https://www.candobear.com/detail/l_6842b363e4b0694ca0c1eb41/4阅读路径:先读第一组,弄清为什么接入自己的资料比多问几个问题更重要;第二组看摘要与亲自阅读的分工;第三组把思考转成文章、卡片和 PPT;第四组说明这一切为什么仍然依赖人的兴趣和价值判断。只看一组就看第二组,它能防止把知识库做成「收得越来越多,自己想得越来越少」。 一句话结论:如果 AI 只替你压缩内容,却没有接入你的积累、承接你的追问,它更容易制造通用答案,而不是提高你形成独立判断的能力。
howie 刚开始试用 Claude Pro 和 MCP,最直接的感受不是模型回答得多漂亮,而是它能从自己的 Obsidian 笔记里找材料。他自述有七八千篇笔记,不可能每次先靠自己找到几篇,再上传给模型。把入口接通之后,可以直接要求模型随机找三篇笔记编故事,也可以围绕多巴胺、儿童抑郁症等主题检索和综述。
随机组合的例子里,材料来自《沙丘》台词、自己的想法和一篇视频笔记。它们原先不在一个写作任务里,模型把它们串成了一个故事。主题综述的例子则展示了另一条路:模型先搜索、读取,再继续寻找相关文件,最后整合。第一次列取笔记失败之后,它还换了一种方式尝试。这里值得留意的是动作链,而不是把「接上工具」等同于「每次都能成功」。
个人知识不是通识的缩小版,而是选择与经历留下的痕迹。 模型学过很多公共材料,不代表知道你读过哪篇、认同哪句、在哪个项目里踩过坑。MCP 在这场演示中的作用,是让模型能调用工具触达这些资料;它不是凭空生成个人经验的办法。
连通也有粒度。 他说当时 Readwise 的接口只能搜索划线,而 Obsidian 的工具可以进行读、写、搜索。接口名字相同,不代表能取得同样完整的上下文。具体权限配置、检索召回率和失败恢复规则,原文未展开。
Ben哥可以把这个思路落到 knowledge.py:后续增加一个只读的 collect_topic_sources(topic) 函数,让每条命中返回 source_path、excerpt、match_reason。先拿到材料,再写综述,不让模型只凭文件名猜内容。这是应用设计,不是声称脚本里已有这些字段;本篇没有检查或修改该脚本。
他把 Obsidian、Logseq、Readwise Reader 放在同一条积累线上:文章、视频、书、划线和自己的想法,都可能成为后续工作的材料。Readwise Reader 里自述已有一万多个条目;他还提到 Obsidian 的 Smart Connections 插件,用来发现笔记间的相关性。
但他没有把关联展示和自动综述混成一回事。看到相关笔记,仍然可能需要逐篇打开;让模型调用检索与读取工具,才把「发现材料」接到「使用材料」。他说的 serendipity,就是在大量旧材料中出现原本没有主动想到的连接。随机三篇笔记编故事,只是一个好玩的入口,不是证明任何随机拼接都有价值。
这场给知识管理找回了一个用途:旧材料可以参与新的问题,而不是只作为收藏证明。 他也没有否认重读的价值,反而说很多文章会读好多遍,第二遍尤其重看划线与笔记。
| 使用方式 | 直播里的例子 | 能得到什么 | 不能直接推出什么 |
|---|---|---|---|
| 随机连接 | 三篇不同来源的笔记编故事 | 新组合与写作灵感 | 故事流畅不等于论证成立 |
| 主题检索 | 多巴胺与儿童抑郁症综述 | 找回分散材料 | 搜到了不等于找全了 |
| 相关性浏览 | Smart Connections 展示笔记关系 | 提供重读入口 | 相关不等于观点一致 |
| 划线检索 | Readwise MCP 搜索 highlights | 重用过去标记的重点 | 划线不能冒充全文 |
Ben哥可以在 kb/STANDARD.md 的后续规范里区分两种输出字段:source_excerpt 放原文依据,connection_note 放这次建立的新联系。再让 knowledge.py 的主题结果保留二者,不把「我联想到」写成「作者已经证明」。这样,知识库既能产生新想法,也能回到原材料检查连接是否牵强。本轮只写应用说明,不改规范文件。
