深蒸馏 · 直播回看 · 配额批次 4

OpenClaw 龙虾 Agent:把个人经验变成全天候运行的阅读与工作系统

直播回看 | 2026.02.27 | 约 150 分钟 | 已深蒸馏 16 / 53
来源:原视频 | @howie.serious | 2026.02.27
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_699fa535e4b0694c5b8d469e/4
阅读路径:先读第二组,看看一份日报怎样接上筛选、阅读、费曼与行动,才能理解他为什么反复说「不要为了龙虾而龙虾」。第一组解释工具实际怎样工作;第三组解释同样的工具为什么用出不同价值;第四组划清安装、成本与能力判断的边界。只看一组就看第二组,它最接近可以搬到手上工作的完整流程。
一句话结论:如果没有可调用的个人材料和明确的筛选判断,给 Agent 增加运行时间与技能,并不会自动把信息堆积变成有效学习。

第一组 · 龙虾不是聊天窗口,而是有工具、有住处的执行系统

1.1 改日程的关键,不是回答正确,而是真的改到了日历里

howie 展示的第一个任务很小:用手机说一句话,把原定周五晚上的直播改到周三。他在 Telegram 里发送需求,Agent 先读取 Google 工具相关的 skill,再执行操作,最后他打开 Google Calendar,检查日程已经改变。另一个例子是把出行或电影票截图丢过去,由 Agent 提取信息、更新日历。

这和「告诉我怎么改日程」不是一回事。前者需要人照说明操作,后者把目标交出去,工具调用发生在后台,人回来检查结果。他打开 reasoning、verbose 相关显示,是为了让观众看到中间不是魔法,而是读技能、执行命令、继续推进的过程。

原文在说什么

他用一个足够小的任务说明 Agent 的基本结构:收到目标,推理,调用工具,根据结果继续推理和行动,构成 agentic loop。全天候在线的设备与聊天入口,把这个循环从电脑前的一次操作,变成拿起手机就能发起的服务。展示中的回看日历也很重要:完成声明后面还有实际结果。

关键概念
对你的实际应用

Ben哥可以把这个区别落到 ~/.shared-agent/tasks.md 的任务记录上:后续经授权调整时,给交付记录明确区分「执行者返回结果」「产物路径」「验收者回看证据」。这不是本场给出的字段,而是对应你的任务协作提出的字段方案。本篇不读改该文件,也不把一次写出文件等同于独立验收通过。

1.2 排版案例说明:技能应该包住完整流程,而不只是一个提示词

第二个现场案例是发一个 Word 文档,再说「排版」。他的既有流程包括取出图片、上传图床、取得可访问的图片链接、整理 Markdown,再放进有自己 CSS 的排版工具。Agent 调用他教过的 markdownformatter 技能,把这些动作串起来,返回可供复制使用的内容。

他还把不同任务的结果分流:排版进排版群组,阅读汇报进阅读相关频道。尽管有多个对话窗口,他强调自己只养了一只龙虾,并没有为每一类任务都另造一个 Agent。入口与结果频道的拆分,不必等于执行者数量的膨胀。

现场任务人交出去的东西Agent 承接的流程人保留的环节
日程调整自然语言说明、票据截图提取信息、调用日历工具、更新安排打开日历核对
文档排版Word 文档与排版要求图片处理、图床链接、Markdown 整理检查结果并放入常用排版器
龙虾日报信息源、关注主题、编辑要求选材、编辑、渲染、定时交付再筛选值得深读的内容
文档知识库官方资料范围与用途抓取文档、转 Markdown、上传知识库围绕原始材料继续提问
原文在说什么

skill 的价值在于把原本靠人记住、逐步衔接的工作流教给 Agent。讲者展示的日报技能也不只有说明文字,还包括 Python 脚本与参考模板。需要区分现场展示程度:这次排版演示中,他又切回前面的正常结果讲解,不能据此宣称当场新任务的每个输出细节都已完整验收。

