Ruben Hassid 是一位在 X 上拥有大量读者的 AI 写作者，每周有超过 50 万人阅读他的通讯。他在一篇长推文中分享了一套方法论：用两小时、一个文本文件，让任何大语言模型写出和你一模一样的文字。这篇文章将解析该方法论的完整流程，并评估其实际价值与局限。

核心命题：为什么一个文本文件就能复制你的人格

Hassid 的论点直接且挑衅：你不过是一个文本文件。他认为，大多数人高估了自己的复杂性，低估了自己写作中可提取的模式。你的声音、品味、让你抓狂的烂帖、老朋友模仿你时会说的那句话、你打了又删的两个字、今年写了三次都没意识到的比喻，每一个都是可捕捉的模式。

这个观点的底层逻辑建立在当前大语言模型的上下文学习能力之上。当模型在对话开始时读取一份精心编写的个人档案文件，它会在后续生成中持续参考这些约束条件。这不是在训练模型，而是在给模型一个"角色剧本"，让它在每次输出时都扮演你。

Hassid 本人的验证颇具说服力。他拥有 20 年写作经验，曾在首尔、柏林、特拉维夫生活，9 岁从游戏论坛学会英语，大学辍学两次，现在给财富 500 强公司做 AI 咨询。他把这些经历浓缩进一个文件后，Claude 写出的初稿"就像我自己写的一样"，有时甚至"在我想到之前就写出来了"。

方法论的两阶段结构

Hassid 的方法论分为两个紧密衔接的阶段：深度采访和压缩编译。

第一阶段：100 道题的深度自我采访

这一阶段的核心工具是一个被 Hassid 称为"Taste Interviewer"的 Claude 提示词。它的任务是通过 100 个问题，系统性地提取你的写作 DNA。问题被分为七大类别：

采访规则设计得很严格：一次只问一个问题；对模糊答案要追问；要求具体例子；指出矛盾之处；对有趣的话题深入挖掘。Hassid 建议使用 Wispr Flow 进行语音输入，因为"语音更快、更诚实"。

完成全部 100 题大约需要 90 到 120 分钟，最终产出是一份 2 万字左右的原始档案。完整的采访提示词见文末附录 A，可直接复制到 Claude 中使用。

第二阶段：压缩为高保真档案文件

原始档案的问题是体积过大。每次对话都让 Claude 读取 2 万字，既消耗上下文窗口，也增加 Token 成本。解决方法是让 Claude 充当"Voice Compiler"，将原始档案压缩为一个 2000 到 4000 Token 的 about-me.md 文件。

压缩的核心规则是：每一行都必须通过测试——“如果这一行消失，AI 的写作、编辑、判断、拒绝、结构或决策方式会不同吗？“如果答案是肯定的，保留；否则删除。

压缩后的文件采用 XML 结构，包含 15 个模块。每个模块都有明确的功能边界：

• usage：三行说明，告诉 AI 如何使用这份文件
• priority：六条优先级规则，处理冲突时的决策逻辑
• identity_context：影响声音、品味、比喻和判断的身份细节
• voice_fingerprint：节奏、密度、直接性、幽默、情感温度等可操作描述
• writing_laws：具体的写作规则，包含正反示例
• communication_laws：邮件、回复、请求、批评等场景的规则
• hard_refusals：AI 绝不应该写、说或暗示的内容
• taste_loves 与 taste_disgusts：你欣赏和厌恶的具体事物
• phrase_bank：你常用的词、短语、比喻，以及你避免使用的表达
• signature_tells：让你可被识别的小细节
• decision_rules：你如何判断质量、诚实、美感、风险、可信度
• productive_contradictions：需要保留而非抹平的张力
• golden_examples：3 到 6 个正反对比示例
• do_not_infer：AI 不应该从这份档案中推断出的假设
• final_instruction：一条简洁指令，告诉 AI 静默应用这份档案

完整的压缩编译提示词见文末附录 B。

实际效果：从实验到工作流

Hassid 展示了多个对比案例。在加入 about-me 文件前后，同一 AI 模型对相同提示的输出质量差异显著。没有档案时，模型输出的是通用、安全、缺乏个性的文字；加入档案后，输出带有明确的个人风格、特定的用词习惯和结构偏好。

更实用的价值在于团队场景。Hassid 指出，你可以把这份文件发给团队成员，让他们在你不在时也能按你的方式起草内容。客服回复、邮件沟通、内容创作，都可以由团队代劳而保持一致的声线。

不过 Hassid 也坦诚地指出了一个问题：一致性带来可预测性。当你的风格被固定在一个文件里，你的输出模式也变得可被预测。他的解决方案是定期编辑这份文件，因为人的品味和声音会随着时间变化。

方法论的价值与局限

为什么这个方法有效

该方法论的巧妙之处在于它把"让 AI 写得像我"这个模糊目标，拆解为两个可执行的具体步骤：先通过结构化采访强制你显式化自己的写作规则，再通过压缩过滤掉噪音、保留信号。

大多数人无法直接写出一个好的 about-me 文件，因为他们从未系统性地思考过自己的写作偏好。100 道题的采访过程本质上是一种强制内省，它逼你把直觉层面的品味转化为可表述的规则。这种转化正是 AI 能够理解和执行的前提。

局限与值得警惕的地方

首先，该方法假设你的写作风格是稳定的、可模式化的。对于风格多变、实验性强的写作者，这份档案可能反而成为一种束缚。

其次，2 小时的投入产出比取决于你的使用频率。如果你只是偶尔让 AI 帮你写几封邮件，花两小时建立档案可能得不偿失。但对于需要持续产出内容的人—— newsletter 作者、社交媒体运营者、团队管理者——这个一次性投入可以带来长期的效率提升。

第三，Hassid 的方法高度依赖 Claude 的 Opus 模型和 Extended thinking 模式。在其他模型或更便宜的模型上，采访深度和压缩质量可能会有明显下降。

最后，也是 Hassid 自己强调的：这个过程会让人感到不适。当你把自己读进一个文本文件时，“无处可藏”。每一个信念都是一种承诺，每一个拒绝都是你如今必须遵守的规则。他第一次读自己的压缩文件时"退缩了”。

如何开始：最小可行实践

如果你不想一次性走完完整的 100 题流程，可以从一个最小版本开始：

1. 打开任意 AI 对话，粘贴 Hassid 的 Taste Interviewer 提示词（见附录 A）
2. 只回答前 20 题，聚焦在"写作机制"和"审美犯罪"两个类别
3. 让 AI 将回答编译为一份 500 到 1000 Token 的精简档案
4. 在下一次需要 AI 帮你起草内容时，把这份档案放在对话开头
5. 根据输出效果，逐步补充和修正档案内容

这个最小版本大约需要 30 分钟，足以让你体验到方法论的核心价值：AI 输出从"通用"到"像你"的质变。

参考来源

• Ruben Hassid 的原始推文线程
• Claude 官方文档
• Wispr Flow 语音输入工具

附录 A：Taste Interviewer 完整提示词

将以下内容粘贴到 Claude 对话中即可开始采访：

附录 B：Voice Compiler 完整提示词

完成 100 题采访后，在同一段对话中粘贴以下内容，让 Claude 将原始档案压缩为高保真 about-me 文件：