一句话看懂：开发者 Thibault Sottiaux 让 ChatGPT 通过“Computer History”插件读取自己一天的操作记录，获得了一份由数据驱动的“行为诊断报告”。这件事的有趣之处在于，AI 第一次不用你主动汇报，而是直接基于设备行为数据给出了个人洞察。
事件核心：发生了什么
2026 年 8 月，开发者 Thibault Sottiaux 在 X 上分享了一次实验：他安装了 ChatGPT 的 Computer History 插件，正常使用电脑一天后，要求模型“吐槽”自己的行为。ChatGPT 返回的结果基于真实操作日志，例如 Slack 占了全天活动量的 48%，他按下 Delete 键 1191 次（其中 1065 次发生在 Slack），复制 133 次但只粘贴了 26 次，浏览器标签页开了 42 个又关了 53 个，最忙碌时段是晚上 9 点后（1500 多个 Slack 事件），而多个重要工作流的核心文档文件名竟然叫“Hello”。该推文获得约 19.92 万次浏览和 2300 次点赞。
为什么重要
这个案例展示了一种新的 AI 应用范式：AI 不再只是被动的问答工具，而是能通过插件读取本地行为数据，对用户的真实工作模式进行“诊断”。它把 AI 的上下文理解从聊天窗口扩展到了操作系统层面，让模型能够基于事实而非用户自述进行分析。这种能力一旦成熟，可能成为未来 AI Agent 的标配——模型不仅知道你是谁，还知道你怎么工作。与此同时，它也把“本地数据隐私”重新推到了台前：要让 AI 完成这类分析，就必须授予它读取键盘记录、应用使用频率等敏感信息的权限，这是产品设计上必须解决的核心矛盾。
对用户/开发者/创作者的影响
对普通用户来说，这类工具提供了一面镜子，让人直观看到时间黑洞和低效习惯。对开发者来说，Computer History 这类插件暗示了 AI 应用的新机会：围绕操作系统行为数据的采集、清洗和权限管理，会催生新的 API 和中间层服务；AI 分析结果若能可视化，也会是生产力工具的差异化方向。对内容创作者而言，这种“AI 读取数据后生成个性化评论”的形式，本身就是一种高传播性的内容框架——真实数据加上模型毒舌，既能引发共鸣，也能让观众对 AI 的潜力有更具体的感知。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，这只是个人的单次实验，尚未看到官方产品化计划。后续值得观察三点：一是 OpenAI 是否会推出官方的本地行为数据接入方案，以及如何界定数据使用边界；二是这种“行为复盘”能否从吐槽进化成真正的效率改进建议，比如自动生成时间管理报告；三是其他大模型厂商和第三方开发者会不会跟进类似功能，推动本地数据隐私规范提前落地。
