2026-09-04 | 84 分钟 / 2.02 万字录像转写 | 原视频 | 深蒸馏网页版
三人场。howie 开场用 slowly then suddenly 讲清 Agent 的位置:模型从「刚中之脑」长出手(函数 → API → CLI → 浏览器 → computer use → 硬件 MCP),「电脑就是你的 AI factory」;然后给出全场唯一的概念——loop 的四层含义(agent 运行轨迹 / PDCA / 复杂系统反馈回路 / 哲学),并用学霸与学渣的区别说明 loop 是通用能力而不是技术术语。中段是熊友 Harry 的完整项目复盘:传统工业制造业做运营、非技术出身,2022 年四万块外包做官网失败(交付才知道服务器 4000/年、维护另收费、发品困难),之后四年一路积累(Hexo 博客 → HTML 做产品说明书 → 参考 Obsidian 建站 → Cursor → 线下黑客松 → 建站元技能课),最后用一个产品经理型插件做了 40 多轮迭代,做出企业官网:Obsidian 写文章做子模块、Notion 接表单、Cloudflare + 阿里云双层部署、把文章发布与产品发布写成 skill。收尾是阿禅的省钱打法:让 Fable 5 花最长时间定规格、派 3–4 个小弟按同规格执行、自己只做验收,同样规模功能从吃掉一周 20% 用量降到 5%。
loop 四层(agent loop / PDCA / 反馈回路 / 哲学);AI factory(本机算力即产能底座);陌生概念三问(这是什么 → 对我项目有什么影响 → 错了怎么解决);40 轮迭代(大项目被讨论切碎);运维 skill 化;显性要求(明确让贵模型定规格、派小弟);给小弟修路(AGENTS.md + 目录结构);维护成本的滞后性。
三条落地:①把 8 个散装脚本包成一组 CLI 或一个 MCP server,让任意 agent 直接调,不再靠人记参数;②在 CONTEXT.md 里写死分工协议(WorkBuddy 规划+验收、Codex 只执行,子任务必须带路径与验收标准);③给 .agent-autoloop 补一份 README.md 索引(30 多个脚本各干什么),这是「给小弟修路」,省的是每次接手的启动时间。
2026-08-31 | 1 小时 58 分 / 3.16 万字录像转写 | 原视频 | 深蒸馏网页版
「loop」这条线的完整版。先用 AI Pill / Agent Pill 与 Frontier 词族(frontier model / lab / deployment engineer / enterprise / individual)给出可自查的分水岭——从「订了几个会员」换成「累计消耗多少前沿 token」。然后给出全场的地基:复利的前提是走完 365 个周期,而过去闭环走不完是结构问题——把问题转成思考、判断、洞见、行动,中间要烧掉大量前沿智能,人脑供不上(两万字英文文章读到「大脑死寂」、小孩错题「没有然后了」)。Agent 把这一段卸载后,瓶颈从执行移到 idea/品味/判断。接着给三个 loop 实例:产品(一个月 300 个 issue,每个走「idea → 讨论方案 → 执行 → 复核 → 回填」)、孩子错题(四轮定向练习)、投资(先买一股启动 loop,打赌校准判断);再给机制设计(尤利西斯之神:365 天每天一番茄 + 7 天精读,不靠意志靠机制)与概念 loop(成人版错题:捕获概念缺口 → 2W2H 建卡 → AI 综述自己改 → 多轮重读,每天 10 个一年 3650)。最后划界:全 agent 驱动的内容就是 slop,所以内参必须有他本人两轮判断。
AI Pill / Agent Pill;Frontier 词族;token 账单即实践量;闭环断点(加工与归因);瓶颈转移;issue 即 loop 容器;错题 loop 四轮;先下注再研究;尤利西斯之神(机制先于意志);概念缺口;2W2H;slop 判据(拿掉人的判断还成立吗)。
三处结构改造:①tasks.md 从清单变 issue 容器,每条加「方案 / 验收标准 / 结果回填」;②建 reports/calls.md 记录每次判断(日期、标的、判断、依据、验证日、结果),三个月后得到自己的判断准确率——这是 loop 缺的回填环;③kb/ 下加 概念/ 目录,先做 5 个概念(m3u8、HLS 签名时效、subagent、fungible、loop),每条 2W2H 四行并在末尾链回出处。
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
人类理解论的三级笔记版。开头一句就是全场结论:Agent 可承担检索加工执行,人仍要控制认知闭环。
认知闭环控制权;三次压缩法。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
和阿禅的双人对谈。核心判断是 chat 范式正在退位、agent 成为主路——ChatGPT 更新后 chat 只剩产品里很小一部分,绝大部分空间让给 agent 工作方式。全篇围绕一件事:从「会聊」到「会驾驭」,中间缺的是什么。
chat 范式 → agent 范式;元技能;生产级产品的判定。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2026 年的总纲:一年只做一件事,学 agent。他用自己连续两周沉浸 Codex 的经验说明「新在哪里」——Codex 成瘾不是玩梗,是知识工作的日常形态变了。
2026 只做一件事;Codex 成瘾;知识工作范式切换。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
把 agent 放回经济学里算账:2026 年全面转按量付费之后,什么活值得交给 agent、什么活不值。核心是「agent 与我何干」——不是技术问题,是成本结构与个人产出结构的问题。
按量付费;成本结构;agent 的边际成本。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
把养 agent 比作养龙虾:喂什么(context)、住哪里(硬件环境)、怎么训(skill)。全场在讲「agent 元技能」——不是某个工具怎么用,是怎么让一个 agent 长期在你机器上活着并且越用越强。
agent 元技能;养虾(长期运行);环境即能力。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
OpenClaw(龙虾)专题。他把自己那台无头 Mac mini 直接搬上镜头:不接显示器、不接键鼠,24×7 跑 agent。整场是一次「personal agent 实体化」的完整演示,从装机到接工具到日常用。
OpenClaw;无头 Mac mini;personal agent 实体。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
OpenAI 当天发布 Agent Mode,他当天用了一整天就来讲。价值在于「第一手实测」:真实任务里它能做到什么、卡在哪、和后来 agent 范式的差距在哪。
Agent Mode;第一手实测。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
MCP 专场。两件事最有价值:年度主题「向 AI 要价值」怎么贯穿全年;一个极简 AI 应用为何推特二十多万浏览。
MCP;向 AI 要价值。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
Agent Skills 专题,判断很硬:skill 以后会比 MCP 更重要。理由是模型把人类知识压缩进参数时丢掉了大量「暗知识」,skill 就是把暗知识重新写回去的载体。
Skills > MCP;暗知识 / 隐性知识;可复用基建。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2025 年的关键词就是 Agent,这场把它从「理想」讲到「实践」:Agent 到底是什么、和 workflow 差在哪、为什么 2025 是元年。属于给后来所有 agent 讨论定坐标的一场。
Agent 定义;元年判断;LLM 新范式。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2026-08-28 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
零基础做产品。转折点是阿禅的 6 小时线下 Hackathon,之后他十天密集用 Codex、30 天烧掉 32 亿 token。他给自己定的底线是「每天不到 1 亿 token 不许睡觉」,目标是 2026 年一年 1000 亿。
零基础上手路径;token 即练习量;Hackathon 作为启动器。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
Codex 专题,标题就点明了定位:最像 Claude Code 的 agent,但更强大。讲的是 same idea 不同工程实现带来的体感差异,以及 GPT-5.5 回到「最贵但最好用」这件事。
Codex vs Claude Code;super app 化;模型与 harness 分离。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
阿禅第一次来直播间,从 0 基础讲到原生 App 开发。属于「禅与编程技术」系列的开篇,重点不在语法,在如何把想法拆成 agent 能执行的步骤。
0 基础到原生 App;任务拆解;Agent 黑客松。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2026-09-18 直播 | 1 小时 42 分 / 2.76 万字录像转写 | 深蒸馏网页版 | 原文 | 原视频
表面讲 AI PPT,实际讲「一切交付物的可视化」以及它的终局。他先把四年试过的五条路线排开:多模态生图(Nano Banana Pro,产物是整图、改一个字要重画,且今年质量下滑——Google 不再投算力)、HTML 即 PPT、ChatGPT 进 Office 插件、MCP/Computer Use 点本机 Office,以及最新一条:Claude docs/slides/design,产物是原生 PPTX 与原生网页,每个元素可编辑。他的判据是「产物跟我们人类做的方式一样」+「厂商有动机持续投入」。中段是全场最值钱的部分——design system:颜色、字体、间距、圆角、阴影、组件六层,从 Figma 公开资源或自己的代码库一键提取,然后一句话切换风格(苹果 iOS26 版 / AI 内参版各做一遍)。操作链是「先 deep research 出一两万字报告 → 再丢给 slides」,另有 artifacts(可交互网页:几何题分步、硬币绕圈、等比数列推导)、Figma 做海报详情页、Mermaid/Jambot 出可编辑图表。最后拔到「瓶颈转移」:操作层价值归零,价值在理解,而理解的形态是「12000 个概念 + 40000 条连接」;以及一条纪律——砂锅大法:方案里有一处你不理解就不接受,逐条问清再更新,因为 AI 的输出是高度压缩的「文言文」,而每轮 1–5% 的偏差,200 轮后会偏离到沟里。
原生交付物;厂商动机(模型质量会被商业决策改变);Harness 可抄、模型不可抄;design system = 审美的压缩(一次投入终身复用);deep research 前置;artifacts 即可交互网页;UI 即质量信号;理解 = 概念 + 连接;砂锅大法(不理解不接受);偏差复利(1.05^200)。
两件最值得做:①把 report_html.py 里写死的样式抽成 kb/design-system.md(六层照他的格式),让晨报、午报、深蒸馏、知识库四类产物共用一套视觉语言;②把「砂锅大法」写进 CONTEXT.md——每次改你的系统前,先说清「改什么 / 为什么 / 失败会怎样」,你确认后再动手,避免我不理解就改、你不理解就收货。
NotebookLM 专题,定位是「解锁 10x 学习力的 AI 神器」。重点是把它接进已有的阅读—笔记—理解闭环,而不是当成又一个摘要工具。
NotebookLM;10x 学习力;接进既有闭环。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
Nano Banana Pro 专场,配 NotebookLM 一起讲。属于「新模型出来就实测」的典型场次,重点在图像能力到底改变了哪些具体工作流。
Nano Banana Pro;图像工作流。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
GPT-5 发布当天的一整天测试汇总。从 Free 到 Pro 各档的限额与能力差异、Thinking 模式该在什么任务上开,属于一手体验记录。
GPT-5 分档;Thinking 模式;当天实测。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
私人 GPT 的道法术器。道是「AI 该长成什么样才跟你自己的工作生活咬合」,法术器是具体怎么搭。他的判断是:两年前设想的理想形态,到 2025 年 5 月已经很接近了。
道法术器;私人 GPT;理想形态落地。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2025-04-18 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2025-03-28 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2025-03-21 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2024-09-13 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2023-11-30 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
AI 系统专题第 4 讲:信息流系统。圆桌形式,有熊友参与。核心主张只有一句「每天用 AI Agent」,然后是他用一个月做出的阶段性成果演示——把信息流做成一套能持续运转的系统。
信息流系统;每天用 agent;系统而非工具。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
Notion 2026 专题。他的切入点很反常识:Notion 从 2017 年就发布,快十年了,官方一直强调自己不是笔记软件。这场就是解释它到底是什么,以及在 agent 时代为什么变成战略性武器。
Notion 的重新定位;战略性武器;agent 时代的容器。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
Logseq 2026 版专场。开场先讲「为什么 2026 必须向 AI 要 10 倍价值」,再落到工具:logseq 在他体系里承担的是概念网络那一层,不是笔记仓库。
向 AI 要 10 倍;概念网络;Logseq 定位。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
