https://www.candobear.com/detail/l_6848cef4e4b0694c5ae6cb4e/4阅读路径:第一组先分清 MCP 接通什么、个人知识为什么值得接;第二组看「私人资料综述 → 研究初稿 → 人工编辑」的完整写作链;第三组看模型选择和判断力的边界;第四组把一次成功变成可积累的工作流。只看一组就看第二组,它能直接区分人机协作和批量生成。 一句话结论:MCP 接通资料并不会自动产生好作品;只有人先确定问题、用个人积累约束综合,再对初稿持续取舍,连接能力才会转化成创造价值。
howie 用 USB-C 集线器解释 MCP:模型原本有自己的知识,通过共同的接口,才能调用外面的工具,读到本地文件、笔记和网络资料。接口的价值不在于多了一个聊天按钮,而在于过去彼此分开的工作材料,可以进入同一次思考。
他展示的重点是 Claude 桌面端连接 Readwise、Obsidian 和本地文件系统。文件系统服务器可以在指定目录内搜索、创建和删除文件;不同笔记库也可以分别接入服务器。他同时提到格式转换、Figma 等可能用途,但明确说自己还没有使用 Figma 的 MCP,不能把这些设想算成现场完成的案例。
这里最容易听错的是「连接一切」。这是他对方向的概括,不是所有工具已经接好、所有权限已经具备。他在问答中也承认,平台是否开放数据会影响连接。具体安装命令、完整配置参数和权限设计,原文未展开。
Ben哥,如果以后把知识库能力包装成统一入口,可以在 knowledge.py 中新增 search_personal_notes(query, source_paths),先返回命中文段、文件路径和标题,不直接生成结论。这是本篇的应用设计,不是已核实存在的函数,也不要求本轮实施。先把「能读到哪些材料」做清楚,再讨论一键写文章,才对应这场演示真正完成的那一步。
他的实际资料分成几部分:Readwise 里一万多篇内容,Logseq 中七八千条笔记,以及通过 Obsidian 插件同步的微信读书划线与笔记。他用这些资料研究「贫穷与拖延」,不是要求模型随便谈谈,而是让模型寻找自己读过、记过的相关观点,再组织成综述。
结尾他特意区分知识管理和信息管理。买来几千本电子书,并不等于拥有了个人知识;阅读中的划线、自己的笔记、团队的工作记录,才保留了选择和理解的痕迹。他认为这些内容比单纯收集电子书更值得打通。这个判断指向个人资料的差异性,不足以证明任意一本电子书都没有接入价值。
| 资料形态 | 原文中的位置 | 对综合的作用 |
|---|---|---|
| 模型内部知识 | 通用知识背景 | 给出跨主题解释,但不等于了解你 |
| 互联网材料 | 研究时补充检索 | 扩展论证和素材,不能冒充个人经历 |
| 个人阅读与笔记 | Readwise、Logseq、微信读书划线 | 保留你关注过什么、怎样理解问题 |
| 当前提问中的想法 | 尚未写进笔记的思考 | 把这次真正关心的问题交给合作者 |
Ben哥,可以在 kb/STANDARD.md 的后续修订中提出「原始材料/个人批注/应用判断」三类标记;在 reading.py 的阅读记录输出中拟加 personal_note、highlight、source_path 字段。目的不是给电子书仓库换个名字,而是让下一次检索能区分「作者说过」与「Ben哥自己判断过」。字段仅为建议,当前结构未核实,本轮不改这些文件。
这篇文章的起点是 howie 与 O3 的一次短对话。问题引起兴趣之后,他没有立刻让模型把几百字扩写成长文,而是先让 Claude 检索自己的阅读与笔记,寻找贫穷、拖延及其关联的观点。产出的综述覆盖认知、社会归因、恶性循环和不同层面的拖延解释,其中也找回了他曾经阅读、划线的文章。
接下来,他把这份综述上传给 Deep Research,说明这是自己围绕主题的阅读笔记和思考,要求写成深度长文。要求包括开门见山、结构清楚、论证有力,充分使用上传资料,又不局限于这些资料;模型可以补充、删减和重组。他给出的篇幅范围是两千到一万字,风格要求则是简洁、真诚、有思想深度。
这里有一个表面矛盾:他既允许模型自主确定题目、大纲和内容,又强调题目、大纲、方向由人决定。合起来看,授权模型提出组织方案,不等于放弃人的最后决定权。人先确定问题和判断方向,再审查模型怎样展开;否则「自主发挥」就会变成替人决定究竟要说什么。
| 环节 | 人提供什么 | AI 做什么 | 交给下一环节的东西 |
|---|---|---|---|
| 提出问题 | 真实兴趣、已有思考 | 对话与启发 | 值得继续研究的问题 |
| 私人资料综述 | 阅读与笔记库 | 检索、关联、归纳 | 主题综述与初步框架 |
