https://www.candobear.com/detail/l_691d721ce4b0694c5b530d99/4阅读路径:先读第二组,弄清怎样把新模型的信息变成能积累的知识;再读第三组,把知识接到思想对话和写作;第一组解决模型怎么分工,第四组看图像案例,第五组看哪些判断不能照单全收。只看一组就看第三组:它把「AI 很强」变成一条人仍负责判断的工作流。
一句话结论:对有明确问题的知识工作者,Gemini 3.0 Pro 的主要增量不是替换所有模型,而是作为思想对话与初稿伙伴进入已有工作流;如果只追榜单、收集案例而不亲测和沉淀,新增会员并不会自动转化为能力。
howie 把「AI 工具箱」改称「AI 专家团」,不是为了换个热闹名字,而是认为模型已经能与人结对完成严肃任务。以直播当时的实践看,他把 Gemini 3.0 Pro 加进日常主力,与 GPT 5.1 Thinking、Claude Sonnet 4.5 并列使用。同一个问题复制到分屏里的不同模型,再比较回答。
他的理由是:前沿模型没有一个在所有方向都占优,能力是交错的。Gemini 在这几天的重度实测中,给过他比 GPT 更好的回答,但这不等于其他模型可以退订。实际阅读也不是三个答案全部精读:通常认真看最好的两个,另一个快速筛选。并列生成是为了发现不同角度,不是让自己的阅读负担翻倍。
Ben哥,可把 knowledge.py 的知识综合入口设计成接收 question、source_ids、candidate_models,新增 compare_candidate_answers(),输出「共同点/独有洞见/相互冲突/需回原文确认」。这些是本篇提出的接口名,不是已核实的现有函数。让它服务一次明确的研究问题,不默认对每条资料都跑多模型,也不把多数模型同意当成事实成立。
他把任务拆开看:世界知识、思考与写作可以多模型对照;需要检索并综合信息时,自己更信任 GPT 5.1 Thinking 的搜索;Deep Research 则同时尝试 Google 与 OpenAI,前者在他的体验里广度突出,后者深度突出。他对 Claude Deep Research 的体验较差,这属于个人评价,不是统一测评结论。
另一个反直觉判断是:写文章、提炼长文框架,并不必然需要 Thinking。普通 Chat 模型的语言基础足够好时,结果可能不差,甚至更顺畅。他用旧版 GPT Thinking 的艰涩表达说明,推理能力增强与文字可读性不是同一指标。高级研究模式也不是「更贵,所以写作一定更好」。
| 任务 | 原文中的使用取向 | 不能据此推出什么 |
|---|---|---|
| 思想对话、写作 | 多个顶级模型同题对比 | 某个模型永远最强 |
| 联网信息综合 | 更偏好 GPT Thinking 搜索 | 只要开搜索就没有幻觉 |
| Deep Research | Google 看广度,OpenAI 看深度 | 聊天模型更新代表研究底层同步更新 |
| 初稿、三级笔记 | Chat 也可能足够好 | 所有语言任务都不需要推理 |
| 专家级研究 | 把高级模式用在对应难题上 | 最贵模式适合所有工作 |
Ben哥,reading.py 可新增 build_reading_request(task_kind, source_text),把「提骨架」和「查事实」分成两种请求:前者要求忠实提炼,后者要求来源与不确定性。kb/STANDARD.md 可增设「任务类型/选择理由/结果局限」三项记录口径。这里是在定义后续设计,不修改这些文件,也不拿直播中的会员和模型配置直接覆盖今天的配置。
他反对把学习等同于刷完一轮信息流。新模型刚发布,几个小时内出现的「炸裂」「最强」文章,未必有时间做深入实践。看了很多二手转述,最后行为没有改变,问题可能出在信息消费方式,而不只是时间不够。
