https://www.candobear.com/detail/l_6a3226cfe4b0694c5bd87223/4阅读路径:先读第二组,拿到「选主线、读两篇、解释概念、输出卡片、追问」的阅读闭环;再读第三组,看这些卡片怎样长成知识网络。第一组解释为什么电脑与人的分工变了,第四组解释怎样把经验封成 skill 并持续改进。只看一组就看第二组,它能直接改变你今天读完一条内容的标准。 一句话结论:如果没有人的概念复述与运行后的技能修正,即使 agent 产出更多文章、消耗更多 token,也不能据此认定个人理解与可复用能力增长了。
howie 开场讲自己的电脑使用方式变了:以前关注装什么软件、怎样提高个人效率,现在是多个 Codex session 同时运行,每个 session 又有多个 worker 读写文件、运行脚本、调用工具。电脑不再只是等人操作的终端,而成了持续承载任务的地方。
他的例子很具体:过去用十六 GB 内存觉得够,今年买了六十四 GB,后来看到 Codex 的内存占用超过一百 GB,并出现大量交换空间。这里有价值的不是某个配置推荐,而是买设备时,使用者从一个人变成了一批并行任务。他也明确说,这不是借购物节让大家买电脑。
「私人 AI factory」是一个分工比喻:电脑是工厂,session 是车间,worker 是工人,人则决定做什么、怎样做、最后是否交付。过去生产瓶颈主要表现为一个人的时间有限;现在可以扩大执行规模,但任务目标、技能设定与结果验收仍由他承担。原文不是在说有了高配置就自然有产能。
Ben哥可在 ~/.shared-agent/tasks.md 的具体任务「当前状态」里记录本轮正在处理的输入范围与实际产物,不另建一份并行任务清单。若以后评估扩容,在 ~/.agent-autoloop/report_html.py 新增 render_run_summary(),展示「输入条数、产物路径、失败项、耗时」,先看任务是否有效完成,再讨论机器是否不足。这是应用设计,不是本轮修改。
他认为人的协作成本常出在 context:事情的背景在自己脑子里,资料在自己电脑上,招人以后还得重新解释、对齐目标、交接成果。skill 的作用,是把领域专家在电脑上做事的方式封装起来,让 agent 按同一套经验工作。
这不意味着任何经验都已被完整表达。他后面反复强调,自己的 skill 是个人经验、兴趣与做事方式的压缩,因此天然需要实际运行来暴露遗漏。复制执行次数的前提,是先把值得复制的经验说清楚,不是先堆 worker,再指望它们理解自己的心思。
这段承接工厂比喻,回答工人究竟凭什么干活。不是单靠模型聪明,而是有可读的背景、明确的目标、封装过的技能。howie 把 agent 比作自己的分身,是对复用潜力的强调,不是证明它们已拥有他全部的判断力,更不是免检交付的理由。
把这点用于 ~/.shared-agent/kb/STANDARD.md:以后修订蒸馏要求时,不只写「要有实际应用」,还写清「输入是什么、哪些内容不可推断、出现证据不足时怎样表达」。对应 ~/.agent-autoloop/knowledge.py,可新增 build_learning_context(),把当前主题、已接触概念和来源组织为输入,避免每次只给一个标题就要求生成贴身判断。该函数是拟议入口,并非现有能力。
嘉宾陈怀龙先讲失败经历:起初逐篇认真读、截图、记笔记,后来条目越来越多,开始跟不上;改成音频反复挂耳听,仍觉得记不住。真正改变的不是媒介,而是缩小任务,让每天出现一个可以完成的学习单元。
他的流程是:助理把当天内容分成若干主线,人选一条;再从这条主线里挑两篇,一篇建立主干认识,一篇提供案例佐证;回到阅读工具认真读;选一个概念,用自己的话解释;写卡片并输出;最后请助理再追查一遍理解中的问题。现场他没有照单接受助理推荐的路线,而是改选自己更需要了解的方向。
| 环节 | agent 做什么 | 人不能省掉什么 |
|---|---|---|
| 分主线 | 整理当天材料、评分并推荐路线 | 判断哪条与自己当下有关 |
| 选两篇 | 提出主干文章与佐证文章 | 确认选题,不把简介当正文 |
| 选概念 | 提供候选概念及解释 | 真正读文,用自己的话讲清 |
| 写卡片 | 帮助组织表达 | 写自己的收获、关联与不懂之处 |
| 追查一遍 | 从盲点或其他角度发问 | 回答问题,重新检查理解 |
这是一个读者的个人工作流,不是 howie 给所有人规定的统一读法。它把「信息很多」与「今天要学多少」拆开:供应丰富有利于选择,个人却不必把全部供应吃完。助理负责把候选摆到桌上,人负责选、读、解释;筛选自动化不能替代学习本身。
~/.agent-autoloop/reading.py 已有 pick() 与 today_text();可在候选推荐前增加 group_by_learning_goal(),按 Ben哥当下任务组织主线,再让 today_text() 同时给出主干材料与佐证材料。沿用现有「状态」字段,不另造一套已读状态;推荐结果必须附「为什么配成一组」,最终选哪条仍留给 Ben哥。
