https://www.candobear.com/detail/l_68e88227e4b0694ca127e0e5/4阅读路径:先读第三组,看长内容怎样变成知识框架,而不是又多一篇摘要;再读第四组,看「500 字费曼」怎样靠多个环节做出来。第一组解释模型如何分工,第二组解释为什么要整理自己的知识,第五组讨论投入与注意力。只看一组就看第四组:它把模型、资料、提示词和人的判断串成了一件完整的事。
一句话结论:在这场直播涉及的阅读与写作任务中,持续提高质量的关键不是找到一个神奇提示词,而是把领域经验、个人知识和人工判断接进可反复改进的工作流。
howie 的起点是一次反复试错:同一批提示词在 GPT 的不同模式里迭代多遍,换到另一款模型后,语言效果却明显不同。因此,输出不好不能一概归因于「还没把提示词写对」。模型之间的差异已经大到需要按任务挑选,而不是只订一个自认为最强的产品。
他把同一问题交给三个模型,也比较过同一家产品的不同模式。浏览器分屏只是方便观察,真正有价值的是把输入条件拉齐,再比较思路、文字与结果。重要任务值得这样比;不是所有随手问题都必须多跑几遍。
| 任务 | 讲者当时偏好的选择 | 选择依据与边界 |
|---|---|---|
| 语言表达、写作、500 字费曼 | Claude Sonnet 4.5 | 认为语言表现突出,是个人实测判断 |
| 学术、行业与深度理性研究 | GPT-5 Pro | 看重深度研究能力,不等于所有任务最优 |
| 概念综述、信息搜索与综合 | GPT-5 Thinking | 看重主动搜索、使用工具与综合信息 |
| 一次较全面的主题研究 | OpenAI Deep Research | 讲者在当时比较后更满意其报告 |
任务适配,不是总冠军。 这张表记录的是讲者在直播时点的工具组合,不能拿来代替自己的测试。比较时输入不同,看到的差距就不一定来自模型。
Ben哥,可在 kb/STANDARD.md 的深蒸馏标准中拟增「同源比稿」要求:同一转写、同一模板、同一篇幅要求,比较原文忠实度、概念清晰度和应用具体度。记录 model、prompt_version、selection_reason,不要只留最终赢家。本篇仅提出落点,不修改标准,也不认定这些字段已经存在。
讲者已经把 Comet 当作默认浏览器:网页在眼前,AI 可以直接围绕页面工作,不必每次复制内容。他把常用的三级笔记和费曼提示词做成快捷入口,降低输入资料的操作成本。
但他同时保留手工复制到原生产品的做法,因为他感觉浏览器内的生成质量仍有差距。这里要分开两层:质量差异是他的使用感受;他把原因归为 API 的推理投入较低,则是他的解释,转写里没有配置或对照证据支撑这个归因。
上下文便利与输出质量是两个维度。 能直接读页面,解决的是资料传递;能否准确解释、写出好文字,还要另看结果。不能从入口上显示的模型名直接推出质量相同。
Ben哥,reading.py 后续可拟加 build_reading_input():把正文、来源链接、提问目标一起组织为阅读输入,并区分正文与个人问题。knowledge.py 可拟留 source_url、source_text 与 user_question 三类信息。这样无论从浏览器还是本地进入,都先检查是否拿到了同一份材料,不把方便当作完整。
howie 认为,AI 的发展不只在于变得更聪明,也在于更了解使用者。个人设置、过去对话、记忆、项目资料,以及接通的工具,都可能成为上下文。他由此反推:模型公司不能替你提供属于你的经历、目标和知识,这部分必须自己积累。
他举 Projects 为例:围绕孩子学习、写作或研究,各自收集资料、设定指令,长期在同一主题里对话。他还谈到项目级记忆与整体记忆的区隔。重点不是项目数量,而是一个主题能否保留足够连续的背景,避免每次从头解释。
上下文不只是一次对话能装多少字。 对讲者而言,更重要的是那些资料是否与你有关、是否能持续使用。知识管理因此从「方便自己查找」变成「让 AI 更好理解自己的工作」。
