深蒸馏 · 直播回看 · 配额批次 2

学 agent:把自己的问题、经验和工作流变成能持续交付的产品

直播回看 | 2026.06.05 | 时长未标 | 已深蒸馏 6 / 53
来源:原视频 | @howie.serious | 2026.06.05
直链(在飞书/企微预览里点击可能被拦截,复制到浏览器打开):https://www.candobear.com/detail/l_6a1f9d2ae4b0694c5bcf58e8/4
阅读路径:先读第二组,看阅读挑战与 AI 内参怎样把「学 agent」落成产品和流水线,再读第三组理解为什么操作可以交出去、理解却不能外包。第一组解释产能与基建,第四组解释注意力和项目取舍。只看一组就看第二组,它能帮你区分「多问了几次 AI」和「真的改了工作方式」。 一句话结论:对已有领域经验的人,agent 带来的产能提升主要取决于能否围绕真实问题重排工作流,而不是是否学会更多界面操作或消耗更多 token。

第一组 · 产能换了来源,工作方式就不能原封不动

1.1 「token 即产能」不是把消耗量直接当成果

原文在说什么

howie 先用 Codex 的使用日常解释震撼来自哪里:做饭、洗碗、孩子睡觉之后,人给出想法,agent 继续推进原本自己不会做的事。他展示累计约 68 亿 token 的用量,并说从 5 月 8 日开始每天使用至少一亿 token,提出从当年五月到次年五月消耗一千亿 token 的目标。这些是他的使用自述与计划,不是人人必须完成的学习指标。

他把这件事概括为「token 即收入、token 即利润、token 即产能」。但同一段又明确补充:不是在路上随便找一个人,给他 Codex,就能抵一百个人。前提是这个人有长期关注的问题、解决欲望、领域经验和自己的方案。token 是把理解变成产品的投入,不是理解的替代品。 原文没有给出 token 消耗与实际收入之间的核算表,因此不能把这句口号读成投入越多、利润必然越高。

关键概念
对你的实际应用

Ben哥,若把这一条用在 ~/.agent-autoloop/cron-jobs.json 对应的任务管理上,不要把「用满额度」当成功条件。可在 tasks.md 的任务记录中拟增「解决的问题、交付物路径、验收依据、资源消耗」四项,让消耗与成果同时出现;具体自动采集方式原文未展开。这里提出的是后续设计,不是本轮改配置,也不能据此扩大付费额度。

1.2 基建是给 agent 用的,不再只按人能操作多少工具来选

原文在说什么

有人问 Notion 是否被放弃,他的回答恰好相反:Notion 每天仍在承担后端与数据层的作用,只是操作者变成 Codex。过去一个人维护数据库、处理大量记录会耗尽脑力,现在 agent 能承担这些操作,工具的价值反而更容易释放。

他又展示密码管理器与云服务的配合,强调很多工具未必是自己亲手熟练操作,而是为 agent 提供工作条件。更大的类比是工厂动力更替:如果只把旧动力换掉,却不改变机器组织和生产流程,生产率不会自动释放。他要反对的,正是「原有流程一点不变,只增加问一问 AI」的做法。

关键概念
对你的实际应用

Ben哥,可把 kb/STANDARD.md 中后续的流程规范写成「输入是什么、由哪个工具处理、产出交给谁、何时算完成」,而不只写文稿外观。对 ~/.agent-autoloop/report_html.py,可拟增 validate_report_input(payload),先检查生成报告所需的数据与来源是否齐全,再进入渲染。函数名是本篇建议,未检查现有实现;讲者的凭据演示不构成读取、修改或扩大授权的许可。

第二组 · 两个案例:产品迭代与内容流水线

2.1 阅读挑战:移动端发起不等于省略讨论和反馈

原文在说什么

阅读挑战是他展示的第一个主案例。他说从 5 月 16 日到 6 月 5 日,二十一天发布了二百七十二次版本,展示了网页、Mac 和 iOS 等端的功能,包括阅读记录、排行榜、关注、设置和更新记录。数字说明的是迭代频率;是否每个版本都经过同样的测试,原文未展开。

更具体的一次,是他在家长会期间用手机提出 AI 学习挑战的需求:先整理想法、截图给 Codex,让它制定方案;收到方案后反馈,讨论几轮再执行;执行中继续反馈、调整界面,然后推进多端发布。他叙述的核心不是「随便一句话就自动上线」,而是人持续提供方向,agent 在间歇时间完成执行。移动端降低了发起门槛,没有取消产品判断。

