我用codex做了一张瑞幸 GIS 地图，体会了AI多巴胺和内啡肽

最近我和 Codex/Cola 协作，有一个很微妙的体会：单个任务的效率变高了，但总工作时间反而变长了。

以前做一个 GIS 项目，比如抓链家的小区数据、清洗边界、接地铁、做板块分析，我知道这事不可能一天搞定。做到晚上某个时间点，心里会自然出现一个暂停键：算了，明天再说。

AI 助手也可以有这个暂停键，但我不舍得停。

我说“帮我把瑞幸门店接到北京板块上”，它一分钟就跑完了；我又说“那再加地铁覆盖率看看”；它又跑完；我再说“如果加小区、房价、教育指数，会不会能看出开店机会？”它继续往前推。

于是一个原本很小的任务，慢慢滚成了一个大货。

这件事危险，也迷人。危险在于容易停不下来；迷人在于它真的淌出心流。你不是在刷短视频等刺激，而是在不断提出更好的问题，马上得到反馈，再把反馈变成下一个问题。大脑里那种期待之乐和征服之乐交织起来，时间感会变淡。

刚好我在复习万维钢老师的现代思维工具100讲，其中《主动高认知负荷：注意力的 Pro 模式》正好解释这件事儿。他讲了一个很关键的观点：真正的专注，不是靠意志力硬扛，而是让任务本身调用足够多的注意力资源。外在负荷要降，真正带来学习和产出的是增益负荷。换句话说，快乐不是来自“轻松”，而是来自你主动把世界变成一道刚好够难的题。

AI 助手最有意思的地方也在这里：它不是替你少想，而是替你卸掉杂活，让你有余力想更复杂的东西。

我有一个真实的小项目示范：如何从“瑞幸在北京开在哪儿”这个小问题，一步一步进入 GIS 与品牌位置分析的心流。

这次数据里还有一个重要主角：极海品牌监测的集店圈。除了集店圈，瑞幸门店、兴趣点、地铁线路和站点都来自极海品牌监测生产的数据，坐标是高德的gcj02。

北京小区、链家板块是百度坐标。我为了可以自定义底图的样式，选择了 WGS84坐标的OSM 。咱们专业GISer干活，得让地图真的是在 GIS 中工作，而不是几层数据粗暴叠上去，我用QGIS中的geohey 坐标转换插件将所有的数据转成 WGS84，再做空间连接。

任务 0：先别宏大，从一个小问题开始

我的第一个提示词很简单：

把北京瑞幸门店按链家板块归属统计一下。先别建分析模型，只告诉我哪些板块已经很密，哪些没有店。

这一步用到本地数据：

• • 极海品牌监测生产的瑞幸咖啡门店表，数据日期 2026-05-30，北京 1536 家门店；
• • 极海品牌监测生产的北京集店圈，15048 个微片区；
• • 极海品牌监测清洗的北京兴趣点，用于观察商业、餐饮、办公和生活服务；
• • 北京链家板块边界，255 个板块；
• • 北京小区边界，7473 个小区；
• • 板块地铁覆盖率、教育指数、房价和二手房活跃度等已处理指标。

