我用 AI 工程化了吸引力法则
每天早上，在我打开 WhatsApp 或看手机之前，有一样东西已经在我的收件箱里等着我了。
那是一份摘要。大约 15 到 20 条内容——论文、帖子、讨论串、项目——每一条都附有 AI 生成的摘要和一个相关性评分。高分的是"必读"，其余的我可以扫一眼或直接跳过——而那些值得留存的，往往会进入我的写作和博客文章。
这套系统，我叫它 Signal，全天候运行。它监控 Hacker News、Reddit、ArXiv、X、Product Hunt、GitHub Trending 以及其他几个来源。每一条内容都会被 AI 根据我的兴趣、目标和知识盲区打分。每小时重新扫描一次，每天早上准时推送。
我建了 Signal，因为我相信吸引力法则。但我想要一个更好的版本。
那个我无法忽视的规律
我从来不是一个会把吸引力法则当成"心灵鸡汤"来驳斥的人。我亲身经历了太多次，不可能怀疑它。
大学时，我想创业。没有资金，没有商业计划，没有明确的方向。我有的只是执念——我疯狂地读创业类书籍，不停地谈创业，把自己浸泡在一群正在做事的人里。几个月后，我和朋友在校园里开了一家乐器店。不是我想象中的那个生意，但确实是一门生意。
后来，我想离开中国，在海外重新生活。没有清晰的路径，只是不断地往前走——学习、结识人脉、抓住每一个可以走的小步。慢慢地，一扇扇门打开了。我移民到了加拿大。
再后来，我想进入金融圈。我抓住每一个能靠近这个世界的机会——对话、职位、项目。最终，我成为了一家金融公司的合伙人。
这些没有一件是直线完成的。也没有一件是单靠愿望实现的。但所有这些都遵循着同一个模式：
强烈的专注 → 深度沉浸 → 一系列"巧合"的叠加 → 抓住这些巧合采取行动。
我不只是想要某些东西。我让自己彻底浸泡在那个世界里。然后，事情自己来找我了。
吸引力法则，究竟是什么
剥去所有神秘主义的包装，机制其实很清晰：
- 意图 — 你定义什么对你重要
- 注意力 — 你让自己暴露在相关的信息和人脉中
- 模式识别 — 你的大脑开始过滤世界，寻找相关信号
- 行动 — 你抓住那些"并非巧合的巧合"采取行动
第三步有真实的神经科学支撑。大脑的网状激活系统（RAS）每秒处理约 1100 万比特的信息——但意识层面只能处理约 40 比特。RAS 就是那个过滤器，它决定什么进入意识，什么被忽略。
当你设定一个清晰的意图，你就在重新编程这个过滤器。突然间，你开始注意到那篇一直存在的文章、那个你早就该认识的人、那个就放在眼前的机会。
这不是魔法。这是信号获取。
而让我恍然大悟的是：这和推荐算法的工作方式完全一样。
| 吸引力法则 | 推荐系统 |
|---|---|
| 设定意图 | 定义用户画像 |
| 让自己暴露在信息中 | 摄入内容流 |
| RAS 过滤相关性 | 排序模型打分 |
| "巧合"浮现 | 个性化信息流呈现 |
吸引力法则是一台生物推荐引擎。而和所有推荐引擎一样，它有一个硬性上限——带宽、处理速度、你能用来阅读和连接的有限时间。
AI 没有这些限制。
Signal 如何运作
2025 年初，我开始认真学习 AI——智能体、大语言模型、整个技术版图。一个主题反复出现：最顶尖的 AI 研究者们正把大量资金投入到能够建立更丰富世界内部表征的系统中，让机器能像人类一样过滤和推理。Yann LeCun 离开 Meta 去创建 AMI Labs，Fei-Fei Li 以 50 亿美元估值为 World Labs 融资。方向已经很清楚：AI 的未来不只是生成文字，而是建模什么是重要的。
我不是在试图构建 AGI，我只是想为自己建一个更好的过滤器。Signal 就这样诞生了。
架构很简单：