关键概念
对你的实际应用

Ben哥,tasks.md 可为类似需求拟增「用户问题、方案版本、反馈要点、验收场景」四栏。以 ~/.agent-autoloop/report_html.py 的展示修改为例,先说明用户在哪个阅读动作上受阻,再写需要变化的页面行为;别把「界面更好看」直接当可执行规格。本篇只提出记录结构,不新增任务、不替你决定上线,也不把生成页面等同于完成验收。

2.2 AI 内参:真正可复用的是编辑工作流

原文在说什么

第二个主案例是 AI 内参。讲者原本就长期自学 AI,收集高质量信息源,再把自己的信息获取方式打包成产品。他展示的过程是:先梳理几百个信息源,自己做最终筛选,执行文章入库,处理阅读文章,再制作 EPUB 与网站并更新上线。他说每天自己参与约半小时,文章处理环节约二十多分钟。

这里最重要的分工是:并非系统自己决定一切,人仍参与最终选题;而复杂、重复的处理环节被封装为 Skills,形成流水线。他认为,照搬旧编辑团队的工作方法、只多用一个聊天工具,做不出同样的效果。原文对各 Skill 的接口、异常处理和质量检测没有逐项展示,所以不能从演示直接推导出一套完整的无人值守方案。

案例环节原文明确讲了什么不能据此认定什么
信息源梳理agent 对大量来源做处理,人最终筛选每个来源都经过事实核验
文章入库筛选后执行入库与阅读处理入库成功就代表内容质量达标
多格式产出制作 EPUB、网站并更新所有格式天然一致、发布绝不失败
人的参与自述每天参与约半小时所有维护成本都被计算在内
关键概念
对你的实际应用

Ben哥,可在 kb/STANDARD.md 拟增「来源核对→内容筛选→正文加工→格式检查→交付确认」流程,并要求每一环注明输入与证据。在 ~/.agent-autoloop/report_html.py 中可拟增 render_source_status(payload),明确显示来源齐全、缺失或未核验,而不是把漂亮页面当正确内容。具体状态值是本篇的工程化建议,不是讲者展示过的现成字段。

第三组 · 概念性学习:操作外包,理解留在自己手里

3.1 你不必亲手完成所有操作,但必须知道为什么改

原文在说什么

讲者把 agent 时代的学习方向概括为「概念性学习」:操作层面的事情可以交给 agent,但理解不能外包。他对理解的解释,是概念以及概念之间的关联。没有这些关联,人就难以识别问题、提出方案,也无法判断一个技术变化与自己的产品有什么关系。

他举的例子是听朋友提到 TanStack Query,自己原先不懂,就让 agent 解释,花约十分钟学习概念,再讨论能否优化阅读挑战的技术方案。他没有说学十分钟就掌握整个技术栈,而是学到足以进入具体讨论;后续仍需理解重构对代码的影响,以及正在使用产品的用户会不会受影响。

关键概念
对你的实际应用

Ben哥,kb/STANDARD.md 可拟增一张「概念卡」,固定写「是什么、解决什么问题、与当前文件有什么关系、改错会影响什么」。涉及 ~/.agent-autoloop/report_html.py 时,把概念落到一次真实变更:例如来源状态怎样进入页面、缺失时显示什么。概念解释和实际改动分别记录;没有读过代码时就标清实现未核对,不能因为 agent 说得顺就认定已经适配。

3.2 Hyperloop:让学习很快遇到真实结果

原文在说什么

他把「学到新概念,很快在自己的产品里看到变化」称为超级学习闭环,即 Hyperloop。TanStack 的案例中,路径是听到概念、请求解释、讨论方案、小步执行、重构,再观察性能与可维护性的变化。他还提到 pnpm 等调整,并强调产品已有用户,重构需要安全、稳定、可靠。

他用多巴胺与成瘾类比这种快速反馈,认为学习、创造和解决问题也能比被动娱乐更有吸引力。这是他的体验解释,不是本场提供了心理实验。可借用的是反馈路径,不是把兴奋、熬夜或不停开线程当成质量证明;性能具体提高多少、用什么测试证明,原文未展开。

学习动作本场案例的对应动作真正应观察的结果
遇到新概念听朋友说起 TanStack Query能否说清与现有产品的关系
形成方案与 Codex 讨论技术框架改什么、为何改、影响哪里
小步实践执行重构与技术调整是否出现具体可观察的变化
回到现实考虑用户、安全与维护原有功能是否仍可靠;本场未展示测试明细
关键概念
对你的实际应用

Ben哥,可在 tasks.md 的相关任务中拟增「本轮假设、最小改动、观测结果、保留或撤回」记录。对 ~/.agent-autoloop/report_html.py,一次只选一个可观察问题,例如缺失来源能否被明确显示;先固定输入,再比对输出,记录实际结果。这样把知识接到文件行为上,而不是学习一个新框架就给整个报告链换一遍技术栈。本轮不执行这些修改。

