~/.agent-autoloop/cdb/raw/(文稿 txt + 直播简介 live)| 【20261113 update - Total 120:27:22 】https://www.candobear.com/p/t_pc/course_pc_detail/column/p_68085fc6e4b0694ca09e1555主线 把 AI 变成自己的外置大脑和执行系统。三年 100 期没有换过命题,换的只是「怎么做到」——从会聊,到会指挥 agent,到会设计 agent 工作的环境。
2023 年讲的是工具怎么用:ChatGPT、Obsidian、GPTs。到 2024 年底推理模型出来、2025 年被定为「价值落地元年」,命题变成「向 AI 要价值」——每一次直播都要回答「这周我靠它多做出了什么」。这一步把 AI 从谈资变成产能。
2026 年的关键词只剩 agent。这一年他讲的几乎都是同一件事的三层:怎么驾驭(方法论)、怎么搭环境(context / harness)、怎么沉淀(skill / design system / 概念笔记)。判断也从「哪个模型强」变成「哪个 harness 适合哪类活」。这条线的理论底座是一个词——loop:LLM 调工具、在循环里、奔着一个目标去;PDCA 是人的 loop,agent 是机器的 loop,而 2026 年的变化是「loop 中间那段加工被卸载了」,瓶颈因此从执行移到判断。
封号、按量付费、算力涨价之后,他讲的东西开始带约束:最贵的模型只做判断、其余交给便宜的执行、账号环境当基础设施管。这是整套内容里唯一一段「被迫成熟」的部分,也是最有操作性的部分。
层次 三层,从下往上读:
| 层 | 内容 | 代表场次 | 读它的用处在哪 |
|---|---|---|---|
| 地基 | 认知与判断:理解是瓶颈、认知闭环、概念网络 | Agent 时代的人类理解论、判断力基建 | 决定你在 agent 时代还剩下什么活干 |
| 中间 | 工程:context、harness、skills、safer 流程 | context 与 harness 工程、agent 元技能 | 决定你的 agent 好不好使 |
| 应用 | 具体交付:PPT、写作、知识管理、信息流 | ai PPT 专题、信息流系统、notion 2026 | 决定你这周能省多少时间 |
怎么打开:所有链接需要先在浏览器登录小鹅通(微信扫码,一次即可)。视频链接点进去是回看详情页,再点「进入回看 / 立即学习」才开始播放;文稿链接直接就是正文。若显示「当前页面无法访问」,说明用的是旧链接——请以本文档为准。
三种链接,缺一不可:精读指向本文件内的正文小节;深蒸馏指向网页版单篇(手机可直接开);原文 / 视频指向专栏里的原始页面。
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2026-09-04 | 【howie 的 AI 主题讲座】agent 元技能:实战案例+agent 经验总结【特邀@阿禅】 | §2.1.1 | 网页版 | 视频 |
| 2026-08-31 | 【howie 的 AI 主题讲座】agent 范式的判断力基建:从信息到判断力 | §2.1.2 | 网页版 | 视频 |
| 2026-08-03 | 【直播文稿】context 与 harness工程 | §2.1.3 | 网页版 | 文稿 | 视频 |
| 2026-07-22 | 【直播文稿】Agent 时代的人类理解论 | §2.1.4 | 网页版 | 文稿 | 视频 |
| 2026-07-22 | 【三级笔记】Agent 时代的人类理解论:当执行近乎无限,理解成为瓶颈 | §2.1.5 | 待做 | 文稿 | 视频 |
| 2026-07-13 | 【直播文稿】如何驾驭 agent,开发生产级产品? | §2.1.6 | 网页版 | 文稿 | 视频 |
| 2026-07-13 | 【课程文稿】Agent 新时代:2026,只做一件事—学 Agent | §2.1.7 | 网页版 | 文稿 | 视频 |
| 2026-04-30 | 【直播文稿】agent 经济学:一次讲座,真正理解 agent 与我何干 | §2.1.8 | 网页版 | 文稿 | 视频 |
| 2026-04-28 | 【直播文稿】禅与龙虾养殖技术 2:agent 元技能 | §2.1.9 | 网页版 | 文稿 | 视频 |
| 2026-03-06 | 【直播文稿】OpenClaw 龙虾 Agent 专题 | §2.1.10 | 网页版 | 文稿 | 视频 |
| 2025-11-04 | 【直播文稿】解读 openai 今天刚发布的 agent mode | §2.1.11 | 待做 | 文稿 | 视频 |
| 2025-11-04 | 【直播文稿】MCP专场与当前LLM杀手级应用实践经验分享 | §2.1.12 | 待做 | 文稿 | 视频 |
| 2025-11-03 | 【直播文稿】agent skill 专题:实战经验、思考和技巧分享 | §2.1.13 | 待做 | 文稿 | 视频 |
| 2025-11-03 | 【直播文稿】agents 专题:llm 新范式解读与实战 | §2.1.14 | 待做 | 文稿 | 视频 |
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2026-08-28 | 【howie 的 AI 主题讲座】w2634 agent 方法论|普通人如何实现代码自由? | §2.2.1 | 网页版 | 视频 |
| 2026-06-02 | 【直播文稿】ai 编程专题 2:0基础选手,如何上手?如何进阶?如何精进? | §2.2.2 | 网页版 | 文稿 | 视频 |
| 2026-05-25 | 【直播文稿】codex 专题:最像龙虾的 agent,但是更强大! | §2.2.3 | 网页版 | 文稿 | 视频 |
| 2026-04-28 | 【直播文稿】禅与 ai 编程技术 | §2.2.4 | 网页版 | 文稿 | 视频 |
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2026-09-21 | 【直播文稿】ai PPT 专题:从 word 到 PPT,ai 办公的终极方案来了? | §2.3.1 | 网页版 | 文稿 | 视频 |
| 2025-12-30 | 【直播文稿】notebooklm 专题:解锁 10x学习力的 ai 神器 | §2.3.2 | 待做 | 文稿 | 视频 |
| 2025-12-02 | 【直播文稿】nano banana pro 专场 | §2.3.3 | 待做 | 文稿 | 视频 |
| 2025-11-04 | 【直播文稿】聊一聊 gpt-5 | §2.3.4 | 待做 | 文稿 | 视频 |
| 2025-11-04 | 【直播文稿】私人 GPT 的道法术器(2025 年 5 月版) | §2.3.5 | 待做 | 文稿 | 视频 |
| 2025-04-18 | 【howie 的 AI 主题讲座】o3模型专题 | §2.3.6 | 待转写 | 视频 |
| 2025-03-28 | 【howie 的 AI 主题讲座】ai 作图大法 + deep research 大法 | §2.3.7 | 待转写 | 视频 |
| 2025-03-21 | 【howie 的 AI 主题讲座】我是如何使用 chatgpt/llm 的?(2025 年3 月版) | §2.3.8 | 待转写 | 视频 |
| 2024-09-13 | 深入聊一聊openai 的 o1 新模型 | §2.3.9 | 待转写 | 视频 |
| 2023-11-30 | 【ChatGPT直播】ChatGPT发布一周年,分享364天重度使用的经验(暨OKR12月 | §2.3.10 | 待转写 | 视频 |
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2026-04-28 | 【直播文稿】ai 系统专题 4:信息流系统 | §2.4.1 | 网页版 | 文稿 | 视频 |
| 2026-03-13 | 【直播文稿】notion 2026 专题:ai agent时代的战略性武器 | §2.4.2 | 网页版 | 文稿 | 视频 |
| 2026-01-24 | 【直播文稿】logseq 专场(2026 版) | §2.4.3 | 待做 | 文稿 | 视频 |
| 2025-11-12 | 【直播文稿】ai 浏览器和 ai notion实战总结 | §2.4.4 | 待做 | 文稿 | 视频 |
| 2025-11-03 | 【直播文稿】ai时代的知识管理(2025年10月版) | §2.4.5 | 待做 | 文稿 | 视频 |
| 2023-11-26 | 2023/AGI元年的学习与知识管理 | §2.4.6 | 待转写 | 视频 |
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2026-02-24 | 【直播文稿】ai学习系统2 写作|从0到5万关注的写作增长系统 | §2.5.1 | 网页版 | 文稿 | 视频 |
| 2026-02-13 | 【howie 的 AI 主题讲座】ai 学习系统 3:口头费曼 OS | §2.5.2 | 网页版 | 视频 |
| 2026-02-05 | 【直播文稿】清北(ai)学习系统 1:数学、coding | §2.5.3 | 网页版 | 文稿 | 视频 |
| 2025-11-03 | 【直播文稿】如何用 chatgpt 和logseq 作为学习利器,10倍提升学习效率和效果 | §2.5.4 | 待做 | 文稿 | 视频 |
| 2025-04-25 | 【howie 的 AI 主题讲座】ai 阅读系统(2025版) | §2.5.5 | 待转写 | 视频 |
| 2025-03-13 | 【howie 的 AI 主题讲座】ai 写作系统(2025 版) | §2.5.6 | 待转写 | 视频 |
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2026-11-13 | 【howie 的 AI 主题讲座】w2645-2 大封号时代:经验、教训、策略、技巧 | §2.6.1 | 网页版 | 视频 |