| 深度研究 | 综述、目标与表达要求 | 补充材料、组织论证、写初稿 | 可供编辑的文章版本 |
| 人工编辑 | 判断力与读者意识 | 配合修改 | 经取舍的正文、标题和呈现 |
Ben哥,knowledge.py 后续可新增 build_topic_brief(question, matched_notes),输出「问题、相关观点、依据路径、冲突点、拟采用论点」;reading.py 再把这个交接物送入写作环节,而不是只传一个标题。kb/STANDARD.md 可增加「先核对综述是否抓对问题」这一判据。这里是把直播中的交接方式映射到你的文件,不宣称代码已经这样运行。
翻译案例的操作反而很朴素:先把英文原文保存成 Markdown,交给 Deep Research,要求全文翻译成中文;因需要双语对照,再补充对照格式和语言风格。模型提出确认问题,他回答后得到译稿。他认为质量很好,但仍会修改细节、添加注释。
他对写作采用同一条责任标准:直接把初稿粘出去,自己没有思考、没有核对,就是没有贡献价值。他会反复阅读,保留不同版本,调整整体结构、细节用词、标题、配图和排版。省下来的不是责任,而是原来消耗在寻找、搬运和组织资料上的时间。
另一个例子把这个标准讲得更具体:围绕儿童教育的话题,Deep Research 给出了一万五千字,他却认为三四千字就足够。文章的任务不是展示研究了多少,而是删掉老生常谈,把最本质、最能给读者启发的部分压缩出来。长不等于深,材料多不等于有用。
Ben哥,~/.agent-autoloop/report_html.py 后续可提出新增 render_source_note(source_url, evidence_scope),让报告读者看得见依据范围;知识库文章的编辑检查则应留在 kb/STANDARD.md,增加「删掉后是否损失核心论证」的压缩检查。不要把报告渲染成功当成内容已审过,也不要仅凭字数达到要求就判定深蒸馏合格。本轮只写本文,不触碰渲染脚本。
「影响人生的因素」一文来自一张鸡汤式材料。howie 先让 O3 深入思考,却不满意产出的语气:概念生硬、措辞过冲,有些表达让他觉得像在故作深刻。他又试了 O3 Pro,仍认为特定提示方式与推理模型可能不合适。转给 GPT-4.5 后,反而得到更自然的展开,适合作为后续研究的起点。
他把这份原材料交给 Deep Research,要求从心理学、认知科学等角度解释,得到研究初稿后再继续编辑。这个案例最值得留下的不是某个模型永远最好,而是他否决了不合适的输出,没有因为模型更强、等待更久就勉强接受。
他还区分原生 App 和 API:App 中的记忆、研究工具等体验,不等于调用一个模型接口就会自动具备;不同套壳工具自己实现的功能也不同。因此,要理解自己正在使用的是模型能力,还是产品把多种能力组合起来的结果。
Ben哥,可在 reading.py 的后续实验记录中拟加 task_type、model_name、prompt_version、rejected_reason 字段,把「为什么否掉这一稿」留下来。cron-jobs.json 不应因一次讲座就改成统一调用某个模型;先积累同类任务的实际结果,再决定是否调整调度。这里借用的是任务匹配原则,不沿用直播当时的模型排名。
回答幻觉问题时,howie 强调背景知识。他认为,如果对一个领域没有基本概念、理论和知识框架,就很难判断 AI 的内容;自己修改稿件时,不只是挑事实错误,还会判断哪些话不该出现、哪些材料不值得采用。这是从「有没有错」走向「有没有必要」的判断。
他同时说,自己很少担心顶级模型的幻觉。这个说法属于个人使用经验,不能从中推出事实核对可以取消。原文没有给出一套独立的核验步骤,也没有证明熟悉领域就不会漏看错误。
他用认知层次解释为什么仍要学习:创造需要综合,综合需要分析,分析又建立在理解、记忆和应用之上。所谓品位不是绕过积累的捷径,而是长期阅读、实践和修改之后形成的取舍能力。AI 可以承担大量综合工作,但人仍需知道什么问题重要、什么解释站不住。
Ben哥,可以在 kb/STANDARD.md 提出两栏检查:「事实依据能否定位」和「这段解决什么问题」;在 knowledge.py 的拟议综述结果中增加 evidence_paths 字段,让每个采用的观点能回到材料。事实无法定位时写清边界,不把熟悉感当作证据。这是应用层的核对设计,不是讲者现场提供过的核验函数。
howie 展示 Logseq,不只是展示一堆成品文章,而是在说明工作流也要成为知识。最早的对话、提示词、阅读初稿时的调整、大纲、标题、排版微调,都值得留下。否则下次遇到同样的问题,仍然只能靠临时回忆。
