https://www.candobear.com/detail/l_69d6ff6de4b0694c34f682f6/4阅读路径:先读第二组,理解一个想法怎样经过调研、删减、分版本和交接变成产品;再读第一组,辨清「零基础」到底免掉了什么、没有免掉什么;第三组讲怎样指挥和检查,第四组讲需求与注意力为什么比生成代码更难。只看一组就看第二组,它最能直接改变你下一次交代任务的方式。
一句话结论:在这次原生 App 实践里,不会写 iOS 代码没有阻止产品落地,但如果人不能定义需求、压缩范围并检查结果,换成更强的 Agent 也不能自动得到想要的产品。
阿禅没有从模型参数讲起,而是回看自己的三个项目。最早的网络检测工具用 Cursor 开发,人需要想清技术框架、依赖和很细的实现逻辑,AI 主要补代码。后来做较复杂的理财产品,人定框架、标准和模块,AI 承担更多实现。到了这次原生 iOS 游戏,人更像提出目标、取舍功能和提供后勤的管理者。
| 项目阶段 | 人主要承担什么 | AI 主要承担什么 | 不能省掉的限制 |
|---|---|---|---|
| 网络检测工具 | 想框架、实现逻辑、界面细节 | 按人的思路补全代码 | 阿禅认为当时没有编程基础很难做 |
| 较复杂的理财产品 | 定技术、规范、模块边界 | 按模块完成较多开发 | 他明确说复杂支付和前后端仍难完全自动驾驶 |
| 原生 iOS 游戏 | 定需求、删功能、配合配置 | 调研、开发并反复验证 | 人仍须理解概念,完成无法代办的操作 |
阿禅用「我想八成、它补两成」「大约五五开」形容前两阶段。这是个人体感,不是测量过的分工比例。重点不是人越来越不重要,而是人不再必须站在每一行代码旁边。
AI 辅助编程与 Agent 开发的分界,是它只能补你已想好的步骤,还是能围绕目标组织实施。三个项目也不构成难度相同的对照实验,不能把最新项目的顺利直接推广到所有软件。
Ben哥要调整 ~/.agent-autoloop/report_html.py 时,可以把任务落到现有 render_morning(d, now) 或 render_midday(d, now),先讲清哪个阅读问题要解决、哪个输出不能变,再让 Agent 研究实现。不要把「做一个更好的报告系统」当成可直接开发的规格,也不要把本场的小型游戏案例当成整个报告链都能无人负责的证明。
howie 追问了一个关键矛盾:两人几乎没用过 Xcode,甚至不熟悉怎样找到界面预览,为什么还能快速做出来?阿禅的回答是学到「原理层面」。像拼乐高,你需要知道这里要一个圆柱体,但不必知道它怎样生产。
放到开发里,你要理解前端、后端、数据库分别干什么,为什么这个功能需要后端服务,Firebase 在当前方案里扮演什么角色;不一定要掌握实现的每个技术细节。遇到不懂的概念,可以另开 AI 对话问清,再记进 Obsidian 或 Logseq。学习的目的不是证明自己会写代码,而是能够有效沟通与判断。
概念性理解不是只记名词,而是知道「它是什么、为什么在这里需要、和其他部分怎样连接」。阿禅本来有产品经理与前端实践经验,因此他的「iOS 零基础」不等于没有产品经验、没有技术概念。
~/.agent-autoloop/knowledge.py 的 unit(n) 已返回 goal、points、sink、sources 等内容。后续若用它组织概念学习,可提议增加 concepts 字段,每项写「概念、在当前任务里的作用、相邻概念」。先让 Ben哥能解释为什么需要这个环节,再进入实现。本篇只提出字段设计,不声称现有函数已支持它。
两人喜欢一种基于维基百科的竞赛:共同的起始词条、共同的目标词条,只能顺着链接前进,不许搜索、不许返回,看谁先到。旧工具后来不再维护,自己的需求却一直存在,所以决定自己做。
现场演示的不只是一个能打开的页面。它包括新用户引导、测试环境的苹果内购、创建与加入房间、在线对战、对手状态、赛后路径、收藏和历史记录。两人的路径不同:有人通过软件、互联网和社交网络接近 Facebook,有人尝试绕到微软与纳斯达克。这个例子把「知识之间的连接」变成了可玩的过程。
真实需求在这里有明确来历:持续使用过、已有工具失去维护、自己还想继续玩。完整体验则不止核心算法,还包含进入、使用、结束与回看的过程。现场可演示这些环节,不等于产品已经通过所有可靠性检查。
~/.agent-autoloop/reading.py 的 pick() 会从待读项里选择内容,today_text() 把它写成推送文本。若 Ben哥要改善阅读体验,先明确是「选不到想读的内容」,还是「读完不能回到相关材料」,不要一上来重做知识库。可提议加 explain_pick(it),输出选择理由与它对应的阅读问题,让一个小需求先形成可判断的结果。
阿禅展示开发对话时,先问 AI 是否听过这类游戏,让它做调研,而不是直接报功能清单。AI 列出方案后,他认为太复杂,继续删减,讨论最小版本该保留什么,再进入开发。对话里出现的起始时间是四月五日晚上;直播时他说产品已经提交 App Store 等待审核。
