https://www.candobear.com/detail/l_69a67a4be4b0694c34e1da1a/4阅读路径:先读第一组,判断自己缺的是工具还是可调用的数据;第二组把数据库、页面、视图和关联讲清楚;第三组看教程与阅读系统如何实际生产;第四组处理工具分工、学习顺序与维护边界。只看一组就看第三组,它能区分「很快生成一稿」和「真正完成交付」。
一句话结论:如果个人材料没有形成可调用、可维护的数据系统,即使换上同样强的模型和 Agent,也不能稳定复现这场演示里的个性化教程与阅读流程。
howie 先把 Agent 系统拆成模型、工具和记忆几个层次。模型提供智能,工具让它能操作文件、网站和软件;Skills 封装单项技能,Plugins 则可以把多个技能及其他组件组织成面向职业或行业的一套能力。他最后把重点落到记忆:同样的模型、工具和技能,别人也可以买到,真正不同的是这个 Agent 能访问谁的数据。
他列出的材料包括阅读文章、划线、笔记、个人理解,以及多年积累的知识库。Notion 只是其中一个载体,并不是记忆层的唯一选择;Readwise Reader、本地笔记也都在这个范围里。这里不能把「Memory」缩成聊天软件自动记住几个偏好,也不能把它理解成往一个目录塞满文件。原文强调的是这些材料曾经经过持续阅读和个人加工,因此能够带着主人的思考参与新任务。
Ben哥可把这条落实到 knowledge.py 的输入约定:拟增加 build_personal_context(topic, source_paths),返回材料路径、原文摘录和个人判断,并让每条判断带上 source_path。这不是已核实的现有函数,而是应用设想。对深蒸馏而言,不能只把标题交给模型后要求「结合我的工作」;应传入本次授权的材料。权限不包含的文件不读,找不到的个人依据就明确写未核实,不拿猜测冒充你的经历。
他用 Notion 1.0、2.0、3.0 讲自己的理解:先是云端协作文档,再是数据库,最后是 Agent 参与整个工作流。这不是一份完整的官方版本年表,而是一套价值分层。
他在数据库阶段已经很兴奋,但没有积极向所有人推荐,原因很具体:设计字段、建立数据库、持续录入和维护都要耗费脑力。即使工具已经无代码,使用者仍要有足够材料和清晰需求。到了 Agent 阶段,人可以描述目标,由 Agent 承担建设和维护,再由人审阅结果。被降低的是实施成本,不是「知道自己想做什么」的要求。
| 讲者的分层 | 核心价值 | 原先的负担 | 本场强调的变化 |
|---|---|---|---|
| 1.0:云端协作 | 文档能在线访问、共同使用 | 不等于自动获得有序的数据系统 | 为后续访问与共享提供基础 |
| 2.0:数据库 | 信息有字段、类型、关联和多种视图 | 设计、录入、维护依赖人力 | 能组织复杂材料,但使用成本仍高 |
| 3.0:Agent 工作流 | Agent 参与构建和操作系统 | 人仍需定目标、审内容 | 把大量实施动作交给代理完成 |
Ben哥可在 kb/STANDARD.md 的评审口径里拟增加「资料组织」与「维护动作」两栏:前者说明字段和来源,后者说明由谁更新、如何确认更新正确。不要把「又产出一篇 md」直接当成系统升级。若今后在 tasks.md 登记知识库改造,可拟增「交付对象/维护责任/验收证据」三项;本篇只提出字段方案,不读取或修改任务清单,也不把已有流程说成缺失。
他把上手的心智模型压到几个基本概念:页面、块、数据库、属性、视图。一个数据库条目打开后仍是页面,既有标题与属性,也能有正文;正文由各种块组成,可以放标题、列表、引用,也可以嵌入数据库等内容。
数据库里的属性提供文本、日期、单选、多选等类型。视图则决定同一批条目怎样出现:表格、卡片、日历,或者按周、按月分组,再叠加筛选和排序。关键不是记住菜单在哪里,而是理解结构化数据与展示方式是两件事。他展示日报、周视图时,并不是重新写几套日报,而是在同一批材料上切换观察方式。
Ben哥可在 ~/.agent-autoloop/report_html.py 拟增加 render_report_view(payload, view_name):让详细版和简洁版消费同一份 payload,仅改变展示,不分别生成事实。拟约定 source_url、published_at、topic 等字段,由上游提供,展示层不补猜日期。这里借用的是原文的数据与视图分离思路,不意味着本场讲了你的报告代码,也不代表这些字段现在已经存在。