AI 浏览器 + AI Notion 的实战总结。开场那段讲得最好:他被人压着现场买人生第一手期权,用这件事说明「有些概念必须真做一遍才算懂」——AI 工具同理。
概念必须亲手做;AI 浏览器;AI Notion。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
第一次用「AI 知识管理」这个词的一场。判断是:基于大模型的整个工具生态已经打通,知识管理进入新范式——AI 在所有环节全面渗透,所以他称之为「让知识管理再次伟大」。
AI 知识管理;全环节渗透;新范式。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2023-11-26 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
AI 学习系统第 2 讲:写作。开场先摆矛盾——几千亿美金 capex 建基建,另一边大多数人还在把 AI 当 chat 用,这就是 Capability Overhang。写作系统是他给这个落差的一个解法。
Capability Overhang;写作增长系统;0 到 5 万关注。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2026-02-13 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
清北 AI 学习系统第 1 讲:数学、coding。他的判断是「搭建 AI 学习系统是 2026 年最重要的一件事」,这场先讲数学与编程这两块最硬的怎么用 AI 学。
AI 学习系统;数学与 coding;2026 最重要一件事。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
ChatGPT + Logseq 打通成学习利器。属于「AI 改变教育」的实例场:把最先进的 AI 工具和最先进的知识管理工具接起来,用具体例子演示 10 倍效率是怎么来的。
工具打通;AI 改变教育;10 倍效率。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2025-04-25 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2025-03-13 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2026-11-13 | 2 小时 12 分 / 3.2 万字录像转写 | 原视频 | 深蒸馏网页版
四年老号(2022-11-30 发布当天几小时内注册、20/200 美金双档订阅、API tier-5、绑美国卡)在 11 月 12 日傍晚被 ChatGPT 封掉,这场是当晚发起、次日晚直播的复盘。他做完三件事:把网上三条流行说法(中文会被封、必须住宅 IP、prompt 灌人设)逐条否掉;把自己能想到的暴露面列成清单并排序(Max 档 KYC > 周额度打满 > 记忆功能 > 领福利与敏感模型 > 安卓设备指纹 > 常驻客户端换网络 > 一机多号);最后给出解法——不是防住,是让账号变成可替换件:项目进 Git、skills 进 .agents 仓、personal context 进自己的系统。
暴露面清单(封号是特征累积到阈值,不是单次行为);Fungibility(账号可替换,skills/项目/context 不可);环境即账号(一台电脑一套网络一份配置 = 一个身份);相关性驱动风控(因果不可知时按最坏假设行动);Guardrail 分级(Fable = Mythos + 更严审查)。
三件事直接可做:~/.shared-agent/ git init 并推私有远端(你的 kb/ 和 STANDARD.md 正属于「必须进 Git」那一类);建 accounts.md 台账记录每个账号绑定的设备与支付;给 cdb/profile 定级——它现在同时承担会员身份、课程抓取、直播录像三种用途,按他的分级不能再拿去做任何试验性操作。另外 kb/ 现在只有树形分组、概念之间没有边,可以补一份 kb/概念表.md,先做 30 个核心概念。
w2641 那场的三级笔记版,两小时压成一页结构化提纲,五条主线逐条列要点。对照读:先看骨架,再回文稿看血肉。
三次压缩法;结构化提纲。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2026-10-16 直播 | 76 分钟 / 2.05 万字录像转写 | 深蒸馏网页版 | 原文 | 原视频
10 月 4 日凌晨被 Claude 封号后的首次公开复盘,也是「封号」这条线的第一现场。他先算了一笔市值账:不封的话一个季度几十亿美金收入、上市后对应几千亿甚至两万亿人民币市值,宁可不要——由此确认这不是误伤,是「反蒸馏的连带损伤」。然后复盘四条可疑行为(用 Claude 读全是中文发票的邮箱、点 250 美金云端额度、用中文界面、用多账号切换),给出养号工程的三层隔离(硬件一机一号、软件清干净 cookie 与 Keychain、网络一 IP 一号不用机场),再给出 20 美金 Pro 打出 250 美金效果的完整打法:Opus 做 planner 与 reviewer、Codex/Cursor/Gemini CLI 做执行。
反蒸馏的连带损伤;断档领先;设备指纹不可清除性(安卓废号、iOS 删 App 换 ID);planner / executor / reviewer 三角;额度即预算(20 美金 Pro ≈ 1000–2000 美金 API 等值);slop 判据(你的投入是用户的 N 倍)。
三件事:给 cdb/profile 定级为「只读课程」,试验性操作另起 profile;建 ~/.shared-agent/accounts.md 台账;把 WorkBuddy(规划+审阅)与 Codex(只执行)的分工定死。另有一条:让 cron-jobs.json 读 tasks.md 的逾期/阻塞状态,而不是只按时点触发——今天的车票提醒就是个反例。
2026-06-18 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2026 一季度复盘。他的判断是这一季度的发展抵得上 2025 一整年。复盘方式是「每周两小时雷打不动」的延续,把三个月里agent 实践的得失集中过一遍。
季度复盘;加速判断。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
本周份的 AI 精进 w2610,非专题、泛聊式。他说 2026 才过 20%,两个最大感受之一是「Agent 的爆发会超出所有人想象」。属于高密度杂谈场。
Agent 爆发超预期;每周同步机制。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
w2604,闭门场,没有设定主题。他说核心理念是「抓住 AI 这个宏观变量,站到浪的潮头」——所以这场把工具、方法、投资层面的观察混在一起讲。
AI 作为宏观变量;高密度杂谈。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2026 开年务虚场。上半年定下的六个字是「向 AI 要价值」;这场把「注意力的贫困」也放进来了——年初花几天把方向想清楚,一整年就不会分心。
向 AI 要价值;注意力的贫困;务虚方法论。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
w2550。开场讲 2025 年最经典的一张图:几大模型轮流发布、轮流 SOTA。他据此判断 2025 是 AI 价值真正落地的元年,因为推理模型让能力真正爆发。
轮流 SOTA;价值落地元年;向 AI 要价值。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
ChatGPT 三周年。他没有做产品回顾,而是借《大脑传》(The Idea of the Brain)谈「The Idea of AI」——三年里人对 AI 的想象是怎么被一层层改写的。这场是整套专栏里最像思想史的一场。
The Idea of AI;三年范式变迁;思想史视角。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
Gemini 3.0 Pro 实战总结。他先做了社群调查,发现真正在付费用 Google AI 的人很少,于是开专场补这块。核心是 Google 终于追上来之后,哪类任务该换用谁。
Gemini 3.0 Pro;Google 追赶;模型分流。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2025 年 10 月版的 AI 实战总结。他自己纠正了标题:准确说是「大语言模型实战总结」,因为他只关注文本侧,不碰文生图文生视频,也不做资讯搬运。
LLM 实战总结;只做文本侧;不做资讯。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
熊聚 MU2505,主题是 AI 2025 的趋势分析与应用落地。他在 o3 发布后一个月用了 500 次以上,据此判断「2025 是 Agent 元年」——这个判断后来贯穿了整套专栏。
Agent 元年;500 次实测;趋势判断。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2026-09-07 | 1 小时 54 分 / 3.06 万字录像转写 | 原视频 | 深蒸馏网页版
Agent Week 最后一场,双人结构。howie 开场十分钟定了地基:知识工作的瓶颈已从「执行」转移到「执行之前」,人的兴趣、注意力投向、长期积累出的品味与判断力成了新的稀缺;接着用一条闭环批判教育供给侧——狗屁制度(禁早读出声、课间不许去操场)→ 狗屁任务(包两层书皮、四五个本子)→ 狗屁工作(上千人抢一个 2000:1 的鸡肋岗),结论是这套供给的 ROI 可能为负。中段是莲子医生的实操实录:一个不会编程的儿科医生,把四年日记导进 Notion 当数据底盘,用 Table 口述录入,让 AI 做数据驱动的 OKR 复盘,再把审稿动作沉淀成人生第一个 skill,之后用 Work 模式做 PPT、投柳叶刀、做旅行绘本。她把同一套方法用在孩子身上:1.5 万字成长记录 + 5 岁半认知测评 + 三级笔记多轮对齐,得出「语文放养、数学补短板(用围棋补工作记忆)、英语走分级」,再用口述需求做出抽卡口算网页、网页抓娃娃机、Scratch 小游戏,让孩子看见「学这些有用」。收尾由 howie 拔到战略层:战略懒惰是成年人最不负责的毛病,100 万十年两条路线(买房 vs 科技指数 37% → 2300 万)的差别就是做不做判断;scaling law 可以当「学什么」的尺子;最后落到三个问题——孩子学什么、怎么学、家长干什么。
瓶颈从执行转移到人脑(idea / taste / 创造力);教育供给侧的 ROI 与泛化(用 AI 的 generalization 判据类比学习);数据底盘(记录 → 聚合 → 复盘 → 调整的闭环);skill 自下而上组装(单动作 → skill → 复合 skill → agent);先对齐再执行(多轮讨论就是上下文工程);scaling law 作为人生选择判据;系统的归系统、父母的归父母。
三点直接落到你手上:①你现在卡的不是脚本写不出来,是判据写不清楚(K 线源链改五轮仍出 bug,本质是没定义「换源几次算失败」),这正是「瓶颈在人脑」;②她那套「数据先说话」你其实有全套原料——logs/、block-state.json、pending-confirm.json、cron-state.json,缺的只是一个把「这周哪几件事挂了三天没动、哪些自动化在空转」聚合出来的自检;③他的「三个工作时段 + agent 烧 token 我扛不住」在你这里是「多任务并行 + 22:00 后补发提醒」,report-guard.log 每 5 分钟一轮就是证据,该恢复的是作息而不是再挂一个自动化。
2025-05-07 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
纯 AMA 问答场。价值在于现场提问就是社群当时的真实卡点,回答比主题场更直接。
AMA;社群卡点。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
熊聚 MU2504 线下工作坊,三个小时六个模块。他先讲自己用 Logseq 不到两年的经验,再现场答疑加实操。线下场的价值他说得很实在:很多东西你线上知道但不会做,得有人拉着你操作一把。
Logseq 实操;从 Evernote 迁来;线下即启动器。
待深蒸馏。本条目前只有定位与关键概念,尚未落到具体工作上。
2025-07-12 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2025-06-07 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2023-12-31 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
2023-04-03 | 原视频
这场只有录像,没有文字稿。回看页除标题外无可用内容,需下载转写后才能深蒸馏。
待转写。
直播回看 | 2026.08.28 | 约120分钟 | 已深蒸馏 1 / 53 来源:原视频 | @howie.serious | 2026.08.28
阅读路径:先读第二组,抓住「需求—方案—执行—验收—回填」这条主线,才不会把代码自由误解为不停让模型继续。第一组解释人的责任为什么没有消失,第三组讲怎样把经验留在工具与文档里,第四组用错题和信息流检验这套方法。只看一组就看第二组,它能直接改变下一次交任务的方式。
一句话结论:普通人不写代码也能做出高质量产品,但如果把需求判断、方案选择和结果验收一起交出去,执行越快,偏离反而可能累积得越快。
howie 用给孩子展示工作方式开场:自己不会写 Python、JavaScript 或 HTML,却能让 agent 完成软件的大量改进。他把模型比作动力强劲的野马,把配套工具与装备称为 harness,而人是骑手,负责 steering——操纵、指引方向。所谓「拿着小皮鞭」,只是玩笑,不是管理方法。
真正的分界不是谁敲键盘,而是谁理解业务、组织需求、选择方案、对结果负责。他明确反对一种做法:什么原理都不理解,只靠打骂 agent 和反复接受输出。那可能很快得到东西,却不能体现人的审美、品位、判断力,也未必有人愿意付费。代码工作可以交给 agent,产品责任没有随之消失。
Ben哥可以把这条用于 ~/.shared-agent/tasks.md 的任务描述:在既有「目标/当前状态/下一步」中,把目标写成可观察的结果,而不是「优化报告」。例如明确 ~/.agent-autoloop/report_html.py 要改善哪个页面、保留哪些内容、由谁查看成品。本篇只提出写法,不修改任务表;也不据此断言现有脚本缺少验收。
他以阅读挑战 App 的改版为主要案例,自述上周进行了99次更新,后文把投入概括为50亿 token。他强调这个产品不只是一个页面,还连接阅读数据、内参、登录、支付等系统,过去分散在产品、设计、开发、测试人员之间的工作,如今能由一个人配合 agent 推进。
