https://www.candobear.com/detail/l_69152c62e4b0694c5b4efa8d/4阅读路径:第一组先分清阅读库、笔记库与连接工具,避免把收藏当思考;第二组看工作流与重构式写作,理解人为什么不能退出;第三组看模型、提示词与测试的边界;第四组看信息输入如何变成主动学习;第五组看家庭学习库与长期积累。只看一组就看第二组,它直接回答「AI 到底替你做哪一段」。
一句话结论:如果 AI 只替你增加收藏和生成量,却没有进入具体的理解、思考与改写环节,那么工具用得再多,也不等于获得了工作上的实际增益。
面对「阅读划线同步后怎么处理」的问题,howie 没有给出一套复杂的搬运规则,而是强调两个库应该「井水不犯河水」。阅读库存网页剪藏、书籍划线和阅读材料;笔记库主要存自己理解、自己组织出来的概念与思想。读到一个想法,就以想法为标题新建笔记;从视频学到一个概念,就以概念为标题写清它。
他反对的是为了整齐,把所有东西强迫塞进单一系统。积累的最小动作不是整理文件夹,而是做好一个个概念砖块,再用双向链接连接。原文用上千、上万个笔记及其链接说明规模效应,但「指数式成长」是他的经验判断,不是本场证明过的数学关系。
材料不等于理解。阅读记录回答「看过什么」,概念笔记回答「理解了什么」。两者可以互相引用,却不应靠复制全文冒充思想沉淀。一个砖块是否合格,要看你能否用自己的话讲清,而不只看有没有存下来。
Ben哥可把这个区分用于 kb/STANDARD.md 的内容规范:拟增「材料摘录」「原文观点」「应用分析」三个明确栏目,要求深蒸馏的应用分析不能混进原文观点。knowledge.py 的后续改造可新增 validate_note_layers(note),检查栏目是否分开,而不是用文件长度判断理解质量。这些是本文提出的接口名,不代表现有代码已有对应函数;本次不改脚本。
他把私人化分成两种:一种是语言风格,回答可以友善、专业或带吐槽;另一种是内容,回答能够结合你自己的阅读与思考,帮助解决你的具体问题。他更重视后者。直播展示了通过 Google Drive Connector 检索自己的 GPT-5.1 笔记,再进行「思想综合」的做法。
MCP 则是另一个层面。它被比作模型与外部工具之间的通用接口,把工具和客户端逐对适配的乘法问题,改成各自接标准接口的加法问题。已有连接器满足阅读需求,不代表 MCP 没有意义;也不代表个人必须再装一堆 MCP。他还展示 Logseq 与 Obsidian 打开同一批笔记文件的方式,并提醒名称中的斜杠会有兼容差异。
数据与工具分离,是保留更换模型余地;连接器与协议分工不同,是避免重复建设。拥有私人资料入口,不等于模型确实完整检索了全部资料;直播展示了结果,没有展开检索覆盖率和遗漏检查。
Ben哥可在 knowledge.py 拟增 build_context_packet(query, note_ids):把选中的笔记正文、来源与标识一并交给模型,并输出实际用了哪些笔记。验收看回答有没有对应依据,而不是有没有模仿 Ben哥的语气。接不接 MCP,应由这一步是否缺工具能力决定,不能把「又接了一个接口」算成知识库升级。
有人问 Agent 应选扣子还是 n8n。howie 明确说自己没有用过扣子,搭过并简单试过 n8n,但目前不追求点击一下就自动跑到结尾。他把工作流整理在 Logseq 中,自己控制推进;先把热爱、擅长、有洞见的任务拆开,再让 AI 替换或增强其中特别消耗脑力的环节。
他举的例子很具体:阅读理解环节可以使用「三级笔记」,文章推荐环节可以使用「500 字费曼」。价值不在虚构一群 AI 员工开会,而在你是否理解每个环节,能不能把要求讲清楚。对各种全自动宣传的否定,是他的实践立场;本场没有提供足以判断所有多 Agent 系统成败的对照实验。
工作流先于自动化。流程存在,不等于每个步骤都该无人值守;模型能够生成结果,也不等于结果已经合格。人保留判断权,不是拒绝 AI,而是把 AI 用在能真正减轻负担的位置。
| 环节 | 直播中的做法 | 不能偷换成什么 |
