个性化学习
大多数效率工具对每个用户一视同仁。它们有固定的算法、预设的分类、千篇一律的建议。问题在于，每个人的工作方式都不一样。
有些人喜欢精细的任务列表，每 15 分钟一个小任务。另一些人看到太多小任务就会焦虑——他们更喜欢大块的专注工作。有些人总是低估任务时间；另一些人则习惯性地预留"以防万一"的缓冲。
GDT 不试图改变你的工作方式。它学习你的工作方式。
通用估算的问题
当你让任何任务管理工具估算时间时，它会套用某种通用公式。"写作"任务给 X 小时，"编程"任务给 Y 小时。但这些估算对你来说几乎总是不准确的。
实际发生的情况是这样的：你估计一份报告需要 2 小时，结果花了 5 小时。下次，你又估计 2 小时——因为那是"合理"的估算。结果又花了 5 小时。这个循环无限重复。
问题不在于你不擅长估算。问题在于工具没有记住你的实际模式。它无法学习到：你具体在写作任务上花的时间，是"平均"估算的 2.5 倍。
GDT 打破这个循环。当你完成任务时，它会比较你的预估时间和实际时间。经过多次完成后，它会建立起你个人的估算偏差画像。下次你规划类似任务时，GDT 会根据你的历史来调整建议——而不是套用某个通用公式。
任务粒度因人而异
问十个人如何拆分任务，你会得到十个不同的答案。
A 喜欢把一切都切成 15 分钟的小块。"审阅文档第 1 节"和"审阅文档第 2 节"分开作为两个任务。这种细节程度帮助他们保持动力——频繁打勾带来的成就感。
B 觉得这很抓狂。太多任务让人焦虑。他们更喜欢"审阅整个文档"作为一个任务，然后在工作时自然地在脑中拆分。
两种方式都没有错。它们只是不同的认知风格。
传统工具强迫你适应它们的粒度。GDT 适应你的。当你说"这太细了"或"再拆细一点"，GDT 会记住。未来的任务分解会自动调整，匹配你的偏好。
这不是一次性配置的设置。这是一个持续学习的过程。随着你的需求变化——也许对陌生项目你想要更多细节，对常规工作则需要更少——GDT 的理解会随你一起演进。
持久的上下文
与传统 AI 助手的每次对话都从零开始。你解释你的项目、你的约束、你的偏好——然后会话结束，一切都被遗忘。下次，你得重新开始。
这不是人类协作的方式。当你与同事合作数月后，他们会建立理解。他们知道哪些项目让你感到压力。他们记得你偏好早上开会。他们学会了不在午饭后安排深度工作。
GDT 建立这种持久的上下文。当你在对话中提到一个项目，它会成为你工作记忆的一部分。当你频繁使用某些标签或处理特定项目时，GDT 会注意到。这些上下文会影响未来的建议，而不需要你重复说明。
比如，如果你整周都在讨论"Q1 发布"项目，当你说"添加一个任务审阅营销文案"时，GDT 知道你指的是哪个项目。你不需要每次都指定"project:q1-launch"——上下文会自动延续。
目标不是记住所有事情——那会让人不堪重负。而是记住相关的内容，让对话可以建立在之前的理解之上，而不是每次都从头开始。
学习如何发生
GDT 从三个来源学习：
你的行为。 当你创建任务、完成任务或组织工作时，GDT 观察模式。哪些项目最常出现？你使用哪些标签？不同类型的任务实际需要多长时间？
假设你这个月创建了 15 个任务，其中 12 个都打了 "backend" 标签，属于 "platform" 项目。下次你创建任务时，GDT 会把这些作为默认建议——因为这就是你实际在用的。
你的反馈。 当你告诉 GDT"这个分解太细了"或"我低估了那个任务"，这是显式学习。你的话直接塑造未来的行为。
你: 这个分解太细了，我喜欢大块一点的任务
GDT: 明白了。以后的分解我会用更粗的粒度。从那以后，任务分解就会按你偏好的粒度呈现。
你随时间形成的模式。 有些洞察只能从累积的数据中浮现。也许你在某些日子更高效。也许特定项目的任务总是比预估花更长时间。这些模式通过观察变得清晰，而非显式反馈。
所有这些都在本地发生。你的学习数据存储在你机器上的 ~/.gdt/memory/ 目录。没有任何数据被发送到外部。这种个性化真正属于你自己。
实际意味着什么
使用 GDT 几周后，体验会有明显变化。
时间估算变得更准确。 不再是通用的建议，而是反映你实际节奏的估算：
你: 帮我分解"写 API 文档"
GDT: 根据你的历史记录，文档类任务通常会比初始估算多花 1.8 倍时间。
这是一个更现实的计划：
1. 梳理结构大纲（1 小时）
2. 编写接口说明（3 小时）
3. 添加示例和边界情况（2 小时）
4. 审阅和润色（1 小时）
总计：约 7 小时（已根据你的节奏调整）任务分解匹配你的风格。 如果你一直要求更粗的分解，新的分解默认就会是那个粒度。不需要每次都调整。
项目和标签智能浮现。 创建任务时，GDT 会建议你实际使用的项目和标签：
你: 添加一个任务修复登录 bug
GDT: 已创建任务"修复登录 bug"
建议：project:platform, +backend, +urgent
（基于你最近的工作模式）
应用这些设置吗？[Y/n]工具开始感觉不那么像软件，更像是与一个了解你模式的人一起工作。
更大的愿景
个性化学习是 GDT 区别于传统效率工具的核心。
大多数工具为"平均用户"优化。它们实现对大多数人都还不错的功能。但你不是平均用户——没有人是。对平均用户有效的功能，可能恰恰不适合你的具体需求。
LLM 原生工具可以采取不同的方法。它们可以观察和适应，而不是硬编码行为。它们可以学习你的自然模式并支持它们，而不是强迫你进入预设的工作流。
这才是"工具适应你"的真正含义。不只是对话式界面，而是从理解你具体如何工作中涌现的真正个性化。
GDT 在这段旅程中还处于早期。学习能力会随时间加深。但基础已经建立：一个你用得越多、越能帮助你的工具。