| 2026-10-19 | 【三级笔记】近期 AI 实践分享 w2641 | §2.6.2 | 待做 | 文稿 | 视频 |
| 2026-10-19 | 【直播文稿】w2641 近期 ai 实践分享 | §2.6.3 | 网页版 | 文稿 | 视频 |
| 2026-06-18 | 【howie 的 AI 主题讲座】agent 实战双周复盘 w2624 | §2.6.4 | 网页版 | 视频 |
| 2026-04-28 | 【直播文稿】26年 1 季度 agent 实战复盘 | §2.6.5 | 网页版 | 文稿 | 视频 |
| 2026-04-28 | 【直播文稿】本周份的 ai 精进 w2610:峨眉山、咸的玩笑、no | §2.6.6 | 网页版 | 文稿 | 视频 |
| 2026-01-29 | 【直播文稿】本周份的 ai 精进 w2604 | §2.6.7 | 网页版 | 文稿 | 视频 |
| 2026-01-14 | 【直播文稿】w2601 新年务虚专场:2026 ai 落地展望 | §2.6.8 | 待做 | 文稿 | 视频 |
| 2025-12-17 | 【直播文稿】w2550,本周份的 ai 精进 | §2.6.9 | 待做 | 文稿 | 视频 |
| 2025-12-12 | 【直播文稿】ChatGPT 三周年专场直播 | §2.6.10 | 待做 | 文稿 | 视频 |
| 2025-11-26 | 【直播文稿】gemini 3.0 pro 实战总结 | §2.6.11 | 待做 | 文稿 | 视频 |
| 2025-11-04 | 【直播文稿】ai 实战总结( 2025年10月版) | §2.6.12 | 待做 | 文稿 | 视频 |
| 2025-11-04 | 【直播文稿】AI 2025:趋势分析、Agent定义与应用落地分享 | §2.6.13 | 待做 | 文稿 | 视频 |
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2026-09-07 | 【agentic 家庭教育】半年实践总结:agent 负责学习系统,家长负责躬身入局 | §2.7.1 | 网页版 | 视频 |
| 2025-05-07 | 【howie 的 AI 主题讲座】学习型家庭专题(2025版) | §2.7.2 | 待转写 | 视频 |
| 日期 | 标题 | 精读 | 深蒸馏网页版 | 原文 / 原视频 |
|---|---|---|---|---|
| 2025-11-26 | 【直播文稿】howie 的AI答疑直播 Ask Me Anything | §2.8.1 | 待做 | 文稿 | 视频 |
| 2025-11-04 | 【直播文稿】熊聚MU2504:真·个人知识库 logseq 线下工作坊 | §2.8.2 | 待做 | 文稿 | 视频 |
| 2025-07-12 | 【同步直播】熊聚2508 《智能简史》:从6亿年智能演化的视角,看人类学习的过去、现在和未来 | §2.8.3 | 待转写 | 视频 |
| 2025-06-07 | 【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 | §2.8.4 | 待转写 | 视频 |
| 2023-12-31 | 跨年对谈2024:AGI 元年,重新“学会如何学习” | §2.8.5 | 待转写 | 视频 |
| 2023-04-03 | 【gpt+evergreen的】知识管理OS|Obsidian第1周直播答疑 | §2.8.6 | 待转写 | 视频 |
正文已独立成卷(飞书单文档 block 上限 5000,正文会先撞线): 精读正文 · 卷一 主文档保留:知识链路、目录大纲、与在用工作的关联、逐日追加队列。 每篇的深蒸馏网页版 仍在大纲右列,点开即读。
直播回看 | 2026.02.13 | 约 120 分钟 | 已深蒸馏 17 / 53 来源:原视频 | @howie.serious | 2026.02.13
阅读路径:先读第一组,分清「提高当下输入效率」和「保存长时间思考」两种需求;第二组看为什么个人词汇库比换设备更关键;第三组看录音怎样经过转写、编辑与入库;第四组把材料接回学习与表达训练。只看一组就看第四组:没有输出后的反馈,再好的录音也只是库存。
一句话结论:如果口述只被转成摘要,没有结合个人上下文获得反馈并进入下一次表达,它就还不是口头费曼学习系统。
howie 反复展示与模型对话的长段文字,重点不在文字多,而在这些话不是坐下来慢慢敲的。他在读文章、散步、逛博物馆时有了疑问,直接口述就能继续讨论。过去一个想法要先经过「值不值得打这么多字」的筛选,现在可以先说出来,再让模型接住。
他把这件事叫作提高输出带宽:使用次数增加,每次能交代的个人背景也更充分。真正的门槛是 one shot——说完一段话,转成可以直接发送的文字,不必再逐句返工。他举了两分钟、六分钟口述的例子,也按自己每分钟约一百四十字的语速,估算六分钟能说出约八百四十字。这是他的使用体验,不是所有人的固定速度。
Ben哥读完知识库文章后的口述,可以对应到 reading.py 的一个拟新增入口 capture_feynman(text, source_ref):保存口述文字与所读材料的关联,不把它直接当成文章结论。记录项可加 spoken_reflection、source_ref,先把「我为什么这样理解」留住,再进入讨论。这里是改造设想,不代表已检查或改动该脚本。
输入法面向的是当下往某个输入框里说话;AI 录音面向会议、直播、头脑风暴等长时间内容。howie 讲得很清楚:几分钟内的费曼可以直接用输入法,讲半小时、两小时,就需要先录下来,再处理整个文件。两者都接收声音,但结束后要交付的东西不同。
他不是主张人人先买录音硬件,而是反对把硬件宣传当成完整方案。能录到声音,只完成了采集;录音之后能否得到清楚的文字、能否继续讨论、能否形成自己的观点,才决定它是不是有用的学习流程。
| 判据 | AI 输入法 | AI 录音 |
|---|---|---|
| 直播中的典型场景 | 阅读时说想法、与模型即时对话 | 会议、直播、长时间讨论 |
| 操作起点 | 在输入位置启动口述 | 启动录音,形成音频文件 |
| 直接交付 | 可以发送的一段文字 | 供后续转写处理的录音 |
| 作者关注的质量 | 尽量不用修改即可发送 | 转写、编辑后能否入库与复用 |
| 与费曼的连接 | 说完马上得到反馈 | 整理后再围绕内容获得反馈 |
Ben哥的 knowledge.py 可在拟议的材料记录中区分 capture_mode:即时口述与长录音各走自己的入口;长录音再保留 audio_ref、transcript_ref、edited_ref。这样不会把一段个人感想和一场完整直播混作同一种资料。本轮只写这份文稿,不新增入口,也不扫描录音。
howie 对管线的拆分是:先用 ASR,也就是自动语音识别,把声音转成文字;再让大语言模型处理错词、断句、标点、分段与格式。他回忆早期转写工具的问题:即使拿到了文字,校对仍要花大量时间。只比较「有没有转出来」,会漏掉后续返工成本。
他用中文同音字、专有词和词语边界说明困难,又在后面修正自己起初对英文的简化判断:英文同样有同音词。更稳妥的核心并不是给两种语言排难度名次,而是 仅凭声音不一定能确定说的是哪个词,个人语境会影响判断。
他认为 Typeless 能把长段口述整理得较好,与后处理和个人词汇库有关。但他也承认不知道产品内部究竟怎么实现。因而「ASR 加模型编辑」是他解释效果、组织自用方案的思路,不能写成已经核实的厂商技术架构。
Ben哥可在 knowledge.py 拟增 edit_transcript(raw_text, glossary, edit_prompt),把原始转写与编辑结果分开保留;记录 asr_model、editor_model、edit_prompt_version,使后续能追溯哪一步改过文字。kb/STANDARD.md 可增加「编辑不得补造原意」这一检查项。函数名和字段名是本篇的落地设计,不是原文提供的代码。
他展示了自己的个人词汇库:遇到容易混淆的词,就在手机或电脑端随手加入。到处理长录音时,再把词汇汇总为逗号分隔的文本,放进转写编辑提示词。这样,一份平时为了输入法积累的词表,也可以服务长录音整理。
重要的不是照抄他有多少个词,而是词库来自自己的真实使用。别人预装的一套资料,无法替代你不断输入的错题、反馈与思考。这也是他对「买回去就能变强的学习机」持保留态度的原因:个人系统需要维护,不能只购买。
他还给出了迁移思路:以后出现更合适的输入法,就把自己的词库带过去。应当积累的是个人上下文,而不是对某个产品的依赖。
Ben哥可在 kb/STANDARD.md 拟设「个人词汇校对」规则,词条包含 canonical_term、misrecognized_forms、context_note。knowledge.py 拟增 build_glossary_context(entries),统一生成编辑时使用的词表,避免每篇深蒸馏临时猜产品名。遇到词库也不能解释的词,继续标「原文未展开」,不能凭词表强行确定作者意思。
howie 的即时输入组合是 DJI Mic 与 Typeless。他同时说,手机和电脑本来就有麦克风,多数时候可以直接用;另配麦克风,主要是为了解决办公室不方便大声说话的问题。贴近嘴边、提高增益后,可以用较小声音表达。他展示的是自己的收音办法,不是「旁人绝对听不到」的保密承诺。
他选择专用接收器,是因为自己遇到普通蓝牙连接不稳定、麦克风被切换的问题。谈到长录音时,他强调 DJI Mic 3 还能单独录音,既可用于输入,也可用于录制内容,因此比仅为录音购买一种专用设备更通用。
直播中的单发射器、一发一收、双发射器套装不是同一配置,价格不能混在一起比较。无线协议、频段及兼容范围的转写有不清楚之处,原文未展开可靠的技术参数,本篇不据此制作采购规格。
Ben哥不必把本场硬件选择写成 kb/STANDARD.md 的统一采购要求。更具体的拟议检查项是 capture_issue:记录「收不到、需大声说、连接切换、导出麻烦」中的实际问题,再决定换哪一环。reading.py 的口述入口也应允许直接提交文字,不以购买某设备作为使用条件。