|---|---|---|
| 阅读理解 | 用三级笔记先获得框架 | 看了模型摘要就等于读懂全文 |
| 思考展开 | 与不同模型讨论、积累笔记 | 多个模型一致就是真理 |
| 写作组织 | 自己起大纲,再让模型生成初稿 | 把选题与立场一并外包 |
| 最终改写 | 作者按理解与品位反复修改 | 有稿件就直接对外发布 |
Ben哥后续可为 tasks.md 的任务描述拟增「AI 承担环节」「人工判断点」「交付证据」三项,而不是只记录一个笼统的自动完成目标。对 cron-jobs.json,先把定时触发与内容质量分开看:触发成功只说明任务启动,不能说明文章观点合格。具体调度字段和结构原文未展开,本次也不读取、不改动这两个文件。
他把自己的 AI 写作称为「重构式写作」。路径是:读到材料,产生问题,与几个模型讨论,在 Logseq 中形成多条笔记,再把笔记组织成大纲;随后把自己的观点与要求交给模型,获得不同初稿,最后按自己的理解改成理想版本。
直播用费米估算与费曼技巧举例。他把二者放在一起,认为共同点是建构:把大问题拆成小块,逐块理解或推理,再构成整体;拆解过程还会暴露无知、漏洞和概念缺口。这个共同点是他的思考,不是模型凭空替他选择的主题。原文提到写作提示词,但没有完整口述其全部条款,因此不能在这里补造一份所谓原版提示词。
思想来源与文字生成可以分离。不是每个字都亲手输入,仍然可以是一篇自己负责的文章;但如果没有自己的问题、材料选择、结构与改写,就不能只凭署名宣称思想属于自己。输出的意义是把输入和思考接成正反馈,而非追求内容数量。
Ben哥可在 ~/.agent-autoloop/report_html.py 拟增 render_reasoning_sources(materials, outline, judgement),把「原始材料」「组织后的判断」「最终结论」分开呈现。用于报告时,模型生成的初稿不直接覆盖 Ben哥的结论。这个设计只迁移直播的写作责任原则,不暗示脚本现有字段或金融判断已经核验,也不自动获得发布授权。
GPT-5.1 是这场直播的重要话题。howie 的主观体验是,它比 GPT-5 Thinking 更容易「说人话」:解释概念时更早使用例子与比喻,术语密度降低,阅读负担减轻。他曾尝试靠提示词去掉 GPT-5 的大词,但觉得效果有限,因此把这次变化理解为模型层面的改善。
他的解释是,模型的语言风格与训练有关,不能指望一条神奇提示词解决底座问题;提示词的价值主要来自使用者对任务的洞见和结构化表达。他又援引 EQBench 的创意写作子项,认为新模型值得进入实际写作测试。训练配方、算力成本以及排行榜细节在转写中没有足够核验材料,不作为本文确认的技术事实。
表达要求与模型能力是两个变量。任务没说明白,换模型也可能失败;要求已经清楚,继续叠加玄学提示词也未必有效。「更好读」还是一种任务体验,不能直接推成所有写作任务都领先。
Ben哥可在 reading.py 拟增 compare_reading_outputs(source_text, prompt, model_outputs),固定同一材料和同一提示词,对照解释是否清楚、关键概念是否遗漏、有没有越出材料。若只改模型就改善,记录为模型差异;若补清任务才改善,记录为指令差异。不要把两者同时改变后获得的好结果,全部归功于某个提示词。
直播给了两类指令跟随测试:要求每次只用八个汉字回复,以及要求收到消息后不回复任何内容。howie 展示 GPT-5.1 的表现,并与其他模型作对照,认为它更能精确执行约束。这里能确认的是他做了这些演示,不能据此断言所有情境都不会失败。
他还介绍自适应推理:简单问题少花思考,复杂问题多花思考,并对比不同产品呈现聊天与思考能力的方式。关于未来可能统一成一个模型,是他当时的预测。对观众提到的幻觉问题,本场没有展开系统评测,后续更多转向使用态度与情感依赖讨论,不能把这段写成幻觉已经解决。
遵守格式,不等于陈述真实;愿意思考,不等于推理必对。风格、指令跟随、推理投入和事实可靠性应分别观察。一条成功演示提供一个测试点,不提供通用保证。