一位熊友提出了整场最重要的反问:让 AI 总结一个长视频,确实能拿到要点,但自己花一两个小时读、看,也会有相应的收获。播放列表太长,并不意味着把列表压缩完就解决了学习问题。他与 GPT 讨论之后,反而没那么执着于让 AI 代看全部内容。
howie 随即给出明确结论:AI 应增强阅读,而不是取代阅读本身。他会在读书之前先做 Deep Research,借此了解一本书乃至作者的主题。如果看过这些整理后仍想读原书,就说明值得继续投入;如果暂时不想读,也可以先不读。这个判断说的是他如何分配阅读时间,不是对所有书做质量判决。
压缩提供全貌,阅读产生自己的理解。 摘要可以帮助定位重点,却不能替你经历原文的论证、例子和反复比较。对原本有好奇心、有阅读习惯的人,AI 可能让筛选更快、重读更有方向;对只想逃开思考的人,更多摘要未必带来更多理解。
| 环节 | AI 在本场承担的作用 | 人仍要完成的动作 |
|---|---|---|
| 接触陌生材料 | 快速总结,先看全貌 | 判断与当前问题是否有关 |
| 决定是否深入 | 整理主题与作者思想 | 决定是否读原书、看原视频 |
| 重读旧材料 | 找回划线与笔记 | 结合当下问题重新理解 |
| 形成观点 | 回应追问、提供信息 | 给出自己的判断与理由 |
Ben哥后续可以在 reading.py 增加 build_reading_decision(summary, question),输出 why_read_original、original_sections、open_questions。让每份深蒸馏明确哪些段落值得回看、还有什么问题没回答,而不是把生成成功视为阅读完成。kb/STANDARD.md 可配套规定:没有原文展开的机制不能靠摘要补齐。本场涉及教育与大脑的表述尤其适用这个限制。
他把早先强调的「chat with GPT」推进成「think with GPT」。例子不是只让模型回答一个概念,而是先得到材料,再把自己的理解扔回去。一套入门读物受到「不够严肃」的批评,他的判断是:如果目标是激发孩子兴趣,批评可能与产品定位错位。模型给出全貌之后,他仍然要结合实际阅读体验,提出这条判断。
另一个例子是消费冲动:看到厉害的照片和文案,他也心动,但会问 O3 该不该买。对话带来的作用,是补入自己原先没有检索的信息,让感性的冲动慢下来。他还比较了自己的搜索与模型搜索:自己可能换几次关键词就结束,模型会继续检索多轮。这是他的使用体验,不是经过统一测试的性能结论。
思考伙伴与答案机器的区别,在于对话有没有承接人的判断。只有摘要,没有下一轮自己的意见,仍然停留在接收信息;把「我为什么这样看」说清,再看回应,才进入他所描述的增强思考。
同时,检索更多不自动等于结论更好。直播展示了多轮搜索的价值,却没有展开如何检查来源可靠性,也没有证明每次对话都能消除消费冲动。不能把一个个人例子写成普遍保证。
Ben哥可以给 reading.py 的后续交互结果增加 my_claim、source_support、unresolved_question,分别记录自己的判断、原文支持和仍然没解决的问题。比如读完本篇,不只记「MCP 很有用」,还要写「对我的知识库,当前最有价值的是免手工挑文件」,再列出支撑它的本场案例。字段用于组织思考,不冒充自动判真的结果。
围绕《内驱式学习》,他演示了先让 Claude 从个人笔记中整理,再交给 ChatGPT 做 Deep Research 的想法。材料里有他原来关于学习、情绪、家庭环境的认识。模型把散落观点拉到同一个主题下,再继续形成文章,所以成稿才可能让作者觉得「这就是我的观点」。
他也讲到不同模型的使用分工:O3 用于讨论与检索,GPT-4.5 用于最后写作,Claude 在自己尝试的代码与 SVG 卡片任务里表现更合意。他没有因此坚持只用一家,反而强调开放尝试、积累第一手经验。不过,这些是直播当时的个人任务观察,不能转写成永远有效的模型排名。
