https://www.candobear.com/detail/l_6a991603e4b023c0861e717f/4阅读路径:这场是「双人结构」,两个人的价值不在同一层。howie 负责前后两段——开场讲为什么(瓶颈从执行移到人脑、教育供给侧为什么失效),收尾讲怎么选(战略懒惰、scaling law、100 万十年两路线)。中间一大段是莲子医生的实操实录,一个不会编程的儿科医生,把 Notion + Codex + 口述工具用到工作、审稿、育儿三条线。只有二十分钟:读第一组的「瓶颈转移」、第三组的画像方法与学科分工、第四组的 100 万那张表。
一句话结论:所谓 agentic 家庭教育,不是给孩子多买一个 AI 课,而是把「执行」整层从家庭里抽走交给 agent,把家长从「教书的人」改回「设计系统 + 陪跑的人」——孩子学什么按 scaling law 选(能泛化、越投入越强),怎么学按概念优先(费曼 / 三级笔记),家长干什么只剩三件:设计系统、批改录入、陪着入局。
他开场没讲工具,先抛了一个问题:「你是为什么而学 AI、用 Agent 的?」——因为身边人都在学?因为龙虾火了?因为又出了新模型?
他给的类比是「你为什么而读书」:为中华之崛起而读书的人,和稀里糊涂读书的人,最后的志向、效率、行动都不一样。他自己的答案有两条:
| 主线 | 内容 | 占比(他自己说的) |
|---|---|---|
| 为自己 | 终身学习、自我实现 | 一半 |
| 为孩子 | 父母身份;小能熊把「学习型家庭」当第一公民 | 至少 50% |
这个问题的用处不是抒情,是筛人:ChatGPT 发布四年,如果还没把「我为什么要用它」想清楚,那么别人给的建议基本无效。他的原话是「尊重他人命运」——成年人的命运不该被干涉。
这是全场的地基判断,也是他反复回到的那一句:
| 阶段 | 瓶颈在哪 | 谁值钱 |
|---|---|---|
| 过去(工业/知识工作) | 执行。每个人只能在自己一小片领域出卖时间,哪怕审计这种高认知强度的工作也受限于执行 | 能执行、执行得好的人 |
| 现在(2026,agent 范式) | 执行前后两端,尤其是执行之前:idea、taste、创造力、判断力 | 有热爱、有长期积累、有品味的人 |
他的证据是当天的现场操作:把 Claude 和 Codex 接上 Figma,指哪打哪;这场直播间的详情页和海报,就是 Figma 模板 + 一次 one-shot 生成的。以前「做一套好看的详情页」要专门的美工,现在这个专业分工在执行层面已经不成立。
他的推论非常硬:只要是在电脑上能完成的执行,都不再是瓶颈;于是人的脑子成了 AI 时代最大的瓶颈——你的兴趣、你 24 小时注意力的投向、你长期阅读和热爱积累出来的品味与判断力,才是不可替代的那部分。
他把家长的不满拆成一条闭环,措辞很重(原话保留):
| 环节 | 他举的实例 | 造成的后果 |
|---|---|---|
| 狗屁制度 | 海淀某小学六年级不允许早读出声,早读时间改成语文数学老师轮番发小卷子;课间不许去操场,各班轮流一周才轮一次 30 分钟,孩子在走廊挤到只能待在教室 | 孩子像「温顺的小牛马」,失去该有的样子 |
| 狗屁任务 | 强制包两层书皮、五毛钱作业本、语文要四五个不同本子(作文本/精品作文本/摘抄本…) | 精力耗在规训上,不在理解上 |
| 狗屁工作 | 上千人抢一个 2000:1 录取率的体制内岗位;一个从安徽农村三本一路专升本、考到北京读研的年轻人,上班第四天遇上地质灾害去世 | 二十年苦读换来一个「鸡肋」,还随时归零 |
他的判断是:这套供给的 ROI 很低,甚至可能是负的——不但没为未来做准备,还可能把孩子的内驱力、agency 磨掉,甚至厌学、抑郁。他讲了两件真人真事(同事女儿与同学约好跳楼、四人中三人死亡一人残疾),并说明这类事在网上搜不到,但真实存在。
这一段的论证方式值得记:他不是从「教育不公平」这种道德判断出发,而是从供给侧 ROI 出发——把教育当成一个产品,问它的投入产出比、问它的产出是否可泛化。落到最后一句判断:「因为 AI 因为 Agent,我们竟然可以做一个系统、做一个工具,来一劳永逸地解决这些问题。」这是全场从批判转向行动的那一步。
你现在做的事情正好是这条判断的镜像:~/.shared-agent/ 里的 receiver.py、report_html.py、trigger 脚本,全是「执行层」。这半年你把执行反复外包给脚本和 agent 之后,真正卡住你的已经不是「脚本写不出来」,而是判据写不清楚——比如 K 线源链改了五轮仍出 bug,本质是「换源几次算失败」这个判断从没定义过。这就是他说的瓶颈在人脑,不在执行。