他演示的长录音路径是:把录音导入电脑的 Audio Inbox,上传通义听悟取得转写,导出文字,再交给 Gemini 3 Pro,配合转写编辑提示词和个人词汇库处理,最后放进自己的口头费曼资料库。示例记录包含日期、周次、说话人、主题、类型,以及录音、转写、加工是否完成。
他不想让转写平台包办摘要、建议和提问,因为看过自己的演讲样本后,认为那些文字虽然通顺,概念和问题却没有抓准。他要的是转写原文,再自己控制编辑环节。用餐讨论中的点菜等杂话可以按主题剔除,但有价值的论述要整理为顺畅的文字,而不是全压成几条空泛概括。
| 环节 | 作者示范的选择 | 要保留的控制权 | 不能混为一谈的结果 |
|---|---|---|---|
| 采集 | 麦克风或录音设备 | 录什么、何时导出 | 有声音不等于有可用文字 |
| 转写 | 通义听悟 | 取得转写原文 | 平台摘要不是原话 |
| 编辑 | 模型、提示词、个人词库 | 校对用词、主题组织 | 读起来顺不等于观点准确 |
| 入库 | 个人笔记或数据库 | 主题、记录与材料关联 | 文件存好不等于学习结束 |
| 后续使用 | 围绕材料继续对话 | 追问、反馈、再表达 | 模型回答不是作者原结论 |
他强调每块都能替换:硬件、转写模型、编辑模型、提示词有更好的选择,就换这一块,不必推翻整套流程。直播中的免费额度和订阅价格是当时展示,不等于长期不限量,也不等于已经核算过所有人的总成本。
Ben哥可在 knowledge.py 拟增 assemble_feynman_record(),把 recorded_at、topic、speaker、raw_transcript、edited_text、processing_stage 放进同一条材料记录。cron-jobs.json 未来若设置周整理,任务内容应是「处理录音收件箱并报告各阶段状态」,不是把「已录音」直接算成「已入库」。本轮不创建定时任务,也不改这些文件。
最完整的例子,是 howie 在路上听了林小英关于县中教育的演讲。听完后,他发现记住的多是零散印象,于是找文字稿,用三级笔记提示词梳理成树状框架,再开始口述自己的理解。结构化材料让他知道内容在讲什么,费曼表达则暴露自己究竟怎么理解。
他随后把问题放进自己关心的背景:应试、教培、内卷与 AI 教育之间是什么关系?模型提供回应,他继续说自己的看法,经过几轮讨论,最后形成可以写成短文的判断。这里要紧的不是模型替他总结了演讲,而是他把材料当成对话对象,发展出自己的思考。
他举出的观点是「学校负责下限,AI 帮助提高上限,家庭负责精神与情感」。这是他在该案例中形成的主张,不是这场直播证明了的教育结论。文章也不必越长越好;他强调的是观点密度,几段话讲清一个判断,可能比长篇铺陈更有效。
Ben哥可给 reading.py 拟增 run_feynman_round(source_text, reflection),明确输入是材料加自己的口述;输出区分 my_claim、unclear_concepts、ai_feedback、revised_claim。~/.agent-autoloop/report_html.py 可拟增 render_feynman_round(),把原材料主张、个人判断、模型反馈分栏展示,避免把一篇深蒸馏里的应用分析误读成讲者原话。
口头费曼 OS 不只是把所有话保存下来。howie 设想把主题、每次表达与反馈关联起来:例如多次被指出语速过快,就能看到重复出现的问题;如果用词和概念总是不准确,就应先把概念弄清,而不是继续追求流畅。他认为思路模糊,往往表现为概念不清、概念之间的关系不清。
他把这一做法延伸到孩子的表达练习:学完课文,选一个角度,先讲一分钟,再逐渐展开;短表达直接用输入法,长表达用录音流程。模型根据孩子的内容给反馈,历史记录又能成为后续讨论的上下文。但具体教练提示词、反馈评分和长期成效验证,原文未展开。
这也解释了他为什么强调系统要个人化:真正积累的是你说过什么、哪里没说清、得到什么反馈、下一次怎么调整。录音库因此既能成为创作素材,也能成为表达训练的反馈库。
Ben哥可在 knowledge.py 拟增 summarize_recurring_feedback(topic),按主题汇总 feedback_type、evidence_quote、next_attempt,区分「说太快」与「概念不清」。以后相关任务进入 tasks.md 时,可把下一次具体要改的表达动作写入验收描述,而不是只写「整理完成」。本篇不读改任务清单,也不声称这些字段已经存在。
以下均是根据直播流程转成的改造设想,不是对 Ben哥现有代码的检查结论;本轮没有实施。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 先说出模糊理解 | reading.py | 拟增 capture_feynman(),保存口述与 source_ref |
| 词库帮助专有词校对 | kb/STANDARD.md | 拟加标准词、误识别形式、适用语境三项 |
| 转写与编辑分开 | knowledge.py | 分存 raw_transcript、edited_text,记录模型与提示词版本 |
| 观点不能与模型反馈混排 | ~/.agent-autoloop/report_html.py | 拟增 render_feynman_round(),分别显示来源、个人判断、反馈 |
| 定期整理录音收件箱 | cron-jobs.json | 后续授权配置时,明确处理阶段与失败状态,不自动标完成 |
| 反馈进入下一次行动 | tasks.md | 后续任务描述写 next_attempt 对应的具体动作,本轮不修改 |
原文:howie.serious《ai 学习系统 3:口头费曼 OS》,2026.02.13 直播。末尾明确说「两个小时讲完」,故时长记为约 120 分钟;未核对播放器的精确时长。
本篇依据:用户提供的完整机器转写。正文围绕 AI 输入法、个人词汇库、录音整理管线、学习与表达反馈组织;不引入外部资料。元信息序号按目标文件 q17 记为 17,不代表重新盘点了全库进度。「对你的实际应用」中的函数与字段是本篇设计,不是讲者代码或已实施功能。
更正与边界:按上下文统一「费慢」为「费曼」、「Tables/Tabless」为 Typeless、「DJI Mac」为 DJI Mic、「通一听误」为通义听悟;不确定的无线参数不作确定转述。讲者对厂商模型、产品内部架构有推测,短期体验不等于通用评测;价格、额度、未来降价、厂商新品与收益预期均不能当成现行承诺。转写编辑提示词全文与模板内部字段原文未展开。隐私部分保留的是讲者对云端处理、厂商声明与信任的讨论,未核实服务条款,付费也不能据此写成数据安全保证。敏感录音与他人谈话的采集、上传授权细则原文未展开,本文不构成执行授权。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.02.06 | 时长未标 | 已深蒸馏 18 / 53 来源:原视频 | @howie.serious | 2026.02.06
阅读路径:第一组先分清这是学习系统,不是批量起号术;第二组看七个模块怎样把作品、概念和经验连起来;第三组用真实帖子理解反馈数据及其边界;第四组看长期积累、家庭应用与尚未落地的部分。只看一组就看第二组,它解释了为什么存下文章还不等于建立系统。
一句话结论:如果每次输出只留下文章和阅读量,没有转成能回到具体作品的经验、教训与下一次行动,持续日更也不等于写作能力持续增长。
howie 把写作从「灵感、修辞、才情」的传统印象里拿出来,放回认知能力。他从生物工程、翻译、财务审计转向终身学习社区,并不是以职业作家的身份开始写作,却在做事过程中发现:要说明自己的想法、让用户认识产品、吸引同路人,都离不开表达。
这里不是说语言技巧没有用,而是说技巧服务于更底层的问题:你有没有值得表达的思考,能不能把它交给别人理解。 他把互联网称为 idea market,所有人都把观点放到同一舞台,读者用注意力、关注和互动回应。写作因而也是一次检验:自己觉得重要的想法,别人是否能理解、是否认为有价值。
但市场反馈不是最终目的。他反复区分两条路:一条是用输出改善思维与认知,另一条是追逐算法、用 AI 洗稿、制造海量低价值内容。后者即便带来流量,也未必让创作者变得更好。
Ben哥可以在 kb/STANDARD.md 的深蒸馏要求中拟增「本篇要澄清的判断」字段,要求正文说明判断、依据和边界,而不是只列知识点。在 ~/.agent-autoloop/report_html.py 中可拟增 render_core_judgment(),把同一判断显示在报告开头。这里是应用设计,不是声称现有文件已经具备这些字段;本轮不修改它们。
本场先回顾数学、编程学习系统,再转入写作,并不是两个无关主题。共同结构是:学习者做了一次题或完成一次表达,留下表现,得到反馈,再识别自己哪里理解不足。数学用错题切入,写作用一条帖子、一篇公众号文章切入。
他提到过去的五遍错题法,强调 AI 加入之后,不必机械重复同一道题,而可以围绕同一个知识漏洞生成不同变体。转到写作,重点也不是把同一篇文章重发几遍,而是从一次作品里找出能迁移的经验。写得好和写得不好都能成为材料。
这解释了他为什么不鼓励海量乱发:没有回看的输出,容易变成另一种刷题。真正要培养的是元认知——知道自己知道什么、不知道什么,以及哪些不足以前根本没发现。写作变体如何自动生成、训练效果怎样衡量,原文未展开。
对 Ben哥的 knowledge.py,可拟增 build_practice_review():输入一篇产出及其反馈,输出「原判断、实际表现、暴露的问题、下一次练习」。在 reading.py 的阅读记录中可拟增 linked_output 字段,把阅读连接到实际要解决的表达问题。不能把「文件生成成功」填作「读者觉得有价值」,两种反馈应分开记录。
他把自己的 Notion 写作系统称为「托尔斯泰 OS」,展示的七个模块是行动库、小费曼素材库、中费曼素材库、主题库、概念库、经验教训库和原理库。短帖是小费曼,公众号文章是中费曼;直播等更长输出也能关联到主题,但本场没有把它单列为第八个模块。