这里有两种时间不能混在一起:开场讲不到一个小时就能在手机上跑;完整开发、细化及上架材料约用了五天。前者是初次跑通,后者才接近这次展示的产品范围。跑起来不是交付结束,提交审核也不是审核通过。
| 环节 | 本场具体做法 | 应当怎样理解 |
|---|---|---|
| 调研 | 先让 AI 研究同类游戏和功能 | 先形成方案,不是直接接受全部建议 |
| 缩小范围 | 人指出过于复杂,要求简化 | 最小版本靠取舍,不靠无限生成 |
| 初次运行 | 当晚很快能在设备上玩 | 证明基本路径可行,不代表全部完成 |
| 产品细化 | 补充体验、功能和提交材料 | 与首次运行分开计算 |
| 商店提交 | 直播当天提交等待审核 | 原文没有给出审核通过结果 |
最小版本不是粗糙版本,而是当前只承诺哪些事情。AI 能帮助展开方案,人必须帮助收束方案。本场没有展开完整版本清单、每版工时与缺陷记录,不能补成一套未经展示的项目台账。
后续调整 ~/.agent-autoloop/report_html.py,可以先限定只改 page() 生成的公共页面框架,或只改一个报告入口,不能两种目标一起扩张。在 kb/STANDARD.md 的写作规范中,也可提议增加「本轮解决什么/不解决什么/怎样看到结果」的任务卡格式;这是待另行安排的改进方向,本轮不修改该规范。
阿禅指出,对话上下文有限,越来越长可能记不住,也可能增加消耗。他把产品目标、框架、代码结构和工作方式写进 Markdown 文件,并提到 memory 与 agents 两类文档。作用就像同事离职前交接:做了什么,文件放在哪里,下个人怎样接手。
关键不在文件名字,而在写入时机。他强调一边开发一边记录,而不是最后才整理。因此即使新开对话,或者换另一个 AI,也不用把全部聊天历史重新塞进去。他规定的工作顺序包括先计划、拆版本、写 memory,然后自己配合必要的配置与材料准备。
外置交接保存的是接下来继续工作需要的事实,不是聊天记录的副本。持续更新避免文档刚写好就落后于实现。原文未展开这些文件的完整内容,也没有证明某个固定文件名能够自动解决全部记忆问题。
Ben哥在 kb/STANDARD.md 中已有固定骨架和来源要求。可以提议给每篇长任务加「当前目标、已确定口径、当前文件、下一步」四项交接信息,明确它们不是新的正文模板。knowledge.py 的 sources 也可继续承担材料入口,而不是把所有历史对话放进 points。具体解析规则需要后续单独实现,本篇不改变现有返回结构。
有人问:自己已经不断描述需求、查看结果、再描述需求,为什么仍做不到想要的样子?阿禅认为可能是需求太大,没有拆成小需求。就像让人「做一个微信」,这句话包含太多不同功能,经验丰富的人类也不知道你到底要什么。
他的处理方式不是找更神奇的提示词,而是改变合作模式:没想清就先让 AI 做教练、做讨论对象,帮助把问题想清;讨论完成,再切换到开发。howie 把它放进 Agent 元技能的话题里,阿禅则用更朴素的词解释:团队管理——目标是什么、规范是什么、犯错后怎样记住并避免重犯。
讨论模式与执行模式分离,避免把没有定下来的想法当指令。分阶段交代要求人知道第一阶段、第二阶段分别交付什么。「指点江山」有效的前提是懂目标与原理,不是只会发出大命令。
reading.py 目前会读取条目的「价值」并写入推荐文本。若 Ben哥希望推荐更贴近正在做的事,可以先围绕这个字段讨论「它解决哪个问题、读后应作出什么判断」,再决定是否提议新增「阅读问题」字段及相应展示。不要直接给 pick() 一个「更懂我」的大目标;先选一条材料,明确新旧推荐文案怎样比较。
阿禅说,做网页前后端时,可以用语言规定不同角色:一个负责后端开发,一个负责测试;开发完成,测试检查,指出哪里错,再交回修改。howie 则强调 Agent 围绕目标调用工具、验证和测试的循环。
对于界面精美与一致性,阿禅谈到已有设计 Skill:先澄清风格与边界,再给出色盘、色号、圆角等具体约束。通用方案可以先铺底,重要页面再按个人审美微调。他并没有说装了 Skill 就能替代品味,也没有展示一套完整自动验收清单。
角色分工让「做出东西」和「指出问题」成为不同职责。原文描述了角色化协作,没有给出足够细节证明测试来自完全独立的模型或进程。设计约束则是把「高级一点」翻译成可比较的具体选择。
report_html.py 的 page() 统一注入 CSS 并拼接页面,适合承接公共风格要求;render_morning() 与 render_midday() 则各自保留内容安排。后续可提议增加 validate_report_layout(html),检查必要结构,再由不同于实现者的视角查看真实页面。这个函数名是应用提案,不能把它写成已经存在或已经执行过的测试。
