TimeGPT 是一套科学完善的时间精力待办管理系统，整套系统旨在帮助所有人能够更好地实现自己的目标。整套系统以目标为导向，拆解成更小的项目以及可以执行的待办，为待办事项提供了一套完成的 UCEVI 评分系统；评分系统旨在能够最大化地实现最高价值的目标，并且最终根据待办事项的类型以及精力区域来智能安排待办事项的时间，时间精力以及待办最终能够达成一个完美的正循环来帮助更好地实现目标。
UCEVI 是紧急（ Urgent ）、花费（ Cost ）、努力（ Effort ）、价值（ Value ）、影响（ Impact ）的缩写，这套系统是在 艾森豪威尔矩阵 也就是大众所熟知的紧急重要矩阵上发展出来的系统。艾森豪威尔矩阵简单来说就是它将任务分为四个象限，基于它们的紧急性和重要性来判断任务的优先级。但是在我的实践过程中发现，这种评判标准有以下的两个问题：
针对于以上的两点问题，我对艾森豪尔矩阵进行了一些拓展。首先我要求最终的结果是一套评分系统，对于同一象限内的任务也依旧存在优先级之分。
其次我增加了对于待办过程的考量，也就是待办所需要花费的资源。我增加了一个新的维度：花费（ Cost ），也就是每一个待办的时间花费。
| Start | Progress | Result |
|---|---|---|
| Urgent | Cost | Importance |
但是这可能依旧存在一定的问题，目前的三个维度，只关注到了每个待办的本身，没有涉及到待办上级的项目或者是最终的大体目标。也就是说，如果一个待办本身如果有很高的花费和较高的重要性，但是这个待办后面的目标不是一个很重要的目标的话，很有可能最终的优先级高于一个有较高花费、但是是重要目标的待办。
所以为了能够加上对于上级的考量，又增加了两个新的维度：努力（ Effort ）和影响（ Impact ）。努力指代待办背后的整个目标所需要花费的努力。而之前的重要性分解为了待办自身的价值（ Value ）以及待办背后的目标最终带来的影响力。
最终得到以下五个不同的维度：
| Start | Progress | Result |
|---|---|---|
| Urgent | Cost | Value |
| Effort | Impact |
对于待办的开始是取决于紧迫程度，在过程中取决于所需要花费的资源，最终对于完成待办之后是所能够带来的价值。以下是对于这五个维度的具体定义：
既然是一套评分系统，我们就需要对于每一个维度都设定一个具体的值，如果单纯地按照自己的心理评价来打分（ 1-10 ）显然不是一个客观的评分系统。所以对于这五个维度我们需要找到对应的实际值来转化，也就是我们需要实际记录的值，对于不同层级会有不一样的记录。
| Goal | Project | Todo |
|---|---|---|
| 开始日期 | 开始日期 | 开始日期 |
| 截止日期 | 截止日期 | 截止日期 |
| 时间花费 | 时间花费 | 时间花费 |
| 年收入提升 | 所属目标 | 所属项目 |
| 一次性收入 | ||
| 成功的可能性 | ||
| 收入转化比 |
到此为止我们已经能够获得 UCEVI 相对来说客观的数据，当然这其中还有一些系数没有解释，这些我们留到后面再来解决。
有了这 UCEVI 的数据之后，我们又面临了新的问题，对于我们的待办来说，UCEVI 中的维度的影响力对于每一个人来说是不一样的，可能有的人认为自己的时间很多，只看重最终的价值，那么他就会认为 花费（ Cost ） 以及 努力（ Effort ） 的影响力需要低一些，反之亦然。如果纯靠自己给予每一个变量一个系数也不是一个客观合理的做法。为了解决这个问题，我们需要引入层次分析法。
层次分析法（ Analytic Hierarchy Process ，简称 AHP ）是一种决策分析方法，这种方法主要用于复杂决策问题的分析与决策，特别适合于那些难以完全定量分析的问题。举例来说我现在想要买电脑，我可能会考虑以下三个方面：CPU 、GPU 、主板，但是我的预算有限导致我不能够全部买最好的，所以我要在有限的预算中去进去取舍。
我对于这三个变量进行两两比较，例如 CPU 和 GPU 中我更看重 GPU ，那么我给 GPU 取 2 ，CPU 和 GPU 的比较中就只能取得 1/2 。最终我获得了以下的表格：