作品库不是把所有发布内容原样堆进去。他挑选值得学习的样本:数据突出、自己认为写得好,或有值得分析的问题。作品保留原链接和表现数据,再与主题、概念、经验、原理发生关联。同一个推荐帖既可以按主题查看,也可以回到「收藏与点赞反映不同价值」这一解释线索下查看。
| 模块 | 原文中的内容 | 在学习链条里的作用 |
|---|---|---|
| 行动库 | 想做、想写、想继续处理的事项 | 把分析接回行动 |
| 小费曼素材库 | 几句话的短帖及表现 | 保存小规模真实实践 |
| 中费曼素材库 | 达到自定入库标准的公众号文章 | 保存较长表达及反馈 |
| 主题库 | AI、学习、自我管理、工具、技术等 | 汇集同一关注方向的输出 |
| 概念库 | 叙事、观点、证据、解释框架等 | 给经验提供可讨论的词汇 |
| 经验教训库 | 内容、人格、框架、认知、互动等分类 | 提炼能用于下一次的做法 |
| 原理库 | 内容、注意力、推广等底层认识 | 用多个案例理解共同机制 |
Ben哥可为 knowledge.py 拟定 link_learning_assets(),用 source_id、topic_ids、concept_ids、lesson_ids、principle_ids 连接材料。在 kb/STANDARD.md 中拟增「经验须指回来源」条款。先保留本篇来源与判断的关系,不必为了照抄 Notion 外观就新建七套目录;本场强调的是关系,不是指定本地存储实现。
同一批短帖可以按主题、日历、周次、收藏量、互动表现等角度查看;也可以用卡片或表格,增加筛选条件。这不是让数据库显得复杂,而是让创作者从不同角度发现问题:哪些内容经常被收藏,哪个主题积累了更多作品,某类经验究竟由哪些样本支持。
他与 AI 的连接方式并不神秘:打开帖子及其分析数据,让模型分析有哪些经验、教训,以及写作、平台、互联网层面的底层认识,再把有价值的部分纳入系统。他展示的是很简单的提示方向,不是完整可复制的长提示词。模型分析后,人还会继续阅读、思考、加笔记。
他提及可以用不同模型,但没有主张每条内容都做多模型会审,反而说自己很多时候用一家就够,不必过度分析。模型给出分析,不等于该分析已经被事实验证。 本场也没有演示从平台数据到七个库的全自动流水线。
可在 reading.py 中拟增 select_review_context(),按同一主题返回原作品、反馈、已有经验,而不是每次把整个知识库塞给模型。knowledge.py 可拟增 analysis_status 字段,区分「模型解释」和「人工核对」。这些函数名是给 Ben哥的落地提案;原文没有这套代码,也没有证明当前工具能自动读取所有平台后台数据。
本场最具体的分析线索,是区分不同互动。他转述 AI 的判断:点赞更多反映当下情绪,收藏更多指向未来价值。推荐书籍、文章、课程、纪录片的内容,可能因读者想以后使用而被收藏;表达社会现象立场的帖子,则可能点赞多、收藏少。
这不是好坏二分。立场表达和实用推荐服务的需求不同,不能用同一指标判定谁更有价值。他还把个人推荐理解为一种服务:算法推来很多内容,人的品位与视角仍能帮助别人筛选。自己已经读过、看过、讨论过的好东西,可以顺手整理分享,而不必另造热点。
| 观察到的反馈 | 原文给出的解释方向 | 不能直接得出的结论 |
|---|---|---|
| 点赞多、收藏少 | 可能更多激活当下情绪或立场认同 | 内容没有长期价值 |
| 收藏较多 | 可能提供未来可用的实用价值 | 收藏者一定会实际使用 |
| 点赞、收藏都较多 | 可能同时触发情感和实用需求 | 某种写法必然适用于所有主题 |
| 转发与浏览一起变化 | 传播行为可能带来更多曝光 | 转发数能精确预测浏览量 |
| 自觉有价值却互动少 | 可以检查表达、内容及其他问题 | 想法已被证明错误 |
Ben哥可在 ~/.agent-autoloop/report_html.py 中拟增 render_feedback_breakdown(),分别显示阅读、点赞、收藏、转发,不压成一个总分;在 knowledge.py 中拟增 content_purpose,区分推荐、观点、解释等用途。拿不到平台数据时明确记录「未取得」,不能填零,更不能拿内部生成次数替代外部读者反馈。
他展示过一条在 2026 年 1 月 1 日分享阿斯麦相关视频的推荐帖,用很短的文字配图,并因表现突出而入库。另一个几百字帖子约有 96.6 万浏览、1.5 千点赞、1.3 千收藏、191 次转发,他由此讨论观点密度、配图、身份、立场等可以分析的因素。
同时,他口头提出「一个转发大致对应一千浏览」的经验。但上述接近百万浏览的案例,已经明显超过按 191 次转发推算的量。这恰好说明这只能是个人观察,不能当作计算器。推荐帖互动率的口述分子、分母也有明显冲突,不能照着机器转写复算出可靠结果。
系统里出现的「十万加」「互动超过 10%」、一到五星分级,都是他展示样本和筛选作品的方式,不是所有创作者必须采用的标准。哪些分发因素导致曝光、怎样排除主题和受众差异,原文未展开。
可在 kb/STANDARD.md 中拟增 metric_definition、data_source、observed_at 三项记录要求;本场没有采集时间,就写「原文未展开」,不补造。~/.agent-autoloop/report_html.py 可拟增 render_metric_caveat(),紧挨指标显示口径缺失与样本限制,不把「十万浏览」或「10% 互动」写死成 Ben哥所有报告的优秀线。
他回顾年度表现,提到 335 天发布内容、累计 397 篇、内容被看约 153 万次、约 60 万人看过,以及第一次出现十万加公众号文章。他说这篇文章原始稿大部分由 AI 写作,自己承担编辑工作。这说明他的路线并不是禁止 AI 起草,而是反对把低价值批量生成当成写作成长。
关于关注数,讲座题目强调从零到五万,现场还讲了不同平台从零起步的经历;但当年增长的叙述主要是从约两万到五万多。两者不能混成「这一年从零到五万」。这些数字都是讲者自述,不是本篇核验过的平台统计。
他强调日更并不靠强迫和熬夜,而来自对固定领域的长期关注、阅读、交谈与随手分享。系统把这些经历留下来,模型升级后还能继续分析同一批上下文。可迁移的是个人材料与关系,不是某个模型名称,也不是把更换工具当成学习本身。
Ben哥可在 cron-jobs.json 的相关任务说明中拟增「成功判据:内容质量与反馈记录」,但本轮不读改调度。在 knowledge.py 中可拟增 review_due_reason,只因新反馈或出现相关问题而触发回看,避免把每篇材料反复全量分析。先让已有输出更可学习,不把计划触发次数当成能力增长次数。
他讲孩子面对作文要求的痛苦:语言优美、立意高、卷面整洁、不能留下修改痕迹等要求叠在一起,容易让写作变成压力。作为对照,他承认自己的初稿也不好,需要多次重读、朗读和修改。要求孩子一次写成与成年人实际写作过程之间,存在明显张力。
他的做法是接送路上轻松聊标点、选词、分段、第一句话、标题与素材,把自己的写作经历当作笑话或话题分享。家长负责目标、习惯、情感支持等自己能做的事,不必假装精通所有学科。所谓躬身入局,是自己有实践,才知道孩子卡在哪里,不是拿系统再增加一套成绩要求。
边界也要看清:孩子的独立写作系统是后续准备延伸的方向;写作垂直小组仍是构想。现场提到每年 6999、预报名 3999 的价格设想,不等于完整服务方案已经落地。他对考试成绩的乐观判断,也不是本场提供了结果验证。
映射到 Ben哥的知识库,kb/STANDARD.md 可拟增「反馈先指作品中的具体问题,不给人贴能力标签」;reading.py 可拟增 learner_question 与 next_attempt,先留下本人问题,再记录下一次尝试。不要把本场家庭经验直接写成自动评分规则,儿童系统的具体评分、干预与验证方法,原文未展开。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 写作检验思考 | kb/STANDARD.md | 拟增「核心判断、依据、边界」,限制只摘知识点的写法 |
| 每次作品是反馈样本 | knowledge.py | 拟增 build_practice_review(),串起表现、问题与下一次练习 |
| 作品关联经验和原理 | knowledge.py | 拟增来源、主题、概念、经验、原理的关联字段 |
| 围绕问题调取上下文 | reading.py | 拟增 select_review_context(),按主题选材料,不默认全库输入 |
| 点赞与收藏不是一回事 | ~/.agent-autoloop/report_html.py | 拟增分项反馈区,保留用途与数据缺失状态 |
| 不用更新数量替代学习 | cron-jobs.json | 后续若调整任务说明,把触发、产出、反馈分别计量,本轮不改 |
| 机器分析仍需核对 | knowledge.py | 拟增 analysis_status,模型解释不自动升级为已验证经验 |
原文:howie 的 AI 主题讲座「ai学习系统2 写作|从0到5万关注的写作增长系统」,2026.02.06 直播回看。开场和结束能看出两小时左右的直播安排,但本稿无完整时间戳,元信息保留「时长未标」。
本篇依据:本次提示提供的转写全文。素材、主题、概念、经验与原理的关系,短帖案例及年度成绩均来自讲者叙述;两份已通过样例只用于层级与语气,不作为本场事实来源。序号按目标文件 q18 记为 18 / 53。
更正与边界:按上下文将「土耳斯泰」「费麦」「原认知」「英才思教」等明显误识别统一为「托尔斯泰」「费曼」「元认知」「因材施教」。不复算口述冲突的互动率,不把转发与浏览比例写成定律,不把不同平台的增长混为同一时期;模型能力、教育效果和商业价值均保留为讲者判断。应用部分的字段与函数是面向 Ben哥指定文件的设计提案,未检查现有实现,也未修改这些文件;未提及的方法写明「原文未展开」。
定位:中文深蒸馏,不是逐字摘要。「原文在说什么」呈现讲座内容,「关键概念」提炼结构,「对你的实际应用」是与原文分开的应用分析。
直播回看 | 2026.02.02 | 120 分钟 | 已深蒸馏 19 / 53 来源:原视频 | @howie.serious | 2026.02.02
阅读路径:先读第二组,弄清「什么应该进入错题库」,否则只是把纸质错题本搬到电脑里;再读第三组,看家长、孩子与 AI 怎样接力。第一组交代系统骨架与成绩证据,第四组解释反馈、长期积累与适用边界。只看一组就看第二组,它决定这套系统能不能抓住真正的知识漏洞。