Ben哥,对 knowledge.py 可拟增 build_task_context(topic),按当前任务组合原文、相关概念和已确认约束,而不是把整个库不加区分地塞进去。kb/STANDARD.md 可拟分开「来源事实」「个人理解」「使用目标」。这些是把讲者思路迁入本地知识库的设计,不是直播给出的代码,也不是已实施能力。
他的知识库以概念或一个 idea 为最小单位。同一个概念无论有中文名、英文名还是其他说法,都通过别名指向同一条笔记;不同阅读材料不断补充它,而不是每读一篇就复制一份相似概念。笔记还保留类别、标签、体系及迭代日期,能回看某天新建、更新了什么。
他没有主张 Notion 取代 Logseq。Logseq 是个人知识的大本营,重文本、重链接、便于快速编辑;Notion 用在数据库、协作和网站展示。孩子学习的例子里,概念、数学思想、学习资料和错题分库管理,再相互关联,追求的是理解概念,不是堆更多题目。
| 使用需要 | 原文中的组织方式 | 不能混淆的目标 |
|---|---|---|
| 沉淀一个概念或想法 | 独立笔记,以别名汇合 | 多个名字不应变成多个实体 |
| 用新材料修正理解 | 更新旧笔记,留下迭代日期 | 阅读次数不等于理解已更新 |
| 把错题连回概念和资料 | 多个关联数据库 | 不是单纯扩大错题收藏 |
| 与家人、团队共同使用 | Notion 数据库与协作 | 不代表个人笔记库必须迁走 |
概念唯一、材料多源、理解可迭代。 同一条笔记的价值来自持续修正和关联,而不是第一次写得很长。向量库、检索增强与工具读写在直播中被提及,但具体实现原文未展开。
Ben哥,knowledge.py 后续可拟加 resolve_concept(name, aliases),先识别是否已有概念,再决定关联或新建;拟用 aliases、related_sources、revision_dates 表达别名、资料和修订时间。kb/STANDARD.md 中可拟明确「新文章优先链接已有概念」。这里没有检查现有索引结构,函数名只是后续实现落点,不能直接宣称已完成去重。
讲者把长文、直播转写和 Podcast 文稿交给同一个持续迭代的提示词,要求把线性内容变成树状框架:有什么主干、靠什么展开、包含哪些概念与核心思想。这样在正式阅读或收听前,就先有整体认识,再选择关注的部分深入。
他用姚顺宇谈 agents 的长 Podcast 举例:先整理结构、再编辑笔记,期间仍然完整听过原内容。可见三级笔记不是「以后不用读原文」,而是让阅读有入口。他展示了角色、任务、流程等设计思路,但没有完整公开可直接复制的提示词,具体全文原文未展开。
结构化不等于删掉细节。 单纯缩短,只回答「大概讲了什么」;知识树还要回答「观点之间是什么关系」。先建立框架,是为了让后续细节有位置,而不是把 AI 的框架当成最终解释。
Ben哥,reading.py 可拟加 build_reading_outline(),要求输出主题、分支、支撑例子与原文定位;再由深蒸馏环节据此写正文。kb/STANDARD.md 可拟加一条核对:每个分组都能回到转写里的具体论述,缺解释时写「原文未展开」。这比只校验有几个标题更接近本场的阅读方法。
他反对把听完一整集当成学习成绩。对大量内容,可以先看文稿结构,再针对某个概念、思想或判断深入;特别好的内容仍值得反复读、完整听。直播末尾关于 Podcast 的强烈评价,是他的选材偏好,不是对整个平台内容质量做过统计。
进入知识库后,阅读也不该结束。如果遇到长时记忆、上下文等概念,发现自己解释不清,就建概念笔记;已有笔记则继续修订。讲者认为,这种读法卸载了整理材料的负担,却加重了理解、关联与表达的要求,所以使用 AI 后未必更轻松,可能更累。
认知负荷不是全盘减少,而是重新分配。 AI 帮忙整理,人承担概念理解、关系建立和输出判断。概念性理解的一个自检,是能否用自己的话解释,而不只是眼熟某个词。
