深蒸馏 · 直播回看 · 配额批次 12

从聊天到交付:用原工具、知识体系和人机协同向大模型要价值

直播回看 | 2025.03.21 | 约 2 小时(据转写口述) | 已深蒸馏 47 / 53
来源:原视频 | @howie.serious | 2025.03.21
直链(在飞书/企微预览里点击可能被拦截,复制到浏览器打开):https://www.candobear.com/detail/l_67dcbb6ee4b0694ca080c435/4
阅读路径:先读第一组,弄清这次更新为什么不是换几个提示词,而是把目标从对话改成交付;第二组用卡片案例拆开「原工具」怎么学;第三组解释为什么 AI 越强,人越不能放弃写作与知识体系;第四组看模型原理、注意力和经营取舍。只看一组就看第三组,它回答的是你在协作中究竟负责什么。
一句话结论:对已经积累大量实践的用户,AI 的价值不取决于试过多少工具,而取决于能否用自己的问题、判断与知识体系,持续把模型能力转成可用的成果。

第一组 · 转折:从体验智能,走到要求它交付

1.1 「逐渐,然后突然」改变的不是口号,是使用目标

howie 为什么在几个月后重讲 ChatGPT?他的解释是:过去两年,AI 逐渐渗透进学习、生活和工作;到了他所描述的最近几个月,顶级模型的产出跨过了自己的质量门槛。他先被推理模型在文科主题上的思考深度震动,随后又被 Deep Research 的研究能力、GPT-4.5 对语境和言外之意的理解震动。

这是一条个人体验形成的判断,不是模型排行榜。他因此改变阅读安排,也改变对 AI 的要求:不再主要追逐新模型、新工具,而是让它产出能直接使用的内容,进而追求经济价值。这里的「突然」是他感知到的可用性转折,并不等于整个社会已经证实进入某个 AGI 阶段。

原文在说什么

他的重点不是「AI 又进步了」,而是当质量足以进入生产,继续只把它当玩具,就错配了使用目标。但这段劝告主要面向已有几百乃至上千小时实践的重度用户。他反复补充,新手可以从基础版本开始,不必立即购买高价订阅。

关键概念
对你的实际应用

Ben哥,可在 tasks.md 的任务描述中拟加「目标产物」「使用场景」「完成判据」三项。比如知识库任务不只写「处理一场直播」,而要写「形成能用于工作判断的深蒸馏,讲者观点与应用推演分开」。这不是本轮修改要求,也不代表现有任务缺这些字段;它把「用了 AI」转换成「交付了什么」。

1.2 Deep Research 的变化:交代目标,而不是逐句牵引

他用主题研究和访谈材料整理作例子:给出任务后,系统先制定计划,再搜索、阅读、分步骤执行,遇到新情况还能调整计划。一次任务可以持续几分钟或半小时;他看重的不是等候时间,而是系统能在一段时间内围绕目标工作。

这与过去主要靠聊天获取知识、练口语、打磨思想的模式不同。聊天仍有价值,只是不能覆盖所有任务。研究型任务需要的,不只是一次回答,而是把目标拆成一串行动,再汇成结果。他由此把 Deep Research 理解成主题研究 agent。

使用形态原文中的主要动作交给它的东西讲者看重的结果
对话讨论、练习、打磨思想问题、观点、材料理解与表达逐渐清晰
推理逐步处理较深的问题需要深入思考的任务更有深度的分析
主题研究 agent规划、搜索、阅读、调整研究目标一份能够使用的研究报告
原文在说什么

使用单位从一句问题,扩展到一项任务。 讲者把这看作向经济价值过渡的重要条件,但没有给出报告准确率、系统验收办法或失败统计。这些环节原文未展开,不能因为它能持续工作,就推定它能自动保证正确。

关键概念
对你的实际应用

Ben哥,后续可在 knowledge.py 拟增 build_research_brief(),将「主题、要回答的问题、已有材料、预期交付」整理成任务说明,再交给研究模型。函数名是本文提出的设计,不是确认存在的接口;这一步用于减少无目标搜索,至于自动调用模型或接入外部服务,本篇没有依据替你决定。

第二组 · 卡片案例:学原工具,不是搜更多现成工具

2.1 五分钟卡片的背后,是一轮具体反馈

他展示的知识卡片,结构并不复杂:几个文本框、字体、精确的间距,以及渐变和噪点背景。工具是 Figma,背景用到 noise 插件。所谓「五分钟糊出来」,不是凭空生成一张不可修改的图,而是借助熟悉的排版工具,快速做出可以继续迭代的作品。

过程更值得抄:看到喜欢的卡片,搜索类似视觉参考;把图片交给 ChatGPT 点评;自己模仿一版,再请它按专业设计规范评价字号、字体、布局、重心与空间;不懂背景怎么做,就问具体步骤;不懂插件参数,就截图让它解释,再试不同效果。他保留了 V1 到 V4 的尝试,觉得足够好后便拿去使用。

原文在说什么

这里 AI 承担的不是单一「出图器」,而是点评者、操作解释者与方案提供者。人负责选参考、动手、比较和停止迭代。讲者说卡片带来了较高观看量,但没有提供控制变量实验,不能推出「这种排版必然带来流量」。