但他同时反省自己早期做得过快:有接口和想法,当晚就做出并上线,后来发现不必如此。他在改版前曾有一个月没有动产品,用新的方法收集问题、梳理活动、酝酿方案,再集中迭代。前半场的速度案例,要和后半场的「慢下来想清楚」一起读。 更新次数、用量都是个人实践叙述,不能单独推出产品质量,更不是人人需要照抄的配额。
Ben哥处理知识库新想法时,可以先在 tasks.md 的「下一步」写成「对照当前稿与原文确认问题」,而不是直接要求重写;确认问题后才列改动。涉及 ~/.agent-autoloop/cron-jobs.json 的任务,先在任务描述中说清想解决什么、怎样判断有效,不把增加运行次数当改进结果。本篇不改调度,也不把 token 消耗当验收标准。
howie 展示的改版从一个总 issue 启动。他先整理要做什么、为什么做、大概怎么做,以及注意事项;其中方案可以不成熟,但相关业务材料、活动取舍、文案和限制要尽量清楚。接着把 issue 交给 agent,先研究,再讨论,由人确认方案,之后才执行。
这不是要求普通人预先写出技术实现。原文反复说,有些 how 他也不知道;人要交代的是 why、what 和已有上下文,让 agent 研究技术路径、提出疑问与备选项。大需求确定后再拆成子 issue,标明前后关系,前一项没完成,后一项不能贸然开始。这样保留了工程流程,却不要求人重新承担程序员的全部工作。
| 环节 | 人主要负责什么 | Agent 主要负责什么 | 本场展示的承接物 |
|---|---|---|---|
| 需求与计划 | 业务目的、取舍、材料、确认问题 | 研究上下文、追问、完善计划 | 总 issue 与需求说明 |
| 方案与设计 | 比较方向、提出反馈、选定方案 | 提出技术与界面方案、做原型 | 方案、网页、评论 |
| 代码构建 | 把控范围,必要时澄清 | 按拆分任务实现 | 子 issue 与代码变化 |
| 测试与验收 | 亲自使用、检查结果 | 执行测试、处理反馈 | 测试结果与人工反馈 |
| 过程回填 | 确认下一步方向 | 写回最终方案与执行情况 | 同一个 issue 的记录 |
Ben哥可以在 ~/.shared-agent/kb/STANDARD.md 将来的单篇执行说明中明确「输入原文路径、唯一输出、不可改范围、验收项」四项,让执行者先复述不确定点,再动笔。这是把本场需求组织法映射到深蒸馏,不是说讲者讲过这四个字段。本轮已有明确任务书,直接沿用,不另建项目文件或扩大改动范围。
在设计环节,他让 agent 用网页或 artifacts 交付可查看的方案;一轮可以探索几个方向,选定方向后再迭代多个版本。人不用先把设计全想出来,但必须能比较、评论、确认。方案认可后再转成代码,而不是在大量代码写完后才发现方向不对。
他也演示了浏览器中的元素选取:可以引用具体位置,跨页面收集修改点,把截图、代码和素材交给 agent。他的一个操作口径是先只改 Web,反馈、修改、部署、自己验收。这里重要的是控制范围,而不是照搬他的发布方式。
更关键的一步是回填:讨论完的最终方案要写回 Linear issue,执行情况也要写回。否则,结论只散在对话里,下一位参与者不知道该按哪个版本接手。他将这套 loop 与 PDCA 联系起来,强调每个环节既有 agent 参与,也有人把控。
Ben哥给 ~/.agent-autoloop/report_html.py 提修改时,可在 tasks.md 的目标中注明页面位置与保留项,再把人工看到的问题写入「当前状态」。若以后增加程序辅助,可在该脚本新增 render_review_preview(),只输出待审页面供比较;这是拟议函数,不是现有接口。执行后将文件路径和核查结果放回原任务,不以聊天里的「完成了」替代成品检查。
他早期用本地笔记逐项记录功能,后来改用 Linear 管理项目、issue、标签和状态。他喜欢它,不只是因为能列清单,而是它能把任务管理、上下文管理、推进流程从脑子里搬出去,也让人和各自的 agent 围绕同一项目协作。原文展示了待办、进行中、审核、完成等状态,并说状态可按自己的工作方式设计。
在此基础上,他专门创建了处理 Linear issue 的 Skill。做法并不神秘:写清为什么需要、使用场景、应包括什么,再给几个具体案例,交给 agent 建成 Skill。讨论后的方案如何回填、每次执行怎样留记录,也由这个 Skill 规定。他给出的经验是,一件事要做两遍三遍以上,又想做得更快、更好、更不费脑子,就值得把方法固化下来。
项目文档则是另一层积累:AGENTS.md 作为目录,连接技术栈、前端方案、数据模型、接口规范等材料。他也承认自己的早期文件太长,尚未优化;不能把「所有东西都塞进一个文件」误当标准答案。
Ben哥可以把 ~/.shared-agent/kb/STANDARD.md 中的单篇结构要求转成明确检查入口;若落在 ~/.agent-autoloop/knowledge.py,拟新增 check_distillation_structure(text),只检查头部、分组、三段和来源,不替代内容验收。任务状态仍留在 tasks.md,不再复制一份并行清单。这里只提出函数职责,本轮不修改标准、Skill 或脚本。
微信读书的例子说明了「不写代码」不等于「不学概念」。他阅读官方 Skill 中的接口说明,又让 agent 搭建 API 测试环境,用 Bruno 查看请求与返回,认识书籍标识、标题、阅读时间等数据。配置文件怎么导入,他原先也不知道,就直接问 agent;但他没有因此放弃理解接口到底给了什么。
他发现现有接口不直接提供自己想要的单本书每日阅读时长,于是提出通过后端逻辑计算并存储的方案,再拆任务、测试,准备之后向用户开放。本场展示的是发现限制与推进解决的过程,不是完整算法说明。 如何计算、如何保证精确、遇到哪些异常怎样处理,原文未展开,不能替他补成已验证的技术方案。
| 层次 | 原文支持的判断 | 不能由此直接推出什么 |
|---|---|---|
| 接口理解 | 查看请求与返回,知道已有数据与缺口 | 每个所需指标都有官方接口 |
| 技术配置 | 不懂配置可以让 agent 解释和协助 | 不需要理解工具用途与数据含义 |
| 新功能方案 | 讲者提出后端计算与存储思路 | 算法已披露、所有情况都保证精确 |
| 上线安排 | 讲者计划自己测试后再向用户开放 | 本场已经证明全量上线成功 |
Ben哥可把这条映射到 ~/.agent-autoloop/reading.py:若后续接阅读时长数据,拟新增 validate_reading_metrics(record),先区分原始字段与计算字段,再决定如何展示;没有来源支持的精确值不直接写进阅读结果。函数名与校验方式是本篇应用推演,不是讲者提供的实现,也未检查该脚本现有函数是否已经覆盖这些要求。
howie 用家庭数学学习展示同一种 loop:拍照录入错题,agent 整理题目;孩子补充自己的错误原因,agent 分析主因与辅助原因;孩子看懂后,用自己的话写下理解;再由专门的 Skill 设计基础、进阶、挑战题,孩子作答,家长检查,出现新错误后继续分析。
这里不是让孩子被动接收 AI 答案。他反复强调主动参与、补充上下文、回顾自己的思路。错题被捕获只是开始,分析有没有被理解,还要看下一轮作答。设计这套系统的目的,也不是把所有时间变成刷题,而是减少低效训练,让孩子有时间读书、运动、睡觉和发展兴趣。关于提效与成本的强烈判断,是讲者的主张,本场没有给出可复算的对照评估。
同样的信息流思路也出现在内参案例:agent 处理复杂材料,人浏览、收藏、画线、记笔记,形成自己的理解、判断与下一步行动。自动处理信息,不等于把人的思考也自动完成。
Ben哥在 ~/.agent-autoloop/reading.py 的后续设计中,可拟增 record_application_feedback(item_id, explanation, result),分别记录「自己的解释」和「实际使用结果」,不要把读过一篇就视为掌握。对照 ~/.shared-agent/kb/STANDARD.md 的「对你的实际应用」,检查它是否真指向文件、动作和结果。这是把错题 loop 映射到阅读工作,不是宣称两个流程完全相同。
他讲到一次协作摩擦:agent 在 issue 中生成了大量交接信息,并提及同事,对方感觉不舒服。技术上下文写得清楚,不表示沟通方式就合适。他从中归纳出礼仪:不要把 AI 生成的大段内容直接堆到一个人面前;涉及人与人的表达,应由本人亲自写。
他的处理不是放弃自动回填,而是修改使用 Linear 的 Skill:agent 写的就保持 agent 身份,不模仿自己说话,不去提及人;只记录做了什么、相关上下文是什么。信息记录和替人发声是两件不同的事。 这个案例还说明,Skill 不是写好就结束,实际协作中的摩擦要变成下一次执行的约束。
Ben哥可以在未来修改 ~/.agent-autoloop/knowledge.py 的摘要逻辑时,拟增 format_agent_handoff(result),固定区分「Agent执行记录」「来源」「人工决定事项」,不生成冒充本人语气的交接。对应 tasks.md,owner 记录实际责任方,而不是让执行者替 Ben哥确认。这些都只是应用设计,本篇不触发通知、不发送消息、不改变现有权限。
以下是本篇对 Ben哥工作的映射,不是直播原话,也不表示已实施或确认现有程序存在缺陷。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 人负责方向,agent 负责构建 | ~/.shared-agent/tasks.md | 目标写可观察结果,「下一步」先处理不确定点 |
| 需求先研究再施工 | ~/.shared-agent/kb/STANDARD.md | 单篇任务注明输入、唯一输出、不可改范围、验收项 |
| 可见方案与精准反馈 | ~/.agent-autoloop/report_html.py | 拟增 render_review_preview(),先看页面再决定修改 |
| 重复做法固化为检查入口 | ~/.agent-autoloop/knowledge.py | 拟增 check_distillation_structure(text),只查结构不替代事实审核 |
| 理解接口数据边界 | ~/.agent-autoloop/reading.py | 拟增 validate_reading_metrics(record),分开原始值与计算值 |
| 学习必须接回实际反馈 | ~/.agent-autoloop/reading.py | 拟增 record_application_feedback(...),记录解释与应用结果 |
| 不让速度绑架节奏 | ~/.agent-autoloop/cron-jobs.json 对应任务 | 先澄清目标与验收,不把增加调度次数当成果 |
| Agent 不模仿本人说话 | ~/.agent-autoloop/knowledge.py | 拟增 format_agent_handoff(result),区分执行记录与人工决定 |
原文:howie《w2634 agent 方法论|普通人如何实现代码自由?》,2026.08.28 直播回看。原视频:https://www.candobear.com/detail/l_6a8e78b2e4b0694c35414d1c/4 。开场预告八点正式开始,结尾说刚好十点,故时长记约120分钟,不作为媒体精确时长。
本篇依据:本地转写稿 /Users/benhong/.agent-autoloop/cdb/transcript/l_6a8e78b2e4b0694c35414d1c.txt 全文3517行,分段读至告别。依据包括阅读挑战改版、Linear issue 拆解与回填、设计反馈、Skill 迭代、项目文档、API 测试、错题 loop 与协作礼仪。两份已通过样例只用于层级和语气,不借用其案例充当本场内容。
更正与边界:按上下文将「原技能」「回舔」「英才私教」等明显误识别整理为「元技能」「回填」「因材施教」,工具名 Linear、Notion、Claude Code 统一书写;无法确定的模型名与版本不作推定。99次更新、50亿 token 为讲者自述,不是审计值或学习配额;教育效果、投资价值等判断不作为已验证承诺。单本书每日时长的完整计算办法原文未展开,后续产品是否按预告发布也未核实。「对你的实际应用」及关联表是面向现有文件的推演,函数均为拟议,不是源码现状;本轮仅写本篇,不改程序、规则、任务表或调度。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.07.31 | 时长未标 | 已深蒸馏 8 / 53 来源:原视频 | @howie.serious | 2026.07.31
阅读路径:先读第二组,把「上下文」落实成有唯一来源、能按需读取的项目材料;再读第三组,判断哪些运行问题属于 Harness,哪些仍要自己解决。第一组解释个人价值放在哪里,第四组用内参与阅读流程把两者接起来。只看一组就看第二组,因为它直接决定下一次交给 Agent 的材料是否够用、是否互相打架。
一句话结论:对已有领域经验、想做持续交付的人,整理独有材料与工作流,比继续堆通用 Skills 和更换模型,更能改善 Agent 的实际产出。
howie 用一组比喻解释整场:裸模型是野马,Harness 是马鞍等装备,人是骑手,个人上下文则是让马发挥价值的草原。马越来越强,装备也越来越好,但它们并不替你决定往哪里跑,更不替你积累一个领域里的判断。
他拿自己的 AI 内参举例:信息源、多年素材、对信息质量的分类、加工信息的方法,都属于独特的 Context;把编辑工作拆成 Skills,再组成流水线,则开始进入自己搭建运行系统的范畴。这些并不是互不相干的名词。材料决定有什么可处理,工作流决定怎样处理,人决定什么值得处理。
他先后在不同平台运行同一套内参流程,用这个迁移经验说明:模型和承载它的环境可以换,但自己的经验、材料与产品方向不能靠换平台获得。他说 Harness 越来越像基础设施,不是在说它无关紧要,而是在区分「可以买到的通用能力」和「必须自己建设的独有能力」。
| 比喻 | 对应什么 | 本场拿它说明什么 |
|---|---|---|
| 野马 | 底层模型 | 智能提供能力,不自动提供个人方向 |
| 马鞍等装备 | Harness | 同样的模型,装备不同,实际效果会不同 |
| 骑手 | 人的意志与判断 | 决定要解决什么问题、做成什么产品 |
| 草原 | 个人独特的 Context | 让通用能力接上自己的材料与专业经验 |
这里的「可以替换」是作者的实践判断,不等于替换没有适配成本;迁移步骤与兼容性检查,原文未展开。
Ben哥,可以把 ~/.shared-agent/kb/STANDARD.md 中的蒸馏标准分清「原文材料」「加工方法」「个人应用」三种职责,拟新增「依据与分析分栏」条款:原文事实只取本场材料,应用部分必须标明是迁移分析。这样换执行 Agent 时,留下来的不是一段临时提示,而是同一套判断口径。本篇只提出这个改法,不修改标准文件。
他专门区分 Consumer 与 Prosumer。只是聊天、随心使用一个 AI 产品,不一定需要研究背后的机制;如果想让 Agent 接管真实工作,做出能持续解决问题的产品,就需要工程化、系统化地理解它。
在这个分法里,目标不是攒更多工具。他批评一种状态:装了很多别人分享的 Skills,接了不少 MCP,模型和运行环境也很强,但整套系统里没有自己的东西。工具类能力可以有用,别人的经验型 Skill 却未必适合自己的需求;这是他的使用感受,不是对所有公开 Skill 的否定。