阿禅认为,发现需求的难度并没有随着开发变容易而消失,反而更重要。可以来自生活细节,也可以只是自己确实想解决的问题。产品是否内置 AI 要看具体需要;他表示能不用就不用,因为调用也有成本。用 AI 开发产品,与做一个持续调用 AI 的产品,不是同一件事。
howie 把注意力放在更前面:为什么他们会做这个游戏?因为长期关注知识管理,也一直在玩,不是临时刷到一条内容就决定跟风。人负责发现、定义问题,AI 帮助解决问题;一句「帮我挣很多钱」无法替代对需求的观察。
注意力决定问题入口:你长期投入什么,才容易看见什么不方便、什么值得改。实现能力与需求判断分开:前者改善,不自动保证后者。原文关于「超级个体」的规模判断是主持人的方向与愿望,不是本次产品已经证明的产能结论。
reading.py 的 pick() 现在按优先级、时长等信息排序。后续若要表达长期兴趣,可提议增加「关联任务」字段,在 explain_pick(it) 中说明材料为何值得占用 Ben哥的注意力,再决定是否影响排序。不要因为某条容易处理就持续推荐,也不要为了展示 AI 能力,给原本确定的排序逻辑额外塞入一次模型调用。
两人谈到海量 AI 内容让阅读和分享都变得疲惫。阿禅特别强调 fact check:模型可能产生语言上合理、现实里却未发生的内容,这些内容又进入互联网,被后续系统继续吸收。因而学习能力不仅是快速问到答案,还包括识别、核对并建立整体理解。
这里也存在值得保留的张力:演示上架材料时,阿禅说隐私政策由 AI 生成,自己没有细看,认为问题不大;而后面又强调事实检查。前者是他实际采用的做法,不能因此被提炼成「隐私材料不必审核」的方法。原文没有展开隐私条款核验与商店审核结果。
事实检查不能被「听起来合理」替代。整体理解也不是概念堆积,而是知道各部分的关系与边界。本场游戏的路径对照体现了知识连接,但没有提供它能提高学习成绩或认知能力的测量证据。
knowledge.py 的 unit(n) 已把 sources 返回给调用方,可提议增加 evidence_status,区分「有材料入口」与「已核对内容」,不要把存在链接自动标成已核验。kb/STANDARD.md 中则可提议明确:讲者判断、演示观察、自己的应用推演分别写,无法确认的地方写「原文未展开」。这能防止深蒸馏把分享者的乐观判断加工成确定事实。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 先调研,再删减功能 | ~/.agent-autoloop/report_html.py | 每轮只选一个渲染入口,先定义读者问题和不变项 |
| 学到可沟通的概念层 | ~/.agent-autoloop/knowledge.py | 提议在 unit(n) 增加 concepts,记录概念作用与关联 |
| 真实需求先于完整产品 | ~/.agent-autoloop/reading.py | 提议增加 explain_pick(it),解释推荐对应的实际阅读问题 |
| 交接边做边写 | kb/STANDARD.md | 提议记录目标、口径、当前文件、下一步,不复制全部聊天 |
| 讨论与执行分开 | ~/.agent-autoloop/reading.py | 先讨论「价值」字段怎样表达需求,再决定是否新增字段 |
| 设计规范与测试分工 | ~/.agent-autoloop/report_html.py | 公共风格归 CSS 和 page();提议加布局检查,再另行人工查看 |
| 来源不等于已经核验 | ~/.agent-autoloop/knowledge.py | 保留 sources,提议增加独立的 evidence_status |
原文:howie 与嘉宾阿禅直播《ai 编程专题:从 0 基础到原生 app 开发》,2026.04.10。来源为本篇头部原视频链接;时长未标。
本篇依据:完整读取本地机器转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_69d6ff6de4b0694c34f682f6.txt,涵盖开场、三个项目回顾、游戏演示、开发对话、概念学习及观众问答。样例仅用于层级与语气,不把其他直播的内容当成本场证据。工作关联仅依据所点名本地文件的只读检查。
更正与边界:明显误识别的人名、Xcode、Cursor、Claude、TestFlight、Obsidian 等按上下文统一,游戏统一称 WikiMatch,玩法称 Wiki Race;无法确认的理财产品名称不强行还原。约五天与首次运行不到一小时属于讲者自述;约二十美元是他按订阅用量折算的粗估,不是经核对的总成本账单。一人公司、百倍产能及对教育的宏观判断不作为已证事实。原生开发案例不等于所有复杂项目均可自动完成。所有「对你的实际应用」均为分析提案,不是讲者原话,也不表示已修改脚本、配置或规范;本轮只写本篇 Markdown,未做外部事实核验或独立内容验收。
定位:中文深蒸馏,不是逐字摘要。