https://www.candobear.com/detail/l_69bb6546e4b0694c34eb36c2/4阅读路径:先读第二组,弄清一个 Agent 系统到底要设计哪些东西;再读第三组,看日报迁移、视频入库和灵感收集怎么落成流程。第一组纠正「装好就有员工」的预期,第四组解释为什么越有杠杆越要放慢。只看一组就看第二组:模型和工具可以买到,自己的指令与上下文不能靠安装代替。
一句话结论:只安装 Agent、不给它接入专业积累和明确流程,通常不能产生持续的独特价值;真正的元技能,是把人的判断转成可调用、可反馈、可迭代的系统。
howie 开场批评的不是所有入门教程,而是把安装等同于价值的营销:交钱装好一个「龙虾」,就能让高水平员工替自己经营、发帖、赚钱。他认为这个比喻掩盖了人的责任。装完不知道让它做什么,又卸载,并不一定说明 Agent 没用,也可能是使用者从一开始就拿错了心理模型。
他更愿意把 Agent 比作钢铁侠的智能战甲:它能写代码、修复问题、调用工具,但价值仍然取决于驾驭者的认知、思维方式,甚至情绪状态。这里的重点不是「机器还不够聪明」,而是能力增强不等于目标和判断可以一并外包。
Ben哥,可以把这个区分用于 ~/.agent-autoloop/report_html.py:后续拟加 render_decision_card(),把「来源事实」「你的判断」「下一步动作」分栏呈现,避免把一份自动生成的报告包装成自动完成的决策。函数名是本篇拟议方案,不是对现有代码的描述;本轮不改脚本,也不让 Agent 替你作最终决定。
他讲了一个朋友来学安装的例子:先准备电脑、顺畅的网络和 ChatGPT 桌面应用,再让模型读取终端输出,一步步指导安装和排错。遇到问题,不要求朋友先读懂每条命令,而是把输出交给模型,用自然语言继续说明问题。团队成员也在交流和指导后搭起了系统。
但他随即强调,安装只是很小的一点,后面还有大量概念需要学习、记笔记、逐步积累。因此,「技术操作可以被帮助」和「不需要理解任何东西」是两回事。他还提醒,本地 Agent 能操作文件,又可能受到邮件或提示内容的攻击;没有安全意识、只被宣传驱动的人,并不适合贸然上手。
Ben哥,kb/STANDARD.md 后续可增加「排错证据」小节,固定写入 目标操作、实际输出、预期结果、读写范围。这样以后遇到任务失败,交给 Agent 的不只是「又坏了」,而是能解释问题的上下文。这里只给记录格式,不把直播里的复制命令示范扩张成无条件执行,也不自动扩大文件权限。
他引用的定义很短:大语言模型在循环里运行工具,以达到一个目标。模型要能推理、调用工具、观察结果;没有达到目标,就调整后再来一轮。只有模型加一段角色提示,不能据此就说已经构成了这里讨论的 Agent。
随后,他用「一个人」拆解系统。模型是脑子,Skills、MCP 和其他工具是手;指令决定行为和思维方式;笔记、划线、阅读资料和经验构成上下文。Skills 是技能的封装,插件可以再封装一组 Skills。重要的不是把名词全部装齐,而是这些部件能否围绕同一个目标工作。
| 系统部件 | 原文中的对应 | 看它是否有用的判据 |
|---|---|---|
| 模型 | 脑子,承担理解和推理 | 能否完成当前任务,而不只是能聊天 |
| 指令 | 行为设定、工作要求 | 有没有讲清核心任务、流程与不能做的事 |
| Skills 与工具 | 手,封装动作和技能 | 能否操作任务真正依赖的数据与服务 |
| 上下文与记忆 | 笔记、划线、阅读积累 | 是否接上你的经验,而不是空泛背景 |
| 触发器 | 时间、消息、提及、操作变化 | 是否在恰当时机启动对应流程 |
这张表是对他讲解的整理,不是产品能力测试表。他偏好使用最强模型,但「某个模型适合某份任务」的量化评估方法,原文未展开。
Ben哥,kb/STANDARD.md 后续可给每条工作流增加一张「部件卡」:目标、模型选择理由、输入资料、调用工具、触发条件、完成判据、禁止动作。先用深蒸馏或日报填完整一张,不新增一批工具。它能把「这个 Agent 不好用」拆成可定位的问题:究竟是没资料、没手,还是没有完成标准。
他反复说,模型大家都可以买,公开 Skills 也都可以安装。真正拉开差别的是自己写的指令、接进去的 Context,以及把专业经验封装成的技能。他以自己的阅读笔记、Readwise 资料和长期编辑经验说明:系统不是从装好软件那天才开始积累。
