今年的年度复盘，我请 AI Agent 协助，对自己做了一次基于数据的深度盘点。 分享这套流程，是因为它无需任何编程经验，就能让你轻松完成专业级的数据挖掘。 它甚至比 Vibe Coding 还要简单，只需要：全量数据 + Coding Agent。 为了验证这套流程的上限，我特意选取了个人数据中规模最大、结构最复杂的 10 年健康档案进行压力测试。 1️⃣ 数据规模与处理门槛 最终从苹果健康 App 导出的，是一份体积高达 3.5 GB 的 Apple Watch 中的健康相关原始数据。 这份文件中包含了几十万条心率记录，以及颗粒度极细的各类生理指标。 在 AI 介入之前，要处理这种规模的数据，我至少需要投入数天时间去研究 Python 库，并花费大量精力解析复杂的 XML 数据结构。 这往往也是很多人面对「量化自我」时最大的阻碍。 2️⃣ Agent 赋能的工作流 当我们引入 Coding Agent（如 OpenAI Codex 或 Claude Code）后，整个流程被彻底改变。 你不再需要关注具体的代码实现，只需明确「分析目标」。 Agent 会自动执行一个递归循环：自主研究数据结构 → 编写 Python 处理脚本 → 遇到异常结构 → 再次研究并修正代码。 它能独立完成从清洗到分析的全过程，帮我完成了许多之前因技术成本过高而搁置的设想。 如果不知道怎么下手，你可以先把任务的背景和对应的文件告诉它，让它自己进行一些探索，比如： > 这是一份 Apple Health 导出的完整原始数据，请你看看里面包含了哪些类型的健康数据？时间跨度如何？ > 基于这些健康数据，帮我找 10 个 Insights。 > 基于不同类别的健康数据，请你帮我找找不同类别数据之间是否有相关性。 > 你确认你的研究正确吗，请你验证，并且给我更多中间数据，我来确认。 这些都可以很容易实现，甚至你可以进行更复杂更具体的研究。 ⚠️ 注意：因为健康数据的原始数据规模比较大，是无法直接丢入 ChatGPT 等 App 中的，所以还是需要使用 cli 版本的 Coding Agent 来进行研究（Cursor 等 IDE 或许也可以）。 具体可以问 AI： > 如何安装 Codex CLI / Claude Code CLI。 3️⃣ 样本概况 本次分析覆盖了从 2015年5月18日 至 2025年12月25日 的完整周期，共计 3875天。 在此期间，我佩戴过 5 款 Apple Watch，实际佩戴天数达到 3503 天，佩戴率超过 90%。其中最长连续佩戴纪录为 399 天，最长中断记录为 33 天。 4️⃣ 关键洞察：静息心率的相关性研究 基于清洗后的有效数据集，Agent 挖掘出了一些此前未曾发现的有趣规律。以下结论均由 Codex 计算得出（注：目前仅呈现相关性，非因果性）： 🔊 环境噪音的即时压力（样本量：1802天）： 环境噪音更高 → 当日静息心率偏高的概率增加 约 5.2 倍。 🪑 久坐的滞后影响（样本量：2546天）： 站立时间更少 → 次日静息心率偏高的概率增加 约 1.75 倍。 🪜 攀爬的长期效益（样本量：1909天）： 爬楼高度更少 → 次日静息心率偏高的概率增加 约 1.91 倍。 所以至少对我来说，环境更安静、每天工作时更常站起来、多爬楼梯，都可以带来长期的健康益处。 5️⃣ 实践与行动建议 目前的分析仅聚焦于静息心率这一维度，其中的算法细节和更多维度的交叉分析，后续有机会我会整理成详细的长文。 如果你也计划用 AI 进行此类分析，请注意，务必建立验证机制。 Agent 在处理复杂逻辑时可能存在「幻觉」，建议要求它输出中间统计数据，或者进行小样本的人工抽样核对，以确保最终结论的准确性。 或者用多个 Agent 进行交叉对比验证。 6️⃣ 总结 这仅是我个人对自己身体的一次数字化审视，结论未必严谨，仅作参考。 分享这一流程，意在展示 Coding Agent 如何抹平了技术鸿沟：挖掘数据资产不再需要会写代码，只需要会提问题。 既然技术门槛没了，不妨把那些积灰的数据翻出来，看看 AI 能帮你挖出点什么意料之外的细节。(Zhixiong Pan)