莲子医生的起点很具体:她是儿科医生,工作场景里没有编程;读 AI 内参「好多术语读不懂,越读越痛苦」;看群里同学把 Codex 跑得很好,自己「不知道有啥用」,觉得 agent 离自己很远。
转折点是参加「躬身入局」小组——本意是想找一套管孩子数学学习的 OS,结果最大的收获反而在工作上:她开始真正用上 agent。
| 动作 | 谁教的 | 做了什么 | 结果 |
|---|---|---|---|
| 熊做到日记倒出来 | 熊友「章鱼」给 OKR 模板 | 把 2022 年以来四年的日记全部导入 Notion | 以前复盘靠回忆,现在能跨年跨月跨周查 |
| Notion 做聚合 | 章鱼 | 用 Table 口述录入,不手打 | 记录 → 聚合 → 复盘 → 看见问题 → 调整,形成闭环 |
| 让 AI 做复盘 | 自己摸索 | 让 AI 用数据说话,指出被忽略的东西 | 「你这周工作太满了」「你本周睡眠还有七个半小时」「你为什么鼻炎发作了」 |
她的原话是「简直就是一个非常非常棒的助理」,而且强调这不是按愿望拆解,而是数据先说话:「不是从我的主观、愿望出发,而是真正让我看到我自己是什么样的。」
她的工作是审英文稿。过去 AI 只能帮她列摘要,细看还得自己来。后来她把常规动作讲清楚——这篇文章是哪个医院写的、四五线城市的团队却在统计全球疾病负担、有没有论文工厂嫌疑、数据能不能对上——让 AI 照着走一遍,然后说「下次你直接说‘老样子帮我审这篇稿子’」。
这就是她的第一个 skill。她自己总结出的层级是:skill 一个个罗列 → 封装成更复杂的 skill → 最后成为一个 agent。
她读到「Codex 分出一部分做 Work 模式」,发现正好适合自己这种不编程、但工作复杂的人:审稿、跨项目取数、编 PPT、投论文准备材料。她用 Work 模式投了人生第一篇柳叶刀(已被拒,但流程跑通了)——投稿的补充材料极复杂,朋友那篇准备了 500 多页、团队做了四五个月;她这边「一个学生 + 一个大d夫 + 我」三个人,靠 Work 覆盖大部分,真人只补必须人做的部分。
做 PPT 她的经验是:不要让 Codex 直接做(很丑),要在 Work 模式里明确要求「调用 image tool、注重视觉效果、把我的意思表达出来」。她判断这套风格反而更适合医学评审专家的口味——「稍微漂亮一点,但不要太炫」。
这是她反复强调的一点,也是整场最可复用的操作口径:
她的原话:「这是我觉得不是技巧,但是是很重要的一个内容。」
这一段的价值不在工具清单,而在顺序:她先有真实需求(审稿、管孩子数学),再去找工具;不是先学工具再找用途。她自己说「需求先行」,这跟 howie 讲的「带着清晰目标,有限的时间和注意力才容易出结果」是同一件事的两面。
你已经在用同一套结构,只是没有把它当成方法:tasks.md 是底盘,receiver.py 的 cron 是执行,logs/2026-11.md 是记录。缺的正是她那条闭环的最后一环——用数据反过来指出你自己没看见的问题。现在你的日报/午报只报行情,不报「你这周有几件事挂了三天没动」「你的自动化里有多少条在空转」;这两类恰好是她那套「数据说话」最有价值的部分,而你的数据其实都在(block-state.json、pending-confirm.json、cron-state.json),只是没人聚合。
她给孩子做画像用了三样东西,缺一不可:
| 来源 | 规模 | 作用 |
|---|---|---|
| 成长小记录 | 约 1.5 万字,从小说到大 | 真实行为样本,不是家长的印象 |
| 中科院认知测评(5 岁半做的) | 一次 | 看方向不看分数;她自己说「报告其实不够,孩子成长不确定」 |
| 三级笔记 + 多轮 AI 对齐 | 多轮 | 把前两样喂进去,让 AI 出「适合这个孩子的方案」 |
产出的结论很具体:语文强(语意密度高、大班就能自主读历史绘本、上小学字全认识,所以基本放养,只保证持续供给好读本);数学是短板(工作记忆容量小);英语走 Savage 那套分级路线。
AI 给的建议是:他不喜欢确定答案的东西(「喜欢自己创造规律」),而围棋能补工作记忆、镜像、时序这些短板。于是坚持上围棋班,现在已经考到五级(她自己都说没想到)。
她的口径很清楚:「当做一个爱好就很好,不要有 KPI 的想法,不要让他吭哧吭哧为了什么而什么。」
