深蒸馏 · 直播回看 · 配额批次 3

信息流系统:把高质量阅读变成由 Agent 驱动的思想与行动

直播回看 | 2026.04.03 | 约125分钟 | 已深蒸馏 12 / 53
来源:原视频 | @howie.serious | 2026.04.03
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_69ce02e2e4b0694c5ba71ed5/4
阅读路径:先读第一组,分清「找到好内容」和「真正用得上」之间差在哪;第二组拆系统的构成,第三组看历史阅读怎样重新参与今天的判断,第四组划清人的工作与算力投入的边界。只看一组就看第三组,它最直接回答知识库为什么不能只是收藏夹。
一句话结论:如果高质量信息只被收藏而没有被加工、关联和调用,那么增加订阅与抓取量并不会自动提高产出;这场提出的突破口,是让 Agent 持续驱动信息系统,而不是再增加一个阅读入口。

第一组 · 从信息流到信息产品:瓶颈不只在水源

1.1 高质量信息的浸泡,需要用输出看结果

原文在说什么

分享者先讲的不是模型,而是一个家庭长期处在高质量信息流里的变化。他把这种关系比作河水流过身边:水质决定长期接触的内容。自己从知识管理、自我管理等内容开始学习,再把有用的材料打印到家里的白板上,让家人看见、产生兴趣、主动询问,而不是强行说服。

孩子沿着分享的绘本书单阅读,后来反复观看感兴趣的知识视频,尤其关注微生物、细胞和免疫系统,并自己画课件,向同学讲解。伴侣则从更容易进入的精选文章开始,逐渐学习、记录,最后写电影评论。他要说明的不是「订阅之后自然变强」,而是输入会通过共读、复述、讲课和写作继续流动。家庭案例能说明一条可能路径,不能把结果全部归因于某个订阅服务。

关键概念
对你的实际应用

Ben哥可以把这个判据用于 ~/.shared-agent/kb/STANDARD.md:若后续单独批准修改,增加「关联的实际问题」「产生的输出」「后续使用记录」三项记录要求。深蒸馏的价值不以入库数量代替,而看它有没有进入一次报告、一次判断或一个实际项目。本轮只提出字段,不修改标准;你现有标准是否已经包含这些字段,本篇没有核查。

1.2 优质原料不等于低门槛成品

原文在说什么

分享者把过去的费曼日报称为「原矿石」:来源质量高,但用户拿到以后仍然要自己消化。howie 提供阅读方法、三级笔记等课程,也不能消除第二次投入——买到课程只是开始,真正用起来仍需要学习方法和付出时间。分享者用「叫好不叫座」描述这种落差。

AI 内参的变化,在他看来不是突然找到了全新的信息源,而是把消化方法固化进 Agent:三级笔记、概念拆解等加工已经做好,用户可以先读成果,再继续追问。他用做鱼作比:过去告诉你鱼在哪、怎么处理,现在把处理好的鱼端上桌。这里降低的是进入内容的门槛,不是证明读者不必再思考。

形态用户拿到什么主要阻力本场描述的变化
高质量信息流长期接触优质内容的机会需要持续接触并自己输出先改变接触的信息
精选订阅服务筛选后的文章与简短介绍消化主要靠读者自己完成解决找什么看
Agent 驱动的信息产品加工后的笔记、概念与可继续对话的入口仍要联系自己的问题与行动把部分消化能力封装进服务
关键概念
对你的实际应用

对 Ben哥的 ~/.agent-autoloop/report_html.py,可提出新增 render_reading_path() 函数的改造:输入来源、核心判断、关键概念、实际问题,先渲染「先读什么、为什么」,再展示详细正文。函数名是本篇拟议,不是已存在的接口。目的不是把页面做长,而是避免报告只交付链接和材料,仍把全部消化工作留给你。

第二组 · 系统不是单个 Agent:让方法、数据与工作空间合起来

2.1 一个有个人差异的 Agent,不能只有指令

原文在说什么

howie 展示自己的 Agent、Skills、工具和数据,强调它们是长期迭代出来的。以 AI 内参为例,内参编辑配有多个技能,其中包含文章入库、概念提取、三级笔记等环节。Agent 的指令要迭代,技能也要迭代,但他反复强调的差异来源,是接入自己长期积累的独特数据。

他以 Readwise 中上万条积累说明:当一个新想法进入系统,思想孵化 Agent 可以连接过去的阅读、划线、笔记、推文和 AI 对话,找回连他自己都已经忘记的线索。这里不是「写一段更好的提示词就能复制一个人」,而是把一个领域的方法、历史材料和任务指令组合起来。他还说未来可以接入更多笔记,这部分属于计划,不能写成已经全部接通。