一句话结论:AI 辅导的主要增益不在多讲一道题,而在把「发现漏洞—追到概念—针对练习—再次验证」接成持续运行的闭环;如果只有答案、没有后续验证,模型再强也不等于学习系统。
howie 不是从零接触 AI 的家长。他此前已经给孩子使用 ChatGPT、Gemini,也会找真题,但孩子通过编程分级考试的一级、二级之后,在三级连续受挫。这个转折说明:能随时问问题,不代表问题会被系统地解决。
他在约百天的实践中,把错题、资料、概念、解题技能和行动安排放进 Notion。错题不是一段孤立的聊天,而是一条记录:原题、截图、题号、本人分析、关联概念、错误原因、练习及后续结果,都留在能够继续访问的环境里。模型可以据此分析,而不是每次重新猜孩子的情况。
| 组成 | 原文展示的内容 | 连接以后能回答什么 |
|---|---|---|
| 错题库 | 原题、错因、掌握判断、错误阶次 | 这次到底错在哪里,后来有没有再错 |
| 资料库 | 真题、书目、模拟考试、网站 | 哪份资料暴露了哪些问题 |
| 概念库 | 数论、概率、代数、几何等概念 | 同一个概念在哪些题上反复出错 |
| 技能与数学思想 | 理解题目、寻找思路等 | 问题来自知识缺失,还是解题过程 |
| 行动库 | 整理、分析、练习、批改的分工 | 现在轮到谁,下一步具体做什么 |
这里的重点不是数据库数量,而是记录之间的关联。按资料看、按概念看、按错因看,是同一批学习证据的不同视图,不是重复抄几份笔记。
Ben哥可以把这套结构迁移到 knowledge.py 的记录设计:后续新增 source_ref、concept_refs、error_reason、next_action 字段,让一条知识同时关联来源、概念和下一步动作。这是字段提案,不是声称脚本当前已有这些字段;本轮不修改脚本。先把「这条结论从哪里来、用于解决什么问题」连起来,比继续增加孤立摘要更接近原文的系统。
howie 认为,三级通过时的 69 分,比此前入门级考试的更高分数更有价值。原因不是「低分反而更好」,而是考试难度与得分结构变了:按他的讲述,考试由 50 分编程题和 50 分基础知识题组成;这次在一个编程题失分的情况下,基础知识部分拿到了 44 分。
他把这个变化归因于按错因组织的针对练习:概念缺失、练习不足、解题方法不足、粗心,都分别处理。这个案例支持的是「基础知识掌握更扎实」的观察,不能直接推出编程实战能力已经没有短板。
数学案例则采用 AMC8。他介绍的是 25 道选择题、40 分钟、难度逐步上升,并使用最近十年的真题捕获错题,再配合模拟题。讲者看重的是有梯度的目标,能够暴露校内高分未必暴露的问题;本场没有给出可独立核对的数学前后测结果。
Ben哥后续可在 ~/.agent-autoloop/report_html.py 新增 render_evidence_breakdown(),把「观察到的结果」「支持它的分项证据」「仍未解决的问题」分开呈现。用于知识库实践复盘时,不把「生成了一篇文章」等同于「已经掌握并能应用」。这里借用的是拆分结果的做法,不涉及增加证券判断规则,也不宣称现有报告已经具备该函数。
howie 要求孩子在作答时留下判断痕迹:不是百分之百确定的题做标记,能够排除的选项划掉。他想看的不仅是最后得了多少分,更是孩子对自己掌握程度的判断是否准确。卷面因此像工作底稿,保留了当时怎么想,而不只是事后订正出的正确答案。
最值得警惕的是两类题:以为自己会,结果错了;以为自己不会,结果做对了。前者暴露了未被意识到的漏洞,后者可能只是碰巧选对。只收录判错的题,会放过第二类风险。
| 作答时的判断 | 最终结果 | 按原文怎样处理 |
|---|---|---|
| 确定会 | 做对 | 符合预期,但不能据此宣称永久掌握 |
| 确定会 | 做错 | 追查概念漏洞与解题方法,不能一句粗心带过 |
| 不确定 | 做错 | 已经知道自己不知道,进入针对学习 |
| 不确定 | 做对 | 仍按需要学习的问题捕获,不让蒙对漏网 |
他强调「元认知准确率」,但没有给出计算公式。他还主张在有挑战的限时考试中,不依赖最后统一检查,而把确定性判断留在第一次作答里。这个主张有具体场景,不能改写成所有考试都禁止检查。
Ben哥后续可在 kb/STANDARD.md 增设「结论自判与回查」记录要求,字段明确为 self_judgment、verification_result、evidence_ref。模型先写自己确定或不确定,核查后再记结果;不确定但碰巧写对的结论,也记录依据缺口。这里只提出记录方式,元认知准确率如何计算属于原文未展开,不能借讲者之名塞入一个自创评分公式。
他引用波利亚《如何解题》的思路,把数学、编程乃至工作中的问题都看作解题训练。四步是理解题目、寻找解题思路、执行、检查。不是背下四个名称,而是在每次出错时追问:问题究竟在哪一步发生?
理解题目的标准很具体:合上书,能用自己的话说出条件、已知与未知,也能换成图形、图表等形式表达。寻找思路则要回看线索从哪里来,为什么选择这条路线。路线确定以后,执行中的计算问题也要与前面的理解、方法问题区分。
这解释了为什么「粗心」不能成为万能错因。讲者确实保留了粗心分类,但同样强调概念砖块缺失、练习不足和方法不足。即使孩子先说自己会、只是失误,也要通过具体作答与练习判断,不能让这个标签终止分析。
Ben哥后续可在 knowledge.py 新增 classify_failure_stage(record),输出 failure_stage 与 reason_evidence:区分需求理解、方案选择、执行、结果检查,并附具体错误句或过程证据。这个函数名与字段是迁移提案,不是原文的软件设计。用它整理失败案例时,不把「模型不行」当作原因,而要指出是没理解目标、路线选错,还是执行与检查出了问题。
howie 回顾自己准备 CPA 时的一次失败:报了多门、堆了资料,却没有取得预期结果。后来他收窄到一本资料、一本书和一个笔记本,梳理知识框架,把未完全掌握的题反复做,并在每次回看对应概念、确认理解。
纸面操作的问题是痕迹难管理,重复做原题又容易记住选项。现在的版本保留「对未掌握内容反复验证」的目的,但换了实施方式:原题出错后,AI 根据具体错因与考点设计新练习;新练习再错,进入二阶、三阶等后续错题。
他举例说,一次再错就可以继续出三道同知识点的题,还会开玩笑说孩子「解锁」了下一阶。重点不是三道或五遍有什么神奇效果,而是不能让同一个漏洞靠记忆原答案蒙混过去。讲者也明确说,继续错到更高阶仍可继续处理,并没有展示「第五遍自动算掌握」的统一规则。
Ben哥后续可在 reading.py 增加 build_targeted_practice(concept_ref, error_reason),输出围绕同一概念的新问题;记录端增加 parent_error_ref、error_level、practice_result。知识库读后练习若答错,就把新记录连回原概念,而不是再生成一篇相似摘要。字段只用于说明如何落地,不代表本轮已实现;原文也没有展开自动命题正确性的完整校验机制。
这套流程没有让家长消失。家长帮助了解学习路径、寻找分级目标与资料,和孩子讨论计划;孩子做题,家长批改、录入错题;孩子先整理自己的错因,再由家长调用 AI 分析、设计练习;孩子完成练习,家长再批改,继续交回。
这也解释了看起来很短的提示词为什么能工作。示范中的指令可以只是「分析错题原因」「设计针对性练习」,但题目、孩子自己的解释、概念关系和历史记录已经在环境里。短提示词背后,是长上下文,而不是没有准备。
| 分析层级 | 给 AI 的依据 | 原文展示的用途 |
|---|---|---|
| 单道错题 | 原题、本人分析、错因与关联概念 | 分析原因,设计针对练习 |
| 专项错题 | 某一级别、某类错因的历史记录 | 汇总概念缺失等问题,集中训练 |
| 整套试卷 | 一套题及其错题分布 | 找失分模块、思维特征与重点问题 |
孩子还会评价 AI 出题好不好。这个反馈有助于改进使用方式,但本场没有展示完整的答案审定、争议处理流程。不能因为讲者称赞模型,就把所有 AI 题目都当成已经核验的标准题。
Ben哥后续若要把这套接力用于 tasks.md,可在既有任务记录中明确 current_owner、next_action、evidence_ref,使执行者交回的不只是「完成」,还包括下一位需要处理的具体内容。这里只写入本篇应用分析,不读取或修改任务表,也不另造状态流程。对 reading.py 则可新增 analyze_reading_gaps(records, concept_ref),先收本人解释,再做跨记录分析,避免一开始就用模型答案覆盖人的理解。
howie 把学习闭环的卡点归结为缺乏及时、有效、高质量的反馈。家长可能有责任心,却不会讲题,或者下班后已经没有足够精力。AI 承担分析与练习设计之后,家长可以把注意力放在流程、战略与情感互动,而不是强迫自己胜任每一道题的讲解。
他进一步区分平衡性的负反馈与强化性的正反馈,用空调控温解释前者,用学习中不断获得能力提升解释后者。这里的正负不是「表扬或批评」的同义词,而是在谈回路如何抑制变化或强化变化。
他反对把学习始终安排成苦工,再用玩手机、玩游戏作为外部奖励。他希望孩子在解题、理解与进步本身得到奖赏,让系统像游戏一样愿意继续。随后他借强化学习的行动、环境、反馈与状态变化解释这个过程。这是理解学习系统的类比,不是已经证明儿童学习与模型训练完全等价。
Ben哥后续可让 ~/.agent-autoloop/report_html.py 的 render_learning_feedback() 展示 observed_error、targeted_action、retest_result,把「哪里改进了」呈现出来,而不只累计产出篇数。没有复测就明确显示尚无复测证据,不能把「已给建议」画成「已解决」。这是对反馈回路的应用,不是在原文之外增加一个号称科学的奖惩分数系统。
howie 用「模型、洞见、上下文」解释能从 AI 获得多少价值:要用有能力的模型,也要给出高质量、相关、个人化的信息,并把自己对学习与孩子的理解融入系统。他用乘积来形容三者的关系,但没有给出可计算的量表。