内参案例中,人仍在晚上与次日早上做手工筛选,Agent 再运行编辑流程。这一点很重要:他展示的是把人的品位与工作方法放大,不是宣称把人的选择完全拿掉。产品的价值也不以界面里有没有聊天框为准,背后的生产方式同样可以是 Agent 驱动的。
工程化不是术语化:区别在于有没有依据原理组织材料与流程,而不是是否频繁使用「工程」二字。个人专长可封装:经验变成 Skill,多个 Skill 变成工作流,再接自己的资料库,才开始形成独有系统。高 Token 消耗只是作者展示的实践投入,不能单独证明产品有价值。
Ben哥,~/.agent-autoloop/report_html.py 可以拟加 render_selection_basis(selection_basis),在报告中呈现「为什么选这些材料、采用什么判断口径」。参数由上游给,渲染函数只负责展示,不自行编造理由。这样把人的筛选依据留在产物里,而不是用报告篇幅或生成速度替代质量判断。函数名是本篇的设计设想,并非现有接口或原文代码。
他给 Context 的定义很宽:模型输出 Token 之前接收的一切输入。提示语只是其中一部分;工具、Skills、MCP、文件、连接的应用数据,以及工作中不断产生的中间文档,也会进入上下文。
这和过去单轮问答的区别在于动态性。一次 Agent 任务有很多轮,每轮可能取新材料、调用工具、生成文件,再把这些产物用于后面的步骤。内参中的筛选、编辑、入库等环节都会留下中间材料,所以不能只把开头那段 Prompt 写漂亮,就认为上下文准备完了。
他很喜欢 Context Curation 这个说法:在正确的时间与位置,给 Agent 正确的材料。这里强调的是持续选择与组织,不是把资料库一次性倒进去。他同时提醒,上下文窗口再大也要节省使用,不相关 Skills 会占空间,长上下文后段的表现也可能变差。自动压缩、记笔记、开子 Agent 是他提到的管理方式,但没有展开具体算法。
| 材料类型 | 本场例子 | 组织时要解决的问题 |
|---|---|---|
| 规则与项目说明 | 系统指令、项目文档 | 哪些是通用约束,哪些只属于当前项目 |
| 能力说明 | Skills、MCP、脚本 | 这次任务真正需要哪些能力 |
| 业务材料 | 信息源、个人资料库 | Agent 是否拿到了与目标有关的原料 |
| 过程产物 | 筛选、编辑、入库中的文档 | 下一步能否接着上一步的结果工作 |
| 当轮表达 | 人的 Prompt、口述想法 | 为什么做、要什么、有哪些考虑 |
这是依原文整理的对照,不是协议规定的固定分层。丰富指相关信息充足,节制指不让无关内容抢占空间,两者不矛盾。
Ben哥,在 ~/.shared-agent/kb/STANDARD.md 可拟增「分段材料交接」条款:每个阶段交接时列出「本轮原文范围、已读范围、中间产物路径、下一步所需材料」,不复制整库笔记。对长转写任务,尤其要把「读取完成」和「摘要生成」分开记录,避免后一步只拿到开头摘要,却误以为获得了全文依据。这是应用设想,不是断言当前链路已经存在这个问题。
他讲得最具体的一项习惯是:项目根目录放 AGENTS.md,只写核心内容并承担目录作用,详细路线图、模块说明等放到 docs 下;CLAUDE.md 则指向 AGENTS.md,让不同 Agent 共用同一套规则。
核心不是文件名,而是 Single Source of Truth。同一主题散落在多份文档、多个 Skill 里,很容易产生互相冲突的指令。材料越多,未必越清楚;如果没有结构,人和 Agent 都会被矛盾的要求拖慢。
他也将这条原则用于个人工具箱:把自己的 Skills 与 Plugins 放在统一位置,由不同 Harness 访问,并做版本管理。Notion 等工具也可以承载项目材料,不一定非用本地 Markdown。选择的依据是 Agent 能访问、材料组织清楚,而不是某种格式天然更高级。
入口与正文分离:入口告诉 Agent 去哪里找,不复写所有细则。单一事实源:同一项规则有明确归属,其他位置引用它。工具箱不是收藏夹:真正维护的是适合自己任务的能力,不是安装数量。原文提到了版本控制,但没有给多端规则同步的具体冲突处理程序。
Ben哥,~/.shared-agent/tasks.md 已明确自己是共享任务唯一源,不需要再建立一张平行清单。可在 ~/.shared-agent/kb/STANDARD.md 拟加「规则归属」表:写作格式归标准,任务状态归 tasks.md,单场事实归该场转写;其他文档只引用,不复制一份再单独维护。具体落点是新增这张归属表,而不是扩写启动文件。本轮不改任何规则或任务状态。
他在内参系统中换过多种 Harness,认为效果差异显著。讲到桌面 Agent 时,他看重的是能访问本地文件、工具、软件,以及持续运行的条件;讲到 Notion Custom Agents 时,他强调当材料主要在 Notion 中时的场景优势。
他也谈到通过外部 Agent 调第三方 API 时要面对 Rate Limit,因此工作流的编排不能只考虑模型能否理解内容,还要考虑取材料时受到的限制。他对某些云端环境的评价较低,理由是那不是自己装好工具、接好资料库的电脑。这个比较始终围绕他的内参任务,不宜扩大成所有桌面方案都胜过所有云端方案。
这也解释了一个看似矛盾的判断:Harness 很重要,但多数用户不用花大量时间自己造一个。先理解它限制什么、擅长什么,再选择现成环境,把主要精力放在自己的 Context 与工作流程上。
运行条件也是能力的一部分:文件是否可达、工具是否齐全、外部接口是否限流,都会影响任务结果。可替换不等于效果相同:同一套工作放到不同环境,仍要看实际表现。他引用了模型测试中的效果差距,但本地转写没有完整测试配置,本篇不把该数字当成经过核验的通用结论。
Ben哥,对 ~/.agent-autoloop/report_html.py 可拟加 render_run_context(run_context),集中展示本次输入路径、运行环境、接口受限情况和中间产物位置;没有数据就标明未记录,不由模型推断。以后同一报告换执行环境,先比这些条件,再讨论模型好坏。这里只设计展示函数,不读取凭据,也不调整任何运行配置。
他用一句很宽的说法解释 Harness:不是模型的部分,都可以放进这个概念里。记忆、系统指令、工具调用、循环、安全护栏、上下文管理,都在他列举的范围中。他还提到 SDK 里的原语,如 Tool、Agent Loop、Runner、交接、Session、Memory,意在说明基础运行层确实复杂。
但用户做内参编辑 Agent,并不必先重写这些底层能力。把自己的 Skills、工作顺序、材料接口搭在现成平台上,也形成一层自己的 Harness。他称之为「二阶 Harness」,即基于 Harness 的 Harness。
这层的关键是固化自己的工作实践,而不是证明自己拥有完整底层平台。原文没有给出这层系统的具体状态结构、重试规则或权限实现,也没有逐项讲 SDK 接口。把它读成完整的 Agent 开发教程,会超出本场内容。
原语是作者所说的最小能力砖块;业务编排则是把这些已有能力用于自己的问题。二阶 Harness 是本场用来理解个人系统的说法,不是本篇额外引入的新技术标准。底层能力和个人工作流可以有包含关系,不必强行把每份 Skill 只归到一个抽屉里。
Ben哥,~/.shared-agent/tasks.md 的「下一步」可以拟定一条书写约定:涉及跨步骤任务时,必须指出下一执行者要读哪个产物、沿用哪个标准。长证据仍放原有记录位置,任务条目只留入口,避免把共享清单变成长日志。改的是既有「下一步」的内容要求,不是新增调度服务,更不是借此修改 cron-jobs.json;本轮只在这里说明。
他不断返回内参案例,是为了把抽象概念落回一套真实工作:筛选高质量信息源,保留人的品位与判断,把自己的阅读、画线、笔记经验封装成 Skill,再由模型驱动完整流程。
答疑时,他解释了三级笔记与概念地图的区别。树状笔记已经提供层级,如果再做一张同样的思维导图,只是重复;概念地图要表达的是概念之间的关系,通常能用动词把节点连接起来。图不一定第一眼就好懂,读过内容后对照图复述,才更容易看出它的作用。
他把阅读分成多轮:先画线、记小笔记,留下对概念和观点的印象;再把这些点连成网络和框架;之后选择小点,用自己的话重新讲。Agent 提供加工材料,并不等于读者已经理解。他提到测验、学习教练等后续想法,但这些不能写成当场已经上线的完整功能。
树回答层级,图回答关系:两者服务于不同阅读任务。费曼式复述不是把原句再抄一遍,而是重新组织理解。产品化经验:先有长期实践,再固化成 Skills 与流水线。作者对产品价值的高度评价属于本人判断,不是独立效果评估。
Ben哥,~/.shared-agent/kb/STANDARD.md 可拟加「关系句」条款:在关键概念中,至少把容易混淆的两个概念写成「什么导致什么、什么包含什么、什么限制什么」,不只列名词。深蒸馏的「对你的实际应用」则保留一个可复述的问题,例如为什么加材料反而会降低质量。这个改法直接作用于知识加工标准,不额外生成图文件,也不把看完笔记当作学会。
他介绍项目管理工具时,真正有迁移价值的是 Issue 的写法:认真写标题,区分新功能、改善、修复,写清 Why、What、How、How Good,再把相关 Context 留下来。Agent 读取任务,完成后回写进度,必要时拆出子问题;这样人和不同 Agent 不必反复重讲背景。
他并未要求所有人采用同一款软件。Notion 看板可以满足较简单的管理需要,专业工具可能更适合多项目与协作。重点是需求、过程与结果是否落在大家都能读取的同一个地方。
结尾他又把技术理解与业务理解区分开:非程序员需要补概念、原理,并在做中学,不一定逐行操作代码;真正重要的仍是自己领域的经验。他也提醒自己恢复锻炼,不能被不断生成新功能的快感带着走。原文表达了很强的创造乐观,但没有给出人人适用的学习周期保证。
How Good让任务不只描述动作,还说明做到什么程度。共享上下文让协作不依赖某一个人的会话记忆。工具承载方法,不替代方法;学习能力、持续投入与领域经验,也不能被「有 Agent 就够了」这句话抹掉。
Ben哥,在 ~/.shared-agent/tasks.md 可拟把已有「目标」写成 Why 与 What,把「下一步」写成 How,并在关联的任务正文中补一项「完成判据」承接 How Good;共享条目仍遵守短记录要求,不另建清单。对本次写作,判据就是指定来源、固定层级、全文字数与唯一输出路径,而不是执行者一句「已经深蒸馏」。这些是本篇的落地解释,后续是否修改任务规范仍需另行批准。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 人的品位不能靠换模型取得 | ~/.agent-autoloop/report_html.py | 拟加 render_selection_basis(selection_basis),展示上游给出的筛选理由 |
| 上下文是动态材料,不只开头提示 | ~/.shared-agent/kb/STANDARD.md | 拟加阶段交接要求,写明读取范围与中间产物入口 |
| 单一事实源减少冲突 | ~/.shared-agent/kb/STANDARD.md、~/.shared-agent/tasks.md | 拟列规则归属表,标准与任务状态各留一个权威来源 |
| Harness 要按真实条件比较 | ~/.agent-autoloop/report_html.py | 拟加 render_run_context(run_context),呈现材料可达性与接口限制 |
| 现成能力上固化业务编排 | ~/.shared-agent/tasks.md | 「下一步」点名接手产物与标准,不以平台名称替代流程说明 |
| 概念地图不能重复树状目录 | ~/.shared-agent/kb/STANDARD.md | 拟加关系句要求,把概念之间的因果、包含、限制写出来 |
| Why / What / How / How Good | ~/.shared-agent/tasks.md | 目标、下一步与关联正文的完成判据对应四问,不新建平行任务表 |
原文:【howie 的 AI 主题讲座】w2630 context 与 harness工程,2026.07.31 直播回看;原视频见本文来源行。
本篇依据:完整分段阅读本地转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_6a6ad50de4b0694c35329538.txt,覆盖开场、Context、Harness、产品案例、阅读方法、答疑与结束。稿内没有可确认总时长的时间标记,故写「时长未标」;序号 8 依据现有讲座目录中本场的编号,不把输出文件名前缀当作系列序号。
更正与边界:按上下文将明显误识别的 Context、Harness、Agent、Skills、MCP、Claude Code、Codex 等术语统一,不保留无意义重复与插入杂音。型号、跑分、系统指令削减比例、Token 用量及价格等口述信息未另行核验,不用来建立结论;SDK 实现、迁移成本、重试与权限细节,原文未展开。所有「对你的实际应用」及关联表均为面向 Ben哥 的迁移设想,不是讲者谈过这些本地文件,也不是现有函数声明;本轮没有修改这些文件,没有新增调度或发布动作。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.07.17 | 时长未标 | 已深蒸馏 3 / 53 来源:原视频 | @howie.serious | 2026.07.17
阅读路径:先读第二组,拿到「选材料、画线、表达、对话」的完整动作,避免把深蒸馏读成又一份摘要;再读第一组,弄清哪些工作可以外包,哪些控制权不能交。第三组讲概念怎样积累成网络,第四组把方法落到复杂项目,第五组解释为什么学习、练习和做产品缺一不可。只看一组就看第二组:今天读一篇文章就能试,而且能检查自己有没有真正参与思考。
一句话结论:如果只是让 agent 替自己压缩材料、生成成果,却不亲自表达理解并校验结果,那么即使产出更多,自己对知识和项目的掌控也不会因此自动增强。
howie 开场把认识论拆成三个问题:什么是知识,如何判断知识的好坏对错,人怎样获得知识。他不是要系统讲哲学史,而是借这个入口问:当 agent 已经能承担大量认知劳动,人还需要理解什么?
他以自己从简单应用走向复杂基建的经历说明,最初做功能很爽,随后却可能出现修好这里、那里又坏的情况。工具能生成代码,不代表使用者知道整个系统如何运作。项目复杂起来以后,业务、系统和 agent 工作方式上的理解缺口,就会变成真实的推进障碍。
观察单位是「人+agent」。不要单独问人有多强、模型有多强,而要看组合起来哪里受限。讲者也承认模型、上下文、技能和工具配置存在瓶颈;他的重点是,这些条件改善以后,人的理解仍可能跟不上。这里不是证明代码从此没有难题,而是在提醒:不能把能生成误认为能驾驭。
Ben哥可以把 ~/.shared-agent/tasks.md 每条任务的「目标/当前状态/下一步」用得更具体:目标写清解决谁的什么问题,当前状态写清自己能解释到哪一层,下一步只指向一个理解缺口。不要因为 agent 又写出了一个页面,就把「系统已掌控」当成任务结论。这里只提出写法,不改清单,也不另建任务源。
他展示内参阅读时说,搜索、加工、提炼和多材料综合,正是 agent 擅长的部分,人没有必要拿自己的弱项硬比。但问题选什么、注意力投向哪里、算力拿来解决什么,以及输出好不好,仍应由人把控。
做应用也是同样的分工:不必逐行理解全部代码,却必须理解背后的业务流程、系统设计和最终效果。让 agent 做中间加工,不等于把整个认知闭环的控制权交给它。