| 检查维度 | 原文给出的观察入口 | 本场证据的边界 |
|---|---|---|
| 可读性 | 同一概念的术语、例子与解释方式 | 主播体验,不是全面盲测 |
| 指令跟随 | 八汉字约束、空回复要求 | 少量演示,不保证稳定复现 |
| 推理投入 | 简单与复杂问题的思考差异 | 未给出完整任务集与参数 |
| 创意写作 | 援引基准与个人写作测试 | 排名与测试详情未完整展开 |
| 事实可靠性 | 观众提出幻觉疑问 | 没有系统结论 |
Ben哥可在 knowledge.py 拟增 check_output_contract(text, contract),检查深蒸馏的标题层级、来源行和栏目;事实核对另列为一道检查,不能让格式通过代替内容准确。在 kb/STANDARD.md 中拟写明「演示结果」「作者判断」「已核来源」三类证据标签,避免把直播里的模型感受渲染成长期有效的排名。
howie 展示的信息输入路径,是先快速扫信息源,再挑值得读的内容。他强调官方博客、具体实践者与自己长期关注的人,也提到 Hacker News、科学媒体、播客与知识视频。核心不是名单多长,而是尽量接近第一手材料,减少重复转述和伪装成内容的广告。
阅读时,他会先让 AI 用三级笔记给出整体认知框架,再基于框架阅读;遇到难句,就引用该句继续追问。他把 AI 当思考伙伴,既可解释概念,也可协助核查事实、回应自己的理解。模型具体怎样完成事实核查,原文未展开;因此不能把「让它核查」写成事实已经被查实。
卸载认知负担,不是卸载思考责任。框架帮助你进入难材料,追问帮助你处理不懂的局部,而真正的学习还包括自己组织解释、暴露缺口。若只接收摘要,主动阅读就又退回被动消费。
Ben哥可为 reading.py 拟增 build_reading_questions(source_text, reader_notes),把阅读产物分成「材料框架」「不懂的句子」「自己的解释」;涉及核查的结论再附原始出处。这样生成深蒸馏时,可以分清哪段来自转写、哪段来自自己的应用推演,不会把模型补出的背景悄悄混入来源。
他在社交平台主要看关注列表,而不是持续刷推荐流;发现值得深入的内容先加书签,再专门安排时间阅读、与 AI 讨论。这是一条从筛选到深读的路径,不是要求看到任何内容都立即精读。
他还提出,AI 省出来的时间与脑力应该放到更美好、更有价值的事上,并用自己阅读《红楼梦》举例。因此提效不只是把一天塞入更多工作,也包括提升内容品位与生活体验。他愿意为减少广告、获得知识内容付费,但这不能反推「付费的一定优质」或「花得越多用得越好」。
筛选权要握在自己手里。信息多不意味着值得读的内容多;阅读效率提升,也不意味着必须无限增加输入。选择什么进入注意力,是这套方法的前置判断。
Ben哥可在 reading.py 的后续阅读记录中拟增 selection_reason 与 reading_question:前者写为什么选它,后者写读完要解决什么问题。kb/STANDARD.md 的来源要求则可拟增「第一手实践或原始材料优先,转述须标明」。本次只有所给转写作为依据,不为了凑完整性追加外部检索。
直播末段预告了基于 Notion 的家庭学习系统。howie 认为 Logseq 与 Obsidian 更偏个人使用,而家庭成员共同使用的学习库,可以用数据库把概念、资料与错题联系起来;他还提出可增加管理日常行动的数据库。
编程学习是他的演示例子:能力等级、学习路线、题目难度和相关概念相互匹配。一道题做错,不只收藏答案,还要记录错误原因、经验总结,并链接回原题资料与概念。若缺基础概念,就补概念砖块;若解题策略不足,就针对策略改进。考试等级与年龄的完整对应、操作细节和效果数据,原文未展开。
关联要服务诊断。把库连在一起的目的不是图谱好看,而是回答「这次为什么错、接下来练什么」。原文提到错题反复练习,但没有给出足以保证学习效果的验证,不能把练习次数当作通用处方。