关键概念
对你的实际应用

Ben哥后续可在 ~/.agent-autoloop/report_html.py 增加拟议函数 validate_report_links(report),专门检查正文图片与来源链接是否缺失,再把检查结果随报告返回。它对应的是「交付可用结果」而不只是「生成了一段 HTML」。本篇没有检查该脚本的现有接口,函数名是落地提案,不是对已有代码的描述,更不意味着已经修改或发布。

第二组 · 日报的终点不是读完,而是形成自己的判断

2.1 两次筛选:Agent 缩小范围,人决定什么值得深读

他做日报的起因不是缺少信息,而是信息太多、质量混杂。讲者认为,追逐流量的长篇 AI 内容会伪装成干货,让人不断收藏,却没有更好的判断。他已经有庞大的阅读库,又订阅了多种信息源;再增加一份大而全摘要,解决不了这个问题。

他的流程是先把高信号材料汇集进 Readwise,再让龙虾制作日报,交付到手机与 Notion。他展示的一期日报新增了 20 条内容,之后由自己挑出需要进一步处理的文章。这个数字描述的是那一期,不是每日固定配额。入库也不是无条件自动发生:他先选择内容,再调用日报入库技能,让 Agent 按字段填入数据库。

原文在说什么

这里至少有两层判断:第一层让机器帮助人从海量信息里收窄范围,第二层由人决定哪些内容值得占用自己的深入阅读时间。他还提到每隔四小时整理一次信息,但对 RSS 的进一步自动筛选,用的是后续准备去做的表达。不能把计划与已经运行的部分混成一条全自动流水线。

关键概念
对你的实际应用

Ben哥可在 ~/.shared-agent/reading.py 的后续设计中加入拟议字段 selection_reason、selected_by、reading_status:分别记录为什么选、谁选、读到什么阶段。不要把抓取成功直接写成「已精读」。若脚本实际位于别处,应以现有入口为准;这里沿用你指定的真实工作文件名,未核验其路径与数据结构,也没有执行变更。

2.2 先拿结构,再回原文:省下来的时间必须交给思考

他展示了几种材料:长篇文章、短推文、视频访谈。共同处理方式不是把一切压缩得越短越好,而是先让 AI 做三级笔记,看到概念与论证框架,再围绕感兴趣的问题回到原文。

其中一个例子涉及大语言模型怎样理解特征和概念。他先读结构化笔记,发现自己真正关心的问题,再去原文搜索相关词语,补看材料;然后用语音说出自己的理解,与 AI 对话,再形成总结。短推文也一样:几百字并不意味着只能提炼几句话,它可能成为深入理解某个概念的入口。

视频的变化是从线性观看转成有框架地跳转。他强调,节省观看时间,不是为了继续塞入更多内容,而是把时间还给费曼、提取概念、形成想法和行动。

阅读动作在这套流程里的作用不能偷换成什么
三级笔记先看到结构,找到值得追问的问题已经替人理解全文
回读原文核对具体主题与上下文只看 AI 复述就确认事实
口头费曼把自己的理解、疑问说出来把 AI 写的总结当作自己的思考
概念提取与入库留下可以再次调用、持续完善的知识单元收集术语越多越懂
行动承接让阅读影响后续写作、学习或决策文章归档就算学习闭环
原文在说什么

阅读闭环的中心还是人的认知活动。AI 承担组织材料、解释、调用历史笔记等工作,但讲者仍需要画线、追问、复述与选择。所谓「超人模式」是他的体验性评价;本场没有用对照实验验证学习效率,也没有完整讲解三级笔记的全部模板规则。

关键概念
对你的实际应用

Ben哥可在 ~/.shared-agent/kb/STANDARD.md 后续增加「结构摘要与本人理解分栏」的标准:原文依据、AI 整理、本人费曼、行动出口分别标注;在 knowledge.py 设计拟议函数 extract_concepts_with_evidence(note),返回概念、原文依据与尚未理解的问题。这样深蒸馏不会因为排版完整就冒充本人已学会。概念提取的具体算法,原文未展开。

第三组 · 真正拉开差距的是个人上下文,不是龙虾数量

3.1 模型、个人上下文、Agent 系统,是三种不同的东西

howie 把大语言模型放在底层,把能组织模型、工具、skills、MCP 的龙虾放在更高的抽象层。中间有一个特别重要的层次:personal context。他强调,这包括自己的阅读材料、读书画线、笔记、关注的问题、长期经验,以及这些内容被 Agent 调用的便利程度。