| CPU | GPU | 主板 | |
|---|---|---|---|
| CPU | 1 | 1/2 | 1 |
| GPU | 2 | 1 | 3 |
| 主板 | 1 | 1/3 | 1 |
之后我对于每一列进行计算获取百分比，再加总百分比就能够获得每一个变量的权重了。
| CPU | GPU | 主板 | 权重 | |
|---|---|---|---|---|
| CPU | 1 | 1/2 | 1 | |
| GPU | 2 | 1 | 3 | |
| 主板 | 1 | 1/3 | 1 | |
| 0.25 | 0.27 | 0.2 | 0.72 | |
| 0.5 | 0.55 | 0.6 | 1.65 | |
| 0.25 | 0.18 | 0.2 | 0.63 |
这种权重依旧是我们主观（也确实是需要我们的主观）上来获取的权重，但是相较于纯凭照内心来对于变量进行打分更加客观一些。经过计算之后我们就能够获取到自己的 UCEVI 的权重了使用权重乘以变量就能获得我们最终的分数（这之中还有很多的归一化，反值转化的操作）。
对于不同的目标的价值是不太一样的，有的目标可能是直接能够为你带来金钱，但有的目标可能是为你带来成就感或者是愉悦的时间。我们先讨论比较直接的能够获取金钱的目标，这种目标通常来说更加符合直觉，也应该是我们大部分人追求的目标。
对于金钱的收入也同样有两种不一样的收入，一种是一次性的收入、一种是年收入的增加。要比较一次性收入还是年收入的增加通常的做法是使用净现值的做法，通常使用银行利率作为折现率来计算净现值。
但是如果仅仅只是这样去做比较的话还是有一些问题，按照现在这个算法来说极端情况下的买彩票可能带来的收入是极高的，相较于其他的一切目标，所以在计算真正的目标价值的时候需要计算的是期望效用。期望效用简单来说就是最终目标的各种可能带来的价值乘以这些可能发生的概率的合。
如果以单纯的年收入的增加作为事件的影响结果的话，那么可能会导致的问题就是，买彩票这个事情的年收入增加会非常的高，但是没有考虑这个事情可能发生的概率，所以在最终的决策是应该在世界的某一个状态（ State ）下做出行为（ Action ）的结果（ Outcome ）。对于每一个结果存在自己的效用（ Utility ）函数，同时要达成这样的结果也存在一个可能得概率（ Probability ）。
最终的结果就是如下，对于某一个行为的期望效用是这个行为在世界的不同状态下的结果乘以发生的概率合。
上述的方式可能理解起来有一些困难，现在举一个简单的例子来理解。对于出门要不要带伞这一行为做的决定是和世界的状态相关的，也就是和下不下雨是相关的。那么不同的行为对应不同的世界状况就能够得到不同的结果。
| 下雨 | 不下雨 | |
|---|---|---|
| 带伞 | 舒适 | 身体舒适但是额外带伞 |
| 不带伞 | 身体潮湿 | 舒适 |
那么不同的结果对于每个人来说评判的效用不同，再根据下雨和不下雨可能发生的概率得到一个行为的期望效用。
所以在极端情况下可能会出现的是，我的一个目标可能是我要找到一份一年挣 1000 万的工作，那么这个目标相应的项目和待办的优先度就会非常的高。但是这件事情的最终能够实现的可能性非常低，我们需要考虑在当前这个世界的状态下这件事情能够成功的可能性再去定夺。
通过这种方式得到的结果就会比之前年收入的增加合理很多。可能这时候会有人问到如何精确确定每种事件的发生概率，这对于未来事件的预测的概率不可能做到完全精确，但是这些概率可以随着你在进展的途中进行改变，至于新的概率是使用贝叶斯的理论结合先验概率和新的确凿证据来更新概率，还是杰弗里斯的获取不确定证据后的更新概率，都能够有效地去帮助我们更好地往正确的方向更进一步。
这些概率和很多的因素相关和你内心的信念、所处世界的状态都相关，同样的一件事件不同人给出来的概率也可能截然相反，但是本质上是为了朝着你心中信念的方向去努力。
在设定目标的时候，如果系统只考量金钱收入的话，那对于某一些暂时没有金钱收入的目标会永远得不到考虑。有一些目标可能只是为了自己的心里愉悦，例如发展一些兴趣爱好，健身等等，所以这时候我们就需要考虑精神获得和金钱收入。