关键概念
对你的实际应用

Ben哥,后续可在 ~/.agent-autoloop/report_html.py 拟增 render_visual_sample(),只渲染一张含标题、正文、来源的样卡,供截图讨论;输入参数拟设为 font_size、spacing、background_style。先把反馈落到单个参数,再决定是否推广整份报告。这里借用的是「样稿—反馈—调整」的方法,不是把直播中的 Figma 操作冒充成该脚本现有能力。

2.2 原工具的价值,是覆盖一类需求

在他的用法里,Figma 不只做卡片,还做电子书封面、直播图、公众号头图和 YouTube 头图;图片管理、阅读与笔记工具也各自承接一整类工作。相比之下,专门分享一张卡片的小工具很多,挑选费时,效果未必合意,稍微好用又可能需要订阅。

所以「原工具」不是功能越多越好,而是学会之后,能够迁移到大量相似任务。学习重点也随之变化:具体按钮可以边做边问 AI;字体、字重、平衡、对称、呼吸感等基础原理,则决定你能否理解反馈、作出选择。工具并没有消灭学习,只是让学习更靠近底层原理和真实作品。

原文在说什么

减少工具种类,不等于降低能力要求。 他一面说操作性问题可以问 AI,一面强调人仍需审美、判断、设计思维。原工具的优势来自反复使用和方法迁移,不是装上软件就自动获得。

关键概念
对你的实际应用

Ben哥,可在 kb/STANDARD.md 拟加「共用骨架/主题变量」对照:骨架固定来源、分组、概念与应用的位置;变量只包括主题、日期、人物和正文事实。report_html.py 后续也可按同样方式抽取共用渲染函数,避免每个主题另造一套版式。这是减少重复工作的应用推演,直播没有讲这些文件,也没有规定你的模板实现。

第三组 · 人机协同:人的价值不在重复模型擅长的部分

3.1 Co-intelligence:谁决定研究什么、为什么值得做

howie 把语言、知识、逻辑推理、信息搜索加工,列为自己长期训练、如今又感到 AI 很强的能力。他没有因此得出「人不必学习」,而是换了一个价值坐标:真正让协作成果属于自己的,是对现实语境的理解、同理心、价值观,以及有限但具体的创造力。

他用公众号日更解释:选题是自己选的,观点是自己的,框架与方向由自己把控;之所以选择某个题目,来自对人及其真实问题的理解。AI 能增强表达和加工,却不能替代他说明为什么要做这件事。这里的人机协同,不是「机器写完、人署名」,而是人的判断参与了内容产生的路径。

原文在说什么

模型能力强,并不自动构成你的价值;你把能力用向哪里,才开始形成你的价值。 同时,讲者仍要求亲自读书、写作、思考,逐步培养基础能力,不能跳过左边的训练,只保留右边的价值判断。

关键概念
对你的实际应用

Ben哥,可在 reading.py 的阅读记录中拟增「我为什么读」「它回应谁的问题」「我赞同或反对什么」三个文本字段;在 knowledge.py 拟增 build_question_context(),把这些回答与原文材料一同交给蒸馏环节。目的不是让模型替你编立场,而是缺少你的判断时就明确留空或注明「原文未展开」,不把通用建议伪装成 Ben哥 的选择。

3.2 写作不是最后一道包装,而是思考训练

他把本次日更实验描述成一种倒逼:每天深入思考一个主题,再借助 AI,把思考变成高质量文本。背后有更新控制表、每日计划、里程碑和选题储备,不是临时让模型随机写一篇。他也谈到以前日更中断的经历,因此这不是「只要想坚持就能坚持」的励志故事。

他用模糊图案与连点成形说明写作的作用:阅读后可能只有印象,写下来才会迫使自己连接概念,把没想清楚的地方暴露出来。个人知识体系则提供可连接的材料。他在笔记库里检索旧笔记、在阅读工具中按主题聚合材料,都是为输出服务;记了多少条笔记,不是这套方法的终点。

环节原文展示的做法它解决的障碍
输入高质量阅读,按主题聚合材料材料分散,读过后难找回
理解用费曼学习法深化理解只有熟悉感,没有真正说清
关联连接概念、旧笔记与跨学科模型知识孤立,难以组织观点
输出写文章、发短内容、做视频想法模糊,缺少明确表达
持续实践控制表、计划、里程碑、选题储备输出依赖临时状态
原文在说什么

写作从少数人的职业技能,变成他主张人人练习的思考工具。 他认为 AI 降低了把思考转成文本的成本,却没有取消理解、关联和输出训练。这也是他坚持「法」仍是多年使用的学习闭环的原因。

关键概念
对你的实际应用

Ben哥,可在 kb/STANDARD.md 拟增「概念连接」要求:每篇写清与已有哪条观点相接、相冲突或互补;在 knowledge.py 拟增 build_concept_links(),只返回已检索到的笔记路径和关联理由,找不到就说明没有依据。这样蒸馏不是替你多存一篇文章,而是提供一次可检查的概念连接;本轮不修改标准或脚本。

