https://www.candobear.com/detail/l_67d186a8e4b0694c5aa7cf62/4阅读路径:先读第三组,看选题、发酵、成稿、反馈怎样连成工作流;再读第二组,理解外脑和 AI 分别负责什么;第一、四组回答为什么还要亲自写,以及人的位置在哪里。只看一组就看第三组,它能把「让 AI 写一篇」改成可反复练习的过程。
一句话结论:持续写出好内容,关键不在背更多提示词,而在把自己的观察、可调用的知识和发布后的反馈接成系统;缺了这三者,模型变强也不等于作者变强。
howie 把写书、公众号长文、推特短帖和视频底稿放在同一件事下面:写作。形式和篇幅不同,但都要经历发现一个想法、把它打磨清楚、再表达出来的过程。他近期连续更新公众号,也在不同平台做内容实验,由此提出本场的起点:能够持续产出高品质内容,靠的是成熟的创作系统,不只是天赋。
这套系统有两部分:脑内的知识与思考方式,以及脑外的笔记和素材。只靠脑子临时调取,越来越难应付复杂内容。外部笔记也不只是存稿箱;短帖的想法、文章框架、视频底稿和书稿,都可以在同一个知识体系里生长。
这里的「系统」不是承诺每天都能写出爆款。他举的平台数据是个人实验结果,证明自己确实在用这套流程,不足以证明换个人照做就能获得相同增长。
不要把每篇文章都当成从零开始的独立工程。长期积累能被重新调用,同一个想法能在不同体量的表达中继续发展,持续输出才有底座。
创作系统是内在认知与外部笔记的配合;持续性看流程能否重复,不以某次灵感或某条内容的数据替代。
Ben哥可以把 ~/.shared-agent/kb/STANDARD.md 中未来的写作规范设计成「问题—已有材料—核心判断—输出形态」四项,而不是只规定排版。这里是应用设计,不是声称文件已有这些字段;本轮不修改该文件。每次深蒸馏先明确究竟要回答什么,避免把材料齐全误当成思想成形。
他展示「写作的七层真相」时,首先强调写作是思想的压缩和提炼:把混乱、模糊的感知变成清晰、结构化的表达。第二个转折更重要:很多人觉得没东西可写,其实把顺序想反了。一个想法可以在书写中不断被探索、补充和发现,不必等它彻底成熟才动笔。
写作质量也不主要取决于辞藻。对世界、人的处境与心理的理解,决定内容有没有东西。对评价的恐惧则会让人迟迟不写:担心没人看,担心负反馈。howie 的处理方式不是保证反馈一定好,而是允许开始时写得不好,先完成一个小的输出。
写作还会迫使人慢下来。消费内容可以不停划走,但要把一个想法讲清楚,就得延迟反应、反复加工。他用自己视频在不同平台的观看情况说明注意力环境不同;这些是个人后台观察,不是平台用户的普遍定律。
写作既是产出,也是认知加工。它帮助人发现自己到底在想什么,并暴露想法里的空白;只读不写,容易把「有感触」误当成「已理解」。
思想压缩不是机械缩短文字,而是让意思更清楚;小费曼是把一个单点想法用自己的话讲明白,不必先做成长篇。
Ben哥的 reading.py 后续可新增 build_small_feynman_prompt(),要求读完材料后回答「我理解了什么、能举什么例子、哪里仍说不清」。输出先作为理解练习,不自动当成正式结论。函数是本篇提出的落地接口,未检查现有实现,也未执行代码改动。
howie 展示的核心外脑是 Logseq。他把它称为私人 Wiki,强调概念与想法之间的关联。写作本质上是 connected ideas:知识、事实、概念和思维模型成为可调用的积木,一篇文章则是把它们建立起有意义的联系,再用自己的话讲出来。
Readwise Reader 在他的流程里承担另一种工作:保存文章、视频、推特和 AI 对话,围绕主题组织阅读,进行高亮、批注与复读。他连自己的中间稿也会放进去,以读者的姿态再看一遍。因而「阅读工具」也进入了写作工具箱:读不是被动消耗,它能使想法继续发酵。
| 工具位置 | 直播中的用途 | 不应误认为什么 |
|---|---|---|
| Logseq | 保存概念、想法、底稿,形成私人 Wiki | 只有文件数量的仓库 |
| Readwise Reader | 主题阅读、高亮、批注、复读对话与草稿 | 只用于收藏外部文章 |
| ChatGPT | 反复讨论思想,补充理解并打磨表达 | 输入标题就替人完成全部判断 |
| Markdown、Figma、排版工具 | 承载正文、配图和统一样式 | 内容质量的根本来源 |
他在问答中不认同用 Notion 做这类知识管理,那是基于自己用途的工具判断。本场没有提供全面的产品对照,不能据此推出所有人都必须换软件。
重点不是选出唯一正确的软件,而是区分知识关联、材料阅读和成稿呈现。收藏只有进入反复阅读、思考与调用,才成为写作系统的一部分。
知识积木是能够被理解和重新关联的想法;主题阅读把不同来源放在同一问题下,而不是按来源各存一堆。
Ben哥可在 knowledge.py 的后续设计中增加 build_topic_context():以一个问题为入口,组织相关笔记、来源摘录和已有判断;再为结果设计 related_notes、source_excerpt 两个字段。这样为写作取回的是关联材料,不是只返回若干文件名。实际函数接入位置须以后读代码确定,本轮不作现状断言。