| 闭环位置 | 原文强调的人侧责任 | 可以借助 agent 的部分 |
|---|---|---|
| 输入 | 决定什么问题值得研究,关注哪些材料 | 搜索相关材料、读取原文和已有笔记 |
| 加工 | 建立并修正自己对问题的整体理解 | 整理结构、综合多篇内容、补充角度 |
| 输出 | 判断什么方案、什么效果可以接受 | 生成方案、实现功能、制作解释材料 |
这张表是对讲述的归纳,不是讲者给出的接口规范。控制权不是所有动作都亲手做,而是问题和验收尺度不能消失。
Ben哥的 ~/.agent-autoloop/report_html.py 已有 build_ctx()、rule_hits() 和 bear_view()。若按本篇思路迭代,可拟新增 explain_rule_hits(),把规则命中项对应到输入数据、阈值与解释,供人核对,不替人作最终判断。它应解释现有规则,不顺手调整投资阈值;这是一项本地应用设计,不是本场提供的金融方法。
他用几篇围绕代码理解、软件复杂性和思考外包的文章演示:先读,画出关注的内容,再把自己的想法写下来或用语音说出来。随后让「内参对话」这个 skill 读取文章、标注和笔记,综合散落的想法,继续打磨。
因此,agent 不是对一个空白读者作单向讲解,而是回应已经发生的理解。讲者认为,这让费曼式表达更容易得到及时反馈:过去难找一个既懂话题、又愿意读完上下文的人,现在可以把自己的解释交给 agent 讨论。他每天认真读一到三篇,是个人实践,不是所有人必须执行的配额。
原文、个人关注、个人解释,是不同的输入。只有原文,agent 能加工作者的意思;加上画线和笔记,才有机会对着读者的理解工作。多篇综合的价值也不只是减少篇数,而是把自己没连起来的想法连接起来。这套对话 skill 在演示中仍很基础,完整提示词和稳定效果的评估方法,原文未展开。
Ben哥可在 ~/.agent-autoloop/reading.py 的 mark() 中设计一个明确的精读条件:给队列条目增加「我的解释」「仍不理解的问题」「对话后修正」字段,改为「已精读」前检查这些内容,而不是只看是否生成了摘要。字段和检查都是拟议改法,尚未实施;没有自己的解释时,不自动把机器产物记成人已精读。
直播后段,他特意反对把已经提炼出思想、概念和结构的材料,再压缩回一句话。他宁可少读几篇,也不愿让 agent 把每天的内容全部总结后,自己只接收结论。
这里的理由不是「越难读越好」。他同时说,英文表达的障碍可以由 agent 消除,代码细节也可以交给 agent 处理;但当思想和结构已经呈现出来,自己理解它、解释它、判断方案的那部分费力不能省。他把这称为必要的摩擦。加工应该降低接近思想的成本,而不是取消接触思想本身。
| 对照情境 | 可以减少的摩擦 | 必须保留的认知动作 |
|---|---|---|
| 阅读英文材料 | 语言表达带来的阅读障碍 | 理解提炼后的思想、概念与结构 |
| 面对长篇内容 | 线性文字中难以看清的组织关系 | 沿结构判断论点怎样相互支撑 |
| 开发软件 | 不必亲自完成的逐行编码工作 | 理解业务流程与系统运作原理 |
| 接收方案 | 来回搬运材料的负担 | 解释方案含义,判断输出是否合适 |
这不是一条永远适用的难度分界线;针对不同人的知识基础,哪些摩擦必要,原文没有给统一测量办法。
Ben哥可以在 ~/.shared-agent/kb/STANDARD.md 的「对你的实际应用」判据中拟增加一项:读者能否复述一个关键区别,并指出它会改变哪一步工作。~/.agent-autoloop/knowledge.py 的 unit() 则可拟增加 explain_question 返回项,把一个需要自己回答的问题和知识点一起呈现。不是再多塞一段摘要,也不是本轮修改标准或脚本。
讲者展示自己的笔记:在项目里遇到新框架、数据库工具、环境变量、Worktree 等,就针对眼前需要解释概念。笔记未必很完整,有些只是简短记录,但都服务于当下的理解,而不是为了积攒漂亮的文档。
问答里,他把进入新领域的做法说得更明确:先请 agent 帮忙形成全局了解,梳理核心概念,再结合自己的需求逐个解决。每个概念追问 why、what、how、how good,概念之间逐渐长出连接,不必先设计一个详细而准确的目录。
全局了解负责找入口,概念笔记负责扎下去。二者不是替代关系。只拿到全局综述,容易停在听说过;只收集孤立定义,也没有整体理解。原文所谓网络,是在使用、解释和再遇到中形成的关系,不是要求先安装一个图谱系统,更没有给出自动生成多少节点就算学会的指标。
Ben哥可让 ~/.agent-autoloop/knowledge.py 的 unit() 在原有 goal、points、sink、sources 之外,拟增加 concepts 返回项;每项包含概念名、出现它的工作问题、当前解释和相邻概念。仍以原来的知识文稿为来源,不让脚本另存一套互不关联的定义。字段为空时明确表示未提取到,不能把推测补写成原文知识。
他在问答中用 Single Source of Truth 解释自己的笔记习惯:第一次遇到先了解,第二次遇到就在同一概念上补充;以后再遇到,再解释、再完善。频繁出现,说明它在自己的工作中重要,也提供了继续理解的机会。
他拿个人版 Wikipedia 作比喻,回答「笔记会不会乱」:概念可以通过链接找到,不必依靠一个固定目录。这里的重点不在使用哪款笔记软件,而在于同一个理解对象可以持续积累,不被每次的新对话切碎。
唯一源不是只允许一种说法,而是让同一概念的变化回到同一处。新解释可以推翻旧解释,新的项目也可以增加使用边界。讲者关于多次遇到后逐渐熟练的描述,是个人经验,不是达到某个次数就自动成为专家。原文没有提供概念消歧、同义词合并或链接质量的技术实现。
Ben哥的 ~/.shared-agent/reading/queue.json 已由 ~/.agent-autoloop/reading.py 读写,可拟给条目增加「概念笔记路径」,让多篇材料指向同一概念笔记;mark() 只更新阅读状态与该引用,不复制概念正文。遇到旧概念时先找原笔记再补充,避免把一次对话、一篇蒸馏、一个推送都当成独立真相源。
他区分了能逐行读代码的技术人员,与自己这种主要依赖概念理解的人。业务层的理解,是知道用户为什么需要产品、流程怎样成立,怎样把领域经验做成可使用的东西。原理层则是知道系统由哪些部分构成,它们怎样发生关系。
以数据库工具为例,他不会亲自操作全部细节,但听到 schema、主键、migration、认证模块时,不能完全不知道在说什么。否则 agent 说要做迁移,自己连它意味着什么都无法判断。不会操作,与不需要理解,不是同一件事。
理解可以不落到每行代码,但必须落到系统关系。讲者的目标是让非程序员仍能把控复杂项目,不是宣布专业知识从此无用。具体到权限、迁移等高风险操作,本场没有给出可直接照做的技术规程,原文未展开,不能从「概念上知道」跳到「可以放手执行」。
Ben哥可围绕 ~/.agent-autoloop/report_html.py 的 build_ctx() 拟增加只读说明函数 describe_context_flow():解释行情和资讯怎样进入上下文、规则怎样产生、数据失败与「今日无资讯」怎样区分。说明必须指回现有函数和字段,不凭空画一个理想流程。这样审核报告时,有一张可对照代码的地图,而不只是看页面是否好看。
他的具体流程是先让一个 agent 制定计划,暂不执行,再把计划交给另一个 agent 审阅,把意见带回去修订,经过一两轮后才实施。两个 agent 都可以读同一项目,因此审阅不是脱离代码评价文字是否流畅。
同时,他要求保留技术栈、设计系统、开发计划、模块计划和接口文档;这些既帮助自己理解,也给后续 agent 提供参考。他还展示项目理解地图,并尝试把 diagram 加入解释型资料。具体绘图工具仍在试,不应把某款工具写成这场已经锁定的最佳方案。
计划是可审阅对象,文档是理解的延续。只在对话里说过一次,后续协作者未必能接上。项目地图则是另一种呈现关系的方式,不是保证理解的魔法:图和报告最终仍要服务于解释真实系统。讲者展示了方法,但没有给独立验收的完整检查单,不能把两位 agent 同意直接等同于正确。
Ben哥可在 ~/.shared-agent/tasks.md 的「当前状态」里注明「方案路径/审阅意见路径/下一步是否执行」,并继续保留现有 owner 和回退要求。~/.shared-agent/kb/STANDARD.md 可拟增加「解释材料能否对应源文件」这一项。这里不另开任务列表,也不把本篇执行者的自查冒充不同角色的验收。
他把 token 消耗比作 agent 时代的阅读量:只有实际用过,才能体会不同 agent 的计划方式、节奏和对使用者的要求。这里强调的不是只听方法,而是积累亲手参与的经验。他把整体路径归为「学、练、做」,三者缺一不可。
但他也明确区分烧 token 与创造价值:有人只是消耗,并没有解决问题;真正的价值来自有用的想法,解决具体用户的痛点。他谈产品时还提出很强的个人主张:从自己长期投入、真心热爱、能当第一个用户的领域出发,而不是因为能做就什么都做。
学负责补理解,练负责获得实际经验,做负责面对真实问题。token 可以反映活动规模,却不能单独证明能力增长或产品价值。讲者关于长期投入和消耗量的说法,是经验性主张,不是认证门槛;他的兴奋感和学习加速体验,也不能直接推广为每个人都会取得的结果。
Ben哥可以在 ~/.shared-agent/tasks.md 的任务结果中写清「解决了什么问题、留下了什么可复用理解」,不要只记运行量。若未来调整 ~/.agent-autoloop/cron-jobs.json 的任务说明,可把产出目标写成一个能核对的成果,而不是增加调用次数。这里只界定指标方向,不改调度、不设新的 token 配额,也不启动自动化。
后段他分享双 agent 使用经验:原来技能和插件分别放在两边,会重复配置、版本混乱;他把它们集中到 .agents 下,再用版本控制管理,便于共同使用和回退。工具也不再只是人亲手操作的软件,而可以成为 agent 的工作装备。
这段与前面的理解论连在一起:人的任务不是学会每个工具的全部操作,而是知道为什么配它、它解决什么问题,怎样把使用中的经验留下来。但本场并未逐项证明所有插件都能跨宿主兼容,不能把他的个人整理方案写成无条件通用教程。
共享的是可复用能力,不是放弃边界。讲者展示的是减少双份配置、积累实践经验的方向。工具越多不必然越好,仍要回到当下项目的需要。跨 agent 的具体目录适配、配置迁移和冲突处理,原文未展开;对这段最稳妥的吸收,是先认识重复与分裂的问题,而不是立即搬目录。
Ben哥可在 ~/.shared-agent/tasks.md 现有相关任务的「下一步」中写清需要共用哪项能力、当前从哪里读取、怎样核对版本,再决定是否迁移。不要把本场的目录演示直接变成对本机 Skills 的批量移动。本轮不改任何技能、插件或配置;跨 agent 共用能力的实际兼容性,应另行确认。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 人控制问题与输出尺度 | ~/.shared-agent/tasks.md | 在既有目标、当前状态、下一步中写明问题、理解缺口与验收尺度 |
| 先表达再得到反馈 | ~/.agent-autoloop/reading.py 的 mark() | 拟检查「我的解释」「仍不理解的问题」「对话后修正」,不以摘要代替精读 |
| 保留必要摩擦 | ~/.shared-agent/kb/STANDARD.md | 拟增加「能复述关键区别,并指出改变哪一步」的判据 |
| 用概念积累理解 | ~/.agent-autoloop/knowledge.py 的 unit() | 拟增加 concepts 与 explain_question,不把它们压成另一句结论 |
| 同一概念持续完善 | ~/.shared-agent/reading/queue.json | 拟增加「概念笔记路径」,多篇材料引用同一处,而非重复正文 |
| 用解释型资料掌控项目 | ~/.agent-autoloop/report_html.py | 拟用 describe_context_flow() 说明真实输入、规则和失败分支 |
| 实践量不等于价值 | ~/.agent-autoloop/cron-jobs.json | 后续如获准调整,以可核对成果描述任务,不以调用量自证有效 |
原文:howie.serious《agent 时代的人类理解论》,2026.07.17 直播回看。原视频链接见来源行;本地转写没有可靠的起止时间标记,因此不推算时长。
本篇依据:完整分段阅读 /Users/benhong/.agent-autoloop/cdb/transcript/l_6a583517e4b0d84d42400138.txt 全部 2866 行。重点依据为第 351—800 行的阅读与反馈案例、第 901—1138 行的概念学习、第 1350—1900 行的项目理解与解释材料,以及第 1901—2866 行的学练做、工具共用、必要摩擦和问答。序号按本地任务清单中的本场编号 3,分母依任务锁定为 53,不借用样例的统计口径。
更正与边界:按上下文将「平静」「费慢」「花线」「技术战」等明显误识别统一为「瓶颈」「费曼」「画线」「技术栈」;不确定的模型型号、产品名不据转写强行还原。原文关于市场行情、用户规模、价格、回报和学习加速的旁论未在本文扩成事实或行动依据,也未引入外部材料。本文各「对你的实际应用」和关联表均为面向 Ben哥现有文件的应用设计,新增字段、函数不是讲者原话,也不是已经完成的改动;本轮只写本篇 md,不改规则、脚本、队列、配置,不执行推送。内容验收留给独立复核者。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.07.10 | 时长未标 | 已深蒸馏 4 / 53 来源:原视频 | @howie.serious | 2026.07.10
阅读路径:先读第四组,把「在线上试一下」为什么危险弄明白;再读第三组,理解为什么要先定数据与接口,而不是先挑页面颜色。第二组解决做什么、怎么取舍,第五组补接口安全与人的学习责任,第一组交代全场的能力框架。只看一组就看第四组:生成速度再快,也不能拿用户数据练手。
一句话结论:能让 agent 生成并部署网页,不等于能交付生产级产品;如果人说不清需求、数据流和写入边界,更多 token 只会更快地放大错误与维护负担。
howie 用学英语作比喻:驾驭 agent,一边要有大量亲自使用的经验,一边要有清楚、能相互连接的概念。他把前者叫 agent 版本的阅读量,把后者叫词汇量。没有做过项目,别人讲的方法很难落到具体情境;没有概念,遇到数据库、接口和环境切换,也只会看到一团模糊的东西。
他用 token 排行记录实践规模,并给自己定了年度使用目标;但他同时强调,这不该是炫耀指标,最终要回到经济与商业价值。这两层不能倒过来:原文表达了对大量实践的重视,没有证明消耗量本身能保证产品质量。
开场不是教一套点击顺序,而是在解释为什么「照着操作」不足以培养元技能。一次次真实提需求、配置工具、处理交接,才会形成手感;概念则让人知道问题发生在哪里,不至于每次都盲试。
Ben哥可以在 ~/.shared-agent/tasks.md 的相关任务描述里补「本次遇到的新概念/影响的实际操作/结果证据」,不另起任务表。记录一次「预览不能代替发布」如何影响交付,比只记模型跑了多久有用。这是本篇的落地提案,不代表现有任务字段已经包含这些内容。
