知识库 · 讲座总目录

@howie.serious 的 AI 主题讲座 · 知识库

小鹅通付费专栏(candobear)· 100 期:文字稿 41 篇 / 直播回看 59 场 · 已深蒸馏 6 / 59 场视频
来源:专栏主页 | 全文抓取在 ~/.agent-autoloop/cdb/raw/(文稿 txt + 直播简介 live)| 【20261113 update - Total 120:27:22 】
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/p/t_pc/course_pc_detail/column/p_68085fc6e4b0694ca09e1555

零、知识链路

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。

转折一(2023 → 2025)从「怎么用」到「向 AI 要价值」

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。

转折二(2025 → 2026)从「用工具」到「建系统」

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。

转折三(2026 下半年)从「无限乐观」到「成本与边界」

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

一、目录大纲

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。

Agent 方法论与元技能(14 条 · 已深蒸馏 2)

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

编程与产品(4 条 · 已深蒸馏 0)

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

模型与工具专题(10 条 · 已深蒸馏 2)

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

知识管理与信息流(6 条 · 已深蒸馏 0)

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
2023-11-262023/AGI元年的学习与知识管理§2.4.6待转写视频

学习系统(6 条 · 已深蒸馏 0)

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

复盘与趋势(13 条 · 已深蒸馏 2)

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

家庭与教育(2 条 · 已深蒸馏 1)

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

答疑与特别场(6 条 · 已深蒸馏 0)

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

二、精读正文

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。

配额批次 5 · 自动蒸馏(4 篇)

Q5.1 ai 学习系统 3:口头费曼 OS

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。
第一组 · 先分需求:AI 输入法与 AI 录音不是一件事
1.1 输入法的价值不是免打字,而是让想法来得及说完整
原文在说什么

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。

关键概念
对你的实际应用

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。

1.2 长录音解决另一种问题:把连续讨论保留下来
原文在说什么

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
关键概念
对你的实际应用

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。

第二组 · 核心管线:转写之后,还要用个人上下文编辑
2.1 为什么他不把语音识别质量当成唯一标准
原文在说什么

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。

关键概念
对你的实际应用

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。

2.2 个人词汇库不是附件,而是持续维护的生产资料
原文在说什么

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。

关键概念
对你的实际应用

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。

第三组 · 乐高式工作流:控制每个环节,而不是购买一套黑箱
3.1 硬件先解决收音与使用阻力,不替你完成思考
原文在说什么

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。

关键概念
对你的实际应用

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。

3.2 从 Audio Inbox 到入库:只取需要的转写,不接受附送总结
原文在说什么

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。

关键概念
对你的实际应用

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。

第四组 · 真正的闭环:用反馈把模糊想法变成清楚观点
4.1 从听过一场演讲,到能说出自己的判断
原文在说什么

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。

关键概念
对你的实际应用

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。

4.2 资料库要记住反馈,下次表达才有变化
原文在说什么

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。

关键概念
对你的实际应用

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。

与在用工作的关联

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。

Q5.2 ai学习系统2 写作|从0到5万关注的写作增长系统

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。
第一组 · 先定目标:练的是元技能,不是流量套路
1.1 写作是思考的出口,不是少数人的文采特权
原文在说什么

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。

关键概念
对你的实际应用

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。

1.2 学习系统的起点,是抓住一次具体输出
原文在说什么

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。

关键概念
对你的实际应用

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。

第二组 · 七个模块:不是多存材料,而是让材料相互解释
2.1 从作品到原理,中间不能跳过经验层
原文在说什么

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
关键概念
对你的实际应用

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。

2.2 视图负责换角度,AI 负责帮助追问
原文在说什么

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。

关键概念
对你的实际应用

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。

第三组 · 读懂反馈:数字提供线索,不提供万能公式
3.1 点赞、收藏与转发,回答的是不同问题
原文在说什么

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
关键概念
对你的实际应用

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。

3.2 案例能启发判断,不能包装成增长定律
原文在说什么

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。

关键概念
对你的实际应用

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。

第四组 · 长期积累:模型可以换,人的目的不能丢
4.1 日更是习惯的结果,不是系统有效的唯一证据
原文在说什么

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。

关键概念
对你的实际应用

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。

4.2 家庭应用先保护动机,不能把工具变成新的加压装置
原文在说什么

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。

关键概念
对你的实际应用

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。

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
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。

Q5.3 ai学习系统:数学、coding

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。
第一组 · 不是买一个答疑工具,而是搭一套能继续工作的系统
1.1 从「给孩子一个 AI」到「让 AI 看见学习全貌」
原文在说什么

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。

关键概念
对你的实际应用

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。

1.2 成绩要拆开看,不能只拿一个总分证明系统有效
原文在说什么

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。

关键概念
对你的实际应用

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。

第二组 · 真正的入口:错题不是所有做错的题,更不是只有做错的题
2.1 解题元认知:先知道自己到底会不会
原文在说什么

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。

关键概念
对你的实际应用

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。

2.2 解题四步法:错因必须落到具体步骤
原文在说什么

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。

关键概念
对你的实际应用

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。

第三组 · 闭环怎样运行:人负责推动,AI 负责放大反馈能力
3.1 五遍错题法的升级,不是把同一道题机械做五次
原文在说什么

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。

关键概念
对你的实际应用

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。

3.2 不是全权托管:家长与孩子像打乒乓球一样接力
原文在说什么

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。

关键概念
对你的实际应用

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。

第四组 · 为什么愿意持续:奖赏、上下文与躬身入局
4.1 反馈不是一句鼓励,而是让人看见自己能变好
原文在说什么

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。

关键概念
对你的实际应用

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。

4.2 长期价值来自相关上下文,不来自追逐每一个新工具
原文在说什么

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。

关键概念
对你的实际应用

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。


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
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。