他的论点不是只有积累很多年才能用 Agent,而是同样的模型与公开技能,别人也能获得;真正让结果贴近个人需要的,是操作者与个人上下文。他用自己的阅读库、Notion 系统和 Obsidian 笔记解释,为什么同一只龙虾在不同人手里,价值会不一样。

原文在说什么

这场虽然名为 OpenClaw 专题,核心并不是独家安装方法。他把差异从「谁先安装、谁装得多」转移到「谁知道自己要解决什么、谁能给出有用背景」。个人材料要能被调用,才不只是躺在硬盘上的收藏;但材料能访问,也不代表每次任务都会完整读取全部历史。

关键概念
对你的实际应用

Ben哥可让 ~/.shared-agent/knowledge.py 的未来检索入口增加拟议参数 project_context,返回材料时带上来源、适用任务、本人判断与依据,而不只返回关键词命中的正文。对 kb/STANDARD.md 的对应提案,是要求应用段保留「为什么适合手上这个项目」。本篇本身就必须把原文观点与针对你文件的方案分开,不能把拟议函数冒充讲者原话或现有功能。

3.2 Agency 的启发:给目标之后,它能不能继续往前走

他谈 agency 时,不再只给抽象定义,而是描述一种体验:告诉龙虾目标,它会找信息、调工具、写脚本、处理问题,甚至给自己增加技能。他认为,这种主动推进的表现,也提醒人保持好奇心、专注和学习能力。

一个具体例子是建立 OpenClaw 资料笔记本:他要求获取官方说明文档,转为 Markdown,再放入 NotebookLM。按他的叙述,Agent 写脚本抓取,形成两百多个文件,再调用相关技能上传。这个例子的重点是由目标倒推出动作链,而不是人逐页搬运。

原文在说什么

讲者把「能自己改变自己」视为区别于传统软件的重要体验,包括修改配置、添加技能和写工具。但他用「不达目标不停下来」来形容 agency,不等于展示了无限可靠、没有失败的执行系统。相关错误恢复细节、停止条件与权限控制,原文未展开。

关键概念
对你的实际应用

Ben哥可在 ~/.agent-autoloop/cron-jobs.json 的后续任务规格中明确记录「目标、输入范围、交付位置、停止条件」,再由实际调度程序决定字段映射;不能假设现有调度器直接支持这些新字段。涉及 tasks.md 的承接只作为文中方案:列出下一步与阻塞原因,而不是放任 Agent 为追求目标跨范围改文件。本次没有改调度、配置或任务清单。

第四组 · 不折腾不是不学习,而是把学习用在当前问题上

4.1 安装的可迁移部分,是先讲清环境,再记下概念

他描述的安装过程很朴素:先向 AI 说明自己有什么电脑、网络准备得怎样、希望花多少钱,再让 AI 帮助配置,遇到终端问题继续问。环境里包括 Mac mini、浏览器、聊天工具以及模型使用入口;后续按需求接入阅读、日历或笔记相关技能。

真正被他反复强调的动作是「起一个笔记」。不知道 Gateway、Session、Heartbeat、memory、cron 是什么,就让 AI 列概念、解释,再随使用补充理解。需要哪个技能,再记录它解决什么问题、从哪里获取、怎样使用;不是因为技能很多就全部安装。

原文在说什么

「十来分钟」「几次复制粘贴」描述的是他自己的顺利经历,其中网络环境等条件已经具备,不能作为所有人的安装时长保证。本场没有逐行提供一份可照抄的完整安装命令。Obsidian 与更复杂的记忆方案,他明确说当前没有必要就不折腾,而不是宣称这些能力永远不重要。

关键概念
对你的实际应用

Ben哥可在 ~/.shared-agent/kb/STANDARD.md 的后续规范中增加「陌生概念说明」:定义、当前用途、相关原文位置;对 reading.py 增加拟议函数 collect_open_questions(note),只收集阻碍本篇理解的问题。没有影响当前任务的安装细节或记忆技术,就标「原文未展开」,不为了补齐术语表而扩展为外部研究。这次只落实在本篇表达中,不修改规范文件。