Ben哥,reading.py 后续可拟用 focus_questions 记录本次真正要回答的问题,用 source_segments 指向相关段落;knowledge.py 可拟加 link_reading_to_concepts(),把本次阅读挂回已有概念。不要用「处理完多少篇」替代理解结果,应看这次究竟澄清了哪个问题、修正了哪条认识。
讲者展示的目标,是在诺奖公布后很短时间里,写出普通人甚至小学生能看懂、有趣而且不失深度的短文。他提到的「25 分钟内、500 字」是这个具体任务的目标,不是所有知识写作的统一指标。
实际做法并不神秘:先让多个模型综述获奖情况,再用专门的研究提示词运行 Deep Research,形成较全面的资料;随后把选中的同一份研究报告交给多个模型写短文,比较后选稿,再亲自通篇修改。讲者还会提供长报告,让只想快速了解与想深究的人各取所需。
| 环节 | 主要作用 | 讲者没有交出去的判断 |
|---|---|---|
| 获奖信息综述 | 先建立基本认识 | 研究对象与任务目标是什么 |
| Deep Research | 汇集获奖研究与相关背景 | 采用哪份研究报告 |
| 500 字费曼 | 把同一资料变成易懂短文 | 哪个模型更适合表达 |
| 多模型比稿 | 比较候选文章 | 哪篇符合自己的理解与品位 |
| 人工修改 | 形成最终负责的文字 | 从头到尾检查、调整并承担结果 |
研究稿与表达稿解决不同问题。 短文的流畅不能代替背景研究;长报告的完整也不能自动变成好解释。人不是只在最后点一下同意,而是贯穿目标、分工、选择与修改。
Ben哥,~/.agent-autoloop/report_html.py 后续可拟加 render_source_and_summary(),在报告里区分研究依据和面向读者的简明解释,并保留人工修订说明。这里借用的是长短两层输出,不是把诺奖研究直接套成投资判断;本场没有展开你现有报告的数据口径和核验规则。
howie 把提示词工程理解为:用结构化语言写出自己对任务的理解,而不是搜集神奇咒语。写过很多文章的人,知道为什么要先研究、怎样找核心思想、怎样面向读者表达;再了解各模型长短处,才有条件把这些环节组织好。
他对 agent 的解释包括目标、计划、推理、行动、工具使用,以及根据结果和外部反馈调整,直到完成目标。在写作这类依赖品位与个人意图的任务里,他认为当时还不能指望一个全自动 agent 包办。因此应先做有人参与的 Agentic workflow,而不是等完全自动化成熟才行动。
任务理解与模型理解要一起积累。 工作流不是把几个提示词串起来就算完成,还要知道每一步为何存在、什么结果值得往下走。人的介入不是失败补丁,而是当前流程的一部分。
Ben哥,tasks.md 中未来的同类任务可拟写清 目标、输入依据、人工判断点、结果反馈,让接手者知道什么时候不能继续生成。cron-jobs.json 对应任务的说明可拟明确「生成草稿,不替人决定发布」。本轮不读取或修改这两个文件,也不把讲者的 agent 定义当成现有调度器已经实现的能力。
讲者提出一个思考:既然智能正在成为可购买的资源,个人每月消耗多少 token,是否也能反映使用智能的程度?一篇最后只有几百字的文章,前面可能经历大量搜索、研究与多轮生成,不能只看最终字数判断投入。
他借此解释自己为什么愿意购买多个 AI 会员,也尝试把公司的智能服务、GPU 与电力需求串起来理解。他进一步谈到 AI 基建和相关股票的判断,但这里是讲者的推演,不是已验证的因果模型。原文没有给出个人 token 消耗与工作成果之间的统计关系。
消耗量只说明投入的一侧。 讲者强调的是多做有价值的智力活动,而不是空转。不能把这个讨论改写成固定消耗配额,更不能从高用量直接推出高质量或投资收益。
Ben哥,若以后在 knowledge.py 增加 summarize_run_usage(),可拟同时记录 input_tokens、output_tokens、deliverable、revision_reason;取不到真实用量就写「未提供」,不按文章长度伪造。cron-jobs.json 的任务目标也不应只写消耗额度,应说明要形成什么可阅读成果。这是设计提案,本轮不改额度、计费或定时任务。