内参编辑 Agent 的演示把这件事说得很具体:先有总体说明、名词解释和核心工作,再按流程写清触发条件、调用哪个 Skill、产出什么结果;随后给它指定能访问的库与页面,并接上 Readwise 的读取和写入工具。触发器可以是定时,也可以是提及它、发消息,或在日报里做了某项操作。
他也区分了运行环境:OpenClaw 在自己的机器上,Notion Agent 在 Notion 云端,Claude 的相关 Agent 又有自己的应用环境。它们可以独立做,也可以协作。同一件事不必永远绑定一种宿主,关键是资料、工具和流程接在哪里。
Ben哥,~/.agent-autoloop/cron-jobs.json 后续可拟增任务元信息 input_scope、workflow_ref、expected_output,分别记录输入范围、流程说明和目标产物;是否能直接加入,须另查现有配置结构,本篇不假定这些字段已经存在。比如深蒸馏应指到特定转写和模板,而不是只写「自动完善知识库」。本轮不读取或改动 cron 配置。
原来的日报由 OpenClaw 在凌晨制作,再推送到 Notion。为了让不熟悉技术的人也能搭同款,howie 演示把这项工作转到 Notion Agent。迁移不是发一句「照旧做」:先测试安装的 Readwise MCP 能不能用;发现返回内容不符合预期,再明确「只看 inbox」;确认输入后,把原来涉及的 Skill、模板和脚本流程用自然语言交代,再逐轮测试和反馈。
另一个例子是思想对话 Agent 的介绍。他没有自己从零敲出全部文档,而是用语音说明背景、使用场景、如何召唤、希望怎样使用,选定模型后让它起草,再继续反馈。两段案例都说明:自然语言替代的是一部分操作和书写,不是把全部工作压缩为一次指令。
| 迁移中的动作 | 解决的问题 | 不能跳过去的判断 |
|---|---|---|
| 先测试 MCP | 工具到底能不能取到数据 | 有工具名不等于接通成功 |
| 限定只读 inbox | 返回内容与预期不一致 | 输入范围必须明确 |
| 说明旧流程和模板 | 原宿主的工作要迁到新环境 | 迁的是任务,不只是提示词 |
| 多轮试做与反馈 | 生成结果与目标仍有偏差 | 看到输出后还要审阅 |
| 记录每日迭代 | 把局部改进留在系统里 | 做完一个功能再勾掉 |
Ben哥,~/.agent-autoloop/report_html.py 后续可拟加 render_input_scope(),在报告页显示 source_scope、selection_rule、source_status,让人能看出材料从哪里来、为何选中、是否齐全。它对应演示中「只看 inbox」这一修正:如果输入范围错,先修取数,不拿排版漂亮当作任务完成。这里的字段仅是应用设计,不声称现有报告已经具备。
视频案例里,他把链接发给 Agent,调用自己设计的视频入库 Skill,补频道和时长信息、保存图片,把转写整理成便于阅读的内容。他还谈到后续可以继续做三级笔记、提取概念,以及生成其他学习材料。这些后续可能性不能和当场展示的入库动作混为一谈;每项的具体实现,原文未展开。
灵感案例则从手机动作按钮开始:打开指定 Inbox,用 Typeless 语音输入捕获想法和待办,再让 Agent 按日写入 Notion 或 Obsidian。他说明 Logseq 和 Obsidian 可以是同一批 Markdown 文件的不同前端。这里不是主张再建一个收件箱,而是把「想到、记下、整理到可用位置」接起来。
日程案例更短:聊天截图里已经达成约定,他发图要求更新日程,Agent 提取细节写进 Google 日历,再做提醒。三个例子的共同点是入口轻,但背后有明确的去向和操作。
Ben哥,kb/STANDARD.md 后续可把入库结果分成 已捕获、已取得正文、已深蒸馏 三种状态,并要求每条保留 source_url、transcript_path、output_path。这是本篇从案例提炼的设计,不是讲者原有字段。对当前知识库尤其有用:只取得链接或转写的材料,不能在清单里与已经完成深蒸馏的文章混算。
howie 把 prosumer 译为「创造型消费者」,与只消费娱乐、营销文和 AI 垃圾内容的 consumer 对照。专业人士买工具和订阅,目的不应只是继续看更多,而应让这些投入帮助自己生产、创造、判断和决策。他追问的是:你究竟在哪个领域是 pro?
