深蒸馏 · 直播回看 · 配额批次 6

从出图到阅读:把 AI 能力拆成可掌控、能积累的工作流

直播回看 | 2025.12.12 | 约两小时,结束略有超时 | 已深蒸馏 24 / 53
来源:原视频 | @howie.serious | 2025.12.12
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_69378adce4b0694c5b5f3a80/4
阅读路径:先读第一组,理解为什么先策划再出图,比复制一个漂亮提示词更重要;第二组看选题、练习和工具边界;第三组把同一思路搬到阅读与知识管理;第四组看「向 AI 要价值」的判断依据与限制。只看一组就看第一组,它给出了本场最具体、可复用的操作链。
一句话结论:对需要准确内容的知识可视化和阅读任务,把结构策划、生成与人的判断拆开,比把全部要求塞进一次生成,更容易得到可检查、可复用的结果。

第一组 · 知识可视化:先把内容想清楚,再让模型画出来

1.1 从地球圈层图的失败,看出提示词真正的结构

原文在说什么

howie 从一个 Google 官方示例开始:画地球圈层的科学信息图。示例不仅说画什么,还规定字体、背景色、强调色,以及手绘、蓝图等视觉效果。普通人容易改「地球圈层」这几个字,却很难有把握地改后面的美术语言。照搬能得到一张看起来不错的图,但不等于掌握了创作方法。

他的第一步是拆解:内容、图片类型、美术风格。内容回答画什么,类型回答用信息图还是漫画,风格回答怎样呈现。他随后加入中文要求,但发现仅仅把提示词拆开、翻成中文,仍会出现乱码与经不起细看的细节。这一点很重要:分类清楚不等于内容已经策划好。

要素原文中的例子实际要决定什么
内容地球圈层结构图里必须解释哪些对象、关系
类型科学信息图、知识漫画、插图用什么表达形式承载内容
风格单色、手绘、蓝图效果配色、字体与整体视觉语言
策划标题、位置、模块、文案每一部分放哪里、具体写什么
关键概念

拆解不是同义改写,而是找到可分别控制的变量。 内容、类型、风格可以分别改变;标题、模块、文案还需要继续展开。网上现成提示词的局限,不只是「不够长」,而是使用者不知道哪些部分在控制什么。

对你的实际应用

Ben哥可把这张拆解表转成 kb/STANDARD.md 的「可视化策划输入」草案,字段用 content_scope、visual_type、visual_style、modules。这是本篇提出的字段,不是对现有文件的描述。先要求每个模块有明确文案,再谈图片风格;本次不改标准文件。

1.2 两段式工作流:策划方案是中间产物,不是聊天残留

原文在说什么

第二轮迭代,他把任务分成两个环节。先请文本模型充当信息图策划,设计整体风格、配色、标题、模块位置及各模块文案;再把完整方案复制给 Nano Banana Pro,要求按方案出图。不是先画一张再猜哪里不对,而是先有一份能被人阅读、修改的方案。

策划环节可以换模型,也可以让几个模型分别出稿,再比较、取舍;绘图环节交给擅长绘图的模型。他提到不同模型的策划会带来不同结果,也指出其中一份方案内容过多。这意味着「换更强模型」不能替代人对信息量的判断。

重要任务可以像审核下属方案一样,把自己的想法、品位加进去;普通任务也可直接复制方案。再往后,他把重复指令封装成「信息图大师」:输入一句需求、文章或链接,先得到方案,再交给绘图模型。最初几分钟写出的版本已经够用,就先用,遇到具体问题再迭代,而不是为了版本号不停改。

关键概念

中间方案让创作可控,流程分工让模型可替换。 持久的能力不是记住某个模型按钮,而是知道策划和执行各需要什么输入、交付什么。原文展示了流程,却没有给出「信息图大师」完整提示词,不能据此复原其全部内部指令。

对你的实际应用

Ben哥可在 ~/.agent-autoloop/report_html.py 的后续方案里增加 build_visual_brief():先整理本次报告的标题、证据、模块文案,再交给独立出图环节。该函数是本篇建议新增,不声称现有脚本具备。策划输出仍保留可读文本,不能只留最终图片,否则下一次纠错又得从头猜。