他的做法是:先让 AI 联网综述,快速建立全貌;随后建主题笔记,围绕是什么、为什么、怎么用、表现如何逐步挂材料。官方博客、具体实践者的经验、自己的测试,各有位置。以后遇到新概念,就接到已有概念笔记,或新建一个概念砖块。主题笔记不是一次生成的结论,而是一棵被持续修正的树。
Ben哥,knowledge.py 可为主题记录新增 official_claims、firsthand_cases、own_tests 三个分区字段,每条保留 source_id,不要把三者揉成一段无来源的结论。kb/STANDARD.md 可增加一条判据:「转载只保留它相对原始资料新增的解释或证据」。这是对本场学习法的映射;不意味着原文提出过这些字段,也不意味着已经检查过脚本结构。
面对万字长文或几个小时的播客,他先用三级笔记取得树状骨架,再按目标回到某个原始表述,追问自己不理解的概念。不是「总结之后不再读」,而是把阅读从逐字顺序推进,改成整体框架与重点追问相结合。为了审美体验、精神体验和学习优秀语言的文学阅读,他又明确保留亲自读的价值。
阅读痕迹还要留下。他展示的链路包括阅读器划线、个人笔记、Google Drive,再连接 AI。其价值在于以后能找回这些思考并重新组合,而不是每次从空白开始。具体同步实现和权限细节,原文未展开,不能把演示中的顺畅体验当成所有账户都能复现的保证。
资源笔记保留一份材料的完整结构,概念笔记抽出能跨材料复用的内容。前者回答「这篇讲了什么」,后者回答「这个概念是什么、和什么有关」。他把思想比作概念砖块的组合;积累的价值不是数量本身,而是砖块足够清晰,组合时仍能理解和追溯。
Ben哥,reading.py 可新增 extract_outline_with_anchors(),为每个骨架条目携带 source_id 和 source_excerpt;没有时间戳时就保留原句,不生成假定位。knowledge.py 可新增 link_concept_to_resource(),让概念条目回指资源笔记。这样深蒸馏中的一个判断能回到具体话语,而不只是回到一个很长的视频链接。
他认为 Gemini 3.0 Pro 最值得普通知识工作者尝试的场景是思想对话。例如读到 Transformer 与嵌入相关内容,冒出「怎么语文变成数学了」的疑问,就把粗糙想法交给模型,要求进一步思考。模型可以从不同学科展开,人再挑不懂的地方继续问,甚至让另一个 AI 解释前一个 AI 的回答。
思想综合则需要已有积累:针对同一主题,把散落在视频、书籍、阅读划线、个人笔记里的想法汇合。信息综合更接近联网搜索,目标是弄清一个外部问题。三者可以相接,但不能混用:外部资料不是自己的观点,自己保存过的材料也不自动等于自己认可的思想。
| 工作 | 主要输入 | 主要产出 | 人不能交掉的部分 |
|---|---|---|---|
| 思想对话 | 模糊疑问、初步判断 | 新角度、解释、进一步问题 | 判断问题是否值得继续 |
| 思想综合 | 多处已有资料与思考 | 主题结构、联系和差异 | 区分摘录与自己的观点 |
| 信息综合 | 外部来源与检索问题 | 可追溯的信息回答 | 判断证据是否足够 |
这里最重要的不是提示词多长,而是先知道自己正在做哪种工作。原文举过 Deep think this、fact check this 这样的短指令,但没有给出它们稳定生效的完整条件。
Ben哥,knowledge.py 可给记录新增 entry_kind,区分 question、personal_view、source_excerpt;再给综合输出增加 unresolved_questions。如果输入只是读者疑问,就不把模型展开自动归档成「Ben哥已确认观点」。reading.py 的原文摘录只进入来源区,先把归属分清,再谈跨材料综合。
他的写作顺序仍然是研究问题、思想对话、形成自己的洞见、搭大纲。变化在大纲之后:让几个模型分别出初稿,自己按品位挑选好段落,模块化整合,而不是照收某一篇。AI 提供血肉,人保留骨架与取舍。