讲者正在试一个「写作元技能」项目:把自己写的短文交给 AI,让它分析结构、心理机制和引发共鸣的方式,再依据使用感受反复改提示词。短文本比整篇长文更小,适合获得有针对性的反馈。他说这个项目仍是早期版本,没有展示成熟后的效果证据。
这与他的阅读主张相通:不是把所有内容都自动消费掉,而是高效处理一般材料,把省下来的时间放到真正好的内容、经典原著和更重要的事情上。三级笔记、费曼写作和刻意练习,最终都要把人带回理解和创造,而不是带离它们。
反馈要具体,节省要有去向。 「这篇不错」不足以指导下次写作;知道结构哪里不清楚、哪个解释不成立,才有可改进对象。AI 给的反馈也要由人判断,不是另一份必须照单接受的答案。
Ben哥,reading.py 可拟增 review_short_explanation(),围绕你自己写的一段解释返回「核心观点是否清楚、概念是否讲明、哪里偏离原文」;kb/STANDARD.md 可拟记录每轮只修正明确问题,不为制造新版本无休止改写。用途是帮助你形成自己的判断,不是让生成器自评后自动宣布验收通过。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 同任务比较不同模型 | kb/STANDARD.md 的深蒸馏标准 | 拟记录模型、提示词版本和选稿理由,比较同一转写 |
| 上下文来自个人积累 | knowledge.py 的任务资料组织 | 拟加 build_task_context(),分开事实、理解和目标 |
| 唯一概念与多来源关联 | knowledge.py 的知识条目 | 拟加 resolve_concept(),用别名汇合而非重复建条目 |
| 三级笔记先建立知识树 | reading.py 的阅读处理 | 拟加 build_reading_outline(),保留分支与原文定位 |
| 研究与短文分层交付 | ~/.agent-autoloop/report_html.py | 拟加 render_source_and_summary(),分开依据与解释 |
| 人在工作流中负责判断 | tasks.md、cron-jobs.json | 拟写明人工判断点与草稿边界,不默认自动发布 |
| 用量必须连到真实成果 | knowledge.py 的运行记录 | 拟记录真实 token 与产物;未提供时不估造 |
| 小单元写作获得反馈 | reading.py、kb/STANDARD.md | 拟围绕短解释反馈,修正明确问题而非追逐版本数 |
原文:howie《ai 实战总结:经验、思考和技巧分享(2025年10月版)》,2025.10.11 直播录像。转写提到八点正式开始、十点零一分收尾,因此仅推断约两小时,不作为精确媒体时长;33 为本篇文件编号对应序号。
本篇依据:仅依据本次提供的转写全文及指定的两篇格式样例;样例只用于层级与语气,不作为本场事实来源。正文保留模型比较、上下文与知识管理、三级笔记、费曼写作工作流、token 与注意力五条主线,未补查外部资料。
更正与边界:机器转写中的明显产品名误识别,按上下文统一为 Logseq、Notion、Claude Sonnet 4.5、Deep Research 等;不据错乱读音另造型号。模型优劣、会员价格、记忆开关与快捷键等均有当时时点限制,不充当现行说明。上下文窗口口述中的 token 与字数混用、价格口误及 IQ 榜单没有作为选型依据;浏览器 API 推理投入的解释未获证实;基建、股票与比特币预测不作为投资结论。完整提示词及具体技术实现原文未展开。所有「对你的实际应用」及关联表均为面向 Ben哥的拟议落点,文件与函数现状未经本轮代码审计,本轮仅写本文,没有实施这些改动;不代表独立复核或业务验收已完成。
定位:中文深蒸馏,不是逐字摘要。