，不过是省了我每天查天气的十分钟。跑下来才发现不是——它真正的价值是

把十多年的钓鱼经验从脑子里搬出来了

以前这些经验在我这儿，带不走，也说不清，顶多算"手感"。现在它在 Prompt 和记忆文件里，每次预测都被现实校准一次，每个月都比上个月准一点。

 这套规则里每一条降权，都是被现实打过脸之后才留下来的，不是从哪篇攻略里抄的。而且它会把不确定直接写在输出里——靠谱程度标「低」的时候，我就知道这分数只能当参考，该不该出门还得自己拿主意。

敢把"我不确定"写在脸上的 AI，反而比什么都答得斩钉截铁的那种更值得信。

而这套「定好输出格式 → 强制量化 → 事后喂真实结果 → 让它自己沉淀规则」的循环，跟具体场景没关系。我后来想明白一件事：

检验 AI 好不好用的最好办法，就是找一个会当场给你打脸的场景。

淡水夜钓刚好就是。你也可以找一个。

如果你手头也有这么个「每天要查一堆数据再做判断」的活儿，建议照着这套试一遍。从最小的一件事开始。

全网都在拿 AI 降本增效，我拿它研究今晚能不能钓鱼

人工智能

职业发展

新闻资讯

用WorkBuddy将钓鱼经验沉淀为AI预测系统，每天自动生成出钓决策：水温、气压、月相实时分析，结论前置、量化评分。通过反馈归因校准，准确率达八成，且主动标注预测靠谱程度。该流程同样适用于行业日报、项目检查等数据判断场景。

WorkBuddy 

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

全网都在拿 AI 降本增效，我拿它研究今晚能不能钓鱼

全网都在拿 AI 降本增效，我拿它研究今晚能不能钓鱼

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