第二组 · 成品质量:选题与品位,比多画几张更难外包

2.1 知识漫画不是给任何道理套一层可爱外壳

原文在说什么

howie 把 PPT、知识漫画、信息图归到知识可视化,并认为这是 Nano Banana Pro 特别有价值的用法。但他没有把「能画」等同于「值得画」。知识漫画适合解释陌生、抽象、复杂、平时难以学会的内容,比如 Transformer 的内部结构与运行原理;把这些内容融进故事和画面,表达形式才真正承担了理解工作。

相反,一句空泛的大道理,即使用熟悉的卡通形象讲出来,仍然可能令人反感。画面没有增加理解,只增加了包装。他用欧姆社的知识漫画和 Horrible Science 等阅读经验说明:需要看过好的作品,才更容易判断题材是否适合漫画,什么样的表达真正有用。

他同时强调大量实践。每一张信息图单独作为笔记保存,生成后收集正负反馈,再把经验提炼进提示词。这里不是「囤一堆图就会进步」,而是作品、反馈、提示词修订之间要有联系。

关键概念

品位首先是选择,不只是审美词汇。 它包括什么值得做、适合什么形式、做到什么程度。看好作品提供参照,做真实作品暴露差距,把差距沉淀进提示词,才形成持续改进。

对你的实际应用

Ben哥可给 knowledge.py 的后续设计加入 assess_visual_fit(),输出 learning_obstacle、visual_gain、chosen_format:读者究竟卡在哪里,画面能多解释什么,最后选信息图还是漫画。字段是应用草案;原文没有这样的程序。若说不出画面增加的理解,就保留文字,不为每篇深蒸馏强行配漫画。

2.2 局部修图与渠道选择,不能变成质量保证书

原文在说什么

面对汉字错乱,howie 给的普通路径是:准确指出错误,说明要改哪些字、删哪个区域,再生成。他还演示了刚付费试用的 Figma AI:用提示词修改图片、选择局部区域、分离元素或图层、加字等。但现场演示出现了操作问题,他也明确说还在试,之后再分享。不能把这一段写成已经验证成熟的全自动精修方案。

他推荐通过正式 Google AI 会员使用相关功能,反对购买来历不明账号、假学生认证,以及只看「免费」的套壳入口。论点不只是单次便宜,而是长期账号、数据与多个工具之间的关系。他把账号称为重要数字资产。

原文的成本表述有明显口径差异:前面说演示中的一张图约一毛钱,后面又按 API 一张约一元、会员分摊与每日额度算账;日额度也被他说成正在变化。因此,这些只能是他当时描述的不同使用场景,不能合成一张统一报价表。

关键概念

使用渠道、账户价值、生成质量是不同问题。 正规渠道不自动保证没有错字,分步工作流也不自动保证内容全对。原文中「基本不会出错」「一个错字都没有」属于讲者对演示作品的评价,不是通用可靠性承诺。

对你的实际应用

Ben哥可在 kb/STANDARD.md 的后续可视化检查单中加入 text_errors、content_errors、repair_instruction,分别记录错字、内容错误和精确修改要求。记录渠道时只写产品名与使用方式,不记录账号凭据。当前只写这篇稿,不试用付费工具、不修改任何配置。

第三组 · 高带宽阅读:把线性材料变成可重访的知识结构

3.1 读得快的前提,是先有框架,再主动建立连接

原文在说什么

这一组把前面的「先策划」移到阅读。howie 将播客、知识视频、网页、书统一视为阅读,不再按媒介分开管理。他用每周一个页面,汇总当周重点输入,并为单篇材料建立阅读笔记。

演示路径是:材料进入 Readwise Reader,取得文字稿;调用较强的推理模型执行「三级笔记」指令;把得到的知识框架放进 Logseq,再从框架中提取概念与重要思想。笔记保留原文链接、AI 对话链接、阅读时间与重要性等信息,后续重读时继续更新。