第四组 · 使用边界:理解模型,也重新安排注意力与成本

4.1 压缩包、上下文、模型选择:先弄清自己在调用什么

他借用一张讲解图,把模型比作互联网材料形成的「有损压缩包」:训练获得模式,后续训练塑造回答方式;用户在对话中提供问题、附件、搜索结果,模型在上下文里继续回答。他还演示检索旧对话、重新接着讨论的用法,强调工具操作背后应有原理理解。

这些比喻有助于建立直觉,但本场并非严谨的参数说明。他对 Deep Research 上下文规模使用了「别人估计」「我觉得」等措辞;未来更长窗口也是推测。历史聊天能找回来,与每次回答究竟纳入多少历史内容,是两个问题,原文未展开其具体机制。

原文在说什么

模型选择要随任务变化。他把日常聊天与思想打磨交给 GPT-4o、GPT-4.5,把理科及深入文科思考交给推理模型,把主题研究交给 Deep Research。他对 mini、蒸馏模型作出较强负面评价,但没有展示足够证据支持对所有此类模型的概括。

关键概念
对你的实际应用

Ben哥,后续可在 knowledge.py 拟增 select_model_for_task(),按「日常讨论/深度分析/主题研究」分类,并记录 task_type、selection_reason、source_date。不在 cron-jobs.json 中直接写死「mini 一律禁用」;本场没有给出这种长期配置的可靠依据。函数只是拟议接口,模型现行规格与可用性本篇均未核验。

4.2 注意力与经营取舍:腾出空间做真正的产出

他把判断力与注意力作为结尾重点:信息、工具和课程太多,真正需要决定的是把有限投入放在哪里。注意力被他比作高级算力;这是一种学习隐喻,不是人脑与 Transformer 等同的科学证明。理性能力之外,他也强调情感和内驱力是持续学习的燃料。

后半场的搬迁与经营经历,把这个原则落到了具体成本上。他准备离开投入过很多感情与金钱的小院,搬到离家和孩子学校更近、能独立录制内容的空间;也重新认识组织形态:与其维持让自己疲于内耗的团队,更适合把工作理解成小型 studio/lab,集中做内容和服务。他说今年的目标是不亏损。这部分使「向 AI 要经济价值」不只是增长口号,还包括减少不必要的固定负担。

原文在说什么

坚持目标,不等于坚持原来的组织、地点和投入方式。 他愿意保留学习与家庭终身学习的目标,同时调整工具、空间和团队。搬迁后的实际节省与经营结果在本场尚未发生,不能写成已经验证的成功转型。

关键概念
对你的实际应用

Ben哥,可在 reading.py 拟增「本次阅读要解决的问题」「形成的判断」「关联产物」字段;对 cron-jobs.json 的每个知识任务,在独立评估时列出对应交付和用途,而不是只统计运行次数。没有明确用途的定时任务可以列入复核,但不能依据这场直播自动停用。这样注意力与配额的取舍都能回到成果,本轮不动调度配置。


与在用工作的关联

这条里的什么对应你手上的什么具体怎么用
从聊天转向交付tasks.md 的任务描述拟加目标产物、使用场景、完成判据;不以调用次数代替成果
研究前交代目标knowledge.py拟增 build_research_brief(),先组织问题与材料再研究
对着作品要反馈~/.agent-autoloop/report_html.py拟增 render_visual_sample(),围绕样卡讨论具体参数
原工具覆盖一类需求kb/STANDARD.md区分共用骨架与主题变量,不按场次复制事实
人提供语境与判断reading.py拟加阅读目的、现实问题、个人立场,区分人与模型贡献
写作连接概念knowledge.py拟增 build_concept_links(),输出真实笔记路径与关联理由
按任务选择模型knowledge.py拟记录任务类型、选择理由与来源日期,不固化历史产品偏好
注意力要对应产出cron-jobs.json 的任务复核逐项核对用途与交付,本文不实施任何调度变更

原文:howie《我是如何使用 chatgpt/llm 的?(2025 年 3 月版)》,2025.03.21 直播。转写后段口述「一小时五十六分」,之后仍有问答;因此写约 2 小时,不将其当作精确总时长。

本篇依据:仅依据本次提示提供的完整机器转写。保留能力转折、主题研究 agent、Figma 卡片、人机协同、写作与知识体系、模型原理和经营取舍等主线;样例只用于层级与语气,没有把样例中的其他场次事实带入正文。

更正与边界:将明显误识别的 ChatGPT、Figma、Deep Research、Logseq、费曼学习法等按上下文统一;不确定的参数、课程安排细节与人名不强行补全。AGI 分级及时间线、模型优劣、小时数门槛、「八成人类书籍不值得读」、教育和就业判断均属讲者当时的观点或预测,不是本文核验结论;他同时保留了阅读优秀原著、亲自学习和新手逐步入门的要求。订阅价格不作为现行报价。所有文件、字段与函数方案都是面向 Ben哥 的应用推演,未检查代码现状,也未实施修改;原文没讲的实现机制写明未展开。

定位:中文深蒸馏,不是逐字摘要。