https://www.candobear.com/detail/l_6a991188e4b0694c5c065661/4阅读路径:这场是「Agent Week 开学第一课」的第四场,三人接力,结构很清楚:howie 前 40 分钟讲清 loop 这个概念的四个层级(第二组),然后 Harry 用 40 分钟把一个真实项目从头拆到尾(第三组,全场最硬的实操),最后阿禅用 15 分钟讲他最近省钱的打法(第四组)。如果只有十分钟:看第三组的「40 轮迭代表」和第四组的「planner 派小弟」那张表。第一、五组是框架和判断,知道就好。
一句话结论:Agent 的本质就一句话——LLM 调工具、在一个循环里、奔着一个目标去;这句话往下拆是管理学里的 PDCA、复杂系统里的反馈回路,往上用就是「一个有项目的人,40 轮讨论 + 40 轮执行,能把一件以前要外包四万块还做不好的事,自己做完」。
他开场引了一本小说里的说法:一个富翁总结自己怎么破产,三个词——slowly, then suddenly。然后把这个框架套到 AI 上:
| 阶段 | 「手」的形态 | 能操作什么 |
|---|---|---|
| 刚中之脑 | 无 | 只能生成文本 |
| function calling | 函数 | 一类固定动作 |
| API / Web | 接口 | 整个互联网的服务 |
| CLI | 命令行 | 本机的工具链 |
| 浏览器 | DOM | 一切网页 |
| computer use | 屏幕 | 一切软件 |
| 硬件 MCP | 仪器接口 | 显微镜、望远镜等实验设备 |
最后那一行是他特意提的:Anthropic 刚发布硬件版 MCP,实验室的大型显微镜、各种仪器做了接口,「模型可以直接操作你的电子显微镜」。他的推论很直接——药物研发从「100 亿美金、很多年」变成「10 亿美金、快很多」。
由此他给了一句结论:电脑就是你的 AI factory。「你的 factory 多大,你的 capex 投入多少,决定你能产出什么。」他还补了一个观察:现在有人给自己配十几万的电脑,「以前一个人用一万多的电脑都觉得奢侈」。
这段是在给「为什么现在必须重视 agent」找依据。他的论证不是「模型变强了」,而是「模型有了手」——手伸到哪里,可自动化的边界就到哪里。这个视角比「跑分提升」有用,因为它直接指向「哪些工作可以交出去」。
你手上已经有半个 factory:~/.agent-autoloop/ 里跑着抓取、转写、渲染、调度四条线,~/.shared-agent/ 里是规则和知识。缺的是「手」的统一入口——现在每个能力都写成了一个独立脚本(fetch_video.py、transcribe.py、report_html.py),彼此靠我记得住参数来衔接。按他的框架,下一步该把这些包成一组 CLI 或一个 MCP server,让任意 agent 都能直接调,而不是每次由我重新拼命令。
他给的定义只有一句,要求「背一百遍」:
LLM calls tools in a loop to achieve a goal.
然后他把 loop 拆成四个层级,一层比一层抽象:
| 层级 | 在哪看到 loop | 具体形态 |
|---|---|---|
| 工具层 | agent 运行时的轨迹 | 一轮一轮的工具调用、观察、再调用 |
| 管理学 | PDCA 循环 | 定目标 → 执行 → 检查 → 改进 |
| 系统科学 | 复杂系统的反馈回路 | 正反馈强化、负反馈减弱,「一切生物运行的原理」 |
| 哲学 | 学习与成长本身 | 「真传一句话」——真正重要的东西没有多少 |
他给了一个很好用的类比:学渣是题海战术,「投入产出比极低」;学霸用更少的题拿到更好的结果,因为他每一轮都在改自己的方法。
成年人工作也一样:「一个人如果讲究基本的做事章法,能 PDCA,能把一件事有头有尾做完,还能拿结果反馈回目标、做基本反思,他一定成长得特别快;很多人工作很多年没有长进,就是因为他没有一个最基本的 loop。」
因为 loop 意味着很多 turn。他给了一个量级对比:2025 年末无法想象 2026 年「一天烧一亿 token」,而他们「轻轻松松烧了 300 多亿」。所以他要求听众「let that sink in」——把这个 big idea 入心入脑。
这一组是全场唯一「讲概念」的部分,但他没有停在定义上,而是用「学霸 vs 学渣」把 loop 从技术概念变成了通用能力模型。这也是他后面所有产品(内参、agent 商店)的理论底座:既然 loop 是通用能力,那么「帮人跑更好的 loop」就是产品机会。