他坦言有的文章尚未逐字读完,但已能借助结构提取,把其中内容与过去的知识关联起来。他认为阅读的目标不是把字扫完,而是从线性文本主动构建树状结构,再连接进已有知识。框架不是阅读的结束,而是后续理解和提问的入口。

关键概念

高带宽阅读不等于让 AI 替你宣布读懂。 原文强调提取、连接和重构,不只是一份压缩摘要。三级笔记的完整提示词未在本场逐字展开;其中的具体层级规则,原文未展开。

对你的实际应用

Ben哥可给 reading.py 的后续阅读记录增加 source_url、ai_dialogue_url、read_week、importance、outline。这些是拟议字段,不是现状核验。先把来源和框架放在同一条记录,再做深蒸馏;这样几个月后回访,既能找到结论,也能找到它从哪里来。

3.2 新概念不是另开一堆孤岛,而是回到旧笔记继续生长

原文在说什么

演示中遇到 post-training,howie 先把它作为概念页查看,发现自己以前已经建过;继续沿关系看到强化学习等概念,遇到尚未建立的 PPO,再新建页面、按需要向 AI 追问解释。这里的关键不是一次背会多少术语,而是新材料有没有更新旧概念的含义和连接。

AlphaEvolve 是另一例。他说自己在之前见到它时已创建笔记,本周再次读到相关动态,就继续补充。同一个概念经过多次遇见,逐渐变得具体、准确,并与其他概念关联。他介绍它是一种围绕清晰定义的问题、用演化方式迭代算法的 agent;具体算法实现与评估方法,原文未展开。

他把笔记系统与 AI 的结合看得很重,也提到通过 Google Drive 等工具衔接个人笔记。但本场没有给出完整同步配置、访问范围或权限说明,不能把他的个人使用经验改写成所有环境都能直接接通的说明书。

阅读动作留下的东西判断是否有积累
汇总当周输入每周阅读页面能否找回这一周重点读过什么
提取文章框架结构化笔记能否说明各部分的关系
遇见旧概念原有概念页的更新是否增加了说明或新连接
遇见新概念新概念页与关联是否能说明它与当前问题的关系
后续重读原记录的继续迭代是否仍保有来源与阅读过程
关键概念

积累不是新增笔记数,而是概念越来越清楚。 每次输入都新建一个互不相关的摘要,会保存很多文字,却未必形成讲者所说的知识系统。原文所展示的优势,在于旧内容可以被重新调出、更新和使用。

对你的实际应用

Ben哥可在 knowledge.py 后续增加 link_concepts(),按已有概念名先查再建,并保留 concept_links 与 source_refs。概念匹配不确定时只列候选,不自动合并旧笔记。这个保守实现是本篇的应用推演,不是直播里的技术方案,也不代表本次已经改过脚本。

第四组 · 向 AI 要价值:不要把工具能力误写成人的结果

4.1 学 AI 的底层类比,最终落在 agency 而不是知道术语

原文在说什么

开场 howie 把模型训练中的几个概念映射到人的学习:预训练提供语言、世界知识与理解基础;强化学习类似刻意练习,形成某一领域的解题能力;工具使用放大人的限制;奖励建模类比成长中的奖惩反馈;对齐对应价值信念;最后靠 agency,把目标拆成计划、调用资源、投入注意力并持续行动。

这不是本场的技术教程,而是用 AI 概念重新组织「人怎样成长」的解释。他尤其强调,知道很多道理不等于能做成事。前面的能力都可能停在「知道」,agency 才把它们送进真实任务。

他用短视频与平台算法讨论目标函数可能伤害人,强调不能只追求一个量化指标。相关平台评价是讲者的价值判断,本场没有提供独立调查材料。把这段读成「优化目标必须考虑人的代价」,比照搬他的全部断言更稳妥。

关键概念

agency 是围绕目标持续行动的能动性;对齐是在行动前问清楚到底为谁、追求什么。 预训练等概念与人的学习之间,是讲者提出的启发性类比,不能当成二者机制完全相同的科学证明。