Q5.4 本周份的 ai 精进

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。
第一组 · 输入与阅读:先让想法进得来,再让理解回得去
1.1 Typeless 的价值不是打字快,而是表达时不用兼任编辑

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

1.2 三级笔记之后要复述,而不是把摘要当作理解

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」。

原文在说什么

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。

关键概念
对你的实际应用

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。

第二组 · 上下文:AI 系统的原料不是一个更漂亮的提示词
2.1 能力闲置的另一面,是任务数据没有进来

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

2.2 笔记是个人记忆的外部层,不等于聊天产品已经记住一切

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
原文在说什么

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。

关键概念
对你的实际应用

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。

第三组 · 学习系统:围绕错题反馈,而不是围绕听课时间
3.1 先把基础任务做好,才有时间追求更高目标

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

3.2 五遍错题法把重复失败改成下一轮练习的入口

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

第四组 · 选择与品味:少追更新,多判断它是否真的改善任务
4.1 多模型对照是高价值问题的工具,不是所有问题的固定流程

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

4.2 AI slop 的问题,是看似有用却消耗了判断力

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
原文在说什么

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。

关键概念
对你的实际应用

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。

第五组 · 算力与价值:用系统扩大有效工作,不把消耗本身当成果
5.1 存储讨论的落点,仍然是上下文的重要性

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

5.2 Token 增长应伴随有效产出,而不是替代产出

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。

原文在说什么

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。

关键概念
对你的实际应用

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。

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
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。

三、与在用工作的关联

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

四、逐日追加队列

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
12026.11.13【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)
22026.10.16【howie 的 AI 主题讲座】w2641 近期 ai 实践分享已完成(录像转写版)
32026.09.18【howie 的 AI 主题讲座】 ai PPT 专题已完成(录像转写版)
42026.09.07【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)
52026.09.04【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)
62026.08.31【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)
72026.08.28【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)
82026.07.31【howie 的 AI 主题讲座】w2630 context 与 harness工程已完成(录像转写版)
92026.07.17【howie 的 AI 主题讲座】agent 时代的人类理解论已完成(录像转写版)
102026.07.10【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)
112026.06.18【howie 的 AI 主题讲座】agent 实战双周复盘 w2624已完成(录像转写版)
122026.06.05【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)
132026.05.22【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)
142026.05.15【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)
152026.04.28【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)
162026.04.17【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)
172026.04.10【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)
182026.04.03【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)
192026.03.20【howie 的 AI 主题讲座】龙虾专题 2:agent 元技能已完成(录像转写版)
202026.03.13【howie 的 AI 主题讲座】 本周份的 ai 精进 w2610已完成(录像转写版)
212026.03.04【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)
222026.02.27【howie 的 AI 主题讲座】OpenClaw 龙虾 Agent 专题已完成(录像转写版)
232026.02.13【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)
242026.02.06【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)
252026.02.02【howie 的 AI 主题讲座】ai学习系统:数学、coding已完成(录像转写版)
262026.01.23【howie 的 AI 专题讲座】本周份的 ai 精进已完成(录像转写版)
272026.01.16【howie 的 AI 专题讲座】logseq 专场(2026 版)待录像转写
282026.01.09【howie 的 AI 专题讲座】新年务虚专场:2026 ai 落地展望待录像转写
292025.12.26【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
302025.12.12【howie 的 AI 主题讲座】w2550,本周份的 ai 精进待录像转写
312025.12.05【howie 的 AI 主题讲座】chatgpt 三周年专场待录像转写
322025.11.28【howie 的 AI 主题讲座】nano banana pro 专场待录像转写
332025.11.21【howie 的 AI 主题讲座】gemini 3.0 pro 实战总结待录像转写
342025.11.13【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
352025.11.07【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
362025.10.30【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
372025.10.23【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
382025.10.17【howie 的 AI 主题讲座】agents 专题:llm 新范式解读与实战待录像转写
392025.10.11【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
402025.08.28【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
412025.08.08【howie 的 AI 主题讲座】GPT-5 专题待录像转写
422025.07.18解读 openai 今天刚发布的 agent mode待录像转写
432025.07.12【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
442025.06.12【howie 的 AI 主题讲座】MCP 专题待录像转写
452025.06.07【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
462025.05.24【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
472025.05.21【howie 的 AI 主题讲座】私人gpt专题(2025年5月版)待录像转写
482025.05.10【howie 的 AI 主题讲座】 logseq 个人知识库专题待录像转写
492025.05.07【howie 的 AI 主题讲座】学习型家庭专题(2025版)待录像转写
502025.04.25【howie 的 AI 主题讲座】ai 阅读系统(2025版)待录像转写
512025.04.18【howie 的 AI 主题讲座】o3模型专题待录像转写
522025.03.28【howie 的 AI 主题讲座】ai 作图大法 + deep research 大法待录像转写
532025.03.21【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
542025.03.13【howie 的 AI 主题讲座】ai 写作系统(2025 版)待录像转写
552024.09.13深入聊一聊openai 的 o1 新模型待录像转写
562023.12.31跨年对谈2024:AGI 元年,重新“学会如何学习”待录像转写
572023.11.30【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
582023.11.262023/AGI元年的学习与知识管理待录像转写
592023.04.03【gpt+evergreen的】知识管理OS|Obsidian第1周直播答疑待录像转写