这种积累还延伸到阅读示范:一个视频不只是看过,可以保留转写、提取概念与生词、提出思考题,再关联 NotebookLM 中的测验、闪卡与幻灯片。他也提到写作、投资等其他系统,但本场没有展开它们的完整方案;K12 的一揽子交付同样是后续计划,不能写成已经全部建成。
真正的适用门槛是父母愿不愿意躬身入局。讲者估计只适合少部分家庭,这不是人口统计,而是对投入意愿的判断。末尾的模板、大会员、小组与咨询招募,也说明本场兼有商业介绍,效果陈述需要按家庭实践自述来读。
他的收束不是继续换工具,而是保持专注,留出独处思考时间,把想法及时记录下来,让重要主题持续获得注意力。这和前面的系统是一件事:不断增加的是对目标的理解,不只是资料数量。
Ben哥后续可在 reading.py 的阅读记录中增加 transcript_ref、concept_refs、self_questions,在 knowledge.py 增加 collect_learning_context(goal_ref),按目标组织相关记录,而不是把全部知识库一股脑交给模型。原文没有给出上下文裁剪算法,因此函数内部如何选取属于原文未展开。kb/STANDARD.md 可另列「已展示的做法/作者后续计划/本人的迁移提案」,防止蒸馏把愿景写成事实。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 错题与概念关联 | knowledge.py 的知识记录 | 提案新增 concept_refs、source_ref,让错误能追到概念与来源 |
| 不确定但做对也捕获 | kb/STANDARD.md 的核查口径 | 提案记录 self_judgment 与 verification_result,不把碰巧正确算成理解 |
| 同概念的针对练习 | reading.py 的读后应用 | 提案新增 build_targeted_practice(),根据错因出新问题而非重抄答案 |
| 接力式行动流转 | tasks.md 的既有任务记录 | 提案明确 current_owner、next_action、evidence_ref,本轮不读改 |
| 分项结果而非单一总分 | ~/.agent-autoloop/report_html.py | 提案用 render_evidence_breakdown() 区分结果、证据和未解决问题 |
| 反馈后还要再次验证 | ~/.agent-autoloop/report_html.py | 提案用 render_learning_feedback() 展示行动与复测,不虚报掌握 |
| 以目标汇集长期上下文 | knowledge.py 与 reading.py | 提案用 goal_ref 关联转写、概念、自问与实践结果,不无差别堆资料 |
原文:howie《ai学习系统:数学、coding》,2026.02.02 直播回看。时长依据结尾「刚好两个小时」记为 120 分钟,非媒体文件测量值;原视频链接见来源行。
本篇依据:本任务提供的完整机器转写。系统组成、解题四步法、解题元认知、五遍错题法、亲子分工及分层分析均据该转写整理;没有打开原视频、读取另版转写或补充外部资料。系列序号按目标文件 q19 对应为 19。
更正与边界:按上下文统一「GSP」为 GESP、「MC8」为 AMC8、「原认知」为元认知、「公身入局」为躬身入局等明显转写误识。69 分、基础知识 44 分及约百天实践均为讲者自述,不构成普遍效果承诺;未采用含混的前次分数和竞赛名次。讲者的模型优劣、费用、节省时间与金钱的说法不是本篇核实的现状;「只能从错题学习」等绝对表述不作为通用定律。强化学习在此是讲者类比,完整测评、命题核验及系统部署细节原文未展开。所有文件、字段和函数层面的应用均为面向 Ben哥的迁移提案,不是讲者原话,不代表已检查或修改现有实现;本轮唯一写入为本篇 Markdown。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.01.23 | 约 2 小时 | 已深蒸馏 20 / 53 来源:原视频 | @howie.serious | 2026.01.23
阅读路径:先读第二组,看清这场反复强调的「缺的不是模型,是上下文」;第一组解释输入和阅读怎么衔接,第三组看学习系统怎样把数据变成反馈,第四组看工具与信息怎么筛选,第五组区分算力投入与真实回报。只看一组就看第二组,它能解释为什么装了工具仍然落不了地。
一句话结论:对需要持续反馈的个人任务,只换更强的模型而不接入目标、历史资料和结果,不能稳定产生个性化价值;把这些上下文接成系统,比继续收集工具更重要。
howie 对 Typeless 最看重的,不是识别了多少字,而是他能把脑子里散乱的想法直接说出来,基本不用再改。停顿、组织语言、补充意思,都可以留在说话过程中完成。他描述自己用了十天,已经愿意在试用结束后付费;这是个人体验,不是准确率测试。
办公室不方便大声说话的问题,他用 DJI Mic Mini 配合小声输入来解决。他认为这样仍能准确识别,但没有给出不同环境的对照结果。这里真正重要的变化,是输入摩擦变小后,人更愿意交代背景、更愿意向 AI 提问,而不只是把原来的短句说得快一点。
输入法改变的是人与 AI 的交互带宽。手工输入时,人要同时处理思路、措辞、标点和分段;语音工具如果能接住这些零散表达,就能让人把注意力放回问题本身。他反复强调的判据是「不用管」,不是功能数量。
Ben哥可以把语音输入映射到 reading.py 的资料处理入口:拟增 normalize_voice_note(raw_text),分别保留 raw_text 与 clean_text,再分出 question 和 context。原始表达不被润色稿覆盖,才能检查 AI 有没有把疑问改成结论。这只是本篇提出的函数与字段方案,本轮不改脚本,也不接自动发送。
他演示的阅读路径是:把视频放进 Readwise Reader,利用转写形成三级笔记,先看内容结构,再带着自己的问题与 AI 讨论。如果有必要,回到视频对应段落,检查讲者到底怎么说。现场跳转出了问题,所以这场不能当作时间定位功能成功演示的证据。
更有用的一步,是把自己的理解再说给 AI 听,请它分析是否说对。他把这种复述称为费曼学习法的实践。重点不在「让 AI 帮我看完」,而在「看过结构之后,我能不能用自己的话解释,并知道哪里仍然不懂」。
线性听完半小时,不保证形成结构性理解。先有结构,再提问题,再核对局部原文,是另一条路径。三级笔记只是入口,阅读者自己的复述和追问才让输入转成加工。
Ben哥可在 kb/STANDARD.md 的阅读产出规范中设计「我的复述/仍有疑问/原文依据」三栏;在 reading.py 拟增 build_review_questions(note),让问题指向具体段落,而不是再生成一份摘要。来源没有时间戳时写「时间定位不可用」,不要用估算时间冒充视频锚点。
这场贯穿工具、教育、健康和存储的共同判断是:模型已经很强,很多落地问题不主要出在能力不足,而出在缺少个人数据。他提到「能力闲置」这个概念,用来描述前沿模型的能力与实际利用程度之间的差距。
教育场景里,只有「帮我出题」不够。学习目标、已有行动、学习资料、错题、知识掌握情况和反馈,要进入同一个过程。健康场景里,他关注的是持续积累的身体数据能否与 AI 结合,而不是孤立问一次身体状况。健康应用的连接权限、诊断可靠性和具体操作,原文未展开。
Agent 和 Skills 不是没用,而不是所有问题的首要瓶颈。把经验写成技能,仍然需要知道「谁在做、做到哪里、过去发生过什么」。没有这些上下文,同样的提示词更容易产生通用回答,而不是针对自己的方案。
Ben哥可在 knowledge.py 拟增 build_task_context(task_id),把 goal、source_refs、prior_results、feedback 分开组织。检索不到历史结果时,明确返回缺失项,不让模型自行补齐。对 tasks.md 的映射是保留资料入口和结果入口的对应关系,而不是另建任务清单;本轮不读改该文件,也不假定现有字段是什么。
回答 Gemini 能否记住所有对话时,他区分了几个层次:上下文窗口像工作记忆,模型参数承载通用知识,产品附加的个人记忆保存用户相关信息;Logseq、Obsidian、Notion、Readwise 等笔记与阅读工具,则保存更广泛的个人经历、划线和洞见。
这些是他用来理解记忆系统的类比,不能据此承诺产品永久保存或完整召回所有对话。他真正想推进的是:个人经验不要只留在脑子里,也不要只留在某次聊天中,要通过自己的系统变成 AI 可接入的资料。
| 层次 | 本场的解释 | 使用时不能混成什么 |
|---|---|---|
| 上下文窗口 | 当前处理信息的工作记忆 | 自动拥有全部历史资料 |
| 模型参数 | 训练形成的通用知识 | 知道你的私人任务进展 |
| 产品个人记忆 | 模型之外的用户相关记忆模块 | 无遗漏、永久召回的保证 |
| 个人笔记与阅读资料 | 个人数据、经验、洞见的外部载体 | 文件存在就等于已被 AI 使用 |
他反对把人机连接想象成必须依赖脑机接口:长期阅读、笔记和行为资料,本来就能构成连接个人经验的入口。笔记系统与单篇笔记也不同,前者的目标、分级和行动组织方式更可能复用,后者往往高度个人化。
Ben哥可让 knowledge.py 拟增 collect_context_refs(query),输出 source_path、excerpt、relevance_reason,让回答能说明用了哪条个人资料。kb/STANDARD.md 则可写清「资料存在/本轮已读取/本轮已引用」三种状态,避免知识库里有文件,就被说成模型已经掌握。本篇没有检查这些脚本现状。
howie 不赞成「AI 会做学校题,所以基础知识不用学」的推论。他认为越要完成更高要求的任务,越需要基础认知能力。AI 的价值,是让学习者更快、更好地完成基础要求,腾出时间阅读、运动、玩耍和发展兴趣,而不是用更多任务填满时间。
他用自己陪孩子准备编程和数学考试的经历支撑这个判断,并强调家长要亲自做题、参与过程。对于语言与理科的关系,他认为清晰概念、知识积累和语言能力是抽象推理的基础,英文也让孩子更方便地使用原生资料与工具。这些是他的教育判断,不是本场提供了实验验证的普遍规律。
标准化考试在他这里不是唯一人生目标,而是目标明确、有期限、有材料和反馈的训练场。他重视的是在真实任务中练出学习与应变能力,反对脱离具体知识,只空谈创新和批判性思维。