所以,他把内参定义成思考、决策和行动系统,而不只是信息流。资料可以很长,也可以只是一句话;价值在于能不能引发理解、画线、评论,以及进一步与思想对话 Agent 讨论。他甚至保留低质量内容作反面案例,说明精选不只是收藏「看起来像干货」的文章。
这也解释了他为什么强调自己的信息源和编辑经验:系统里的判断不是日报每天自动搜索一遍就自然产生的。他对通用自动早报的批评很强,认为没有人的筛选和领域理解,返回材料可能没有多少价值。
Ben哥,~/.agent-autoloop/report_html.py 后续可拟加 render_action_trace(),只展示有依据的 来源材料、判断变化、对应行动;不能对应行动时,明确写「尚未形成行动」,不要让模型凑建议。把是否多读一篇,改成是否改变了一个判断,才能区分晨报或知识库是在帮助工作,还是只增加消费量。
他讲到一个很有反差的选择:知道把大量笔记接进去会带来很大改变,却还没有启用现成的 Obsidian Skill;知道能做的场景很多,却刻意不再加更多 Agent。理由是先把一个产品做深做透,稳定自己的节奏,而不是每天追着新工具走。
他展示的内参是每天看、每天维护、每天迭代一点的系统。他认为这种持续使用和积累比赶着安装更重要,也提醒高效率会加重脑力消耗。结尾的学习系统与 LanguageOS 是后续方向,不是这场已经展开的方法课。
同时要看到直播的商业背景:后半段相当多内容在介绍内参、团队工作空间和同款系统搭建服务。对 Notion 的强烈推荐,既来自他的使用体验,也与这些交付方式相连;不能直接推出 Ben哥必须换工具或加入同一个付费团队。
Ben哥,kb/STANDARD.md 后续可新增「场景收口」栏,要求写清 本轮只改什么、本轮不做什么、观察什么结果。在下一轮设计 cron-jobs.json 任务前,先用这三项约束范围,而不是因为脚本能跑就扩大自动化。本篇只提供可审阅的应用方案,不新增定时任务、不改配置、不迁移知识库。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 智能战甲,不是替代判断的员工 | ~/.agent-autoloop/report_html.py | 拟加 render_decision_card(),分开来源事实、你的判断和下一步动作 |
| 指令、工具、上下文围绕目标组合 | kb/STANDARD.md | 增加部件卡,逐项填写输入资料、工具、触发条件、完成判据 |
| 定时只是召唤方式,不是完整流程 | ~/.agent-autoloop/cron-jobs.json | 拟增 input_scope、workflow_ref、expected_output,先核对配置兼容性 |
| 迁移日报先纠正 inbox 范围 | ~/.agent-autoloop/report_html.py | 拟加 render_input_scope(),显示选材范围和来源状态 |
| 捕获、入库、加工是不同环节 | kb/STANDARD.md | 区分三种状态,保留来源链接、转写路径和产物路径 |
| 信息流要推动思考与行动 | ~/.agent-autoloop/report_html.py | 拟加 render_action_trace(),只记录有依据的判断变化,不强凑行动 |
| 先把一个场景做透 | kb/STANDARD.md | 写清本轮改动、明确不做的事,以及观察结果,再考虑扩展 |
原文:howie.serious《龙虾专题 2:agent 元技能》,2026.03.20 直播回看。时长约两小时,依据开场八点与收尾十点的口述估计,不是录像元数据。
本篇依据:指定本地转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_69bb6546e4b0694c34eb36c2.txt,覆盖开场、系统定义、实例演示、商业介绍和结尾。两份已通过样例只用于层级与语气,不用其内容补充本场观点;未访问外部资料,也未核验当前产品功能。
更正与边界:按上下文统一 OpenClaw、Notion、Readwise、Typeless 等明显误识别,无法确认的词不强行还原。视频处理数量、费用及模型时间叙述存在口述或转写不一致,本篇不据此计算效率、收益或当前价格。讲者关于 2026 年底知识工作自动化的说法,是直播当时的预测,不是已证实事实;投资举例不作为收益证明。安全实现、工具授权细节和后续学习系统,原文未展开。全部「对你的实际应用」及关联表均为面向 Ben哥的拟议设计,字段、函数尚未实施,本轮未修改所提及的脚本或配置;内容仍需独立复核。
定位:中文深蒸馏,不是逐字摘要。