关键概念
对你的实际应用

Ben哥若改 knowledge.py,可以新增拟议函数 build_agent_context(),按本次问题组织「原文路径、来源链接、相关旧笔记、适用方法」再交给执行者。不要只把一段角色描述塞给模型。若某条旧笔记没有原文或依据,就在传入内容中明确注明限制。本篇没有读取该脚本,因此不声称已有这些参数,也不把设计写成已实施功能。

2.2 数据库的作用,是让 Agent 有可以持续工作的结构

原文在说什么

他将 AI 内参定义为由 Agent 驱动的系统,而不是一个孤立 Agent,也不是单纯的知识库。演示中的信息流系统包括日报库和阅读库,还会连接概念、思想、行动、工具等库;驱动它的主要角色是内参编辑与思想对话 Agent。

他偏爱 Notion 的理由也在这里:页面、数据库和属性高度结构化,又具备共享协作的工作空间。学习系统中,每个学生可以有自己的档案,错题和分析写入各自的数据中。相比之下,他认为桌面 Agent 虽然能读写文件、调用脚本,操作边界更大,但自己看重的是结构化数据与系统的结合。这是他的方案选择,不是对所有桌面 Agent 能力的完整评测,更不能推出本地文件天然无法结构化。

构件本场中的具体作用只留下这一件会缺什么
系统与数据库承载日报、阅读、概念、档案等对象有结构但仍需要人处理
数据提供真实材料、历史阅读和个体记录有原料不等于有加工流程
Skills 与指令封装方法并组织具体任务没有真实数据就缺少个人差异
Agent 与工作空间驱动处理、对话及结果写回脱离系统容易只剩一次性回答
关键概念
对你的实际应用

对 knowledge.py,Ben哥可在未来改造中明确 source_url、transcript_path、concept_refs、idea_refs、action_refs 这组拟议字段,让文章与概念、思想、行动有可读的关联。重点是对象之间能连接,不是现在就迁移到某个平台。本轮不改数据、不新建库;原文也没有展开这些英文键名或本地数据库方案,它们只是对本场思路的本地映射。

第三组 · 从今日新增到历史策展:让知识库存量重新流动

3.1 信息流不应每天从零开始

原文在说什么

本场最具体的一次改造,是 howie 给日报加入历史策展。过去日报主要梳理 Readwise 当天新增的内容;现在他要求 Agent 从上万篇历史材料里,找到与今天主题相关、质量更好的旧文章,再选择其中合适的内容入库。

他以模型发布为例:今天的新消息,可以与先前其他模型的发布、甚至更早的文章联系起来。演示提到从若干媒体及作者的相关内容中继续挑选。他说自己做的是提出这条策展想法,再通过修改技能让它成为流程的一部分。变化不在每天多抓几篇,而在今天的问题能调动昨天以前的积累。检索如何排序、质量如何打分、多少篇算足够,原文未展开。

关键概念
对你的实际应用

Ben哥可给 reading.py 提出新增 select_historical_readings() 的改造:输入当前主题和今日文章,输出相关旧条目及「为何相关」;拟议结果字段用 related_history、selection_reason、source_url。不必先追求更多来源,先让一篇新材料能带出有根据的旧材料。评分算法与选取数量不能冒称来自讲座,需在后续独立任务里再确定。

3.2 笔记不是终点,读到问题时应能继续对话

原文在说什么

howie 演示的阅读入口保留原始文章及带划线标注的链接,也提供加工后的思维框架。用户可以先读笔记;在文章里遇到问题时,可以选中、划线、评论,再召唤思想对话 Agent。想法可以入库、孵化、继续交谈,不必离开当前阅读对象另起一个孤立会话。

思想孵化的例子,则把这条链往后延伸:先捕获一个种子想法,再让 Agent 基于自己的历史积累展开,最终可能用于推文、文章、产品或具体工作。他把目标称为同时成为「思想的巨人和行动的巨人」。本场展示了这种方向与个人感受,但没有逐条展示每个想法从提出到落地的完整结果,因此不能把所有孵化稿都当作已完成的行动。

关键概念
对你的实际应用

Ben哥可在 ~/.agent-autoloop/report_html.py 中规划 render_source_and_question():把原文入口、笔记段落和当前问题放在同一区块;在 knowledge.py 的拟议结果记录里增加 origin_note、question、intended_use。如果一次阅读形成了实际工作,再由后续获批任务关联到 tasks.md 的对应事项;本轮不读取或修改任务表,也不把生成一个想法写成任务已完成。

