深蒸馏 · 直播回看 · 配额批次 6

从向AI要价值到向AI系统要价值:把个人积累变成可持续运行的工作方式

直播回看 | 2026.01.09 | 约120分钟 | 已深蒸馏 22 / 53
来源:原视频 | @howie.serious | 2026.01.09
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_695f094ee4b0694ca1683f2c/4
阅读路径:先读第二组,弄清「AI系统」比聊天窗口多了什么;再读第三组,判断知识库、数据库与具体工具各管哪一段;第一组解释为什么先保护人的注意力,第四组解释为什么不能靠生成能力跳过专业积累。只看一组就看第二组,它决定你是在增加对话,还是在改造工作。 一句话结论:如果没有把自己的高质量资料与既有做事流程接进AI,增加订阅、聊天次数和生成数量,并不会自动带来持续的价值增长。

第一组 · 人先定方向:注意力不是工具升级后的剩余物

1.1 年度纲领的作用,是替注意力做取舍

原文在说什么

howie把元旦到春节之间看作「抬头看路」的窗口:不是继续低头加班,而是回顾得失,形成能指导全年取舍的判断。他回顾2025年的六个字「向AI要价值」,强调好判断并非年初说完就冻结,而是在交流与外部证据中不断校准。

这与他提出的「注意力贫困」连在一起。问题不是每天没有时间,而是重要的事分不到注意力:短视频照刷,阅读却做不到;其他事没耽误,孩子真正需要帮助时却没有有效支持。如果不从别处减掉一些东西,就不可能腾出足够的时间理解复杂的AI工具。

关键概念
对你的实际应用

对Ben哥,可把这个原则转成 tasks.md 的任务说明要求:拟增加「服务的年度目标」「本轮不做什么」两项,任务入列时说明它替哪件重要事情服务。cron-jobs.json 的配置评审也应先问「这次定时运行替代了哪项重复劳动」,而不是看到新模型就增加一次调用。这些是应用设计,本篇不读取或改动上述文件,也不假定它们已有这些字段。

1.2 深度独处与共同成长,都在反对错误的节奏

原文在说什么

如果2026年只能选择一个持续实践的习惯,他个人最看重「深度独处」。示例很具体:送孩子上学后,不带电脑,在咖啡馆坐一坐,有想法再用手机记录。这是他刚开始尝试的习惯,不是已持续多年并得到验证的方案。

他还用每天阅读一小时说明小习惯的连锁影响:睡前读书可能带来不把手机放床边、改善睡眠等变化。另一条线是教育与事业需要自己的生长节奏。他借创新学校的话题提醒:资源与履历不能让教育跳过时间,父母要亲自看见孩子的困难,再适时提供支持,不能只拿外部成功叙事横向比较。

关键概念
对你的实际应用

Ben哥若把阅读习惯落实到 reading.py,可拟增加 build_reading_reflection():输出「本次真正理解了什么」「哪里需要回看原文」「下一次继续哪个问题」,而非只累计处理篇数。对应 cron-jobs.json,评审阅读任务时保留人的阅读与思考环节,不把自动摘要完成当作本人已经读懂。具体提醒频率、独处时长和家庭安排,原文未展开,本篇不替你规定。

第二组 · 价值来自系统:模型能力强,不等于工作已经被改造

2.1 从聊天窗口,走向资料与流程共同运行

原文在说什么

这场的核心升级是:2025年「向AI要价值」,2026年要加上「用系统来工作」,也就是「向AI系统要价值」。他认为落地鸿沟不在模型不够强,而在人还没有把模型能力转成自己的工作、阅读、写作与学习方式。

他的演示从一个想法开始:提出「注意力贫困」后,让AI到自己存放在Google Drive的笔记与阅读资料里检索相关内容,再分析、构建和丰富概念。不是要求自己凭记忆重新召回所有材料,也不是让模型脱离个人资料自由发挥。另一个演示是基于个人云盘做主题研究。

他观察到网页中的回答会先交代计划,再交替调用工具与思考,并给出阶段性总结;但其中一次并未顺利给出最终结果,还需要他追问输出。这个细节很重要:过程显得像Agent,不等于最后已经交付。

关键概念
对你的实际应用

对Ben哥的 knowledge.py,可拟增加 build_topic_context(topic):先返回相关材料、来源位置与支持的观点,再进入主题写作;材料不足就明确输出「原文未展开」。~/.agent-autoloop/report_html.py 则可拟增加 render_evidence_summary(),在报告中展示正文依据了哪些材料。这里借用的是原文的「先用自己的资料再综合」逻辑,不宣称现有脚本已经具备检索或证据展示能力。

2.2 付费与Token是价值的信号,不是价值本身

原文在说什么

howie判断2026年是AI落地的关键之年,并把基础设施投入与真实应用需求联系起来:如果投入持续增长,却没有实际价值承接,就难以一直延续。他用垂直应用举例,区分简单接入多个模型的聊天套壳,与本来就有独立功能、再与AI有机结合的应用。