发布前还有检查:让 AI 提炼三级笔记、写五百字费曼解释、抽关键词与一句话总结,再从好标题的原则评价标题。头图也能引入图像模型。他强调,重复做三次以上的事可以做成模板,每次把新的洞察写回流程,让更多环节接入 AI。这里的重点是把手艺显性化,不是把创作目标降成「一句话生成爆款」。
Ben哥,~/.agent-autoloop/report_html.py 可新增 render_argument_trace(),展示「问题/主张/依据/限制」四栏;内容由上游确认,渲染层不自行补论据。kb/STANDARD.md 可加入「成稿反提纲」检查:模型从正文抽出的主张必须与作者大纲一致。不要把本篇的文件映射误当成允许脚本自动发布,或替你对外表达观点。
他展示了几种图像实践:把已有图片改成乐高风格;借参考构图和人物定装照,制作「林黛玉倒拔垂杨柳、贾宝玉在身后围观」;要求模型用图画回答《红楼梦》的问题,包括贾宝玉的理想为何寄托于女孩子,以及甄家、贾家的对应关系。
他观察到生成中有思考步骤,因此将其理解为:不只是画图,还能借助世界知识、语言与推理来组织画面。不过展示里的完整提示词、全部参考图和失败次数并未给齐,不能据此认定同一句指令总能得到同等质量,更不能把他的理解扩写成未经核实的技术架构。
图画可以承担回答,但画面好看不等于问题回答对了。一张图至少要同时看内容、构图、人物与指令跟随。他用文学问题举例,真正想打开的是一种表达可能:原本只能用长段文字说明的关系,现在也可以尝试视觉化。
Ben哥,~/.agent-autoloop/report_html.py 可为配图记录设计 visual_question、reference_materials、required_elements、review_notes 四个字段,新增 render_visual_case() 展示图像与它回答的问题。配图没有交代清楚来源、场景或表现目标时,就不把它当成研究证据。这是验收设计,不是在本轮生成图片或接入图像服务。
他平时较少把时间花在图像和视频模型上,认为语言对话更贴近日常价值。但当图像质量达到可用程度,具备领域专长、有好故事和审美判断的人,就有机会制作绘本、科普漫画或文章插图。相反,过去那类一句话生成的低质绘本,在他看来不能替代真正创作。
关于植物细胞结构的交互式图表,他明确说自己尚未测试成功,讲的是官方案例。这个边界很重要:看到演示、自己跑通、完成可交付作品,是不同状态。他给出的学习路径也是先收集优秀案例,分析有价值的部分,自己跑,再结合自己的内容修改,而不是收藏即掌握。
Ben哥,reading.py 可给案例新增 case_status,只取「官方展示/亲测成功/亲测失败/未测试」,并保留 prompt_text 与 observed_limits。kb/STANDARD.md 可要求案例进入可复用模板前写清「保留什么/改动什么/失败在哪」。这样后续检索不会把「看过交互图案例」误答成「已经具备交互图生产能力」。
他提醒,对 benchmark 要保留怀疑:考试分数可能受训练与刷分影响,不能替代真实任务。他举的视频理解反例很具体:主人公表达愉悦、满足的情绪,Gemini 却解读成郁闷,还混淆内容;在他这次对比里,榜单表现较低的 GPT 反而没犯同样错误。
他还测试过 ASCII 字符画,觉得 Gemini 画鱼的结果很差。这不是说它整体不强,而是说明能力有局部缺口。他用「没有发展出这种专门能力」解释现象,但没有给训练证据。视频误判也只能证明这个案例出错,不能单凭一次出错认定厂商作弊。
榜单是线索,真实任务是适配证据,失败案例是使用边界。三者不能互相替代。评价模型如同了解一个合作伙伴,要观察、对话、共同做事;不能在发布几个小时后,只凭一张成绩表宣判它适合所有工作。
Ben哥,knowledge.py 可新增 record_case_result(),记录 task、model_label、input_excerpt、observed_error、comparison_result。kb/STANDARD.md 可将「模型弱点」限制为有案例支持的表述:写「本例情绪识别错误」,不写「该模型不懂情绪」。失败应和成功一起可检索,否则知识库只会累积精选宣传。