第一张图不再只是把门店点上去，而是做成一个 GIS 监测视图：底图、地铁、板块、门店和高机会微片区同时出现。

这张图的价值不在于答案多高深，而在于它把注意力预加载起来了。

看到地图后，你开始看到问题：中心城密度很高，通州、回龙观、望京、CBD 一带明显被点亮，但有些轨道条件不错、社区也不弱的板块，瑞幸并没有那么多。

这时候最容易发生心流的入口出现了：不是“我完成了”，而是“我还想再看一眼”。

任务 1：加一个变量，问题立刻变聪明

第二个提示词：

把板块地铁覆盖率和 1km 站点数接进来，看看瑞幸是否更偏向轨道交通友好的地方。

这一步开始从“点位统计”进入“城市机制”。

咖啡店不是随机落点。瑞幸尤其依赖通勤、办公、学校、社区复购这些高频路径。地铁不是全部，但它是一个很好的入口变量。我们不需要一开始就完美，只需要让问题多一层结构。

AI 的价值开始显现：它帮我做空间关联、字段合并、异常检查、导出结果。我不用把注意力花在重复操作上，可以一直停留在判断层面。

这就是万老师说的“降低外在负荷”。真正让人上头的不是复制粘贴字段，而是追问：为什么这个板块地铁很好，门店却少？

任务 2：再加居住底盘，模型开始有解释力

第三个提示词：

再把小区数、二手房挂牌量、均价接进来，区分办公流量和社区复购可能。

这一步加入了社区规模和房产活跃度。一个板块有没有开店空间，不能只看地铁，也要看周围是否有足够稳定的生活半径。

于是问题变成了：

• • 这个板块有没有足够多小区？
• • 二手房活跃度是否说明它是成熟生活区？
• • 地铁是否能带来通勤流量？
• • 现有瑞幸数量是不是已经过饱和？

注意，任务此时已经变难了。你需要同时托举多个变量：板块边界、门店点、小区、多指标、现有密度、潜在需求。

但这不是坏事。恰恰是这种难度，把走神挤出去了。

任务 3：先做一个粗糙但可讨论的机会分

第四个提示词：

不要追求完美，先用社区规模、二手房活跃度、地铁覆盖、板块复合分做市场底盘，再扣掉现有瑞幸饱和度，给我一个机会差。

我让 AI 先做一个演示模型：

市场底盘 = 社区规模 + 二手房活跃度 + 地铁覆盖 + 站点数 + 板块复合分 + 教育指数

当前饱和度 = 现有瑞幸门店数 + 单位面积门店密度

机会差 = 市场底盘 - 当前饱和度

这个模型当然不等于真实开店决策。真实决策还要看租金、竞品、楼下动线、外卖半径、合同条件、商场招商、消费券、品牌策略。

但它已经足够让讨论进入下一层。因为我们终于不只是在说“感觉哪里不错”，而是在说“为什么这个地方值得看”。

第二张图就是机会差。

这一步的快乐很强。因为你能看见一个抽象判断被压成了地图。

任务 4：先从地图回到候选清单

第五个提示词：

把机会差最高的板块列出来。每个板块给我现有瑞幸数、小区数、地铁覆盖率和一句模型解释。

坐标修正后，板块层 候选包括：

• • 军博：板块底盘强，地铁覆盖约 90%，现有瑞幸覆盖低；
• • 永定门：小区约 75 个，地铁覆盖约 82%，社区底盘很厚；
• • 甜水园：轨道友好，且现有瑞幸覆盖低；
• • 看丹桥：小区和地铁条件都进入观察区；
• • 西罗园、卢沟桥、石佛营、六铺炕、马家堡、三元桥等也进入候选。

看到这里，任务已经从“做一张图”变成“做一套品牌位置分析样机”。

但这还不是最有意思的地方。

板块适合讲故事，却不适合直接指导实地动作。一个板块可能很大，里面有办公区、老社区、学校、商场、断头路和纯居住片。真正去看店，不会说“去望京看看”，而是要问：“望京里的哪一个微片区值得先走一遍？”

于是我加了一个更细的数据：geohey block.gpkg，也就是最小单元的商圈。

任务 5：从板块下钻到集店圈

第六个提示词：

用极海最新版的北京集店圈做微片区模型。每个商圈接入瑞幸数、小区数、600m 地铁站数和所属板块分，给我实地验证候选。

这一步把分析粒度从 255 个链家板块，下钻到 15048 个北京集店圈。

模型逻辑也稍微变了：

• • 板块负责“底盘”：这个地方大方向是否成熟；
• • 集店圈负责“落点”：这个微片区附近有没有小区、地铁和低覆盖；
• • 瑞幸现有门店负责“饱和度”：如果已经有店，就降低优先级；
• • 最后输出的是“可以去实地验证”的微片区，而不是宏观板块。

这个下钻动作很有心流感。

因为你会感觉自己从一张概念地图，进入了城市的毛细血管。结果不再只是“马甸、和平里、望京、广安门这些板块值得关注”，而是“马甸和和平里里的某几个集店圈，周边小区、地铁和 兴趣点 都强，但瑞幸覆盖仍低，可以作为下一轮街景和实地验证对象”。