对你的实际应用

Ben哥可在后续 tasks.md 任务条目中使用「目标、下一步、完成证据、停止条件」四项,让「要价值」落到具体结果,避免只统计产出篇数。这里仅提出下一轮可采用的记录方式;遵守本任务边界,本次不读取、不修改 tasks.md,也不新增调度。

4.2 更贵的模型、更少的摩擦,都不自动等于更好的生活

原文在说什么

howie 用分步出图解释,为什么他愿意在更强模型与更多推理上投入:先把方案想细,再生成,效果比一句话直出更好。但他进一步把优质产出与更贵、更多 token 绑定,又延伸到科技公司的长期价值判断。这是从个人实践继续外推,不是本场已经证明的普遍因果关系,也不能据此形成投资结论。

工具选择的另一条尺度是摩擦。回答能否只用 Google 会员时,他说可以,但自己更看重 Reader、浏览器、AI 和 Logseq 衔接起来的顺畅程度:少复制粘贴、少导出整理、来源不丢、旧阅读找得回来。这里比较的是整条流程,而非单个模型谁绝对第一。

价值也不限于收入。他说流程改造让自己能每天读《红楼梦》,给家人与孩子更多时间;同时承认 AI 提效后,自己反而可能醒着就不停动脑,更加疲惫。他对教育、技术富足和未来 AGI 的判断包含强烈期待。本场最值得保留的现实尺度,是省出的时间去了哪里,而不是未来保证会怎样。

关键概念

效率收益与负荷增加可以同时发生。 买更好的工具,是购买一种可能性;把输入、输出和回访串好,才可能降低摩擦。原文没有给出统一的耗时对照实验,也没有证明只增加 token 就能消除错误。

对你的实际应用

Ben哥可在 reading.py 的后续运行记录增加 elapsed_seconds、manual_steps、rework_count,比较同一类材料的整理成本,而不是只记模型名。对 cron-jobs.json 不因「AI 更快」就增加频次;先看是否真的少返工、少人工衔接。本篇不改该配置,尤其不把效率提升变成默认加班或加任务。

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
策划和出图分开~/.agent-autoloop/report_html.py后续新增 build_visual_brief(),先交付模块文案,再进入绘图
内容、类型、风格拆开kb/STANDARD.md拟增四项策划输入,避免只写「做得好看」
知识漫画要增加理解knowledge.py拟增 assess_visual_fit(),先说明画面解决什么理解障碍
阅读保留原文与对话reading.py拟增 source_url、ai_dialogue_url、read_week,保留回访入口
旧概念持续更新knowledge.py拟增 link_concepts(),先找已有页,再决定是否新建
能动性必须指向结果tasks.md后续任务写目标、下一步、证据与停止条件,本轮不读取或改写
流程顺畅不等于无限加量cron-jobs.json不自动提高运行频次,先用耗时、人工步骤与返工记录比较收益

原文:howie.serious《w2550,本周份的 ai 精进》,2025.12.12 直播回看。讲者多次说从八点讲到十点,结尾说明超时几分钟,因此记为约两小时,不推定精确片长。

本篇依据:仅依据本任务提供的机器转写全文。保留地球圈层信息图的迭代、两段式策划、知识漫画选题、阅读笔记演示、概念积累和价值反思;不以其他场次补写本场未展开的提示词与工具配置。

更正与边界:将明显误识别统一为知识可视化、提示词、Gemini、ChatGPT、Logseq、Readwise Reader 等。会员价格、共享权益、额度、模型能力、NotebookLM 底层模型及模型训练关系,均是讲者在直播当时的描述,未作外部核验,不作为当前参数或产品承诺。单图一毛与约一元口径不同,未强行统一。未来 AGI 概率、技术能否解决社会问题及投资回报属于讲者预测或信念。各「对你的实际应用」及关联表为本篇映射出的后续方案,函数和字段均是拟议项,不冒充原话或现有实现;本轮只产出此稿。

定位:中文深蒸馏,不是逐字摘要。