这一段是全场最有操作性的部分,每个例子都是「孩子的需求 → 家长用 agent 做出来」:
| 场景 | 做法 | 效果 |
|---|---|---|
| 口算慢、怕计时压力 | 用 Notion AI + Codex 做口算训练网页,抽卡、积分、小动物全由孩子口述需求 | 每天 20 道题后能抽卡,孩子玩得很开心 |
| 想去抓娃娃 | 孩子口述想要什么,做成网页版抓娃娃机 | 「知道学编程有用,能实现自己想要的东西」 |
| 暑假手抄报 | 不用买模板涂色,孩子口述「黄帝坏在哪、理由是什么」,AI 生成版面 | 输出的是他的理解,不是机械涂色 |
| 自己编的小程序 | 用 Scratch 做了一个「亲一下嘴巴就跳出照片」的小程序 | 她当场震惊,判断「孩子的创造力家长得保护」 |
| 新疆旅行 | 用 AI 按行程做深度绘本,介绍孩子感兴趣的人文地理 | 一路上孩子给导游讲左宗棠、霍去病,导游让他来讲 |
她的判断是:要给孩子找到学习的意义——让他看到英语有用、编程有用,最终能实现他想要的东西;这时 AI 对他来说就是一个可用的工具,而不是又一个要背的课。
她给了两个边界:
她自己的收获是反向的:「我从一个历史渣,被我娃培养成现在历史还不错的状态」——育儿是共同成长,不是单向付出。
这一组表面在讲育儿,实际在讲需求识别的能力:她能做出那些小工具,不是因为她会编程,而是因为她能说清楚「我孩子卡在哪、他喜欢什么、什么形式他会愿意做」。这正是 howie 说的「瓶颈在人脑」在家庭场景的具体形态——工具谁都能调,需求只有你能定义。
「需求识别」这一步你其实有现成的对照物:~/.shared-agent/expert-knowledge.md 那套「给二选一,不让专家写标准」的方法,本质就是需求识别——你不能靠问「你想要什么方法论」,只能从真实选择里反推。育儿这条同理:问孩子「你想学什么」得不到答案,看他愿意在什么事上花两小时才有答案。莲子医生用的是「1.5 万字记录」,你手上等价的东西是 logs/ 和 kb/ 的历史,只是你从没拿它做过一次「我自己是什么样」的复盘。
他给了一个思想实验:同样 100 万本金,十年前(2016)两种选择,十年后的结果:
| 路线 | 十年年化 | 十年后 | 特征 |
|---|---|---|---|
| 贷款买房(很常见的路线) | — | 本金没了,房子还不如贷款保值,算下来亏一百多万 | 跟着人群走,不做战略判断 |
| 伯克希尔 | 13.2% | 346 万 | 被动指数,仍需要判断 |
| 标普 500 | 15% | 419 万 | — |
| 纳斯达克 | 22% | 730 多万 | — |
| 科技/半导体指数 | 37% | 2300 万 | 押注那十年的主线 |
他特意说「我看到的时候觉得不可能」,于是让 Perplexity 和 GPT 都核了一遍,数据是准确的。
他的结论不是「去买科技指数」,而是:这两条路线代表的不是运气,是有没有做战略判断。判断标准他说得很直白:「一件事如果轮到普通人了,大概率不是什么好事」——不用排队、普通人也能参与、承诺稳定回报的,基本是第一条路线;第二条路线是「面向未来、符合科学原理、在系统和机制设计上有效、能够 scale」的那种。
他把 scaling law 从模型层面搬到人生选择层面:把时间和注意力投到能 scale 的地方。
反例是他自己和一个同传朋友:Savage 做同传一天一万,财务回报很高,但受限于「一个人只能在一个地方、卖时间」,本质不可 scale;他在 PwC 做财务审计同理,相对互联网创业,scaling 属性极低。
用到孩子身上,就是三件事:
| 问题 | 他的答案 | 落到谁身上 |
|---|---|---|
| AI 时代孩子学什么 | 按 scaling law 选:能泛化、越投入越强的能力 | 家长做战略判断 |
| AI 时代孩子怎么学 | 两条路线合起来:Savage 的内驱学习(语言/文科)+ 他的费曼学习法(概念为第一公民) | 系统承接 |
| AI 时代家长干什么 | 躬身入局:设计系统、批改录入、陪跑;不扮演老师、不扮演教培 | 家长 |
他对「怎么学」的判断有一句很关键:费曼学习法的本质是「以概念为第一公民」——围绕概念性理解把道法术器整合起来。他认为这是学习领域的第一性原理,因为执行层价值趋零之后,唯一值钱的就是理解。
这是全场最落地的「家长干什么」样本:
孩子做完题,不确定的地方标问号 → 他拍照 → 走一整套 agent 流程:错题录入 → 错题分析 → 设计针对性练习。 「我做的工作完全纯手工层面,代表着我参与了,但是它不会废我的脑子。」