howie 反复讲到:把粗糙想法先说给 AI。最开始可能概念不准、考虑不全、没有例子,经过多轮交流,思想与表达才逐渐丰富。对话结束也不是马上复制发布,而是收藏、复读、高亮,再整理成自己的输出。
「鸡娃的七层真相」是具体例子。他复读比尔·盖茨相关书籍的画线内容,注意到盖茨母亲的要求与自己观察到的国内鸡娃方式,形式相似而本质可能不同。先围绕这个观察交流,再使用「七层真相」模板。同一个模板,放在不同上下文中,对问题的理解和产出都会不同。
另一个例子从「孩子不是容器,而是生态系统」继续发展。他新开对话,把这个想法带过去,再加入「孕育智慧的星球」「父母是守卫者」的比喻,讨论父母既不能决定孩子的一切,又不能退出责任。原文呈现的是想法的发酵过程,不足以证明这些比喻从未被其他人提出。
可复制的提示词不是全部资产。阅读经历、现实观察和前面几轮讨论,才让模板有内容可加工。对话中的一个分支,也可以成为下一篇文章的种子。
context在这里是问题的背景与已交流的想法;思想发酵是反复解释、补充和重述,不是要求 AI 一次生成更多字。
Ben哥可给 reading.py 的写作输入设计 observation、question、dialogue_takeaway 三个字段,分别放亲自发现、真正疑问和对话后的认识。没有现实观察就如实留出认识边界,不编一个经历来填满。后续 knowledge.py 调用时保留这三者的区别,避免把 AI 提出的类比写成 Ben哥亲历。
howie 用小费曼指短帖等单点输出,中费曼指几千字文章,大费曼指长视频或书稿。体量不同,仍然是问题导向:围绕一个概念、思想或体系回答问题,建立有意义的关联。他提到 2WH 和 3F,但这一场没有把缩写逐项完整展开,不能替他补成固定公式。
他重点补充的是 feedback。成稿、发布之后还要回去读,回应读者的问题,看看哪些地方没讲清楚。读者的新问题还可能引出一个小费曼。也就是说,写作不是发布即结束,而是输出之后继续学习。
| 环节 | 直播中实际描述的动作 | 本环节看什么 |
|---|---|---|
| 选题 | 从阅读、生活观察和既有想法中聚焦 | 是否有具体问题,而非凭空找标题 |
| 发酵 | 搭思想框架,与 AI 多轮交流 | 想法是否更清楚、更丰富 |
| 初稿与修改 | 先表达,再修改字词句和篇章 | 是否把自己的意思讲明白 |
| 发布前检查 | 朗读、感受节奏与情绪、反复预览 | 读起来是否顺畅,呈现是否合适 |
| 发布后反馈 | 看读者疑问、转发、点赞等反馈 | 哪处有效,哪处需要改变 |
这张表是对直播描述的整理,不是复原屏幕上没有完整念出的 SOP。各环节如何设自动检查阈值,原文未展开。
把过程显式写出来,才能每次练习、每次优化。SOP 不是取消创意,而是减少反复处理同类问题的消耗,让思想获得稳定的表达通道。
问题导向让输出有骨架;反馈闭环让下一篇受益。howie 把这种发现问题、研究、提出框架、根据反馈修正的过程,理解为科学方法在写作中的应用。
Ben哥可在 kb/STANDARD.md 后续写作检查中加入 focus_question、core_claim、reader_question 三项:本篇回答什么、核心判断是什么、读者还有什么疑问。本次只在目标文章中给出设计,不更改规范。tasks.md 若以后用于追踪改稿,可在原任务条目记录具体疑问,不另起重复任务清单。
howie 不把标题当成最后临时想到的一句话。他先梳理关键词,看看同类标题,再形成几个备选并选定。文章底稿中还保留头图、摘要、转发文案等内容;这些都属于同一篇作品的完整流程。
正文有 AI 参与,不意味着后面轻松到可以跳过。他举自己的文章说明:图片要制作,结构要搭,措辞与中英文对照要检查,关键词要标记,公众号预览也要反复看。Markdown 和 CSS 能把排版重复劳动固定下来,Figma 模板能承接配图,但它们不能替代逐句阅读。
发布后,他会隔一天、两天回看数据,例如转发与每千次阅读的点赞情况,再归纳写好、写坏的地方。原文没有给出适用于所有人的及格线。平台反馈也不能直接等同于思想正确,它主要帮助作者了解表达有没有被接住。
AI 降低了想法成为文章的成本,但完整交付仍要投入认知资源。所谓有效练习,是从选题一直认真走到呈现与复盘,而不只是完成一段正文。
呈现包括标题、图、强调和排版;反馈指标帮助比较表达效果,不替代内容事实与判断的核对。
Ben哥的 ~/.agent-autoloop/report_html.py 后续可新增 render_editorial_checklist(),在本地预览显示标题是否对应正文、关键词强调是否克制、图文是否一致三项人工检查。后续为 reading.py 设计 review_note 字段,记录具体改进原因;不要拿「已生成 HTML」代替「已经读过并校对」。本轮不改脚本、不发布内容。
