情绪记录这件事，听起来简单，实际操作却很容易偏离正轨。手动输入过于繁琐，依靠直觉分类又不够清晰，等到想要回顾分析时，才发现数据零散破碎，根本挖掘不出有价值的洞察。问题的关键并不在于你是否记录了情绪，而在于如何让记录本身具备可分析的结构，同时又不牺牲记录的灵活性和自然感。

其实，借助Notion AI的力量，完全可以彻底打通这套流程。与直觉相反，你并不需要牺牲写日记时的自然表达方式；恰恰相反，AI能够把非结构化、碎片化的输入，转化为可以统计、可以回溯、可以预警的结构化数据。具体怎么操作？分五步走。

一、搭建带情绪标签的每日日历数据库

这个做法的核心思路是：先构建一个标准化的“容器”，让每一次情绪记录都自动成为结构化数据，而不是散落的文本碎片。

具体操作上，先在Notion里创建一个全新的Database，视图类型选择“Table”。然后添加几个关键属性字段：一个叫“日期”的Date属性，记得勾选“Use current date as default”，省去每次手动填写的麻烦；一个叫“情绪”的Select属性，把Plutchik八大情绪对应的emoji都加进去——?喜悦、?信任、?恐惧、?惊讶、?悲伤、?厌恶、?愤怒、?期待；再来一个叫“备注”的Text属性，用来补充当天发生了什么事情、身体有什么感觉。最后把视图切换到日历模式，将“日期”作为时间轴字段，一个可量化的情绪看板就搭建完成了。

这样一来，每天随手选择一个emoji，情绪就变成了可分析的数据。

二、用AI块自动解析手写/语音日记并标注情绪

如果你已经有零散的情绪记录，比如Flomo闪念、手帐扫描件，或者语音转文字的稿子，完全不需要手动逐条归类。Notion AI的语义理解能力可以直接帮你完成这个工作。

做法是：在数据库的某一条目里，新建一个Text Block，粘贴当天的原始记录。接着把光标放在该段末尾，输入“/ai”唤出AI指令框，然后告诉AI：“请基于Plutchik八大情绪分类（喜悦、信任、恐惧、惊讶、悲伤、厌恶、愤怒、期待），判断这段文字体现的最主要情绪，仅输出一个emoji符号及对应中文名称，格式为：? 愤怒。不解释，不扩展。” 执行后，复制输出的emoji，回到“情绪”字段里选择对应的选项，结构化归档就完成了。

这个过程相当于把AI当作一个精准的分类员，省去了你自己判断和纠结的精力。

三、设置周度AI复盘模板自动生成情绪趋势摘要

一周结束了，光看几个emoji很难看出什么门道。这时候，需要让AI基于连续七天的数据，自动生成一份口语化的趋势摘要。

先要在数据库里新增一个Formula Property，比如叫“周情绪总分”，给每个情绪按正负方向赋一个分值（喜悦5分、信任4分、恐惧3分……厌恶-2分、愤怒-2分等）。然后新建一个Relation Property，关联到同一数据库自身，命名为“本周条目”，同步双向。接着创建一个新页面作为“周复盘看板”，插入一个Inline Database，Filter设置为“日期 is within this week”。最后，在看板底部插入一个AI块，指令写成：“根据下列七条情绪记录（含emoji与备注），总结本周情绪主基调、最频繁出现的情绪、一次显著转折点，用三句话说明，每句不超过20字，不使用术语。” 把本周所有条目的“情绪”和“备注”字段内容拼成一段文字，贴在指令下面，AI就会给出一个简洁但有方向的总结。

这个过程替代了人工复盘，既保留了主观体验的细节，又不会让你陷入“我好像这周不太开心”这种模糊感受里。

四、启用AI自动补全情绪触发事件与身体反应字段

情绪记录中最容易被忽略的，其实不是情绪本身，而是引发情绪的具体事件以及当时身体的反应。比如“焦虑”背后，是不是因为一个deadline？当时有没有胸闷或者胃沉的感觉？这些细节正是之后回溯和干预的关键。

解决方法也很直接：在数据库里新增两个Text Properties，分别叫“触发事件”和“身体反应”，留空不填。然后在任一条目的“备注”下方新建一个AI块，指令是：“从上方‘备注’内容中提取：①直接引发情绪的具体事件（限15字内），②当时出现的身体感觉（如肩紧、心慌、胃沉等，限10字内）。仅输出两行，格式为：事件：XXX；身体：XXX。” 执行后把结果分别复制粘贴到对应字段里。如果要对历史条目批量操作，可以先筛选出“触发事件”为空的条目，再逐条调用。

这个动作看似繁琐，但一旦跑通，后面所有的分析都会变得非常精准——因为情绪、事件、身体反应三个点已经串联起来了。

五、构建跨月情绪对比视图并用AI标注异常波动

当你的情绪数据积累到一个月以上，单看某几天的波动已经没有太大意义。你需要的是从时间序列里发现异常，找到那些真正值得深入追问的日子。

具体操作是：在数据库里新增一个Number Property，叫“情绪分值”，公式直接复用单日换算逻辑。然后新增一个Timeline视图，把“日期”设为时间轴，“情绪分值”设为高度字段。接着，在Timeline视图顶部插入一个AI块，指令写成：“分析本视图中过去30天的情绪分值序列，找出三个分值偏离最近7日均值±1.5个标准差的日子，列出日期、分值、当日‘备注’原文，并用一句话说明该日情绪可能成因。” 最后，把数据库中全部“情绪分值”与对应的“日期”“备注”导出为CSV，粘贴到AI块下方，执行分析。

这个步骤看起来有点技术感，但效果非常关键——它帮助你在大量数据中快速锁定“异常日”，而不是被平均值掩盖情绪的真实波动。