一个硬核玩法：把 AI 每次分析股票的回答全部存到 GitHub 开源仓库
和 AI 对话完了就完了？有一个开发者把每次 AI 回答的内容自动存到 GitHub 公开仓库，还发现了一些有意思的规律。
起因：AI 说得挺好，但存不住
"怪诞黄叔叔"做了一个股票分析 App，最近模型换成了 DeepSeek V4，分析质量突然上了一个台阶。
但问题来了：
- App 的截图分享看不全 — 转成图片后数据量大，截不完整
- 想回顾历史对话 — 数据库里的数据，分享和查看都不方便
- 想做总结分析 — 看看过去都问了什么、AI 都怎么答的
于是他在代码里加了一个逻辑：每次 AI 回答完用户的问题后，自动把 tool 调用的数据和回答都存到 GitHub 仓库。
仓库地址：https://github.com/huang1125677925/mybook/tree/main/ai_answers
文件命名即索引
仓库里的每个 Markdown 文件命名格式是：
时间戳-用户问题.md
例如：
2026-04-27-23-16-42-北京今天天气怎么样.md2026-04-27-23-23-31-今天大盘行情怎么样.md2026-04-27-23-29-24-怎么分析下游需求能否接力上游涨价.md2026-04-27-23-34-48-针对具体的产业链（比如有色→制造业），拉实际财务数据做一个上下游接力分析.md2026-04-27-23-54-04-从政策面分析一下经济动向.md
光看文件名就能知道自己什么时候问了什么问题，比翻聊天记录快一百倍。
这个做法有什么用
作者自己总结了几个好处：
1. 像看书一样品味 AI 的回答
在手机或电脑上打开 GitHub 仓库，每个回答是一个 Markdown 文件，阅读体验比 App 内的对话气泡好很多。内容完整、格式清晰，不受截屏长度限制。
2. 作为 AI Agent 的记忆仓库（潜力方向）
Markdown 天然对 AI 友好。作者提出一个设想：把这个仓库作为 AI Agent 的记忆仓库。 下次对话时，Agent 可以回顾之前的分析结果，形成连续的知识积累。
不过这块还没想好怎么做。核心挑战是：
- 怎么让 Agent 高效检索历史文件
- 怎么在几百个文件中找到和当前问题最相关的历史
- 如何处理时间跨度大的数据（一周前的行情分析 vs 今天的分析）
3. 发现了一些有趣的规律
作者的一个观察很有意思：
"我有一个感觉就是晚上回答没有早上回答的好，不知道是怎么回事。"
这个发现无法用模型变差来解释（同一个 DeepSeek V4），更像是用户提问质量的差异——早上精力充沛、思路清晰，问出的问题更有深度，AI 的回答自然也更到位。
他由此得出两个核心洞察：
第一，好的问题比好的回答更重要。
在 AI 时代，提问能力本身就是核心竞争力。同一个模型，问"大盘怎么样"和问"针对有色→制造业的产业链，拉实际财务数据做上下游接力分析"，得到的分析深度完全不在一个级别。
第二，好的思维架构才能问出好的问题。
没有系统的思考框架，就不知道该从哪些维度追问。而在这个使用 AI 的过程中不断积累分析方法论，本身就是一种螺旋上升的能力提升。
技术实现思路
虽然作者没有公开完整代码，但从仓库结构可以推断核心流程：
用户提问 → AI Agent 处理（调用工具获取实时数据）
→ 拼接用户问题 + Tool调用日志 + AI回复
→ 保存为 Markdown 文件（时间戳+问题名）
→ Git commit + push 到 GitHub
关键点：
- 文件名包含时间戳和问题原文 — 自然形成可浏览的索引
- Tool 调用数据也存了 — 不只是 AI 的回答，还有它怎么拿到数据的过程
- 开源仓库 — 公开的，任何人可以在 GitHub 上浏览
对其他人的启发
这个做法虽然简单，但思路值得借鉴：
| 做法 | 好处 |
|---|---|
| AI 对话存档到 GitHub | 可浏览、可搜索、可分享、免费 |
| 文件名=时间+问题 | 自然索引，不用额外数据库 |
| 存 Tool 调用过程 | 可以分析 AI 怎么思考的 |
| 公开仓库 | 复盘和分享同时完成 |
不需要自己搭什么知识库系统，一个 GitHub 仓库 + 自动化脚本就够了。如果你也有一个经常对话的 AI 工具（股票分析、写作、学习），不妨试试这个"AI 对话存档"的思路。
延伸：AI 对话存档的几种模式
作者的做法其实代表了一种趋势——把 AI 对话从"一次性消耗"变成"可积累的资产"。不同的人有不同做法：
模式一：截图分享
最简单，但信息丢失严重。长对话截不全，数据表看不清，没法搜索。
模式二：数据库存储
App 内部保存，方便但不开放。想回顾要开 App，分享要手动导出。
模式三：Markdown 开源仓库（本文介绍的方法）
每次对话自动生成一个 .md 文件，推到 GitHub。可在线浏览、可搜索、可分享链接、可 Fork。
模式四：向量数据库记忆
最复杂但最强大。把每次对话向量化存入数据库，下次对话时语义检索相关历史，实现真正的"AI 记忆"。
对于个人用户来说，模式三是性价比最高的选择——零成本、零运维、效果够用。
如果你想自己搭一套
实现思路很简单，核心代码逻辑不超过 50 行：
from datetime import datetime
import subprocess
def save_conversation(user_question, tool_calls, ai_response):
timestamp = datetime.now().strftime('%Y-%m-%d-%H-%M-%S')
short_q = user_question[:20].replace(' ', '-')
filename = f"{timestamp}-{short_q}.md"
content = f"# {user_question}\n\n"
content += f"## Tool调用记录\n{tool_calls}\n\n"
content += f"## AI回答\n{ai_response}\n"
with open(f"ai_answers/{filename}", 'w') as f:
f.write(content)
subprocess.run(['git', 'add', '.'])
subprocess.run(['git', 'commit', '-m', f'Q: {short_q}'])
subprocess.run(['git', 'push'])
不需要任何框架，一个 Python 脚本 + Git 就能搞定。
仓库地址： https://github.com/huang1125677925/mybook/tree/main/ai_answers