Ben哥可把这个思路用于自己的知识学习:在 reading.py 拟增 build_learning_goal(topic),返回 target_question、practice_task、evidence_of_understanding,要求读完后完成一次解释或实际判断。对 kb/STANDARD.md 的应用是把「能用来解决什么问题」写清楚,而不是把阅读篇数当成理解程度。
他介绍了自建学习系统的一些片段:收集错题,分析原因,结合考试大纲、知识点和过去经验设计针对性练习;重复出错时,继续进入下一轮。他用「恭喜解锁四阶错题」的说法,把错了多次从羞耻感变成可继续训练的状态。
这场并没有完整展示系统模板,也没有展开各阶错题的判定和退出条件。他明确说需要后续专题整理。因此能提炼的是反馈结构,不能从这场复制出一套已经讲全的产品。他报告孩子取得成绩、节省教培费用,但没有对照实验,不能把效果全部归因于 AI。
错题不是收集完就结束。真正的个性化,是把本次错误放回学习历史和目标中,产生下一轮训练。他认为这种细致分析很有价值,也承认自己在搭建与使用上投入了大量时间。
Ben哥可在 knowledge.py 设计 build_error_practice(error_record),输入 original_attempt、error_reason、knowledge_point、attempt_history,输出下一次练习及对应依据。这个结构也可映射报告反复出错的口径:保存原错误和修正理由,再用新例子检查是否复发;这里只借用反馈方法,不声称学习系统原文讲过报告质检。
他同时使用 Gemini、Claude 和 ChatGPT,强调长期对比能形成直觉:什么问题交给谁,哪些结果不适合当前场景。按他的个人体验,Gemini 更适合本次教育、错题与图像题目处理;Claude 在编程和文笔上有特色;ChatGPT 的日常能力较均衡。
他没有要求每个问题都问三遍。高价值问题值得并列询问;已经明确哪种模型更适合的任务,直接使用;随口查一个概念,也没必要三个模型同时回答。模型预训练原因、训练数据来源等解释,有些只是他的推测,不能当成已经证实的机制。
多订阅的目的不是收集会员,而是认识模型差异,逐渐形成任务选择能力。对同一个高价值问题,只需复用同一提示就能观察差异;但差异本身不等于正确性判断已经完成。
Ben哥可在 knowledge.py 拟增 choose_model_route(task_type, value_level),区分「普通查询/已验证适配/高价值对照」,记录选择理由。若以后扩展 cron-jobs.json,可为获批任务设计 comparison_mode 字段,但不要因为本篇就改调度或增加付费调用;函数名与字段名均为应用方案,不是已存在的接口。
他把大量低价值 AI 内容称为 AI slop,尤其警惕把广告包装成干货、用收入截图包装工具效果、推荐者自己却不用产品的现象。这里不应照搬情绪化措辞,而要留下可执行的判断:推荐有没有实际使用,利益关系有没有讲明,读完之后有没有让问题更清楚。
他提出 dogfooding,即自己先使用自己的产品,再谈推荐。自己给孩子用过、投入细节、取得效果之后才准备分享学习系统,就是他用来说明这一点的案例。这是他主张的伦理与质量标准,不足以证明所有推荐都可靠,或所有免费产品都低质。
| 判据 | 本场看重什么 | 不能据此推出什么 |
|---|---|---|
| 真实使用 | 推荐者是否实际长期使用 | 自用就一定适合所有人 |
| 利益说明 | 收钱、借用等关系是否说清 | 未标广告就必然没有利益关系 |
| 任务收益 | 思路、工作、学习是否得到改善 | 看起来专业就已经有价值 |
| 少量重读 | 好内容可以反复加工 | 新内容都不值得读 |
信息筛选不是审美装饰,而是注意力保护。与其不停接收更新,他更愿意反复读少数高质量文章。Taste 在这里指向对实际价值的判断,并且可以通过学习与实践形成。
Ben哥可在 reading.py 的候选资料结构中设计 firsthand_use、sponsorship_disclosed、task_value,未知就标未知,不让模型猜利益关系。kb/STANDARD.md 可据此区分「作者体验/作者推测/可核对事实」,让深蒸馏保留证据性质,而不是把强烈语气翻译成强证据。
他从 AI 存储价格和相关公司股价谈到推理阶段的记忆需求:多步骤推理有中间数据,KV Cache 涉及对数据的保存,个人资料要供 AI 使用,也需要存储与连接。他用这些宏观现象反复指向同一件事:AI 不只是生成一句答案,还需要处理大量上下文。
但这场把内存、显存、SSD、厂商供货和股价变动放在一条叙事里,没有提供逐项证据。消费者价格和供应变化的具体因果不能照单全收。可保留的,是他提醒听众从一次性聊天转向持续组织资料,而不是据此形成采购或投资结论。
宏观与个人应用在他看来不是两套故事:产业在为推理和数据投入,个人也应思考如何把自己的资料接进任务。不过宏观需求增长,并不能自动证明某个个人系统的效果。
Ben哥可在 ~/.agent-autoloop/report_html.py 拟增 render_claim_boundary(claim),把 observation、speaker_inference、verification_status 分开呈现。像「存储需求带动价格」这样的内容,明确标为讲者解释,不直接渲染成已验证因果,更不自动转换成投资指令。
他提出把个人 AI 用量提高到过去的十倍甚至百倍,并认为仅靠聊天处理不了备考涉及的大量题目、概念和知识点,所以需要系统。他把算力、模型能力、收入和创造价值联系起来,用教育节省费用的个人经历解释为什么愿意付费。
这里要分清愿景与判据:十倍、百倍是讲者目标,不是普遍有效的参数;公司层面的算力与收入叙事,也不是个人收入公式。有效部分在于,把 AI 放进真实工作后,任务规模可能扩大;不能反过来用消耗增加证明工作更有价值。
他主张按创造的价值理解工具成本,而不只盯订阅价格。最终关心的还是孩子是否学得更好、更省时间,个人是否把问题解决得更好;本场没有给出完整成本核算方法。
Ben哥可在 ~/.agent-autoloop/report_html.py 设计 render_run_value_summary(run),并列显示 token_usage、completed_outputs、rework_count、human_time_saved;没有实测的节省时间就写「未测量」。若以后调整 cron-jobs.json 的任务记录,可关联用量与产出,但本篇不改配置、不启动运行,也不把增加调用当作配额试验的业务成果。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 低摩擦表达 | reading.py | 拟增 normalize_voice_note(),保留原话与整理稿,拆出问题和背景 |
| 结构、复述、核对原文 | kb/STANDARD.md | 设计「我的复述/仍有疑问/原文依据」,缺时间戳不造锚点 |
| 目标与历史进入上下文 | knowledge.py、tasks.md | 用 build_task_context() 组织资料引用与既有结果,不另建任务源 |
| 外部记忆可追溯 | knowledge.py | 用 collect_context_refs() 返回来源、摘录与相关理由 |
| 错题产生下一轮练习 | knowledge.py | 用 build_error_practice() 接收错误原因和历史,不只保存答案 |
| 高价值问题选择性对照 | knowledge.py、cron-jobs.json | 设计路由与 comparison_mode,不自动增加付费调用 |
| 广告与事实分层 | reading.py、kb/STANDARD.md | 利益关系未知就标未知,区分体验、推测与事实 |
| 用量对应价值 | ~/.agent-autoloop/report_html.py | 分开显示消耗、交付、返工与实测节省,不用 token 替代成果 |
原文:howie.serious「本周份的 ai 精进」,2026.01.23 直播回看。转写明确提到八点至十点的安排,临近结束又说还有三分钟,据此记为约 2 小时,不冒充文件实测时长。
本篇依据:仅依据本任务提供的完整机器转写;两份已通过样例只用于层级与语气,不引入其直播事实。按上下文统一 Typeless、ChatGPT、Claude、Gemini、Readwise Reader、Logseq、Obsidian、Notion、DJI Mic Mini、AMC 8 等明显误识别。序号按目标文件 q20 记为 20,不声称已核对全库计数。
更正与边界:竞赛人数、名次、成本与考试时长有口述或转写不一致,不据此重建统计结论;二等奖不写成第二名。产品更新、模型比较、训练原因、健康连接和存储行情均限于讲者当时陈述,未作外部核验;自述成绩不等于因果证明。学习系统模板、五阶判定、退出条件与完整阅读工作流原文未展开。所有应用段及关联表都是给 Ben哥的拟议映射,函数和字段名为本篇设计,未检查其现有实现,未改脚本、规则、任务表或调度配置;本文也不代替独立验收。
定位:中文深蒸馏,不是逐字摘要。
| 这套内容里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| planner / executor / reviewer 三角色 | WorkBuddy + Codex 双 agent 平行作业 | 改成串行:一方只出方案、一方只写实现、你在中间定方向;tasks.md 加「方案/执行/审阅」两列 |
| design system 是压缩后的审美 | report_html.py 里写死的浮卡样式 | 把配色、字号、间距、组件抽成 kb/design-system.md,脚本只引用 |
| 砂锅大法(不理解就不接受方案) | K 线源链改了五轮仍出 bug | 改脚本前先问清「失败语义是什么、每层负责什么」,再动手 |
| personal agent 盯信息流 | 晨报的消息面靠人工挑 | 建源表 + 每天 07:00 出 20 条简报,落 inbox/,晨报直接引用 |