4.2 别把他的低增量成本,理解成所有人都能免费复制

他一边讲自己「不花钱」,一边说明已有闲置 Mac mini、已有 ChatGPT Plus 订阅,并为推特 API 充值了 20 美元。这里真正有用的是成本口径:已有资源可以复用,所以这次探索不必先买一整套新设备、也不必立刻换最贵的模型。

他也展示或讨论 Claude Cowork、Notion Agent,并让不同工具做类似日报来比较结果。工具并不只剩 OpenClaw 一种。对模型文字质量、Agent 能力、会员价格与额度的评价,都属于当时的使用经验,不能从中推导出长期不变的价格表或能力排名。

原文在说什么

这场最后落在「用工具做产品,解决具体的高价值问题」。他考虑把自己的 AI 内参先做小范围内测,再整理模板,也区分私密笔记和可单独提供的日报。产品价格、开放范围和后续学习系统多数是计划,不是已经交付的成果;学习效果与节省费用的强烈说法,也没有在本场给出可复核的测量方法。

关键概念
对你的实际应用

Ben哥可在 ~/.agent-autoloop/report_html.py 的后续报告数据中区分拟议字段 existing_subscription、incremental_cost、coverage_limit,避免把已有订阅的可用额度写成永久免费。比较不同 Agent 时,让 reading.py 接收同一输入范围,按同一份 kb/STANDARD.md 检查来源与结构;先比实际产物,不因为工具名称不同就重建一套知识库。本篇不核验任何账号、额度或计费政策。

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
执行动作后回看结果~/.shared-agent/tasks.md后续授权调整时,区分执行结果、产物路径与独立回看证据
技能覆盖整条排版链~/.agent-autoloop/report_html.py拟加 validate_report_links(report),让生成与可用性检查分开
Agent 初筛、人再挑选reading.py拟加 selection_reason、selected_by,保留筛选依据
收藏不等于读完reading.py用 reading_status 区分入库、阅读中与完成闭环,具体取值依现有结构确定
三级笔记后仍回原文~/.shared-agent/kb/STANDARD.md标准中明确区分原文依据、AI 整理与本人理解
个人上下文决定贴合程度knowledge.py拟加 project_context 参数,检索结果携带来源与适用背景
主动推进不等于无限执行~/.agent-autoloop/cron-jobs.json任务规格写明输入范围、目标和停止条件,字段须与现有调度器核对
低增量成本不等于免费~/.agent-autoloop/report_html.py成本呈现区分已有订阅、额外支出与覆盖限制

以上是针对 Ben哥 文件的后续设计提案,不是本次执行记录;没有修改或读取这些业务文件来确认现有实现。


原文:howie.serious【howie 的 AI 主题讲座】OpenClaw 龙虾 Agent 专题,2026.02.27 直播回看。转写中有八点正式开始、十点半结束的口述线索,因此标约 150 分钟,不作为精确媒体时长。

本篇依据:本地转写稿 /Users/benhong/.agent-autoloop/cdb/transcript/l_699fa535e4b0694c5b8d469e.txt,从开场到告别分段完整阅读。正文依据日历、排版、日报、阅读与概念入库、个人上下文、安装经验及结尾问答整理;没有观看视频画面,没有补充外部资料。16 / 53 的序号按本任务 q16 编号与指定总数写入。

更正与边界:按上下文统一 OpenClaw、Claude、Readwise、Notion、Telegram、Typeless、费曼、图床等明显误识别;无法确定的模型版本、命令与工具细节不擅自还原。会员额度、平台政策与市场行情仅为当时谈话背景,未据此形成现行事实或投资建议。「一次配置终身不用管」「十倍」「千倍」等不视为可靠性保证或实测指标;本场未完整披露的权限、记忆实现、技能源码、后续家庭学习系统均属原文未展开。应用段所列字段与函数为本文提出的方案,未经代码核验,未实际变更。

定位:中文深蒸馏,不是逐字摘要。