他把 Google 会员按多人分摊估算为每人每月约三美元,用来说明尝试成本;同时反对冒充学生获取优惠。这是当时的个人使用与算账,不是所有用户都适用的价格规则。
Atlas 的浏览历史分析也是他的体验与理解。他把浏览器里的行为数据看作反思注意力、时间与目标差异的材料,并进一步期待它成为成长教练。但他关于「所有行为都看到并记住」、无痕模式及移动端未来的说法,没有在直播里给出完整权限核对。Gemini Deep Research 底层是否同步升级,他也承认没有确切信息,随后表达期待。不能把体验、推断与未来预测写成已证实的产品能力。
模型强不等于搜索强,能连资料不等于读全资料,有官方案例不等于本人跑通。本场对人类注意力与多头注意力的比较,是为了论证为什么借助 AI 阅读;没有展开到足以据此推断任意模型的具体结构与可靠性。
Ben哥,knowledge.py 可增加 claim_status 与 as_of_date,分别记录「讲者实测/讲者判断/讲者预测/原文未展开」及材料日期。涉及浏览记录的综合另设 authorized_scope 和 observed_scope,分开写允许读取与实际读到的范围。cron-jobs.json 不因这篇讲座自动调整模型、会员或同步任务;这些不是本篇获得的执行授权。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 专家团同题对比 | knowledge.py | 设计 compare_candidate_answers(),保留差异和冲突,不以票数定事实 |
| 先骨架再重点追问 | reading.py | 设计 extract_outline_with_anchors(),条目带原句与来源标识 |
| 主题树与概念砖块 | knowledge.py | 分开主题、资源、概念,概念通过 source_id 回指材料 |
| 人定洞见、AI 展开 | kb/STANDARD.md | 增加成稿反提纲检查,检查主张是否偏离人的大纲 |
| 配图也是内容表达 | ~/.agent-autoloop/report_html.py | 设计 render_visual_case(),同时呈现问题、图像和局限 |
| 官方案例不等于亲测 | reading.py | 用 case_status 区分展示、成功、失败与未测试 |
| 评价保留时间边界 | knowledge.py | 新设 claim_status、as_of_date,避免旧体验被检索成当前事实 |
| 新模型不自动改变流程 | cron-jobs.json | 本轮不改;先验证具体任务,再另行判断是否调整调度 |
原文:howie《gemini 3.0 pro 实战总结》,2025.11.21 直播回看。时长约两小时二十分钟,依据结尾「每次两小时」「超了二十分钟」推算,不是播放器精确读数。
本篇依据:用户提供的本场完整机器转写,按主题归并;没有访问视频、补充外部资料或验证当前产品状态。AI 专家团、三级笔记、思想对话与综合、写作流程、图像案例和失败案例均来自转写。序号按目标文件 q27 记为 27 / 53。应用段所用本地文件由任务指定,函数名与字段名是本篇提出的设计映射,并非讲者原话、现有代码核验结果或已执行改动。
更正与边界:按上下文统一 Gemini、Claude、Nano Banana Pro、Logseq、ASCII 及文学人物名称,略去口头重复与开场杂音;无法确定的提示词和框架缩写不硬解。会员价格、共享方式、模型比较、产品预测及浏览器权限均保留为直播当时的陈述,不作为当前购买或隐私设置依据。交互图表未亲测成功;注意力机制、商业动机和刷分风险的解释属于讲者观点,不扩写成技术证明或行业统计。三级笔记、五百字费曼与写作提示词的完整版,原文未展开。本轮只产出本文,不修改所提及的任何规则、脚本、配置或任务文件。
定位:中文深蒸馏,不是逐字摘要。