信息源 → Hacker News、Reddit、ArXiv、X/Twitter、Product Hunt、GitHub Trending、Lobsters
打分 → 每条内容都由 LLM 根据我的个人兴趣画像评估：我当前的关注领域、我正在尝试回答的问题、我想补足的知识盲区
输出 → 高分内容是"必读"，进入我的晨间摘要；其余内容可查阅，但优先级较低
节奏 → 每小时重新扫描一次，每天早上推送一次
这套系统实际上做到了：
- 将我的注意力带宽扩大了约 100 倍。 我通过 AI 摘要每天"阅读"500 多条内容，再决定哪些值得深度阅读。
- 消除了噪音循环。 不再无休止地刷手机，不再被为平台留存时长而非为我的成长而设计的算法干扰。
- 制造幸运的巧合。 我否则不会发现的论文，不会知道去找的人，不会联系起来的想法。
- 随时间复利增长。 我把兴趣画像定义得越清晰，信号就越精准。
这正是技术界所说的从注意力经济向意图经济的转变。
注意力经济——我们熟悉的社交媒体——优化的是平台参与度，它捕获你的注意力并出售。意图经济则不同：这些系统为你的目标而优化，而不是平台的指标。
剑桥大学的研究人员已经发出警告：AI 很快将实时拦截你正在形成的意图，并将其卖给广告商。这场军备竞赛无论如何都要来——问题只是你是主动建立自己的系统，还是让别人帮你建。
飞轮效应
传统的吸引力法则是被动的：设定意图，等待宇宙送来。这个框架一直让我不满意，它把太多东西交给了偶然性。
AI 增强版是一个主动飞轮：
Signal → 捕获你领域中重要的信息 知识 → 随着每天处理精选内容而不断加深 行动 → 更有质量——更好的判断、更敏锐的写作、更准确的对话 Signal → 随着行动产生新的连接、新的信息源、新的反馈而持续改进
一个具体的例子：Signal 在 2025 年底开始密集地推送世界模型相关研究——LeCun 的论文、Jim Fan 的机器人工作、AMI Labs 的早期报道。我深入研究了这个方向，开始以当时还不普遍的方式谈论世界模型的应用场景。这让我进入了一些否则不会参与的对话，而这些对话又带来了新的信息源，反哺回 Signal。
这就是工程化的意外——刻意设计让有价值的"偶然"更频繁发生的条件。
不是宇宙在派送。而是你建了一个让送达更可能、更频繁、更精准的系统。
为什么现在很重要
我们生活在信息爆炸、注意力稀缺的时代。普通人每天接触数千条内容，却几乎没有留存——因为决定他们看什么的算法，优化的是平台参与度，不是个人成长。
在这个环境里胜出的人，不会是那些拥有最好 AI 工具的人。现在每个人都能用 GPT。真正有差异的是：你是否建立了一个以你的具体意图为服务对象的系统——持续地、自动地、在你睡觉时。
Signal 没有让我变得更聪明，它改变了我接触到的是什么。而随着时间的推移，你接触到的东西，塑造了你知道什么、认识谁、能做什么。
这不是显化。这是架构。
建立你自己的 Signal
我没有停止相信吸引力法则。我只是决定把它工程化。
我会问任何思考这件事的人：
- 你现在想把什么吸引到你的生命里？
- 你每天需要持续看到什么样的信息才能实现它？
- 如果你不再把这件事交给一个不了解你的算法，而是建立一个真正了解你的系统，会发生什么？
你不需要相信吸引力法则才能从这里找到价值。你只需要相信更好的信号处理。
关于 Signal 的具体构建方式——架构、打分提示词、画像设计——我会在后续文章中分享。如果这是你想持续关注的内容，欢迎关注我。我在 aaronguo.com 写关于构建真正有效的 AI 原生系统的内容，也在 Ship with AI 通讯中持续更新。
关注我，获取更多关于构建服务你意图——而非算法意图——的 AI 系统的内容。