他个人对Figma的使用没有足够高频需求,因此没有继续订阅;对Notion AI则认为系统价值明显提高,愿意持续付费。同样是付费,关键并非工具名气,而是自己的需求能不能支撑它的价格。

他还预测,系统化使用会让Token消耗达到过去的十倍甚至百倍:AI在大量笔记里检索、分析与处理错题,工作量不是人一句一句聊天能比的。但这些倍数是其预测,不是听众必须完成的配额。他对少数用户占比、教培节省与资产走势的判断,也没有在本场给出可核验的统计依据。

关键概念
观察信号原文想用它说明什么本篇保留的边界
愿意持续为应用付费用户感到应用创造了实际价值付款行为不能单独证明收益已经实现
Token消耗显著增长AI承担了更多系统内部的工作消耗增长不自动等于有效产出增长
原有应用结合AI价值可能来自资料、流程与模型的结合不能只凭增加聊天入口就认定完成升级
教育、写作等具体场景效率可以表现为时间与支出的替代节省金额与学习效果需要各自验证
对你的实际应用

Ben哥可在 ~/.agent-autoloop/report_html.py 拟增加 render_value_evidence(),分别展示「本次完成的工作」「替代的人工步骤」「已观察到的结果」,没有测量的节省时间不填成事实。对 cron-jobs.json 的配额试验,评审时把Token用量与合格交付数量分开看,不能把跑满额度当成成功。本篇不修改配额、不新增调度,也不把讲者的付费标准变成你的采购要求。

第三组 · 数据先归位:知识库、业务子系统与输入材料各有职责

3.1 Logseq与Notion不是二选一,而是不同层次

原文在说什么

回答Notion与Logseq的关系时,他把Logseq定位为自己的唯一个人知识管理系统,把Notion定位为一组业务子系统。区别落在结构:笔记容纳不那么结构化的内容;数据库中的条目、属性与关联则要求精确。他用孩子编程与数学学习系统说明子系统各自有使命,不是把所有东西都塞进同一个容器。

他对用Notion做个人知识管理的否定非常强烈。这应理解为其方法论立场,而不是本场已经证明任何人都不适合这样使用。他也明确表示,尚未看到把自己现有Logseq Markdown方案迁到数据库版本的必要,不会因为版本新就迁移。

另一个重复出现的判断是「数据在哪里,AI就在哪里创造价值」。他计划继续整合过去的阅读画线与笔记,强调多年资料积累并没有因为AI出现而失效,反而变成了上下文的基础。

关键概念
对象在讲者体系中的职责选择时先问什么
Logseq或Obsidian承载个人笔记与知识积累能否保留并调用长期积累的内容
Notion承载有明确使命的结构化子系统字段、条目与关联是否服务真实业务
阅读库汇集文章、书籍与阅读痕迹既往阅读能否成为当前问题的材料
API、连接器、MCP等帮助不同工具与资料连接所需数据能否实际进入工作流程
对你的实际应用

对Ben哥,可在 kb/STANDARD.md 拟明确「知识正文」与「任务状态」两类职责:前者保留解释、来源与边界,后者仍由 tasks.md 承载,不把每篇知识文章写成任务表。knowledge.py 可拟增加 build_context_bundle(),按当前问题组织正文与来源,不要求为接入AI先迁移全部笔记。这里给的是职责划分方案,不据样例中的历史描述判断你当前系统是否缺字段。

3.2 三级笔记不是压短全文,而是保留认知骨架

原文在说什么

对长会议录音,他给出的过程是:先转写,再用三级笔记的提示词构建认知框架,最后由人做细节优化与排版。层次包括主要想法、次级想法,以及支撑它们的细节和证据。目标不是把每段平均缩短,而是形成简洁、结构化、容易处理的内容。

对信息源,他认为不存在拿到就能变强的秘密清单。RSS、博客与相关媒体不难找到,更重要的是信息如何服务个人价值创造。他称很多文章看过三级笔记即可,只有值得继续投入时才回到原文;其中比例是个人经验判断。

谈Prompt时,他同样把重点放回人:把问题、资源、要求和相关资料结构化表达出来,再理解产出并反馈,而不是寻找一种特殊的「AI语言」。本场提到三级笔记的方法,但没有公开完整提示词,不能据此还原其全部格式。

关键概念
对你的实际应用

Ben哥可在 reading.py 拟增加 extract_three_level_notes(),输出 main_ideas、supporting_ideas、evidence;这些字段是本篇的应用命名,不是讲者公布的接口。kb/STANDARD.md 可拟增加一条检查:每个核心判断都要能指出支撑材料,不能只留下漂亮标题。对本篇这样的深蒸馏,实际应用另行标注,不混进讲者原意,避免AI压缩后把分析写成事实。