本场最尖锐的背景判断,是 howie 认为当时强模型已经在大量知识性、说明性、实用性写作上超过普通作者。他以自己的研究报告和翻译体验说明震撼,也把日常阅读更多转向 AI 生成内容。这里讨论的是他的使用感受,不是经过统一评测的能力排名。
他的结论却不是停止学习。记忆、理解、应用、分析、综合评价,是更高层次思考的基础。不能因为 AI 能做前面几层,人就直接跳到创造。阅读、写作、英语、数学和编程仍需要亲自练,因为机器完成任务与人形成能力,是两件不同的事。
他同时承认人类大师作品的价值,不主张用 AI 内容全面替换经典。真正要改变的是内容选择:对一个问题,与其连续看泛泛文章,不如把高质量对话反复阅读、做笔记。如何系统核验 AI 生成长文的全部事实,这一场原文未展开。
效率外包不能代替能力生长。机器越能快速处理信息,人越需要足够理解力来提问、辨别和使用结果,否则难以成为协作者。
产出与内化分离:有了好答案不代表自己理解;复读让 AI 输出重新成为学习材料,而不是一次性答案。
Ben哥可给 reading.py 后续增加 build_restatement_prompt(),在阅读 AI 解释之后要求用自己的话重述,再指出不确定之处。为 knowledge.py 设计 understanding_note 字段,保留这段重述,和原始生成内容分开;不能仅凭 AI 写得流畅就把整段提升为已确认知识。
howie 把人能提供的东西放在现实背景的理解、情感、同理心,以及批判性和创造性思维上。人对生活有直接观察,能够发现值得问的问题;模型则协助加工。尤其在自己热爱、熟悉的领域,作者的有限性、偏好与感性,不一定只是缺点,也可能形成独特表达。
他用短帖作对照:同一个想法,自己写时有自己的措辞、标点、长短句和节奏,AI 写时容易保留模型的风格。他把这种差异联系到模型训练与个人学习经历,但没有做可控实验;不能把「AI 永远不可能写出人的风格」当成已证结论。
他反对只在需要文案时才想到 AI,也反对沉迷切换工具和收集花哨提示词。更重要的是平时持续讨论具体想法,形成协作习惯。所谓人机结对,不是计算人和 AI 各写多少字,而是看人的观察与判断是否真正改变了过程和结果。
不要把自己的价值缩成「还剩哪几句话机器不会写」。要追问的是:去掉作者的现实观察、问题意识和表达选择,这篇内容还会不会是现在这样。
人机协同智能是人与 AI 相互增强;个人声音体现在具体表达选择中,不是添加几个口头禅就能得到。
Ben哥可在 kb/STANDARD.md 后续加入「人的贡献」检查:分别写出本篇来自原文的判断、Ben哥实际工作中的映射、仍未展开的边界。~/.agent-autoloop/report_html.py 若以后增加 render_source_boundary(),就把这几类内容分开显示,不将应用推演渲染成讲者原话。以上是后续设计,本轮不实施。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 写作先有具体问题 | kb/STANDARD.md | 后续增加 focus_question 与 core_claim,检查正文是否真正回答问题 |
| 外脑关联知识积木 | knowledge.py | 后续新增 build_topic_context(),组织相关笔记与来源摘录 |
| 先理解再输出 | reading.py | 后续新增 build_small_feynman_prompt(),要求重述、举例、说明不确定处 |
| 具体观察先于模板 | reading.py | 后续设计 observation 与 dialogue_takeaway,区分亲历和对话所得 |
| 呈现也是写作环节 | ~/.agent-autoloop/report_html.py | 后续新增 render_editorial_checklist(),承接人工预览检查 |
| 发布之后继续学习 | tasks.md | 后续在原任务下记录读者问题和改进动作;本轮不读取、不修改 |
原文:howie.serious《ai 写作系统(2025 版)》,2025.03.13 直播回看。约 2 小时依据讲者所说八点正式开始、十点结束及末尾「两个小时结束」推断,不含精确片长核验。
本篇依据:本次任务提供的机器转写全文。围绕创作系统、外脑、思想对话、费曼输出、工作流和人机结对整理;未访问原视频,未引入外部资料。序号按目标文件 q48 记为 48 / 53。
更正与边界:将明显误识别统一为 Logseq、Readwise Reader、ChatGPT、费曼、鸡娃等。模型参数、价格、额度、上下文容量、能力倍数及 AGI 时间预测均是直播时的说法,本篇不据此提供当前产品事实;2WH、3F 的逐项定义原文未展开。工具优劣、平台反馈、育儿隐喻与 AI 能力判断保留其个人经验性质。各「对你的实际应用」及关联表是面向 Ben哥的应用推演,函数和字段均为拟议设计,未核对脚本现状、未改动这些文件,不属于讲者原话。
定位:中文深蒸馏,不是逐字摘要。