统一登录中心搭好之后,新应用不必重新解决所有身份问题;配置过的工具、Skill 与 personal plugin,也能在后续项目里继续使用。howie 说,过去电脑上装了很多工具,大部分闲置;现在把工具交给 agent,配置工作的收益会在后面不断出现。
但阿禅紧接着补了一句:自己搭不等于没有成本,安全防护仍然要自己承担。省掉采购费用,与具备长期运营能力,是两件事。原文没有给出适用于所有项目的自建或采购公式。
真正可积累的不是某个网站的一次成功,而是解决问题的路径能否复用。基础设施让下一次更快;安全责任则防止把「能装起来」误认为「已有人替你兜底」。
Ben哥可在 ~/.shared-agent/kb/STANDARD.md 的视频处理流程中,为已有取流、转写命令补齐「输入路径、输出路径、失败判据、何时停止」四项说明。不是继续堆工具名,而是让下一次接手的 agent 不必重新猜参数。本文只提出说明项,不修改标准,也不新增工具或授权。
当开发主要由 agent 承担,账户额度又很充裕,人很容易想到「那就多做些功能」。阿禅反对把额度变成需求:功能越来越多,自己会失去对产品的掌握,agent 也要读更多上下文,改一个地方影响另一个地方的机会随之增加。
他起初不认可给 AI 内参做 API 与 Skill,觉得文章已经浓缩过,再交给 agent 阅读可能是假需求。后来 howie 提供了有人正在这样用的线索,加上产品本身面向 agent 时代,他才同意尝试,并加入前后端埋点。之后出现了实际使用者,判断才从争论转向行为证据。
| 判据 | 直播中的做法 | 不能拿来替代它的东西 |
|---|---|---|
| 用户是否确实遇到问题 | 看反馈频次,找重度用户访谈 | 创作者一时兴奋 |
| 不确定的功能有没有人用 | 低成本上线后看埋点,再追问用法 | 开发已经完成 |
| 增量是否值得长期承担 | 同时考虑维护与上下文负担 | 账户还有额度 |
这不是让人少创新,而是要求每个功能有自己的理由。「不做」需要论证;已经做出小实验,也必须继续看数据,不能用一次顺利部署结束讨论。
Ben哥可以在 ~/.shared-agent/tasks.md 的新功能条目里明确写「谁需要/哪次反馈/怎样观察使用/本轮不做什么」。例如报告要新增一个交互,先写读者卡在哪一步,再交给 ~/.agent-autoloop/report_html.py 实现;不要把「别人的页面有」直接当成交付依据。这些是拟补的需求说明,不是本次实际改动。
画线和笔记在电脑端很顺滑,手机上却会与浏览器自带的文字选择菜单冲突。howie 曾把它当成应该消掉的 bug,反复要求 agent 干掉系统菜单,结果并不理想。最后他们让手机操作菜单固定在底部,避开冲突,而不是继续追求和电脑完全相同的气泡。
EPUB 下载按钮则是另一个取舍:有的浏览器能交给阅读软件打开,有的打不开,微信内又有自己的行为。讲者考虑过隐藏按钮、按浏览器区分,最后暂时保留并解释。这个例子没有一个已经解决全部兼容性的漂亮结尾,恰好说明生产产品必须接受具体条件下的折衷。
人的理解决定什么时候停止走不通的路线。目标是用户能完成阅读与笔记,不是执着于某一种菜单形式;设备差异要变成产品设计条件,而不是全部交给模型猜。
Ben哥若调整 ~/.agent-autoloop/report_html.py,可新增 render_mobile_actions(),让触屏操作有独立呈现方式,不强求桌面悬浮交互原样搬过去。验收写成「手机能打开并看清详情」,而不是「样式缩小了」。这是从案例迁移出的函数提案,原文没有讲报告代码,也没有替这份 HTML 做过手机测试。
阿禅做 AI 内参时,有一段时间网站看不出变化,实际上他在整理后端接口、数据结构与抓取。没有文章数据时,先讨论标题颜色和评论位置,容易把注意力放错地方。howie 也说,后来启动项目,会先梳理业务流程与 data model,再确定技术栈和项目说明。
他们打通阅读时长时,两个 agent 并不是靠人来回翻译长篇需求,而是交接数据返回格式。阿禅进一步展示 OpenAPI:路径、请求方式、参数、返回字段都有明确说明。规格减少歧义,不是因为它长得像代码,而是因为双方对同一输入与输出有了共同约定。
前后端分开,不只是换目录,而是把数据与呈现之间的交接讲清楚。UI 仍然重要,只是顺序靠后;讲者也明确留下例外:如果做的是纯体验型产品,不能机械套用这个顺序。
Ben哥可围绕 ~/.agent-autoloop/report_html.py 已有的 parse_morning() 与 render_morning(),先明确 title、rows、extra 的交接含义;再拟加 validate_report_payload(),检查行里的 name、code、price、chg、day 是否满足渲染要求。先让数据契约稳定,再改卡片配色;字段来自现有代码,校验函数是本篇提出、尚未实现的方案。
直播里的登录问题不是放一个按钮那么简单:微信的不同接入方式、可配置域名、手机上不便扫码,都影响用户能否进来。他们因此做统一登录中心,再面对同一个人通过邮箱、Apple ID、微信登录时怎样识别的问题。
这套基础后来才显出作用:AI 内参与阅读挑战是两个应用,有了统一用户 ID,才知道一边产生的阅读时间该加给另一边的谁。登录设施不是孤立的门面,而是跨产品数据归属的前提。具体账户合并的实现规则,原文未展开。
用户不该为开发者面对的平台限制付出全部体验成本。但统一身份也不是所有小工具的必选项:阿禅说,纯静态页面或内部几个人用的东西,未必需要复杂用户系统。
Ben哥不必因此给知识库加登录。可先在 ~/.shared-agent/kb/STANDARD.md 拟补「内容标识与目标位置」约定:区分源条目 ID、唯一 md 路径与阅读层链接,别把链接变化误当成新内容。这里只借用原文「先确认同一对象再关联数据」的思路,不把内容标识冒充用户认证,更不涉及现有账号配置。
阅读时间打通后,howie 直接在生产里累计数据,测出来数字不对。阿禅以为是在测试环境操作,得知不是时吓了一跳;幸好不同渠道的数据保存在不同表里,还能回滚。另一次大规模更换前端,howie 也是在线上直接改,结果页面面目全非。
两件事指向同一条边界:不能因为用户少,就把生产当作练习场。阿禅提出测试、预发、生产的区分;本地可以反复弄脏数据,预发用于验证部署后的运行,生产承载真实用户数据,要考虑备份与容错。他还提醒,agent 可能不按人的预期先给预览,而是直接覆盖。
| 环境 | 原文赋予它的职责 | 核心边界 |
|---|---|---|
| 测试 | 在本地反复试验,允许数据弄坏后恢复 | 不连接线上真实数据 |
| 预发 | 放到非本机环境,检查部署后能否运行 | 不等于已经面向用户发布 |
| 生产 | 服务真实用户,保存阅读与笔记等数据 | 不能靠一句「小心操作」替代隔离与备份 |
问题不在于哪个模型一定更谨慎,而在于有没有把风险隔开。模型交接的手感可以积累,但它不能替代环境边界;人要知道改动涉及哪些页面、哪些数据,出了错怎么恢复。
Ben哥若要改报告生成链,可在 ~/.agent-autoloop/report_html.py 拟加 build_preview(),只返回待生成内容,不进入发送步骤;把它作为独立预览路径,不借用真实推送验证排版。~/.agent-autoloop/cron-jobs.json 的任务配置则另行审查,不能为了测试页面临时改正式调度。本文没有改代码、调度或生产数据。
AI 内参继续用 Notion 编辑,但网站不能让每次阅读都直接依赖编辑平台的接口。他们把内容取到自己的数据库,再通过自己的后端提供文章。难点随之出现:历史文章的标题、编号、加粗与内容结构不一致,清洗必须稳定,不能本地出来一种样子,部署后又变一种。
阿禅把重复运行仍保持结果一致,以及重复请求不应造成额外错误效果,放在「幂等」下讲。支付重试却重复扣钱,是他用来说明后果的极端例子;注册、数据库与敏感操作也需要检查。他没有给出一个包办所有场景的实现函数,而是强调到测试环境反复试。
自动化必然会重跑,不能默认每次操作都只发生一次。原文把跨环境一致性和幂等连着讨论,本文保留它们各自的检查点,不把两个词直接画等号,也不补写未讲过的事务或重试机制。
Ben哥可为 ~/.agent-autoloop/report_html.py 拟加 normalize_report_payload():固定输入先规范化,再分别交给渲染函数;验证时重复运行,比较渲染结果,不发送。知识库同理可在 ~/.shared-agent/kb/STANDARD.md 写清「同一条目重复处理,不新增平行正文」的验收条件。它们是应用提案,不声称现有脚本已经具备幂等保证。
阿禅先用实际请求记录提醒:异常请求未必全是恶意用户,也可能是 agent 没控制好频率。若上线时没有日志,事后连发生过什么都难分析。后半场他又展示网站的拦截记录,说明即使用户不多,公开服务也会遇到扫描与异常访问。
他的防护分成几层:网站与服务器的保护、接口认证,以及面向用户的 API 与产品内部 API 分开。公开接口只给必要能力,用户只能访问自己的相关数据;内部接口规格不能因为部署时疏忽全部暴露。他特别强调,隐私是否重要由用户决定,不是开发者替用户说「这没什么」。
生产级不只意味着页面能打开,还意味着面对非预期行为时有记录、有约束。防火墙只是其中一层,不能代替接口权限。具体服务器加固流程、日志保存周期与限频参数,原文未展开。
Ben哥若扩展 ~/.agent-autoloop/report_html.py 的运行记录,可拟加 summarize_render_run(),只返回生成阶段、输出路径、成功与失败原因,不收集凭据或私人内容。若未来把生成能力开放成服务,再单独设计外部可调用动作清单;不能把内部完整流程直接当公共入口。本文没有启用接口、采集行为数据或变更权限。
howie 第一次遇到幂等概念时,先让模型解释,再追问与自己的项目有什么关系,并在 Logseq 中建立概念条目。以后再遇到同一个概念,就继续完善,而不是第一次记完就算掌握。阿禅也承认,自己有开发经验,仍不断碰到需要重新学习的东西。
结尾他们把这个要求落到每个大功能:先让 AI 整理文档,再用自己的话费曼一次。人不一定要理解黑盒里的每行代码,但必须知道输入什么、输出什么、用户怎样走、数据到哪里。否则下一次叠功能时,就不是人在指挥 AI,而是被 AI 的解释推着走。
Vibe Coding 与 Agentic Engineering 的分水岭,不是换个更专业的称呼,而是愿不愿意对系统形成理解。开场的「词汇量」在这里闭环:概念必须回到实际输入输出,才能转成驾驭能力。
Ben哥可在 ~/.shared-agent/tasks.md 的功能完成说明中拟补「输入/输出/影响范围/失败恢复」,由你用自己的话确认;遇到需要复用的知识,再按 ~/.shared-agent/kb/STANDARD.md 纳入对应主题。不要把模型写出的技术说明原封不动当成已经理解,也不要在没有实际验证时把任务勾成完成。
以下均为本篇迁移方案,不是讲者对 Ben哥系统的诊断,也不表示已经实施。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 需求证据先于堆功能 | ~/.shared-agent/tasks.md | 条目写明用户、反馈、观察方式与本轮不做什么 |
| 数据先于皮肤 | ~/.agent-autoloop/report_html.py | 明确解析与渲染字段,拟加 validate_report_payload() |
| 不强求跨端交互一致 | ~/.agent-autoloop/report_html.py | 拟加 render_mobile_actions(),以手机能完成任务验收 |
| 测试不能碰正式服务 | ~/.agent-autoloop/cron-jobs.json | 正式调度不拿来试排版,预览生成与发送分开 |
| 重跑结果要稳定 | ~/.shared-agent/kb/STANDARD.md | 明确同一条目重跑不新增平行正文的检查条件 |
| 人要解释系统全貌 | ~/.shared-agent/tasks.md | 完成说明写输入、输出、影响范围与恢复路径 |
原文:howie 与阿禅对谈《如何驾驭 agent,开发生产级产品?》,2026.07.10 直播;原视频见头部来源行。
本篇依据:完整分段阅读本地转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_6a4ddef4e4b0694c5be5c6d1.txt,覆盖开场、登录、跨端体验、需求取舍、环境隔离、前后端与接口、内容清洗、幂等、安全及收尾学习方法。转写没有可靠时间轴,不据结束时钟倒推时长。
更正与边界:按上下文将「密等」统一为「幂等」、「内餐」统一为「内参」、「预刷/愈发环境」统一为「预发环境」,剔除重复音节。无法确认的模型版本、认证产品名不强行定名;开场的客户端更新、费用与平台限制仅属讲者当时叙述,不作现行规则或通用报价。token 与价值的关系是讲者主张,不是验证过的换算公式。账户合并、备份恢复、幂等具体实现和完整加固流程,原文未展开。应用段中的新增函数与说明项是面向 Ben哥的明确提案,尚未实施,不属于原话;本篇仅写作,没有修改所提文件。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.06.18 | 时长未标 | 已深蒸馏 11 / 53 来源:原视频 | @howie.serious | 2026.06.18
阅读路径:先读第二组,拿到「选主线、读两篇、解释概念、输出卡片、追问」的阅读闭环;再读第三组,看这些卡片怎样长成知识网络。第一组解释为什么电脑与人的分工变了,第四组解释怎样把经验封成 skill 并持续改进。只看一组就看第二组,它能直接改变你今天读完一条内容的标准。 一句话结论:如果没有人的概念复述与运行后的技能修正,即使 agent 产出更多文章、消耗更多 token,也不能据此认定个人理解与可复用能力增长了。
howie 开场讲自己的电脑使用方式变了:以前关注装什么软件、怎样提高个人效率,现在是多个 Codex session 同时运行,每个 session 又有多个 worker 读写文件、运行脚本、调用工具。电脑不再只是等人操作的终端,而成了持续承载任务的地方。
他的例子很具体:过去用十六 GB 内存觉得够,今年买了六十四 GB,后来看到 Codex 的内存占用超过一百 GB,并出现大量交换空间。这里有价值的不是某个配置推荐,而是买设备时,使用者从一个人变成了一批并行任务。他也明确说,这不是借购物节让大家买电脑。
「私人 AI factory」是一个分工比喻:电脑是工厂,session 是车间,worker 是工人,人则决定做什么、怎样做、最后是否交付。过去生产瓶颈主要表现为一个人的时间有限;现在可以扩大执行规模,但任务目标、技能设定与结果验收仍由他承担。原文不是在说有了高配置就自然有产能。
Ben哥可在 ~/.shared-agent/tasks.md 的具体任务「当前状态」里记录本轮正在处理的输入范围与实际产物,不另建一份并行任务清单。若以后评估扩容,在 ~/.agent-autoloop/report_html.py 新增 render_run_summary(),展示「输入条数、产物路径、失败项、耗时」,先看任务是否有效完成,再讨论机器是否不足。这是应用设计,不是本轮修改。
他认为人的协作成本常出在 context:事情的背景在自己脑子里,资料在自己电脑上,招人以后还得重新解释、对齐目标、交接成果。skill 的作用,是把领域专家在电脑上做事的方式封装起来,让 agent 按同一套经验工作。