本场最具体的数据库操作,是把一次直播放进整个资料系统:直播主题、日期、链接、文字稿等进入直播条目;后续写复盘或整理文字稿又成为行动;行动可以关联某一周,也可以关联相关概念。一个页面因此不再孤立,它能连接到其他数据库中的页面。
他同时介绍 Relation 和 Rollup,用来连接不同数据库并做汇总;不过汇总函数怎么选、复杂计算怎么配,原文未展开。另一个降低重复劳动的办法是模板:数据库可以有模板,页面也可以有模板,阅读、电影、错题分析可以分别使用对应结构。复制模板解决的是起步时的重复建设,不能替代对实际材料的整理。
| 对象 | 本场的具体例子 | 它解决的问题 | 不能混淆的边界 |
|---|---|---|---|
| 属性 | 直播日期、链接、文字稿 | 明确一条记录有哪些信息 | 正文长不等于字段齐全 |
| 视图 | 日报卡片、周视图、日历 | 从不同角度看同一批数据 | 切视图不必复制材料 |
| Relation | 行动关联周、直播关联概念 | 让不同库的条目建立联系 | 链接关系不等于自动完成行动 |
| Rollup | 关联后的汇总能力 | 使用已建立的关联取汇总信息 | 本场没有完整配置教程 |
| 模板 | 阅读模板、直播模板 | 复用结构,降低建库成本 | 模板不自动提供个人内容 |
Ben哥可给 reading.py 的未来条目结构拟增 session_id、source_url、concept_ids、related_task_ids,让一篇蒸馏能回到同一场直播,也能找到后续行动。kb/STANDARD.md 可拟定一个判据:凡写「关联某任务」,必须提供明确的任务标识;没建立就写未建立,不能用一句泛泛的「与工作相关」替代。这里不要求迁移到 Notion,也不在本次改动这些脚本。
howie 演示了一套 Notion 入门教程:有基本概念、分课内容、案例、作业和综合实践。制作并不是让模型凭通用知识直接写完,而是让 Claude 的 Agent 读取他的 Readwise 材料、划线和思考,并使用他自己的 Notion 数据库作为练习案例。因此大家面对同一套入门知识,他能做出带有自己理念的教程。
他先说第一版大约十几分钟,又把中间执行与修改描述为十几到三十分钟不等;最后明确说,自己还花了更多时间逐条读、审核、提修改意见,整体是几个小时。他也会直接让 Notion Agent 修改局部内容。这几个时间口径不能压成「二十分钟完成全部课程」。人工要一周左右,是他的比较估计,不是一次受控测试的结果。
Ben哥可在 kb/STANDARD.md 拟增「首稿耗时/人工审阅耗时/总耗时/依据范围」四项,避免深蒸馏只报生成速度。knowledge.py 可拟增加 build_evidence_outline(transcript, context),先把论点对应到原文,再生成正文;应用设想则独立标注。审核时尤其查数字、日期、工具能力和成效比较,不能把讲者的感受加工成经过验证的效率承诺。
他搭私人信息流的起点是信息过载:公开渠道里大量内容包装成干货,真正有价值的信息反而难找。于是把 Readwise Reader、RSS、关注的信息源等汇入阅读系统,再结合自己长期做日报的经验,让 Agent 操作材料,并把阅读流程沉淀进 Notion。
视频学习系统也是同一思路:不只收藏视频链接,还连到原视频、相应时间点、阅读材料,以及笔记、幻灯片、闪卡、测验、概念和下一步行动。这里的重点不是「一次生成好多种格式」,而是从输入一路连接到学习动作。不过他也明确把部分系统的进一步讲解留给以后;信息筛选的具体评分公式、视频处理的完整实现,原文未展开。
Ben哥可在 reading.py 拟增加 select_for_digest(items, criteria),并为每个入选条目保留 selection_reason、source_url、next_action。选择标准由你确认,不能冒充本场提供的评分公式。~/.agent-autoloop/report_html.py 可拟增加一个展示这些字段的来源区,把「为什么值得读」与「原文说了什么」分开;不能靠文字排得漂亮,掩盖源材料不全或没有下一步动作。
面对「既然 Notion 强,为什么还用 Logseq 和 Obsidian」的问题,他回答得很明确:Logseq 和 Obsidian 服务于长期个人知识管理,本地笔记可以作为文件保存,并由不同工具打开;Notion 则承接适合数据库化的那部分内容。字段、类型、模板与关系需要精确设计,不能因为材料多就认定它已经是一个系统。