Ben哥可把这个结构迁移到知识库返修,而不是照搬成儿童学习系统:在 knowledge.py 拟增 link_revision_to_concept(note_id, error_reason, concept_id),把一次返修关联到来源理解或概念错误;在 kb/STANDARD.md 拟增「来源误读」「概念混淆」「应用越界」错误分类。分类与函数均为本文迁移方案,不是主播提供的代码。
有人问是否删除 ChatGPT 对话。howie 的习惯是不删有意义的讨论,因为未来再想到同一话题,可以搜索旧对话接着思考;单纯的指令测试等实验记录,则可以区别对待。他强调不要过度整理,系统应服务思维连贯,而非制造整理负担。
这也回扣了开场的轻量模板:日记模板看近期未完成事项、日常执行和笔记变化;概念模板围绕 why、what、how、how good 组织理解,但不让固定问句占满正文结构,并增加思想综合、模型对话链接。对话如何进入产品长期记忆是他的理解,本篇不把它写成完整或必然的产品机制。
保留的价值是可继续使用。旧对话、旧笔记有意义,不是因为它们永远正确,而是因为可以找回当时的问题、判断与推理,再从那里继续。模板负责降低记录阻力,不能取代内容本身。
Ben哥可在 knowledge.py 拟增 find_related_discussions(topic),返回相关笔记与已保存的对话链接;在 reading.py 的记录中拟增 open_questions 和 discussion_links,让下一次阅读能接上旧问题。这里只给出可复用方向,不假定历史对话已完整保存,也不把本地记录误称为模型长期记忆。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 阅读材料与自己的思想分开 | kb/STANDARD.md | 拟设材料、原文观点、应用分析三栏,防止来源串层 |
| 内容私人化重于语气私人化 | knowledge.py | 拟增 build_context_packet(),保留实际引用笔记清单 |
| 按环节增强,不急着全自动 | tasks.md、cron-jobs.json | 拟区分启动、生成、人工判断与交付证据,不把触发成功当质量合格 |
| 作者负责的重构式写作 | ~/.agent-autoloop/report_html.py | 拟增 render_reasoning_sources(),分别展示材料与结论 |
| 模型差异与提示词差异分开测 | reading.py | 拟增 compare_reading_outputs(),固定材料和提示词再比较 |
| 指令跟随不等于事实可靠 | knowledge.py | 拟增 check_output_contract(),格式检查与事实核对分开 |
| 错误链接回概念与资料 | knowledge.py、kb/STANDARD.md | 拟建立返修原因分类,并关联对应概念笔记 |
| 旧讨论成为下一次思考起点 | reading.py | 拟增问题与对话链接记录,保留思路而非无限复制正文 |
原文:howie 的 AI 主题讲座《AMA答疑直播:任意问题,任意主题,交流讨论,思想对话。》,2025.11.13。主播结尾说「刚好两个小时」,故时长记约 2 小时,不视为核验过的视频精确长度。
本篇依据:仅依据任务所附转写全文;两份通过样例只用于层级与语气,不作为本场内容来源。未重新读取转写文件、未观看原视频、未引入外部资料。序号按目标文件 q28 标为 28 / 53。
更正与边界:按上下文统一 Logseq、Obsidian、ChatGPT、费曼技巧等明显误识别。模型性能、训练原因、平台记忆、知识复利及使用成效均保留为主播当时的观察或判断;「不到 5%」报告说法缺少可核出处,未当作已证实统计。未用消费金额衡量 AI 能力,未把关于用户精神状态的议论写成医学判断。商业推广与电影闲聊不作主线展开。所有文件、字段和函数应用均是给 Ben哥的拟议迁移,未核验现有实现,也没有修改任何被举例的文件。
定位:中文深蒸馏,不是逐字摘要。各条「原文在说什么」归纳直播内容,「关键概念」提炼其含义,「对你的实际应用」为明确分开的应用分析。