第四组 · 专注与主动性:能做更多,不代表应该同时做更多

4.1 信息输入决定你能提出什么问题

原文在说什么

howie 反复强调,不要只等别人手把手喂安装步骤,而应围绕自己的问题主动获取与处理信息。他把自己的做中学拆得很清楚:做,是做项目、解决问题;学,是持续读 AI 内容、建立理解。他希望 AI 内参承担输入基础设施的作用,而不是只成为另一份被收藏的材料。

他用「可获得性偏差」解释人为何容易选择手边、免费、被推送的信息,反而错过重要变化;又强调同样重视 agent 的朋友与社区交流,能让新概念、新问题更容易进入自己的视野。这些论述包含他对平台和内容质量的强烈评价,本篇保留机制,不把这些评价扩大成所有用户的事实判断。

关键概念
对你的实际应用

Ben哥,可在 kb/STANDARD.md 拟增「输入关联」要求:每篇深蒸馏注明它回应哪个问题、原文提供什么依据、准备在哪个真实文件验证。对本篇而言,关联对象就是 tasks.md 的任务记录、~/.agent-autoloop/report_html.py 的来源展示和 kb/STANDARD.md 的加工规范。不要用新增文章数替代应用结果,也不要把样例里的旧判断当成当前系统已经核实的状态。

4.2 最后稀缺的不是想法,而是把一个问题做完的注意力

原文在说什么

直播后半段,讲者列出家庭学习、英语、费曼 OS 等想做的方向,却一再说自己做不过来。他的收束不是继续开坑,而是克制:阅读挑战已经可以使用,先停止进一步优化,接下来计划把内参做成原生产品。这个计划在本场只是未来安排,不能写成已经交付。

因此,「2026 年只做一件事」并不是字面上只能启动一个项目,而是围绕 agent 学习和自己长期关注的问题集中资源。他最后给了两个动作:学 agent;回顾自己多年钻研的问题,把已有解决方案用 agent 做成产品。至于如何管理多个项目的排期、用什么停止标准,原文未展开。

关键概念
对你的实际应用

Ben哥,可在 tasks.md 为主线任务拟增「本轮不做什么、够用标准、恢复条件」,明确什么时候不再追加功能。对于 ~/.agent-autoloop/cron-jobs.json,先把拟议任务与这三个条件对应,再另行评估是否调整调度;本篇不增删 cron。对 ~/.agent-autoloop/report_html.py 的新点子,也先判断是否解决当前主问题,不因 agent 能实现就全部塞进本轮。


与在用工作的关联

这条里的什么对应你手上的什么具体怎么用
token 要接到真实问题tasks.md拟增问题、交付物、验收依据、资源消耗,分开记录投入与成果
围绕 agent 重排流程kb/STANDARD.md拟写清输入、处理者、交付对象与完成证据,不只规定版式
内参流水线保留人工筛选kb/STANDARD.md拟区分来源核对、筛选、加工、格式检查与交付确认
数据条件先于漂亮输出~/.agent-autoloop/report_html.py拟增 validate_report_input(payload) 与 render_source_status(payload)
概念性学习kb/STANDARD.md拟增概念卡,把定义、问题、文件关联和变更影响写在一起
Hyperlooptasks.md拟记录假设、最小改动、观测结果、保留或撤回,避免只记执行完成
克制开坑tasks.md、~/.agent-autoloop/cron-jobs.json先写够用标准和恢复条件,再另行决定调度,不自动扩大任务

原文:howie.serious《agent 新时代:2026,只做 1 件事:学 agent!》,2026.06.05 直播回看。讲者提到常规直播为晚八点到十点,但转写没有时间戳,不能据此认定录像实际时长,故标「时长未标」。

本篇依据:完整读取本地转写 ~/.agent-autoloop/cdb/transcript/l_6a1f9d2ae4b0694c5bcf58e8.txt,共 3585 行。正文按产能与基建、两个产品案例、概念性学习、专注与取舍重新组织;21 天、272 次版本、约十分钟学习等均来自讲者自述。序号按目标文件 q06 标记,不代表重新盘点全库完成数量。

更正与边界:机器转写中「内餐」「ROS 端」「TimeStack」等按上下文统一为 AI 内参、iOS 端、TanStack;不确定的工具名不强行补全。模型、订阅、token 折价与收益说法均属于直播时点的个人陈述,未作为当前套餐事实或收益保证;投资涨幅、智商类比和安全绝对化表述未转为操作建议。实际应用均为本篇分析,字段和函数都是拟议设计,非讲者原话、非现有代码核查结论。本轮只写本文,不改脚本、规范、任务表或调度;未进行独立内容验收。

定位:中文深蒸馏,不是逐字摘要。