这不意味着任何经验都已被完整表达。他后面反复强调,自己的 skill 是个人经验、兴趣与做事方式的压缩,因此天然需要实际运行来暴露遗漏。复制执行次数的前提,是先把值得复制的经验说清楚,不是先堆 worker,再指望它们理解自己的心思。
这段承接工厂比喻,回答工人究竟凭什么干活。不是单靠模型聪明,而是有可读的背景、明确的目标、封装过的技能。howie 把 agent 比作自己的分身,是对复用潜力的强调,不是证明它们已拥有他全部的判断力,更不是免检交付的理由。
把这点用于 ~/.shared-agent/kb/STANDARD.md:以后修订蒸馏要求时,不只写「要有实际应用」,还写清「输入是什么、哪些内容不可推断、出现证据不足时怎样表达」。对应 ~/.agent-autoloop/knowledge.py,可新增 build_learning_context(),把当前主题、已接触概念和来源组织为输入,避免每次只给一个标题就要求生成贴身判断。该函数是拟议入口,并非现有能力。
嘉宾陈怀龙先讲失败经历:起初逐篇认真读、截图、记笔记,后来条目越来越多,开始跟不上;改成音频反复挂耳听,仍觉得记不住。真正改变的不是媒介,而是缩小任务,让每天出现一个可以完成的学习单元。
他的流程是:助理把当天内容分成若干主线,人选一条;再从这条主线里挑两篇,一篇建立主干认识,一篇提供案例佐证;回到阅读工具认真读;选一个概念,用自己的话解释;写卡片并输出;最后请助理再追查一遍理解中的问题。现场他没有照单接受助理推荐的路线,而是改选自己更需要了解的方向。
| 环节 | agent 做什么 | 人不能省掉什么 |
|---|---|---|
| 分主线 | 整理当天材料、评分并推荐路线 | 判断哪条与自己当下有关 |
| 选两篇 | 提出主干文章与佐证文章 | 确认选题,不把简介当正文 |
| 选概念 | 提供候选概念及解释 | 真正读文,用自己的话讲清 |
| 写卡片 | 帮助组织表达 | 写自己的收获、关联与不懂之处 |
| 追查一遍 | 从盲点或其他角度发问 | 回答问题,重新检查理解 |
这是一个读者的个人工作流,不是 howie 给所有人规定的统一读法。它把「信息很多」与「今天要学多少」拆开:供应丰富有利于选择,个人却不必把全部供应吃完。助理负责把候选摆到桌上,人负责选、读、解释;筛选自动化不能替代学习本身。
~/.agent-autoloop/reading.py 已有 pick() 与 today_text();可在候选推荐前增加 group_by_learning_goal(),按 Ben哥当下任务组织主线,再让 today_text() 同时给出主干材料与佐证材料。沿用现有「状态」字段,不另造一套已读状态;推荐结果必须附「为什么配成一组」,最终选哪条仍留给 Ben哥。
嘉宾最想让人带走的不是多读,而是「今天完成了」的感觉。他把任务压到一个概念、一张卡片,认为这比惦记着读完二十篇更容易持续。设定每天愿意投入的时间,也比被不断增长的清单追赶更重要。
但这里的完成并非点一个按钮。卡片要说明概念解决什么问题、与自己有什么关系、自己还有哪里不懂;之后让助理追查,因为自认为懂了仍可能有盲点。他也承认,现场选出的两篇对自己依然偏难,后续还可以继续减量。因此「六十分钟」是这次演示的组织方式,不是每个人必须达到的速度。
嘉宾把学习闭环的所有权放回读者手里:买到知识、收到整理不等于知识长在自己身上。输出把理解显形,追问让显形的理解接受碰撞,完成感则支持下一天继续。三者缺少前两项,就容易把流程打卡误当成学会。
可给 ~/.agent-autoloop/reading.py 的 mark(query, status) 增加一个独立检查入口 check_learning_card():当 Ben哥要标「已精读」时,先查看卡片有没有「自己的解释、对应工作、仍不懂的点、追问回应」。只下载文件或读过自动摘要,不能作为同一证据。这里提出的是阅读记录改法,本篇不调用 mark(),也不替 Ben哥改状态。
howie 对内参的解释不是「帮大家少看一点」,而是降低高质量内容的处理门槛。英文长文、报告、论文即使摆在面前,也可能因为读不动而无人消费;加工与辅助阅读提高以后,人反而可能愿意读更多。他借「杰文斯悖论」说明这个方向,又把读不动、越读越少的状态称为反向版本。
这也解释了他为什么既做筛选,又做三级笔记与概念提取。他担心的不是信息不够,而是看似深度、实则空泛的 AI 内容大量出现,有限的优质信息被淹没。但不能由此推出「被收入内参就永远正确」;原文讲的是自己的筛选理念与阅读体验,没有提供独立的质量检验结果。
他的论证链条是:信息输入影响理解,处理能力限制输入,高质量供给与辅助加工要一起建设。嘉宾的减量与他的扩供给并不冲突,一个解决个人一天怎样完成,一个解决可选择的原材料够不够好。所谓效率提高多少,是个人感受,不宜拿来保证别人的收益。
Ben哥的 ~/.shared-agent/kb/STANDARD.md 可增加一个明确判据:深蒸馏应保留「问题—例子—推理—边界」,不能仅把篇幅压短。~/.agent-autoloop/report_html.py 可新增 render_source_boundary(),把原文依据与应用推演分开渲染。检验是否减轻阅读负担时,看读者能否解释主张及其边界,不把生成字数当作学习效果。
howie 没有照搬嘉宾的六步流程。他会选与自己最相关的几篇,在微信读书画线,用语音留下想法,再把重要概念放进 Logseq。文章是阅读库,概念是另一层;同一个概念会关联不同文章、实际项目与以前的笔记,逐渐形成网络。
他用 Git worktree 举例:虽然已经在项目里用过,也曾在直播讲过,却发现还没有单独的概念卡。于是新建笔记,让模型结合背景解释,先收作理解材料,之后第二次、第三次遇到再补充。这里不是要求第一次就穷尽概念,而是允许理解随着重遇和使用不断加深。
这段最重要的边界出现在后面的问答:agent 可以做很多电脑上的事,但不能替你完成自己的理解。他把理解指向概念与概念之间的关联,所以读完一篇不是终点;能把它和已有经验连起来,才是知识体系开始形成的地方。整理工具能保存关系,不能保证脑子里已经建立关系。
~/.agent-autoloop/knowledge.py 的 unit() 已返回 sources;可保留这条来源链,再增加拟议字段 related_concepts、my_explanation、practice_case。新建 merge_concept_evidence(),遇到同名概念时先展示已有解释和新来源,由 Ben哥确认是补充、修正还是不同含义,不能自动把词形相同当成理解相同。sources 是已有字段,其余为本篇提出的设计。
howie 这两周认为实用的一个办法,是专门做「技能迭代 skill」。执行后发现卡点、有不理想之处,就手动调用它,分析刚才的运行过程,研究优化方案,再改进原来的技能。他举的是多 agent 处理一批词条之后,回看哪里可以优化的场景。
它的关键不在名字,而在改进对象来自刚才的执行。个人技能不可能一次设计完美,第一次先把自然语言说明变成可用版本,再在使用中反复修正。他提到经过若干轮会变强,属于自己的经验,不能把轮数当成必然成功的参数。
| 原文中的动作 | 成立的前提 | 不能偷换成什么 |
|---|---|---|
| 发现卡点后手动触发 | 有一段实际运行可供分析 | 每轮自动重写全部技能 |
| 根据运行情况研究优化 | 指得出哪里不理想 | 只凭「还能更好」扩充规则 |
| 运行一次再优化 | 下一次能观察改动的效果 | 改了文字便宣称能力提升 |
| 区分通用与个人 skill | 明白自己的独特经验在哪 | 安装更多技能就等于沉淀经验 |
所谓 self-improving loop,在他的演示口述里仍有人的触发与选择,不是系统无人监管地改自己。原文讲了这个小循环的用途,但没有展开测试集、版本冲突、回退和权限机制。因此可以借鉴「按证据改技能」,不能据此声称已获得安全、稳定的全自动自进化。
先把这点放在 ~/.shared-agent/tasks.md 的相关任务「下一步」中:记录一个具体卡点和拟改的一条判据,而非笼统写「优化知识库」。以后要修 ~/.shared-agent/kb/STANDARD.md,只提交对应条款的修订及其证据,按 Ben哥现有授权流程交给其他角色复核;不要把自动改规则挂进 ~/.agent-autoloop/cron-jobs.json。原文提供改进思路,授权和验收仍遵守本地规则。
howie 用很大的 token 消耗描述实践强度,并给自己提出年度投入目标。他想推动的不是单纯生成更多内容,而是把自己的阅读、学习和家庭实践产品化:阅读挑战已经成为他使用的工具,更大的学习数据库、概念库、主题专题与家庭学习基础设施,则仍在描述后续方向。
这条线把前面的工厂、阅读、技能串起来:把有积累的经验封装成能力,让过去个人缺钱、缺团队而做不了的产品有机会出现。他最后反复问「这些资源拿来干什么」,并明确反对只是用来生产污染信息流的内容。因此更稳妥的读法是看投入流向与实际产物,而不是照搬他的大额消耗目标。
他的价值选择是做对用户、学习者和家庭有用的东西,即使不以直接赚钱为目的。阅读挑战是已经实践的例子,类似更大知识基础设施的设想是愿景;两者不能混写为全部建成。关于模型补贴、产业规模与商业模式的说法,也属于当场判断,不是这篇要替他确证的事实。
若 Ben哥以后评估知识库投入,可在 ~/.agent-autoloop/report_html.py 新增 render_learning_outcome(),分别显示「机器生成了什么、人工复述了什么、哪条任务实际用过」。前者来自产物,后两项必须来自真人记录,不能由模型代填。~/.agent-autoloop/cron-jobs.json 只在另获授权后安排提醒,不因本篇提出一种读法就新增长期调度。先记录一篇真正用过的蒸馏,比汇报烧了多少 token 更有解释力。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 工厂需要可交付任务 | ~/.shared-agent/tasks.md | 在「当前状态」写输入范围与真实产物,不以开了几个 worker 代替结果 |
| 主线加主干、佐证两篇 | ~/.agent-autoloop/reading.py | 为 pick() 增加主线组织入口,推荐时交代配对理由 |
| 输出后再追问 | ~/.agent-autoloop/reading.py | 给 mark() 配套卡片证据检查,下载和自动摘要不直接算已精读 |
| 从阅读库长出概念网 | ~/.agent-autoloop/knowledge.py | 沿用 sources,拟增自己的解释、关联概念和使用案例 |
| 运行卡点驱动技能修正 | ~/.shared-agent/kb/STANDARD.md | 一次只改有失败证据支持的条款,不自动全面重写 |
| 投入与学习结果分开看 | ~/.agent-autoloop/report_html.py | 分开展示机器产物与人工理解证据,不能自动补造后者 |
| 习惯需要机制,机制需要授权 | ~/.agent-autoloop/cron-jobs.json | 可讨论提醒设计,本篇不改时间、状态或调度配置 |
原文:howie.serious《agent 实战双周复盘 w2624》,2026.06.18 直播,含嘉宾陈怀龙的内参阅读实践分享。原视频链接见顶部来源行。
本篇依据:指定本地转写稿 ~/.agent-autoloop/cdb/transcript/l_6a3226cfe4b0694c5bd87223.txt,共 3570 行,已从开场到结束逐段完整阅读。依据覆盖私人 AI factory、嘉宾阅读闭环、howie 的概念笔记、技能迭代及学习基础设施方向。转写无完整时间轴,无法确认总时长;篇序 11 取本地场次队列,总数 53 按本任务指定口径,不表示另行统计了全部验收进度。
更正与边界:机器转写中的 agent、token、内参、Logseq、前额叶等按上下文归一,不确定的型号、人名和产业数字不据此扩写。嘉宾所说一百零四个概念、学习数月可读懂内参,是个人梳理与预期,不是通用课程保证;本篇未据此制定学习期限。算力用量、价格、硬件占用与投资举例均非独立核验,不作采购或收益承诺。技能迭代的测试、回退和权限实现原文未展开;文中的具体文件、字段与新增函数属于对 Ben哥工作的应用推演,并非讲者实现,也未在本轮执行。只写指定文稿,不改脚本、规则、任务状态,不发布。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.05.22 | 时长未标 | 已深蒸馏 7 / 53 来源:原视频 | @howie.serious | 2026.05.22
阅读路径:先读第二组,看一个阅读挑战产品怎样从业务规则长出来;再读第三组,把「先研究、再讨论、确认后执行」变成自己的工作节奏。第一组解释他为什么重视 Token,第四组回答零基础究竟还要学什么。只看一组就看第三组,它最能区分「让 AI 随便改」与「自己能驾驭迭代」。
一句话结论:零基础做出可用产品的关键,不是先学会敲代码,而是能定义业务、理解关键概念,并把每次修改推进到验收;缺少这些环节,生成得再快也只是在快速积累业余实现。
howie 用自己的重度实践开场:他反复提到,最近十来天消耗了约三十亿 Token,过去一些需要外包、反复沟通的产品细节,现在可以持续交给 Agent 研究、实现和打磨。他的感受是「从来没有打过这么富裕的仗」。重点不是炫耀用量,而是以前一个人没有足够脑力深思熟虑的事情,现在可以调用额外的智能资源。
他把 Token 经济学拆成成本、质量、收入、毛利、使用时间、速度和消耗量。相同数量的 Token,既可以拿去生产低质量内容,也可以承接自己熟悉领域里的判断,变成有意义的产品。后者为什么更值钱,不由模型替你决定,而由你的注意力、业务理解和想法决定。
| 维度 | 原文怎样理解 | 阅读时要守住的判据 |
|---|---|---|
| 单位成本 | 调用智能资源需要付出多少成本 | 区分订阅实付与按 API 价格估算的用量价值 |
| 质量 | 不同模型提供的智能不同 | 他偏好最贵模型,这是个人策略,不是普遍定律 |
| 收入与毛利 | 单位 Token 创造的收入减去成本 | 做出一个产品,不等于已经获得收入 |
| 使用时间与速度 | 用多久、生成多快,影响总消耗 | 消耗是投入规模,不自动证明产出有效 |
| 用量 | 用来观察自己是否真正重度实践 | 必须回到具体项目,而不是为了达标空转 |
他的核心论点是:智能资源变得容易调用之后,稀缺点会移向「你让它做什么」。一个人装好了工具却不知道用途,并不是 AI 独有的新问题,而是原来就没有明确的业务目标。Token 只是把资源问题放大了,不会替人提供目标。
Ben哥可以把这个区分用于 ~/.shared-agent/tasks.md:后续获准调整任务写法时,在任务描述里明确「解决什么问题、交付什么、怎样判断有效」,不要把消耗量当成完成证据。对知识库任务,目标应是某篇文章能否帮助做决策,而不是当天生成多少篇。本篇不修改任务清单,这里只是把讲座的价值判断映射到你的真实入口。
他展示用量时特别指出,Agent 的输入与普通聊天很不一样:过去觉得输入只是自己问的几十个字,输出是一大段答案;现在输入量可能远大于输出量,而且其中有大量缓存输入。他借这个差异解释,不能看到一个总 Token 数,就全部套用输出单价计算花费。
随后他把视角推向「Coding 是 AI 的手」:通过代码,Agent 可以处理许多在电脑上完成的工作,而不只是服务程序员。他也当场承认,谈到某些专业软件时,效果尚未达到最专业使用者的水平。这里既有能力扩张的判断,也有尚未达到的边界。