第四组 · 人的专业不能外包:会生成,不等于知道该生成什么

4.1 图片式PPT的编辑困惑,先问输出到底是什么

原文在说什么

针对Nano Banana生成的PPT为什么难改文字,他先区分两种对象:传统演示文稿由可独立拖动、修改的元素组成;图像生成的一页则是一次性生成的图片,文字也在图像里。看上去都是PPT,编辑机制却不同。

他认为,局部重绘可能牵动背景与其他内容,反复修改会损伤整页质量。与其不断修图,不如先把用于知识可视化的Prompt优化清楚:内容更结构化,描述更准确,再生成整页,必要时精确改少量细节。他提到改到三遍、四遍、五遍以上容易不可用,这是使用经验,不是通用技术阈值。

这个例子服务于更大的判断:AI已经是复杂工具,只问「点哪里」「用哪个」,常常绕过了真正的问题。Deep Research与Agent的比较也一样,他不接受一次报告结果就推出后者普遍更好的结论;底层模型与具体任务有差异。

关键概念
对你的实际应用

对Ben哥的 ~/.agent-autoloop/report_html.py,可拟增加 render_content_mode_note(),在涉及图片式内容时标明「整图输出」或「结构化内容」,避免把整图当作可逐字修改的正文。kb/STANDARD.md 可拟增加「先核内容结构,再做视觉呈现」的检查项。原文没有讲HTML实现、图片识别或自动修图函数,本篇只映射输出形态的区别,不假造技术方案已被讲者验证。

4.2 一件个人小事,加上一件时代大事

原文在说什么

对「怎样找到擅长领域」,他用两件事作答:一件是AI这样的时代大事,另一件是个人长期投入、真正有兴趣与经验的小事。AI不是全部,必须与「我是谁」结合。不断追热点、缺少自己价值主张的人,只是在转述别人的声音。

他把这点用于写作、音乐、知识漫画与教育:不懂某领域,往往连生成内容是否有价值都无法判断。知识漫画不是把简单东西画复杂,而是在文字难以解释抽象、陌生内容时降低理解门槛。工具能放大已有洞察,却不能保证一个不了解领域的人突然拥有专业判断。

同时,他不赞成轻易手搓替代NotebookLM:成熟产品的每项功能背后都有流程与长期迭代,不是一条Prompt就能对等替换。对孩子的学习系统,他只说明目前针对数学与编程实践,具体结构原文未展开;父母先用AI改造自己的学习,再谈怎样帮助孩子。

关键概念
对你的实际应用

Ben哥可在 knowledge.py 拟增加 build_domain_boundary_note(),输出「材料支持什么」「哪些判断还缺依据」「原文未展开什么」,把专业判断留在可回看的证据上。reading.py 的材料整理可拟增加 supports_current_work 说明,写清它服务哪项已有工作。不要因为AI能生成音乐、图表或新工具就自动扩任务;也不要在未比较成熟能力之前,把重做整套知识平台当作知识库落地的前提。

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
用纲领保护注意力tasks.md后续任务说明拟补年度目标与本轮不做什么;本篇不改任务清单
个人资料成为上下文knowledge.py拟加 build_topic_context(topic),先给相关材料与来源再综合
系统消耗不等于价值cron-jobs.json配额评审分看调用消耗与合格交付,不用跑满额度代替结果
价值要落到工作变化~/.agent-autoloop/report_html.py拟加 render_value_evidence(),只展示有依据的产出与替代步骤
三级笔记保留关系reading.py拟加 extract_three_level_notes(),分主张、次级观点与证据
知识与任务分层kb/STANDARD.md拟明确知识正文承载解释与来源,不重复维护任务状态
专业判断不能外包knowledge.py拟加 build_domain_boundary_note(),明确支持范围与材料缺口

原文:howie《新年务虚专场:2026 ai 落地展望》,2026.01.09直播回看。转写多次说明每场两个小时,结尾再次确认,故时长记为约120分钟;不据此推算录像精确起止时间。

本篇依据:仅依据本次提供的转写全文,未补外部资料。围绕注意力、AI系统、知识管理分工与人的专业判断重组论证,保留个人资料主题研究、Notion子系统、三级笔记和图片式PPT等案例;省去设备调试、重复口语与社群购买说明。序号22按目标文件名q22标识,53按本次指定总数,不代表已核对整个知识库的实际进度。

更正与边界:将「戊虚/戊戌」统一为「务虚」,将上下文清晰的产品名统一为ChatGPT、Gemini、Claude Code、Logseq、Notion、NotebookLM与Readwise;不确定的姓名、书名及术语不强行还原。资产价格、市场份额、用户付费比例、模型底层版本与「最后五年」等属于讲者当时的观察、推测或判断,本篇不把它们当成已证实事实或当前信息。平台互联、资料可访问和模型效果也不能据本场口述视为无条件成立。各段「对你的实际应用」与末表是面向Ben哥的应用推演,函数、字段均为拟议设计,未检查其现有实现,未改动相关文件;独立内容验收不在本轮执行范围。

定位:中文深蒸馏,不是逐字摘要。