他还强调云端页面有链接、便于协作,Agent 可以通过工具进入这些系统;同时谈到本地连接需要配置环境,门槛不同。具体到不同模型或客户端的连接限制,本场只是当时的使用说明,不宜扩写成永久规则。选工具的判断,应落在你需要怎样管理数据、怎样协作,而不是把所有材料强行收进同一个 App。
Ben哥可在 kb/STANDARD.md 拟增「何时结构化」判据:需要反复筛选、状态管理或跨对象关联的内容,才设计对应字段;完整论述继续留在 md。knowledge.py 可拟增加 extract_record_metadata(markdown),读取来源、主题和关联信息,而不是重写全文。先把本地知识的对象口径理清,再讨论外部数据库映射,不因这场推荐就迁移、同步或开放整个知识库。
他反复要求入门不要被教程拖住:先掌握几个概念,围绕阅读、写作或孩子学习的真实需求直接做,碰到属性、块或关联不懂,再向 Notion AI 或知识库提问。他还展示把官方资料与个人材料放在 NotebookLM 中,用对话解释概念。这是一种做中学的顺序,不是保证所有人两小时后都能独立维护复杂系统。
对外部 Agent,他反而提醒不要急:安装之后还有配置、工具连接、升级和故障排除;花钱请人装好,不代表自己能长期用起来。他提到自己把 Agent 放在独立 Mac mini 上,并描述未开放外部端口的情况;这些只能视为个人部署做法,不能从「独立机器」直接推出「已经安全」。安全审计、备份恢复和长期维护的完整办法,原文未展开。
Ben哥可先把「一场直播进入阅读库并完成一篇可追溯蒸馏」作为小闭环,不同时扩建所有系统。若以后安排调度,cron-jobs.json 的任务约定可拟增 input_path、output_path、success_check,其中成功条件至少包含目标存在、来源齐全、正文非空;是否采用这些字段要另核现有结构。tasks.md 可拟记录「已生成/已复核/已验收」的独立状态,避免机器运行结束就自动写成交付成功。本篇不实施这些改动。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| Personal context 决定个性化结果 | knowledge.py | 拟加 build_personal_context(),逐条保留依据路径,不用通用背景冒充个人经验 |
| 数据与视图分离 | ~/.agent-autoloop/report_html.py | 拟加 render_report_view(),详细版和简洁版共用一份输入事实 |
| 直播、行动、概念相互关联 | reading.py | 拟加 session_id、concept_ids、related_task_ids,先能定位对象,再谈关联 |
| 首稿快不等于完成交付 | kb/STANDARD.md | 拟分别记录首稿、审阅与总耗时,并注明依据范围 |
| 私人阅读流程承载选择标准 | reading.py | 拟加 select_for_digest() 与 selection_reason,让入选理由可见 |
| 安装之后仍有维护成本 | cron-jobs.json、tasks.md | 后续经核对和授权再设计输入、输出、成功条件及独立验收状态,本篇不改配置 |
原文:howie.serious《notion 2026 专题:ai agent时代的战略性武器》,2026.03.04 直播录像的本地转写稿。原视频链接见文首。稿内有开场、预计直播时间与结束口述,但没有可核实的连续时间戳,故不据此填写精确时长。
本篇依据:完整分段阅读 /Users/benhong/.agent-autoloop/cdb/transcript/l_69a67a4be4b0694c34e1da1a.txt。正文按记忆层、数据库心智模型、教程与阅读案例、工具分工重组;没有联网补充资料,也没有把直播中的屏幕操作扩写成未出现的实现步骤。
更正与边界:机器转写中的 Notion、Claude、Readwise Reader、Logseq、NotebookLM、视图、元数据、增删改查等明显误识别按上下文整理。不确定的产品名不强行展开;价格、额度、接入能力与硬件谈话未作为当前购买或安全建议。教程耗时区分第一稿与整体审阅,教学及生产力收益只保留为个人经验。所有「对你的实际应用」及关联表均为面向 Ben哥的应用设想:所列文件来自任务指定及样例,未检查其当前代码,函数、字段均非已存在或已实施的断言。本次仅写本文,不改脚本、任务、规则或配置;独立内容验收不由执行者自称完成。
定位:中文深蒸馏,不是逐字摘要。