嘉宾最想让人带走的不是多读,而是「今天完成了」的感觉。他把任务压到一个概念、一张卡片,认为这比惦记着读完二十篇更容易持续。设定每天愿意投入的时间,也比被不断增长的清单追赶更重要。
但这里的完成并非点一个按钮。卡片要说明概念解决什么问题、与自己有什么关系、自己还有哪里不懂;之后让助理追查,因为自认为懂了仍可能有盲点。他也承认,现场选出的两篇对自己依然偏难,后续还可以继续减量。因此「六十分钟」是这次演示的组织方式,不是每个人必须达到的速度。
嘉宾把学习闭环的所有权放回读者手里:买到知识、收到整理不等于知识长在自己身上。输出把理解显形,追问让显形的理解接受碰撞,完成感则支持下一天继续。三者缺少前两项,就容易把流程打卡误当成学会。
可给 ~/.agent-autoloop/reading.py 的 mark(query, status) 增加一个独立检查入口 check_learning_card():当 Ben哥要标「已精读」时,先查看卡片有没有「自己的解释、对应工作、仍不懂的点、追问回应」。只下载文件或读过自动摘要,不能作为同一证据。这里提出的是阅读记录改法,本篇不调用 mark(),也不替 Ben哥改状态。
howie 对内参的解释不是「帮大家少看一点」,而是降低高质量内容的处理门槛。英文长文、报告、论文即使摆在面前,也可能因为读不动而无人消费;加工与辅助阅读提高以后,人反而可能愿意读更多。他借「杰文斯悖论」说明这个方向,又把读不动、越读越少的状态称为反向版本。
这也解释了他为什么既做筛选,又做三级笔记与概念提取。他担心的不是信息不够,而是看似深度、实则空泛的 AI 内容大量出现,有限的优质信息被淹没。但不能由此推出「被收入内参就永远正确」;原文讲的是自己的筛选理念与阅读体验,没有提供独立的质量检验结果。
他的论证链条是:信息输入影响理解,处理能力限制输入,高质量供给与辅助加工要一起建设。嘉宾的减量与他的扩供给并不冲突,一个解决个人一天怎样完成,一个解决可选择的原材料够不够好。所谓效率提高多少,是个人感受,不宜拿来保证别人的收益。
Ben哥的 ~/.shared-agent/kb/STANDARD.md 可增加一个明确判据:深蒸馏应保留「问题—例子—推理—边界」,不能仅把篇幅压短。~/.agent-autoloop/report_html.py 可新增 render_source_boundary(),把原文依据与应用推演分开渲染。检验是否减轻阅读负担时,看读者能否解释主张及其边界,不把生成字数当作学习效果。
howie 没有照搬嘉宾的六步流程。他会选与自己最相关的几篇,在微信读书画线,用语音留下想法,再把重要概念放进 Logseq。文章是阅读库,概念是另一层;同一个概念会关联不同文章、实际项目与以前的笔记,逐渐形成网络。
他用 Git worktree 举例:虽然已经在项目里用过,也曾在直播讲过,却发现还没有单独的概念卡。于是新建笔记,让模型结合背景解释,先收作理解材料,之后第二次、第三次遇到再补充。这里不是要求第一次就穷尽概念,而是允许理解随着重遇和使用不断加深。
这段最重要的边界出现在后面的问答:agent 可以做很多电脑上的事,但不能替你完成自己的理解。他把理解指向概念与概念之间的关联,所以读完一篇不是终点;能把它和已有经验连起来,才是知识体系开始形成的地方。整理工具能保存关系,不能保证脑子里已经建立关系。
~/.agent-autoloop/knowledge.py 的 unit() 已返回 sources;可保留这条来源链,再增加拟议字段 related_concepts、my_explanation、practice_case。新建 merge_concept_evidence(),遇到同名概念时先展示已有解释和新来源,由 Ben哥确认是补充、修正还是不同含义,不能自动把词形相同当成理解相同。sources 是已有字段,其余为本篇提出的设计。
howie 这两周认为实用的一个办法,是专门做「技能迭代 skill」。执行后发现卡点、有不理想之处,就手动调用它,分析刚才的运行过程,研究优化方案,再改进原来的技能。他举的是多 agent 处理一批词条之后,回看哪里可以优化的场景。
它的关键不在名字,而在改进对象来自刚才的执行。个人技能不可能一次设计完美,第一次先把自然语言说明变成可用版本,再在使用中反复修正。他提到经过若干轮会变强,属于自己的经验,不能把轮数当成必然成功的参数。
| 原文中的动作 | 成立的前提 | 不能偷换成什么 |
|---|---|---|
| 发现卡点后手动触发 | 有一段实际运行可供分析 | 每轮自动重写全部技能 |
| 根据运行情况研究优化 | 指得出哪里不理想 | 只凭「还能更好」扩充规则 |
| 运行一次再优化 | 下一次能观察改动的效果 | 改了文字便宣称能力提升 |