在 TimeGPT 中所使用的方法是引出一个彩票机制。假设在某一个时间段你面临一个选择，你可以选择去上班或者在家打游戏。通常来说大家无法做出决定的时候就会选择抛硬币，正面就去上班、反面就在家打游戏。彩票几乎也是类似的意思，只不过你可以自己设定正面和反面的概率。
例如我想要比较上班和打排球，那么这时候我做了一个彩票 1/10 的概率是上班 9/10 的概率是打排球来让我认为这个彩票无论出现哪个结果我都是满意的。那么在我的心中我是更加想要去打排球的，而不是上班的。所以 V 的等价价值是等于一个常数 k 除以概率。
假设的条件是如果概率各自是 1/2 的时候我们认为工作和精神愉悦是相等的。所以就得到 k = 0.5W 。
由模型曲线可以看到，这个模型基本上符合我们的需求，且只有在极端的情况下才会由大幅度的上涨，其他的时候基本上是属于 W 周围的正常范围。
所以对于非直接收入的目标的时候，就可以使用达成这个目标所需要使用的时间乘以上面公式计算的等价小时收入，也就是相当于你获得了这么多小时的愉悦和你拿这么多钱是一样的。
至此我们已经对所有的待办都拥有了一个对应的分数，但是这依旧不能够满足我们的推荐系统。如果仅仅是按照分数进行排序，那么可能会出现一些问题：
针对于以上问题，我们需要再额外加入一些限制条件，不过在这之前最重要的是对待办进行分类。经过我长时间的实践把待办分为了三种：任务、提醒、日程。它们的所要求的方式是完全不一样的：
| 开始时间 | 花费时间 | 属于目标 | |
|---|---|---|---|
| 任务 | 不固定 | 不固定 | 属于 |
| 日程 | 固定 | 固定 | 属于 |
| 提醒 | 不固定 | 固定且短 | 不属于 |
其中提醒我们不需要在我们任务系统中进行评分，因为它们通常都是很短暂的小任务。所以以下的讨论只会涉及到剩下的两种待办类型。
任务是没有固定的开始时间，同时也没有固定的时长，与之对应的是日程，日程拥有非常固定的开始时间以及固定的时长。理清楚这些待办事项的类型是非常重要的，在此之前如果没有把这些待办分类，全部杂糅到一起那么将会是一片混乱。
在对待办有了分类之后，我们就能够对不同类型的待办进行合理的推荐了。对于任务来说，它们没有固定的开始时间，所以几乎是任何时候都可以作为选择。对于日程来说，如果不到当日，那么这个日程就毫无意义，因为它需要固定的时间，只有时间到了才会发生。对于日常来说，我们可能会同时拥有很多日常，但是每天只需要做一个日常就足够了。所以推荐系统需要选择出是否有当日的日程，之后利用剩下的时间选择合理搭配日常和任务。
用通俗的话来说，推荐系统能够在有限的时间内为每一天安排合适的任务。其实这句话中就包含了这个推荐系统的限制条件，有限的时间以及合适的任务。
有限的时间也就是当天可用于支配的自由时间，合适的任务在于获取必要的日程任务之后，力求剩下的时间能够获取最高评分的日常和任务搭配。为了实现这个系统，我们需要用到线性规划。线性规划是一种数学方法，用于在一系列线性不等式或等式约束下寻找某个线性函数的最大值或最小值。线性规划包含以下要素：
对于我们的系统来说，变量就是待办是否执行。待办只有执行（ 1 ）或者不执行（ 0 ）。
目标函数是所有可执行待办的评分总和，我们希望最大化这个总和。
约束条件是可执行待办的时间总和要小于当日的活跃时间，以及日程任务必须当日执行，同时类似的日常任务每日只执行一个。
拥有了这些设置之后，我们就能够获取当日最优的待办方案了。
在文章的最开始提到这是一套能够帮助所有人而存在的系统，对于所有人来说共有的资源就是 时间 。时间作为一个公平的维度去帮助衡量所有的项目，也能够看到自己在为某个目标所付出的真正的「努力」。
大部分人对于时间的敏感度是非常低的，对于某一项能力的评估大部分人是使用的时间来评估。比如通常会说我学了五年吉他。但是这里的「五年」其实是非常模糊的一个表述，只表达了一个时间区段，这五年里面是一周练习一次还是每天都练习，这对于技艺来说就是天差地别。反过来，如果不能够计算清楚自己所花费的时间是多少，可能也会被这个「五年」所欺骗，会觉得自己已经学习了那么久了，为什么最终还是没有什么太大的进步。
