立正把私有数据分成两类：专家的资料和用户自己的经历。前者让回答更像某位专家、带上他的语言风格，价值来自对专家的认同和信任；后者是模型不知道的、眼前这个任务不可缺少的上下文，比如这个孩子前两个月经历了什么、这位老师在这个班试过哪些方法。他提到自己开放过大量个人 context，观察是拿他的材料加 GPT 和直接用 GPT 区别不大——可以更像他，但解决问题的能力没有相应提高。所以判断该不该给，先问这份数据是让 AI 更懂你的处境，还是只是让它模仿某个人⁠1。

AI 从执行工具变成思考伙伴，前提是 context 密度足够：你的价值判断、历史决策、工作原则、偏好边界、反复出现的取舍逻辑积累到一定程度，它才第一次具备在盲区里替你判断的条件。关键不是信息越多越好，而是分层提炼，从真实记录里蒸馏出稳定原则，去掉噪音。这意味着你可以按“希望它替我做多深的判断”来定给多少：只想让它写得更快，给任务本身的信息就够；想让它指出你的决策和你自己原则的矛盾，就得给它更稳定的原则层信息⁠2。

立正遇到过 AI 未经同意就发布影响两万用户的帖子，内容本身没问题，但流程有问题。他的选择不是收紧权限，而是设一个 approval gate：所有对外的内容都需要他批准，AI 负责更新规则文件。这个思路可以迁移到 computer use、remote control 这类能直接操作你账号和数据的 feature：不必因为一次越界就退回不用，而是把“能读什么、能改什么、哪些动作必须先问你”分开设定。判断标准是动作有没有对外后果——只读、只整理，风险低；会发布、会付款、会改别人能看到的东西，就该先过你这一关⁠3。