| GTD 状态机(agent 当 inbox) | tasks.md 只有存、没有收和推 | 每条加 状态/下一步/触发条件,cron 读状态而不只读时间 |
| 概念笔记 2W2H | 你在用的 kb/ 全量精读 | 每篇精读抽出 3–5 个概念,回填成可检索的概念节点 |
视频深蒸馏每天 2 篇,按时间倒序推进,直到 59 场做完。一律从录像转写,不用文字稿替代(STANDARD 三)。状态:待录像转写 / 文字稿版·待录像重做 / 已完成(录像转写版)。
| # | 日期 | 场次 | 状态 |
|---|---|---|---|
| 1 | 2026.11.13 | 【howie 的 AI 主题讲座】w2645-2 大封号时代:经验、教训、策略、技巧 | 已完成(录像转写版) |
| 2 | 2026.10.16 | 【howie 的 AI 主题讲座】w2641 近期 ai 实践分享 | 已完成(录像转写版) |
| 3 | 2026.09.18 | 【howie 的 AI 主题讲座】 ai PPT 专题 | 已完成(录像转写版) |
| 4 | 2026.09.07 | 【agentic 家庭教育】半年实践总结:agent 负责学习系统,家长负责躬身入局 | 已完成(录像转写版) |
| 5 | 2026.09.04 | 【howie 的 AI 主题讲座】agent 元技能:实战案例+agent 经验总结【特邀@阿禅】 | 已完成(录像转写版) |
| 6 | 2026.08.31 | 【howie 的 AI 主题讲座】agent 范式的判断力基建:从信息到判断力 | 已完成(录像转写版) |
| 7 | 2026.08.28 | 【howie 的 AI 主题讲座】w2634 agent 方法论|普通人如何实现代码自由? | 已完成(录像转写版) |
| 8 | 2026.07.31 | 【howie 的 AI 主题讲座】w2630 context 与 harness工程 | 已完成(录像转写版) |
| 9 | 2026.07.17 | 【howie 的 AI 主题讲座】agent 时代的人类理解论 | 已完成(录像转写版) |
| 10 | 2026.07.10 | 【howie 的 AI 主题讲座】如何驾驭 agent,开发生产级产品? | 已完成(录像转写版) |
| 11 | 2026.06.18 | 【howie 的 AI 主题讲座】agent 实战双周复盘 w2624 | 已完成(录像转写版) |
| 12 | 2026.06.05 | 【howie 的 AI 主题讲座】agent 新时代:2026,只做 1 件事:学 agent! | 已完成(录像转写版) |
| 13 | 2026.05.22 | 【howie 的 AI 主题讲座】ai 编程专题 2:0基础选手,如何上手?如何进阶?如何精进? | 已完成(录像转写版) |
| 14 | 2026.05.15 | 【howie 的 AI 主题讲座】codex 专题:最像龙虾的 agent,但是更强大! | 已完成(录像转写版) |
| 15 | 2026.04.28 | 【howie 的 AI 主题讲座】agent 经济学:一次讲座,真正理解 agent 与我何干 | 已完成(录像转写版) |
| 16 | 2026.04.17 | 【howie 的 AI 主题讲座】26年1季度 agent 实战复盘 | 已完成(录像转写版) |
| 17 | 2026.04.10 | 【howie 的 AI 主题讲座】ai 编程专题:从 0 基础到原生 app 开发 | 已完成(录像转写版) |
| 18 | 2026.04.03 | 【howie 的 AI 主题讲座】ai 系统专题 4:信息流系统 | 已完成(录像转写版) |
| 19 | 2026.03.20 | 【howie 的 AI 主题讲座】龙虾专题 2:agent 元技能 | 已完成(录像转写版) |
| 20 | 2026.03.13 | 【howie 的 AI 主题讲座】 本周份的 ai 精进 w2610 | 已完成(录像转写版) |
| 21 | 2026.03.04 | 【howie 的 AI 主题讲座】 notion 2026 专题:ai agent时代的战略性武器 | 已完成(录像转写版) |
| 22 | 2026.02.27 | 【howie 的 AI 主题讲座】OpenClaw 龙虾 Agent 专题 | 已完成(录像转写版) |
| 23 | 2026.02.13 | 【howie 的 AI 主题讲座】ai 学习系统 3:口头费曼 OS | 已完成(录像转写版) |
| 24 | 2026.02.06 | 【howie 的 AI 主题讲座】ai学习系统2 写作|从0到5万关注的写作增长系统 | 已完成(录像转写版) |
| 25 | 2026.02.02 | 【howie 的 AI 主题讲座】ai学习系统:数学、coding | 已完成(录像转写版) |
| 26 | 2026.01.23 | 【howie 的 AI 专题讲座】本周份的 ai 精进 | 已完成(录像转写版) |
| 27 | 2026.01.16 | 【howie 的 AI 专题讲座】logseq 专场(2026 版) | 待录像转写 |
| 28 | 2026.01.09 | 【howie 的 AI 专题讲座】新年务虚专场:2026 ai 落地展望 | 待录像转写 |
| 29 | 2025.12.26 | 【howie 的 AI 主题讲座】notebooklm 专题:解锁 10x 学习力的 ai 神器 | 待录像转写 |
| 30 | 2025.12.12 | 【howie 的 AI 主题讲座】w2550,本周份的 ai 精进 | 待录像转写 |
| 31 | 2025.12.05 | 【howie 的 AI 主题讲座】chatgpt 三周年专场 | 待录像转写 |
| 32 | 2025.11.28 | 【howie 的 AI 主题讲座】nano banana pro 专场 | 待录像转写 |
| 33 | 2025.11.21 | 【howie 的 AI 主题讲座】gemini 3.0 pro 实战总结 | 待录像转写 |
| 34 | 2025.11.13 | 【howie 的 AI 主题讲座】AMA答疑直播:任意问题,任意主题,交流讨论,思想对话。 | 待录像转写 |
| 35 | 2025.11.07 | 【howie 的 AI 主题讲座】ai 浏览器和 ai notion:实战总结、专题分享 | 待录像转写 |
| 36 | 2025.10.30 | 【howie 的 AI 主题讲座】ai时代的知识管理(2025年10月版) | 待录像转写 |
| 37 | 2025.10.23 | 【howie 的 AI 主题讲座】agent skill 专题:实战经验、思考和技巧分享 | 待录像转写 |
| 38 | 2025.10.17 | 【howie 的 AI 主题讲座】agents 专题:llm 新范式解读与实战 | 待录像转写 |
| 39 | 2025.10.11 | 【howie 的 AI 主题讲座】ai 实战总结:经验、思考和技巧分享(2025年10月版) | 待录像转写 |
| 40 | 2025.08.28 | 【howie 的 AI 主题讲座】学习模式:如何用 chatgpt 和logseq 作为学习利器,10倍提升学习效率和效果? | 待录像转写 |
| 41 | 2025.08.08 | 【howie 的 AI 主题讲座】GPT-5 专题 | 待录像转写 |
| 42 | 2025.07.18 | 解读 openai 今天刚发布的 agent mode | 待录像转写 |
| 43 | 2025.07.12 | 【同步直播】熊聚2508 《智能简史》:从6亿年智能演化的视角,看人类学习的过去、现在和未来 | 待录像转写 |
| 44 | 2025.06.12 | 【howie 的 AI 主题讲座】MCP 专题 | 待录像转写 |
| 45 | 2025.06.07 | 【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 | 待录像转写 |
| 46 | 2025.05.24 | 【同步直播】熊聚MU2505 AI 2025:最近的发布会、趋势分析、应用落地分享 | 待录像转写 |
| 47 | 2025.05.21 | 【howie 的 AI 主题讲座】私人gpt专题(2025年5月版) | 待录像转写 |
| 48 | 2025.05.10 | 【howie 的 AI 主题讲座】 logseq 个人知识库专题 | 待录像转写 |
| 49 | 2025.05.07 | 【howie 的 AI 主题讲座】学习型家庭专题(2025版) | 待录像转写 |
| 50 | 2025.04.25 | 【howie 的 AI 主题讲座】ai 阅读系统(2025版) | 待录像转写 |
| 51 | 2025.04.18 | 【howie 的 AI 主题讲座】o3模型专题 | 待录像转写 |
| 52 | 2025.03.28 | 【howie 的 AI 主题讲座】ai 作图大法 + deep research 大法 | 待录像转写 |
| 53 | 2025.03.21 | 【howie 的 AI 主题讲座】我是如何使用 chatgpt/llm 的?(2025 年3 月版) | 待录像转写 |
| 54 | 2025.03.13 | 【howie 的 AI 主题讲座】ai 写作系统(2025 版) | 待录像转写 |
| 55 | 2024.09.13 | 深入聊一聊openai 的 o1 新模型 | 待录像转写 |
| 56 | 2023.12.31 | 跨年对谈2024:AGI 元年,重新“学会如何学习” | 待录像转写 |
| 57 | 2023.11.30 | 【ChatGPT直播】ChatGPT发布一周年,分享364天重度使用的经验(暨OKR12月 | 待录像转写 |
| 58 | 2023.11.26 | 2023/AGI元年的学习与知识管理 | 待录像转写 |
| 59 | 2023.04.03 | 【gpt+evergreen的】知识管理OS|Obsidian第1周直播答疑 | 待录像转写 |