他把家长的时间分成两类:烧脑的(三个工作时段,agent 把执行抽走后,剩下的全是需要主动思考的事)和不烧脑的(洗碗、录错题)——后者用来陪孩子,正好互补。他还补了一句自我提醒:这样一天三个时段高强度动脑,「agent 一天烧几亿 token 它扛得住,我扛不住」,所以准备恢复锻炼、调整作息。
这一组的论证结构是「先给你看两种人生的十年结果,再给你一条判据,最后给你三个问题」。他刻意把「战略」这件事从抽象拉到可对照的数字上——因为他的核心指控是「战略懒惰」:成年人所有不负责任的行为里,最不负责任的一种就是不做战略判断、闭着眼睛跟着人群走(报班、买房、鸡娃同理)。
你这半年的实际轨迹,恰好是这张表的一个注脚:receiver.py + cron + agent 把「执行」整层抽走之后,你每天在做的事变成了写判据、定门禁、审结果(rollback-audit.py、block-check.py、bitable_actions.guard)——这就是「瓶颈在人脑」。风险也同样成立:他的「三个工作时段」在你这里是「多任务并行 + 22:00 之后还在补发提醒」,report-guard.log 里每 5 分钟一轮的巡检记录,就是「agent 扛得住、人扛不住」的证据。他那句「明天开始恢复锻炼」,对你不是鸡汤,是同一条链上的下一个动作。
| 这场里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 瓶颈从执行移到人脑 | K 线源链改五轮仍出 bug、report_html.py 反复调样式 | 停止继续加源,先把「换源几次算失败、每层负责什么」写成判据文件 |
| 数据底盘 + 数据说话 | logs/、block-state.json、cron-state.json 全在,但没人聚合 | 加一个「自检日报」:本周挂了几天没动的任务、空转的自动化、失败率最高的 job |
| 先讨论清楚再动手 | 长任务「C 出方案 → W 质疑 → 3–5 轮」已写进 CONTEXT.md | 把这条也套到写脚本上:先对齐失败语义,再写代码 |
| skill 自下而上长出来 | ~/.agent-autoloop/ 里 30 多个脚本,多数是单动作 | 把「med-remind / task-overview / publish_reading_html」这类稳定脚本封成 skill,而不是继续加脚本 |
| 需求先行 | 你的自动化里有一批是「工具先有、需求后找」(已删的 Grok 采集、ra 知识库) | 新自动化立项前先写「它解决我哪一次具体的卡顿」,写不出就不建 |
| 让孩子看到学习的意义 | 你的 kb/ 精读体系 | 每份精读补一行「这条能让我少做哪件事」,写不出就说明它还没被消化 |
| 100 万十年两路线 | 你的时间分配:一半在维护自动化,一半在做调研 | 用同一把尺量:哪些投入会随规模变强(kb/、判据库),哪些只是维持(脚本补丁) |
| 家长不抢 agent 的活 | 你偶尔手工改飞书表、手工补发通知 | 这类动作一律回收到脚本里,手工只做「批改」这一步 |
原文:howie.serious × 莲子医生《agentic 家庭教育:半年实践总结》,2026-09-07 直播,1 小时 54 分。本篇由录像转写(mlx-whisper large-v3-turbo,本地)为底稿,非文字稿——本场没有文字稿。
本篇依据:3.06 万字转写全文逐段核对。100 万十年收益表(13.2%/15%/22%/37% → 346/419/730/2300 万)、1.5 万字成长记录、5 岁半认知测评、围棋五级、词汇量 1000 → 5500 每天 +4 到 2029 秋、柳叶刀补充材料 500 多页、2000:1 录取率等数字均照原文;「狗屁制度/任务/工作」三段按原话保留。
更正与边界:转写有明显同音错误,已按上下文校正(如「莲子/联系/林志杰」统一为莲子医生,「Notion/ notion/ Lotion/ NOWSHIN」统一为 Notion,「Tables/TableS/口述」统一为 Table 口述工具,「费曼/非卖/非慢」统一为费曼,「Savage/三位置/散位置」保留为 Savage)。收益数字是名义年化、未扣税费与汇率,只作路线对比,不构成投资建议。中间育儿段落是个人实践,样本为一个个案,不宜当作普适方案照搬。
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」。