他把标题、配图、摘要、转发文案拆成独立环节:某次发现了更好的标题方法,就把经验写成 SOP 或检查单,下一篇继续使用。所谓写作练习,不是重复生产相同的文章,而是每做一次,都让其中某个环节更好。他提出一百天写作的设想,重点也在一百次反馈如何改进同一条工作流。
他把这种实践称为强化学习和刻意练习。这里说的是人和工作方法通过反馈持续改进,不是证明这些笔记直接训练了模型参数。原文并未展开自动更新规则、自动验收或无人干预的迭代机制。
Ben哥,reading.py 后续可提出 summarize_revision_feedback(before, after, reason),只整理可复用的修改原因;kb/STANDARD.md 再由人决定吸收哪些规则,而不是每篇文章都自动改标准。若以后确需在 tasks.md 登记改进项,可用「环节/问题证据/拟调整/验证结果」四项表达;本文只是说明映射,本轮不读取、不修改任务清单,也不新增任何自动化。
结尾他把 AI 的使用分成三种:搜索引擎替代、聊天助手、个人操作系统。第三种不是一个新软件名称,而是脑中的想法、个人资料和模型能力进入同一套工作方式。团队把日常记录、复盘和报表留在 Notion,再与模型连接,是他举出的团队层面设想。
但枢纽不等于把所有东西押在一个账号上。他提到,个人笔记仍然保留在本地,服务账号出现问题不意味着多年积累一起消失。这段没有展开恢复流程,却说明了一个重要区别:模型服务可以更换,个人积累应该仍然属于自己。
整场落脚点仍是「向 AI 要价值」。这不是要求每次对话都赚钱,而是把 AI 放进真实任务,改变研究、写作和工作复盘的做法。至于能否做出事业上的结果,讲者也把它归回个人问题、兴趣和创造,而非承诺接入 MCP 就能得到某种收益。
Ben哥,knowledge.py 的拟议输出可以保留 source_path 与 artifact_path,让资料和成品不依赖某个对话窗口才能找到;cron-jobs.json 的后续改进则先定义可观察的任务产物,不把「模型已回答」当成「知识库已交付」。这两个方向都只作为下一轮可审查的设计,不在本文执行,也不据此声称现有系统已经完成了整合。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 先检索私人积累再写作 | knowledge.py | 拟加 search_personal_notes,返回文段与来源路径 |
| 综述作为交接物 | reading.py、knowledge.py | 拟用 build_topic_brief 固定问题、依据与冲突点 |
| 个人知识区别于资料囤积 | reading.py | 拟区分 highlight 与 personal_note |
| 初稿需要人工取舍 | kb/STANDARD.md | 拟分开检查事实依据、核心论证和删减价值 |
| 呈现不能遮住来源边界 | ~/.agent-autoloop/report_html.py | 拟加 render_source_note,显示依据范围 |
| 记录模型不适配的原因 | reading.py | 拟记录 task_type、model_name 与 rejected_reason |
| 每轮反馈改进一个环节 | tasks.md、kb/STANDARD.md | 后续改进写明问题证据与验证结果,本轮不改 |
| 用真实产物而非调用次数衡量价值 | cron-jobs.json | 后续调度定义产物条件,不因本文直接改配置 |
原文:howie.serious《howie 的 AI 主题讲座:MCP 专题》,2025.06.12 直播。结尾多次明确两个小时结束,时长据此记为约 2 小时;没有使用视频时间轴测量。
本篇依据:仅依据本次提供的完整机器转写,按连接个人资料、主题研究、结对写作、模型选择、判断力与工作流迭代组织。序号按目标文件 q38 标为 38 / 53。全文不使用外部资料;应用中的文件名取自本任务给出的工作背景,函数和字段均为拟议设计,不是已核实的现有实现。
更正与边界:按上下文将 Cloud、Loxic 等误识别统一为 Claude、Logseq,将语境明确的产品名与断句修正。微信读书笔记的路径以问答澄清为准:经 Obsidian 插件导入,不是导入 Reader。2025 年当时的连接限制、额度、价格、模型评价和未来预测,不作今天的产品事实;「全部电子书都已被模型学过」、智商类比、几乎无幻觉等表述,不作为经核实的结论。接口配置细节、完整核验流程及未演示能力,原文未展开。本文只整理和映射,不修改任何所提脚本、规则或调度。
定位:中文深蒸馏,不是逐字摘要。标「对你的实际应用」的部分是基于原文的应用分析,与讲者原话分开。