举一个我自己的例子来说，我从 2022 年的 11 月开始打排球，在我有时间意识之前，我只知道自己打球了几年时间，但是我在 2024 年底时候回顾了我过去两年时间在排球上面所花费的时间，其实仅仅只有 350 个小时左右。
按照 K. Anders Ericsson 提出的「 10000 小时定律」，要将一项技能练至世界级水平，需要投入 1 万小时。而对比上述两个例子，我最初认为自己两年来投入了不少时间在排球上，但实际上，这 350 小时与 1 万小时相比只是九牛一毛。虽然我的目标并非达到世界级水平，但若仅从 10000 小时的标准来看，这个时间显然远远不够。
根据「二八法则」，我们可能只需投入 20% 的时间，就能掌握 80% 的基础技能。然而，若想在剩下的 20% 上精进，接近世界级水平，通常需要额外投入 80% 的时间。换句话说，即使不追求世界级水平，普通人至少也需要投入 2000 小时，才能在某项技能上达到较高的能力水准。所以我在 2024 年底的时候清楚的意识到自己的水平就仅仅只有 350 个小时而已，为了能够尽快地达到 2000 个小时，我在 2025 年设下了目标要求一年就能够达到 300 个小时。
这就是时间管理的意义所在，如果我不能够清楚的知道自己所花费的时间，我只会知道自己打了两年的球，但是依旧没有什么太大的进步，2025 年可能也继续只能投入 150 个小时左右的时间。
目前市面上有很多的时间记录软件（ Timing 、Toggle 、Tyme ），但是最终都没有能够坚持下来。市面上的时间记录软件大致有两种，电脑后台的自动记录（ Timing ）或者是自己手动开始和结束某个任务（ Toggle 、Tyme ），但这两种记录方式都有坚持不下来的问题。
自动记录不能够记录在电脑使用之外的时间，同时对于自动记录下来的时间过于繁杂且真实导致最终不愿意继续记录，手动记录就是单纯需要每一个任务都做一次开始记录时间的操作外加一次结束记录的操作从而导致经常忘记。
最终我的选择是使用 间歇日记 的方式来进行记录，间歇日记非常简单，只需要记录一个时间戳再附上简短的文字即可。间歇日记不仅能够帮助记录下时间的使用情况，同时也能够帮助我们整理思绪切换到下一个任务，每天记录完成之后只需要计算两个时间戳之间的时间差再进行分类就好。
对于时间的分类，我目前的分类是：主要工作、日常生活、自我提升、健康、人际关系、休息，六个大类。这六个大类几乎能够涵盖生活中的大部分的场景了。
在分类中最容易出现的问题就是，如果有一个时间段我认为同时属于两个不同的类别，应该如何去区分？经过我的实践有以下的解决方法：
之前的内容只获取了当日最优任务搭配，如何能够在最合适的时间去做最合适的任务，是下一步的目标。通过一段时间的时间记录，我们能够知道每天在哪些时间段是做了我们认为重要的工作，这些时间段就是每天的高精力时间段。
把一天分为每 5 分钟一个小时间段，那么一整天就会有 288 个五分钟，也就是一个长度为 288 的向量 V ，对于每一天来说我们都能够获得一个这样的向量，如果是高精力时间段就会在对应的时间段获得 1 、低精力时间段就会获得 0 。
把所有天的向量集合起来就能够获得一个平均的精力向量 V bar 。
有了这个平均精力向量，系统就能够知道在什么时候是处于高精力的时间段，什么时候是处于低精力的时间段，在推荐系统推荐出合理的任务之后，就能够把任务分配到精力最高的时间段了。
至此这套系统之中的时间待办精力是如何管理的已经完全解释了，它们是三位一体的存在。有新的待办产生之后，需要花费时间去完成，时间又能够反应精力的高低帮助下一次更好的去安排待办。这套系统希望能够在这个良性的循环中不断进步完成待办直到达成目标。
上述的整套系统看起来非常的复杂有非常多需要计算的地方，靠个人几乎是没有办法去实现它的。为了能够让更多的人使用上这套系统，我开发了一个软件 FluxTime ，让你只需要关注时间记录以及创建待办就好了，其他的任务推荐，精力曲线计算，结果反馈都交给软件就好了。
目前 FluxTime 已经上架 App Store 且完全免费，欢迎各位读者下载测试。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