比如马甸-和平里这张放大图，读者终于能看见“为什么”：高机会微商圈贴着地铁线、小区和商业 兴趣点，周边已经有城市生活密度，但绿色瑞幸点并没有把所有微片区填满。

望京则是另一个典型：它不是“没有瑞幸”的地方，而是成熟通勤区里仍有局部微片区缺口。全北京图看不出来，放大到街区尺度才有感觉。

广安门这张图，则把高房价小区、地铁走廊、商业/生活 兴趣点 和候选微片区叠在一起。它让“高底盘低覆盖”不再只是一个分数，而是一组肉眼可见的城市关系。

这就是小任务滚成大货的典型时刻：我本来只是想画一张瑞幸地图，最后却拿到了一个“板块方向 + 微片区候选 + 下一步实地验证”的工作流。

最后把所有的故事再整理修改一下，增加飞行到前20个潜力集店圈位置的功能，完整的WebGIS 应用可以发布了：

这就是 AI 协作的滚雪球效应：每一步都不大，但每一步都给你一个新的问题。

任务 6：把过程写成一个可复用提示词链

如果你也想试，可以照着这个节奏来。

第一步，只做归属：

读取品牌门店经纬度和城市板块边界，做空间连接，输出每个板块的门店数、门店密度和无门店板块清单。

第二步，加一个城市机制：

接入地铁站和地铁覆盖指标，分析品牌门店与轨道交通的关系。请区分“门店数多”和“单位面积密度高”。

第三步，加生活底盘：

接入小区数量、房价、二手房活跃度，构造一个社区复购潜力指标。先用百分位标准化，不追求商业完美。

第四步，做机会差：

构造市场底盘分和当前饱和度分，输出机会差。请列出 前 15 个候选，并解释每个候选的风险和下一步验证方式。

第五步，画图：

输出公众号可用地图：先给全北京监测总览，再给重点区域放大图。地图要有 GIS 图层感：底图、地铁、小区、兴趣点、品牌门店、集店圈边界和标签。

第六步，下钻：

接入集店圈边界，把板块机会分传导到微片区。每个微片区统计品牌门店数、小区数、600m 地铁站数，输出 实地验证候选。

第七步，坐标质检：

检查各图层坐标系。瑞幸、集店圈、兴趣点是 GCJ-02；小区、板块、地铁是 WGS84。请统一到 WGS84，再重新做空间连接和地图。

第八步，复盘：

把这次分析过程写成一篇分析报告，重点不是品牌结论，而是分析师如何借助 AI 探索品牌门店的分布规律和潜在机会。

真正的收获不是地图，而是注意力的重新分配

这次模拟里，AI 做了什么？

它做了空间连接、字段检查、模型计算、地图输出、结果整理。它很快，很耐心，不怕重复，也不会抱怨我临时多加一个变量。

我又做了什么？

我决定问题往哪里走。我判断哪些变量有意义。我决定粗糙模型能不能先用。我看着地图提出新的疑问。我把结果放回真实商业语境里。

这就是我觉得最值得分享的地方：AI 不是把人从思考中解放出来，而是把人从低价值负荷中解放出来，让人更容易进入高价值负荷。

万老师说，主动高认知负荷就是手动开启注意力的 Pro 模式。我的理解是：

AI 帮你把“找资料、接字段、画草图”的外在负荷降下来；你把省下来的注意力，投入到建模、解释、质疑、迭代这些增益负荷里。

于是工作不只是工作，它会变成一种探索游戏。

这也解释了为什么我会停不下来。

以前一个复杂 GIS 任务，中间有太多等待和卡顿：数据跑不通、字段对不上、图出不来。卡顿会自然打断我，让我明天再说。

现在 AI 把这些卡顿变短了。一个任务刚出结果，下一个更有意思的问题已经出现。多巴胺来自“它马上就能跑出来”，内啡肽来自“我终于把这个问题拿下了”。

这确实能提升幸福感。

但要补一句：不要把心流误用成熬夜。

高认知负荷是快乐的源泉，不是无限加班的借口。最好的做法是给 AI 协作加一个收束提示：

现在不要继续扩展任务。请帮我整理今天已经完成的结果、明天最值得继续的 3 个问题，以及一个可以放心停下来的保存点。

这句话很重要。

因为真正成熟的 AI 工作流，不是让你永远停不下来，而是让你知道：今天已经有了一个阶段性大货，明天还能从一个清晰的上下文继续进入心流。

我的结论是：幸福感不一定来自少工作一点。有时候，它来自更少空转、更少内耗、更少无聊等待，以及更多主动建模、即时反馈、持续征服。

当 AI 把世界的摩擦降下来，我们要做的不是把脑子也交出去。

我们要把自己的注意力，调到 Pro 模式。