第四组 · 人与算力的分工:把节省的劳动换成更好的判断

4.1 「如非务必,那么何必」不等于人不再负责

原文在说什么

当 Agent 在具体处理上做得比自己更好,howie 开始把事情分成「何必类」与「务必类」:能通过技能、数据和指令组合交给 Agent 的细节,何必要亲自做?剩下需要人投入的,是提出原创想法、设计系统、组织独特数据,以及决定时间和注意力放在哪里。

他用站着办公、踱步思考、大量语音输入描述工作方式的变化,也强调需要理解新的基础概念。例如不必背住所有命令,但必须理解脚本、文件读写、不同 Agent 工作环境之间的区别。进一步,他主张扩展跨学科知识,而不是守住单一具体技能。这些是他的经验和教育判断,不应改写成所有人都必须站立办公或照搬其家庭安排。

关键概念
对你的实际应用

Ben哥可把 ~/.shared-agent/kb/STANDARD.md 的未来改造写得更具体:增加「交给 Agent 的加工环节」与「需要本人判断的结论」两个栏目。前者可写概念提取、关联旧文,后者明确哪些主张还缺依据、哪些用途需要你裁决。这样节省的是重复处理,不是把报告里的判断责任一起交出去;本轮没有修改该文件,也没有替你更改任务权限。

4.2 算力飞轮的前提,是先有值得放大的场景

原文在说什么

他把 compute 称作个人在 AI 时代的重要杠杆:以前编辑和读者都受人脑处理能力限制,日报只能做有限选择与简短介绍;现在可以购买更多模型处理能力,让原来难以完整执行的方法持续运行。他设想的飞轮是:算力创造价值,再用新增价值购买更多算力。

但这场没有提供一套经过核算的通用回报率。演示中既有工作空间成员整体的积分消耗,也有内参编辑和思想对话两个 Agent 的费用,还有席位费用与未来按量收费的讨论,口径并不相同。他强调愿意花钱的理由,是 Agent 足够好、使用场景足够有价值,而不是消耗越高就越有效。十倍、百倍产出及商业价值等说法,应保留为他的判断与目标。

关键概念
对你的实际应用

Ben哥若单独推进成本记录,可让读取 cron-jobs.json 的执行代码新增拟议函数 record_run_value(),记录 job_id、input_scope、usage_cost、output_path、actual_use。任务配置只负责标识任务,实际消耗与用途留在运行记录中;无法取得费用时明确未取得,不填估算冒充实数。先看这份蒸馏是否被用到,再决定是否提高频率。本轮不动 cron,也不把讲座中的费用当作今天的平台报价。


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
输入需要走向输出kb/STANDARD.md拟增加实际问题、输出、使用记录,区分读过与用过
消化能力应进入交付~/.agent-autoloop/report_html.py拟增 render_reading_path(),先显示阅读路径,再展开正文
独特数据参与任务knowledge.py拟增 build_agent_context(),同时组织来源、旧笔记与适用方法
数据对象彼此连接knowledge.py拟用 concept_refs、idea_refs、action_refs 表达关联
新增内容连接历史材料reading.py拟增 select_historical_readings(),保留选取理由和原文链接
阅读之后继续形成问题~/.agent-autoloop/report_html.py拟增 render_source_and_question(),让问题留在原文语境里
思想产物不等于行动完成tasks.md后续获批再关联实际事项,本轮不读不改,也不代填完成状态
算力要对应实际用途cron-jobs.json 的执行链拟记录真实消耗与产物用途,不因额度可用就提高运行频率

原文:howie《ai 系统专题 4:信息流系统》,2026.04.03 直播回看,包含一位用户的家庭学习与 AI 内参使用分享。时长约125分钟,由口述八点开始、十点结束且超时五分钟推算,不包含无法确认的开播前时长。

本篇依据:本地转写稿 /Users/benhong/.agent-autoloop/cdb/transcript/l_69ce02e2e4b0694c5ba71ed5.txt 全文分段阅读。采用其中的信息流三级进化、方法封装、Agent 与系统组合、历史策展、思想孵化及算力投入等内容;未查询外部资料,未以样例中的其他讲座内容补充本场事实。元信息中的12对应本任务编号,不代表重新盘点了全库进度。

更正与边界:机器转写中反复误识别的 Notion、Readwise、费曼日报等名称按上下文统一;不确定的人名不强行定字,明显无关的片头杂音不纳入论证。讲者的效果倍数、价值估计、平台比较与收费预期均是直播当时的个人判断,不是独立验证结论或现行报价。完整检索算法、评分规则和成本核算方法原文未展开。应用段及表格中的字段与函数均为面向 Ben哥文件的拟议设计,并非原文接口,也不是本轮已执行的修改;相关脚本当前实现未核查。

定位:中文深蒸馏,不是逐字摘要。