文章的个人性来自输入材料与判断,不来自最后润色。 如果前面只有一个宽泛题目,后面即便文风很像某个人,也未必有这个人的经验。先整合笔记、再讨论、再写作,解决的是内容从哪里来;最后选择哪个写手模型,解决的是如何表达。
模型分工也不等于必须付费订齐全部工具。讲者确实鼓励试用不同会员,但没有给出适用于所有人的成本收益测算。订阅是否值得、额度是否够用,原文未展开。
Ben哥后续可以在 knowledge.py 增加 build_writing_brief(topic, sources),明确输出 personal_notes、claims、source_refs、unexpanded_points,再交给写作环节。~/.agent-autoloop/report_html.py 若承担展示,可增加 render_source_notes(),把依据与未展开事项保留到页面,而不是润色时一并抹掉。这些函数名是落地方向,不代表已实现或已检查现有调用关系。
熊友分享了一条 PPT 路径:与 GPT 多轮讨论,把聊天整理成几页大纲,再交给 Claude 做网页式演示。howie 明确认同,因为这样能提炼出讨论中的重点。他自己的另一条路径,是把 Markdown 内容粘到 iA Presenter,用模板完成演示排版。
他还试了 Manus 的一句话生成。结果能做出网页,形式也完整,但内容很通用,像百科介绍。他认为这种东西不是自己的,难以直接作为实际工作结果。相较之下,先把自己的提纲放进 Obsidian 或 Logseq,再与模型反复讨论、确定内容,最后用 Gamma、iA Presenter、PowerPoint、Keynote 或 Claude 呈现,工具的差别就没那么根本。
卡片例子也体现了这个分工。他用 Claude 生成解释芒格思维模型的 SVG,再在 Cursor 里调整字体、处理 PNG 导出。过去要自己设计模板、准备插图,如今部分视觉表达可以由代码完成。但这不代表任何内容都只需一句话,也不代表网页已经等同于可编辑演示文件。
| 路径 | 本场中的内容来源 | 适用判断 |
|---|---|---|
| 一句话生成演示 | 一个主题,由工具自动组织 | 看形式方便,个人内容可能不足 |
| 多轮对话后生成 | 自己的想法与讨论记录 | 更容易保留真实重点 |
| Markdown 转演示 | 已整理的大纲或笔记 | 内容已有,只需降低排版成本 |
| SVG 卡片再调整 | 解释任务、格式要求与代码 | 适合把概念做成视觉表达 |
这张表不是工具评测,而是把直播里的路线按「内容先在哪里成形」区分。能省的是反复排版,不该省的是决定自己到底要说什么。
Ben哥后续可以在 ~/.agent-autoloop/report_html.py 增加 render_outline(payload),固定消费 main_claim、evidence、application 三类内容,让版式只负责显示,不在渲染时临时补观点。kb/STANDARD.md 则可增加「内容确认后再换呈现工具」这一条。深蒸馏先把判断和依据写稳,再转成报告或 PPT,避免漂亮页面遮住材料空缺。
在介绍学习观时,他用引擎与燃料作比喻:理性加工与学习像引擎,情绪、情感和内驱力像燃料。他反对只看成绩这一单点,主张把大脑发展、行为、认知过程、情绪动力、自我以及家庭、学校、社会环境一起考虑。
他把探索发现带来的快乐,与快速感官刺激区分开,使用「优质/劣质多巴胺」「皮质醇儿童」等表述描述自己的教育观。这里最值得保留的是他关注学习体验与持续动力,而不是把这些口语标签当作已建立的医学分类。转写提到的厌学、抑郁相关比例没有给出来源,本篇不据此建立论证。
他所说的终身学习者,不是毕业后继续忍耐上课,而是逐渐喜欢上学习本身,并在自己热爱的领域形成知识体系和第一手经验。英语、阅读、写作,以及数学、逻辑、编程,被他放在长期能力的位置上;具体培养步骤,原文未展开。
这也解释了他为什么课程没学完就先搭 MCP:先做一个能跑起来、觉得好玩的尝试,从反馈里继续学。他的教育立场很强,但「高考不重要」仍然是个人判断,不能从工具演示直接推出对所有家庭都成立的教育选择。