| 区分通用与个人 skill | 明白自己的独特经验在哪 | 安装更多技能就等于沉淀经验 |
所谓 self-improving loop,在他的演示口述里仍有人的触发与选择,不是系统无人监管地改自己。原文讲了这个小循环的用途,但没有展开测试集、版本冲突、回退和权限机制。因此可以借鉴「按证据改技能」,不能据此声称已获得安全、稳定的全自动自进化。
先把这点放在 ~/.shared-agent/tasks.md 的相关任务「下一步」中:记录一个具体卡点和拟改的一条判据,而非笼统写「优化知识库」。以后要修 ~/.shared-agent/kb/STANDARD.md,只提交对应条款的修订及其证据,按 Ben哥现有授权流程交给其他角色复核;不要把自动改规则挂进 ~/.agent-autoloop/cron-jobs.json。原文提供改进思路,授权和验收仍遵守本地规则。
howie 用很大的 token 消耗描述实践强度,并给自己提出年度投入目标。他想推动的不是单纯生成更多内容,而是把自己的阅读、学习和家庭实践产品化:阅读挑战已经成为他使用的工具,更大的学习数据库、概念库、主题专题与家庭学习基础设施,则仍在描述后续方向。
这条线把前面的工厂、阅读、技能串起来:把有积累的经验封装成能力,让过去个人缺钱、缺团队而做不了的产品有机会出现。他最后反复问「这些资源拿来干什么」,并明确反对只是用来生产污染信息流的内容。因此更稳妥的读法是看投入流向与实际产物,而不是照搬他的大额消耗目标。
他的价值选择是做对用户、学习者和家庭有用的东西,即使不以直接赚钱为目的。阅读挑战是已经实践的例子,类似更大知识基础设施的设想是愿景;两者不能混写为全部建成。关于模型补贴、产业规模与商业模式的说法,也属于当场判断,不是这篇要替他确证的事实。
若 Ben哥以后评估知识库投入,可在 ~/.agent-autoloop/report_html.py 新增 render_learning_outcome(),分别显示「机器生成了什么、人工复述了什么、哪条任务实际用过」。前者来自产物,后两项必须来自真人记录,不能由模型代填。~/.agent-autoloop/cron-jobs.json 只在另获授权后安排提醒,不因本篇提出一种读法就新增长期调度。先记录一篇真正用过的蒸馏,比汇报烧了多少 token 更有解释力。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 工厂需要可交付任务 | ~/.shared-agent/tasks.md | 在「当前状态」写输入范围与真实产物,不以开了几个 worker 代替结果 |
| 主线加主干、佐证两篇 | ~/.agent-autoloop/reading.py | 为 pick() 增加主线组织入口,推荐时交代配对理由 |
| 输出后再追问 | ~/.agent-autoloop/reading.py | 给 mark() 配套卡片证据检查,下载和自动摘要不直接算已精读 |
| 从阅读库长出概念网 | ~/.agent-autoloop/knowledge.py | 沿用 sources,拟增自己的解释、关联概念和使用案例 |
| 运行卡点驱动技能修正 | ~/.shared-agent/kb/STANDARD.md | 一次只改有失败证据支持的条款,不自动全面重写 |
| 投入与学习结果分开看 | ~/.agent-autoloop/report_html.py | 分开展示机器产物与人工理解证据,不能自动补造后者 |
| 习惯需要机制,机制需要授权 | ~/.agent-autoloop/cron-jobs.json | 可讨论提醒设计,本篇不改时间、状态或调度配置 |
原文:howie.serious《agent 实战双周复盘 w2624》,2026.06.18 直播,含嘉宾陈怀龙的内参阅读实践分享。原视频链接见顶部来源行。
本篇依据:指定本地转写稿 ~/.agent-autoloop/cdb/transcript/l_6a3226cfe4b0694c5bd87223.txt,共 3570 行,已从开场到结束逐段完整阅读。依据覆盖私人 AI factory、嘉宾阅读闭环、howie 的概念笔记、技能迭代及学习基础设施方向。转写无完整时间轴,无法确认总时长;篇序 11 取本地场次队列,总数 53 按本任务指定口径,不表示另行统计了全部验收进度。
更正与边界:机器转写中的 agent、token、内参、Logseq、前额叶等按上下文归一,不确定的型号、人名和产业数字不据此扩写。嘉宾所说一百零四个概念、学习数月可读懂内参,是个人梳理与预期,不是通用课程保证;本篇未据此制定学习期限。算力用量、价格、硬件占用与投资举例均非独立核验,不作采购或收益承诺。技能迭代的测试、回退和权限实现原文未展开;文中的具体文件、字段与新增函数属于对 Ben哥工作的应用推演,并非讲者实现,也未在本轮执行。只写指定文稿,不改脚本、规则、任务状态,不发布。
定位:中文深蒸馏,不是逐字摘要。