你现在的自动化里,真正跑着 loop 的只有 receiver.py 的 cron 调度和 report-guard.py 的兜底巡检——它们是「定时触发 → 执行 → 检查 → 补发」,已经是 PDCA 的雏形。但你的任务推进还没有 loop:tasks.md 是静态清单,没有「做完 → 回看结果 → 改下一步」的闭环。今天转写卡住那件事就是例子:云端超时 → 我换本地方案 → 验证质量 → 写进 STANDARD,这一轮是完整的 loop,但它没有沉淀成机制,下次还得重新想一遍。
Harry 在传统工业制造业负责运营和宣传,学过一点 HTML/CSS/JS,「严格来讲不是搞技术的」。2022 年公司官网不好看,他找三方公司重做,报价十万的砍到四万,觉得性价比不错。交付时才发现问题:
他的反思只有一句:我必须自己了解建站的知识体系。
| 时间 | 做了什么 | 学到什么 |
|---|---|---|
| 第一年 | 用 Hexo 模板上线个人博客(花一周) | 建站全流程跑通一次 |
| 第二年 | 用 HTML/CSS 重做公司产品说明书 | 排版一致性可以用代码保证 |
| ChatGPT 出来后 | 参照别人的 Obsidian 建站方案研究代码 | 看懂「Obsidian 当子模块」的实现逻辑 |
| 去年 | 用 Cursor 搭个人站 | 对话式开发 |
| 今年 5 月 | 参加线下黑客松(阿禅主讲) | 第一次把 agent 用于 coding |
| 之后 | 上「建站元技能」课 | 拿到主干方法论 |
他坦白了为什么一直不敢碰官网:「它是严肃项目,客户会直接访问;它复杂,我不知道搭完之后维护怎么弄、数据怎么分析、SEO 怎么做、出问题怎么修。」
转折点是一个叫 First Flight(原文如此)的插件。他的描述值得逐字看:
「它就像一位产品经理和项目教练,引导我一步一步把想法清晰地落地,写在项目文档里——我要做什么、不做什么。基本上我一共做了 40 多次迭代。如果不是有这个插件能一轮一轮地探讨、落地成小的迭代、再拆解任务,这件事基本上做不了的。」
每一轮的固定动作(他称之为 Loop 的实践):
这一段是全场最有价值的部分,因为它不是「成功故事」,而是一个非技术人员的完整工程路径:先用四年时间把基础跑通(博客 → 说明书 → 参考实现 → Cursor),再用 40 轮讨论把一个大项目拆成可执行的小步,最后把重复劳动固化成 skill。他没有跳步——「我不是不懂就上,我是攒够了才上」。
你的处境和 Harry 高度相似:都是「非科班 + 有真实业务 + 已经攒了一堆脚本」。可以直接抄三件事:
expert-knowledge.md。reports/ 没有远端。阿禅的起点和所有人一样:订 200 刀一个月的 Claude,每周打满,「我觉得 Fable 5 牛逼,就应该让班上最好的学生把活干完」。后来他改了做法:
「我显性地要求 Fable 5 跟我一起花最长的时间去讨论方案。讨论方案的过程中,它需要调研已有代码——我的 IP Checking 项目现在 90 万行——我就让它派几个小弟,去读不同层面的代码。」
关键是「小弟为什么能读得懂」:他在本地的 AGENTS.md 和目录结构里写清了「A 功能放这一坨、B 功能放那一坨、这一类属于什么」,所以小弟能快速定位。
| 阶段 | 谁做 | 做什么 |
|---|---|---|
| 定规格 | 他 + Fable 5 | 花最长时间讨论:前端做什么、后端做什么、抓取那端做什么 |
| 分工 | Fable 5 | 派 3–4 个小弟,各去不同位置 |
| 执行 | 小弟们 | 按同一套规范、同一套规格实现,「中间不用思考」 |
| 校验 | Fable 5 | 只做验收 |
实测:同样规模的大功能,原来要吃掉一周 20% 的用量,现在 5% 就够。另一件事:本来计划做到晚上十点的三个大功能,五点半做完,「活生生省了四五个小时」。
这一段和 howie 的「loop」是同一件事的两面:howie 讲概念,阿禅讲成本。阿禅的贡献是把「省钱」翻译成了可执行的分工协议——贵的模型只做两件事:定规格、验收。他不谈哲学,只给数字(20% → 5%、10 点 → 5:30)。
你的 WorkBuddy + Codex 现在缺的正是这个协议。可行的落地:在 ~/.shared-agent/CONTEXT.md 里加一段「分工协议」——规划与验收归 WorkBuddy,执行归 Codex,子任务必须带「文件路径 + 验收标准」两样东西。另外阿禅说的「给小弟修路」你现在没有:~/.agent-autoloop 下 30 多个脚本没有索引文件,任何新 agent 进来都得重新读一遍。补一个 README.md 列出每个脚本干什么、参数是什么,成本半小时,收益是每次接手的启动时间。
他自陈 4 月 19 日之前严格守边界:「我不懂代码,不碰 coding,只探索知识工作场景。」后来发现这个划分是错的:
「所有的知识工作在本质上都是 coding。你以为你是会计、做财务,用的是 Excel,但更底层一点,一切在电脑上做的东西,某种程度上都是 coding 任务。」
所以他给了一个数字化的门槛:烧够 100 亿到 300 亿 token,加上一套 loop 方法论,「任何一个不会写代码的人都能实现创造自由」。他强调「代码自由不是为了写代码,是为了创造自由」。
他的说法更克制:从 4 月第一次用 agent 到现在,GitHub 热力图「每天都是绿的,仅两天没绿」。「可能一辈子你就变成程序员了……但那时候代码不再是代码,代码就是我们普通的一种自然语言的共同方式。」
他不谈宏大判断,只讲自己的经验:一开始对行业「一点也不了解,觉得枯燥」,是做着做着才长出兴趣。「可以先行动起来,从正反馈中感受自己的内驱力。」
三个人给的是三种不同性质的结论:howie 给的是门槛(token 量 + 方法论),阿禅给的是形态(人人写代码,但代码变成自然语言),Harry 给的是动机(先做,兴趣后到)。三者拼起来才完整——否则「人人能创造」就只是一句口号。
这条对你的意义不在「要不要学编程」,而在边界的重新划分。你现在把「写脚本」和「做判断」分得很开,实际上你的判断已经在脚本里了——report_html.py 里那些规则(跌破 MA20、量能 2 倍、回撤 15%)就是你的判断被编码。按 howie 的说法,这不是「技术活」,这就是你的知识工作本身。所以下一步不是学更多技术,是把更多判断写进代码:现在浮卡里的「推断」栏还是规则生成的,如果把它做成「多因子加权 + 置信度」,那才是把你的判断真正沉淀下来。
| 这场里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 电脑 = AI factory,手伸到哪能力到哪 | 8 个脚本散在 ~/.agent-autoloop,靠人记参数衔接 | 包成一组 CLI 或一个 MCP server,任何 agent 直接调 |
| Loop 四层(agent / PDCA / 反馈回路 / 哲学) | report-guard.py 是 PDCA 雏形,tasks.md 没有闭环 | 给 tasks.md 加「做完 → 回看 → 改下一步」的回路 |
| Harry 的陌生概念三问 | 今天云端转写超时这一轮 | 三问写进 expert-knowledge.md,作为技术决策卡 |
| 运维 skill 化(文章发布、产品发布) | 你有 8 个一次性参数拼装的脚本 | 先包「出晨报」「跑一场深蒸馏」两个命令 |
| 40 轮迭代 + 项目文档(做什么/不做什么) | 长任务只有口头方案,没有项目文档 | 每个长任务先落一份 plan.md,写清不做什么 |
| 双层部署(Cloudflare + 阿里云备份) | reports/ 只有本地,无远端 | 报告目录加一次远端同步 |
| planner 派小弟(20% → 5% 用量) | WorkBuddy 与 Codex 平行、无协议 | CONTEXT.md 加分工协议:规划/验收 vs 执行,子任务带路径+标准 |
| 给小弟修路(AGENTS.md + 目录结构) | .agent-autoloop 30 多个脚本无索引 | 补 README.md:每个脚本干什么、什么参数 |
| 维护成本的滞后性 | 快速堆功能,缺少重构节拍 | 每两周留半天只做清理,不加功能 |
| 知识工作本质是 coding | 浮卡的「推断」栏还是规则生成 | 把判断编码成多因子加权 + 置信度 |
原文:howie.serious + 阿禅 + 熊友 Harry《agent 元技能:实战案例 + agent 经验总结》,2026-09-04 直播,84 分钟。本篇由录像转写(mlx-whisper large-v3-turbo,本地)为底稿,本场无文字稿。
本篇依据:2.02 万字转写全文逐段核对。四万块外包、阿里云 4000 元/年、40 多次迭代、90 万行代码、20% → 5% 用量、10 点 → 5:30、100–300 亿 token 等数字均照原文;转写中的人名与产品名有误识别(如 First Flight、Logseq、IP Checking),已按上下文校正,不确定处保留原样。
更正与边界:第五组「任何人都能实现创造自由」的三个前提(烧够 token、有方法论、有真实项目)已写明,不要当成无条件结论。阿禅的省钱打法有明确适用边界(项目多、规格能讲清),他自己也说了「项目不多时别急着省」。
定位:中文深蒸馏,不是译稿也不是逐字摘要。标「对你的实际应用」的部分是我的分析,与原文分开;引用原文处标「原文在说什么」。