Ben哥可以在 reading.py 后续生成的阅读卡中增加 interest_question 和 first_hand_trial:前者记录真正想弄懂的问题,后者记录亲手试过什么、观察到什么。读到 MCP 时,先保留一个与自己资料相关的小实验,而不是把术语收齐就算学会。kb/STANDARD.md 可明确:作者的教育意见与医学事实分栏处理,不能互相替代。
他解释自己所说的「文科已死」主要针对文科教育面临的尴尬,并非否定文科知识、能力、素养和精神。他认为 AI 越能写、越能做,人越需要思考价值与意义。他举的反例是:仅因产品能赚钱、能让人沉迷,就把它叫作好产品。
他的判据很明确:好产品应当让人的生活向好的方向改变。编码强、理科知识多,不自动保证做出的东西值得做。这段话不是回到「会不会使用工具」,而是把问题移到更前面:工具效率提升以后,究竟要扩大什么结果。
做得出来与值得做,是两个问题。 前者可以由模型、代码和工具增强;后者仍需要人提出标准。直播用产品讨论说明这个区别,没有给出完整的价值评估量表,也没有展开如何量化生活改善。
同样,知识库产量高、报告更漂亮,也不能单凭数量证明学习更深。把这个判断用于 Ben哥的工作,是本篇的迁移分析,不是讲者对现有知识库的评价。
Ben哥后续可以在 kb/STANDARD.md 的应用部分固定增加 helps_decision:说明这篇内容具体帮助哪个判断。若接入 ~/.agent-autoloop/report_html.py,可用 render_decision_use() 展示这句话,让读者先看到用途,再看篇幅。不要据此自动修改 cron-jobs.json 或扩大生成频率;本场没有提供支持这种调度变更的依据,本轮也不触碰它。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 从个人笔记取材料 | knowledge.py | 后续增加 collect_topic_sources(),保留路径、摘录、命中理由 |
| 偶然连接不等于原文事实 | kb/STANDARD.md | 区分 source_excerpt 与 connection_note |
| 摘要帮助决定是否深入 | reading.py | 增加回看理由、原文段落与未解问题 |
| 把判断送回对话 | reading.py | 记录 my_claim 与 source_support,不只保存摘要 |
| 先确认内容,再排版 | ~/.agent-autoloop/report_html.py | 让 render_outline() 消费已确认的主张、依据、应用 |
| 学习需要自己的问题 | reading.py | 用 interest_question、first_hand_trial 保留探索线索 |
| 好产品要改善人的生活 | kb/STANDARD.md | 用 helps_decision 写清实际用途,不以产量代替价值 |
原文:howie.serious《【同步直播】熊聚MU2506 无主题聚会聊天,会分享近期AI实践、新事物》,2025.06.07。临近结束口述「一个小时」,但转写无时间轴,元信息保留「时长未标」。
本篇依据:仅依据本次提供的完整机器转写,提炼个人知识接入、增强阅读、协同思考、内容制作和学习价值五条线;未访问视频或补充外部资料。序号按目标文件的 q39 标识写为 39 / 53。样例只用于层级与语气,不引入样例里的其他场次观点。
更正与边界:按上下文统一 ChatGPT、Claude、Readwise、Logseq、Cursor、Manus、iA Presenter 等明显误识别;无法确认的名称不强行还原。模型能力、产品功能和订阅体验均属直播当时的个人观察,不作为现行说明;教育与健康话题保留其观点性质,机制与统计来源未交代处不补证。「对你的实际应用」及关联表是面向 Ben哥的后续设计建议,不是原文事实;没有读取相关脚本,也没有修改规范、调度或任务文件,字段与函数均不声称已经存在。
定位:中文深蒸馏,不是逐字摘要。