这段是在纠正两种窄理解:第一,把 Agent 当成多写一点字的聊天工具;第二,把编程当成只与某个职业有关的技能。只要工作结果能够通过电脑操作实现,就值得重新思考有没有可交给 Agent 的环节;但「值得尝试」不是「已经可靠替代」。
对 Ben哥的 ~/.agent-autoloop/report_html.py,若后续要展示智能调用投入,可以提议新增 render_usage_breakdown(usage),分别接收输入、缓存输入、输出和实际费用;拿不到某项就明确标成未知,不用总量反推实付。这个函数名是本篇提出的新增接口,不是宣称现有脚本已经具备用量统计,更不涉及改动真实账单。
微信读书开放相关能力后,howie 没有停在把阅读数据可视化,而是想让社区成员「少刷视频、多读书」。产品接入阅读数据、社区身份和契约订单,让用户看见自己的时长、每周状态、名次与同伴的阅读情况;契约达成后返还契约金,失败部分再按规则分配。
这几个功能不是平行堆上去的。读书时长提供反馈,同伴排行提供比较,契约机制让结果有回报。它们都指向同一个业务目标:让本来不容易坚持的阅读行为变得更容易坚持。他用自己的每周阅读目标作例子,但没有提供能够证明长期效果的对照实验。
产品也有明确边界:先服务自己认识、了解的社区成员,通过邀请码控制入口。原文提到,只展示公开阅读信息,自己导入或设为私密的内容不展示;按家庭、小组扩展,是他后续想做的方向,不是已经完成的功能。
一个 API 的价值,不取决于能把多少数据展示出来,而取决于它是否进入一个真实的行为场景。howie 的起点不是「我能做什么页面」,而是「我想让哪些人发生什么改变」。熟悉的人群帮助他判断需求,也允许产品先不面向所有人。
Ben哥若要把阅读转写链做成一个更明确的产品,可以在 ~/.agent-autoloop/reading.py 提议新增 describe_reading_goal(),输出「面向谁、希望改变什么、用什么结果判断」这三项说明,先不接任何奖励或支付。对你的场景,先分清「读完转写」与「形成可用判断」:前者是过程,后者才是深蒸馏要交付的结果。新增函数只是应用提案,不冒充现有结构。
他把六天的开发与多轮对话归为三类:先把业务流程想清楚,再理解产品架构,最后不断修改细节。第一版只有昵称和 PIN,没有完整用户体系,因为当时更重要的是验证核心业务能否跑起来。后来需要微信登录、订单同步和身份标签,再逐步补齐。
| 层次 | 本场对应的问题 | 人必须守住什么 |
|---|---|---|
| 业务流程 | 做什么、为谁做、规则怎样判成功与失败 | 自己说明需求和业务取舍 |
| 产品架构 | 前端、后端、数据库、接口、部署怎样组织 | 理解用途与关系,读懂方案再决定 |
| 具体细节 | 排列、文案、图标、间距、登录异常 | 提供问题证据,检查修改是否有效 |
这里的顺序不是说架构不重要,而是不要让复杂技术选择遮住业务。他讲到 AI 内参把后端迁往 Supabase,同时保留 Notion 作为编辑入口;答疑时又强调两者服务对象不同,不能因为用了专业数据库,就认定面向人的编辑与协作工具失去价值。
从最小业务出发,不等于永远停留在简陋实现。业务发展到哪里,架构就需要承接到哪里;但技术升级应当解释清楚新职责,而不是只因为某个工具新、某篇文章推荐,就把旧系统全部推翻。
Ben哥可以在 ~/.shared-agent/kb/STANDARD.md 的后续修订提案中,增加「内容源、编辑入口、生成产物、分发入口」四项职责说明,先厘清各层是什么,不急着迁移数据库。~/.agent-autoloop/knowledge.py 若要承担更多自动处理,再提议新增 describe_content_flow() 来输出这几层的对应关系;不要从本场的迁移案例推导出你的知识库也必须换后端。
这场最容易直接拿来用的一句话,是 howie 几乎每次提出修改后都会加上的要求:「先研究再讨论,方案 OK 之后再执行。」他举的是文案与代码解耦:先问哪些文字要抽离、为什么抽离、怎么组织,再确认只改前端静态文案,变更日志不要动,最后才让 Agent 实施。
这不是换一种客气说法,而是在拆责任。Agent 负责研究已有情况、提出方案和执行;人负责读懂选择、确定范围、说清不做什么。尤其是微信登录一类涉及多种方案与外部配置的任务,他强调自己会仔细读计划,确保理解后再往下走。
零基础不等于把所有决策一起交出去。你可以不知道某条命令怎样写,但仍然要知道它准备改变什么、为什么这样改、有没有更小的方案。研究阶段的价值,是在动手前把隐含选择摊开,而不是等做完才发现方向不对。
Ben哥如果要整理 ~/.agent-autoloop/report_html.py 的展示文字,可以先提出一个窄方案:新增 get_static_copy(key),只统一固定标题和说明,不改数据值、判断规则与发送结果。让 Agent 先列哪些字符串属于静态文案、哪些属于业务状态,确认列表后才实施。本次不改该脚本,也不替任何既有函数作重构承诺。
他演示了两种反馈。一种是自己看到页面高度差了几个像素,截图、画线,要求检查原因;另一种是成员反馈登录卡住,即使自己没复现,也把用户截图交给 Agent 排查。人不必预先知道 CSS 或登录流程究竟哪里错了,但要能指出「谁在什么地方遇到了什么问题」。
他的循环是:提出问题,研究原因,讨论方案,确认执行,再测试验收。平时外出看到问题,先截图收进收件箱,回到工作时集中处理。原文的个人收集工具只是他的习惯,不是完成这套循环的必要条件。
同时,他对自己有一个反省:反复改 UI 虽然很开心,但如果一开始采用更专业的规范,很多零碎修改可能不需要发生。能快速修,不代表应该永远靠修补维持。
Bug 是一次改进机会,但「把截图扔给 AI」只是入口。真正构成闭环的是修完再看原来的问题是否消失,并让反复出现的问题回到规范层,而不是每次都作为孤立小故障处理。他所说的几分钟修复,是具体经历,不是交付时限保证。
Ben哥处理 report_html.py 的页面问题时,可以在 ~/.shared-agent/tasks.md 对应任务描述里写清「现象、证据、预期、复验结果」,仍沿用已有 owner 与回退要求,不新建平行清单。若之后补本地检查,可提议新增 check_report_layout(html_path),围绕真实发生过的显示问题定义检查项;没有运行就不写通过,执行者也不代替独立验收者签字。
howie 把学习拆成外围操作层、概念层和思想层。过去很多专业门槛在操作层,现在可以让 Agent 承担;但前端、后端、数据库、DNS、项目规则等概念,仍然需要自己理解。概念是建立模型、解释问题和作判断的基础,不会因为有 Agent 就自动消失。
他的做法很具体:第一次遇到新概念,建一条笔记,让模型解释;第二次遇到,再读、编辑、更新关联;后面继续优化。他展示项目的 AGENTS.md,里面记录使命、背景、技术栈、接口、安全边界、发布、测试和版本管理规范。这些都是为了让复杂项目能够被持续接手,而不只存在于一次对话中。
「我不会」要拆开看:不会手动配置,不代表不知道这个组件为什么存在;不会写实现,不代表无法理解业务状态。学习重点从记操作步骤转向理解概念关系,并把项目约束留下来。写作答疑里,他也把写作解释为认知与思维训练,而不是流量文案技巧。
对 Ben哥的 ~/.agent-autoloop/knowledge.py,可以提议新增 render_concept_note(term, explanation, project_effect, related_terms),把「概念解释、对当前项目的影响、关联概念」呈现在一起。对 kb/STANDARD.md,则可提案增加「再次遇到概念时更新原条,不机械新增重复条目」的规则。这是借用原文的反复编辑方法,不是本轮获准修改规则,更不宣称该函数已经存在。
他给零基础的入口是循序渐进:先建站,再尝试带功能的 Web 应用、小程序,之后再考虑原生应用与更大系统。不要一上来就选择最复杂的项目。这里的「零基础」也有实际前提:能够使用前沿模型,能用 Codex 或 Claude Code 发起工作,并且愿意在真实项目里学习。
他并没有把非专业开发者捧成万能专家。相反,他说自己的站点仍有内容与代码混杂、细节反复修改等低级问题,会请阿禅点评,也准备继续学习专业流程。专业人士多年积累的规范可以被固化进 Skill,再与 Agent 配合;专家价值不是因为操作变便宜就归零。
上手的门槛下降,与专业质量自动到手,是两件事。先做能让人进入学习循环,专业反馈再帮助人发现不知道的地方。原文谈了项目式学习与小组交流,但没有展开一套可独立照做的完整建站课程,不能把课程介绍当成教程内容。
Ben哥可以先在 ~/.agent-autoloop/reading.py 的相关任务中,只验证「一份本地转写变成一篇合格 Markdown」,不要同时扩展登录、奖励与在线社区。验收后再决定下一个最小功能。若以后要将流程固化,可提议新增 validate_distillation_contract(text),检查来源、层级与边界说明;它只能证明格式符合约定,不能代替人工对照转写判断事实是否成立。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| Token 消耗与价值分开 | ~/.shared-agent/tasks.md | 任务描述先写业务问题与交付判据,不以用量代替成果 |
| 输入、缓存、输出分开 | ~/.agent-autoloop/report_html.py | 提议 render_usage_breakdown(usage),缺失数据明确标注,不反推账单 |
| 业务先于技术选择 | ~/.agent-autoloop/reading.py | 提议 describe_reading_goal(),先定义服务对象与阅读结果 |
| 编辑与运行职责不同 | ~/.shared-agent/kb/STANDARD.md | 后续提案列清内容源、编辑入口、生成与分发职责,不据此自动迁库 |
| 文案与代码解耦 | ~/.agent-autoloop/report_html.py | 提议 get_static_copy(key),只处理固定展示文字,不改业务状态 |
| Bug 驱动闭环 | ~/.shared-agent/tasks.md | 描述补足现象、证据、预期、复验结果,由独立角色验收 |
| 概念反复编辑 | ~/.agent-autoloop/knowledge.py | 提议 render_concept_note(...),把解释、项目影响与关联放在一起 |
| 从最小项目开始 | ~/.agent-autoloop/reading.py | 提议 validate_distillation_contract(text),先检查单篇交付约定 |
原文:howie《ai 编程专题 2:0基础选手,如何上手?如何进阶?如何精进?》,2026.05.22 直播回看。原视频地址见来源行;本地转写未提供可核验的总时长。
本篇依据:完整分段阅读 /Users/benhong/.agent-autoloop/cdb/transcript/l_6a0d4db8e4b0694c5bc6721e.txt,从开场、Token 经济学、阅读挑战演示、开发流程到末尾答疑。两份样例仅用于层级与语气,不作为本场事实来源;序号按目标文件 q07 记为 7,不代表本轮核验了全库完成数量。
更正与边界:按上下文将「前进 log」「结构/解我」等明显误识别整理为变更日志、解耦,并统一 Supabase、Cloudflare 等名称。Token 总量、实付与折算价格存在口述跳转,故只保留约数和口径差异;模型价格、智商类比、算力收入推演、职业替代与投资判断均不作为核验事实或行动依据。本文没有访问外部资料,也没有观看录像;课程方法、长期阅读效果与完整安全方案,原文未展开。「对你的实际应用」及表中的函数、字段写法均为作者向 Ben哥的应用提案,不是讲者原话,不代表已实施;本次只生成指定 Markdown,不改程序、规则、配置或共享任务状态。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.05.15 | 时长未标 | 已深蒸馏 8 / 53 来源:原视频 | @howie.serious | 2026.05.15
阅读路径:先读第三组,理解「不用亲手操作」为什么不等于「不用理解」;再读第二组,看产品怎样从一个想法长成工作系统;第一、四组分别回答工具边界和协作方法,第五组回答怎样真正学会。只看一组就看第三组,它决定你是在驾驭 agent,还是只在领取结果。
一句话结论:按本场展示的工作方式,Codex 带来的主要杠杆不是替人多写代码,而是让有概念理解、明确取舍和持续反馈的人,独立推进原本需要多人衔接的产品工作;缺少这些条件,单纯增加 token 消耗并不会产生同等价值。
howie 开场没有演示写函数,而是让 Codex 把 Mac 切成深色模式,再恢复浅色。他随后查看执行过程,指出完成动作的是 shell 脚本:同一项设置,人可以去系统设置里点击,也可以运行命令,还可以直接描述想要的结果。
这个例子的意义不是「省了几次点击」,而是改变了人与电脑的关系。原先必须知道设置藏在哪、该打开什么软件,现在可以先表达目标,再由 agent 找到操作路径。他把本机应用、命令行工具、文件、连接器、MCP、Skills 和 Plugins 放在一起,说明编程能力只是其中一项,真正的变化是这些能力开始被统一调度。
他把 OpenClaw 代表的工作方式称为「Claw 范式」:固定设备持续运行,人随时给任务,agent 使用设备上的工具和文件。Codex 在他的体验里更易用、更强,因此有可能成为工作中枢。这里既有现场操作,也有他对未来产品形态的预测,不能混成同一种证据。
Ben哥可以先在 ~/.shared-agent/tasks.md 的单条任务中写清「交付文件、允许调用的工具、禁止触碰的范围、验收依据」,而不是只写「处理一下知识库」。这里提出的是任务描述方式,不是授权 agent 操作一切;本篇不修改该文件。
他展示 Cloudflare 插件时,强调里面打包了命令行、MCP、连接器和一组 Skills。腾讯云没有他需要的现成插件,他便让 Codex 把相关官方工具组合成自己的插件。内参编辑、读者服务、主题研究、费曼笔记也被组织成不同的 agent。
| 组合层 | 本场给出的例子 | 对任务意味着什么 |
|---|---|---|
| 命令行与工具接口 | Notion CLI、云服务工具 | 把操作能力开放给 agent |
| Skills | 内参处理、知识体系、费曼笔记 | 把经验和做法交给 agent |
| Plugin | Cloudflare、自制腾讯云插件 | 把一组相关能力打成可调用单元 |
| 项目 | 内参站点、微信到 Readwise 服务 | 让能力围绕具体交付发生组合 |
他不是主张把所有插件装齐,而是在展示「复杂操作可以被封装」。讲到开服务器、创建权限和付费时,他用了非常放开的个人操作方式;这说明其演示范围,不构成 Ben哥应当照搬的授权标准。
Ben哥可为 ~/.agent-autoloop/knowledge.py 拟增一个 describe_capabilities() 函数,集中说明知识条目检索、来源定位和内容读取的输入输出,再由现有调用方复用。这里只提出函数设计,不声称现有脚本已有这些接口,也不把读取权限扩大成发布或删除权限。
原来的 AI 内参放在 Notion:日报承接 Readwise 新增内容,再从日报精选文章进阅读库。读者要进入相应页面和数据库,才能找文章。howie 的新想法是保留 Notion 作为后端,为读者另外做一个前端。
新站不止展示文章。他介绍了全文与语义搜索、标签页面、日历、订阅和安装入口;又把服务做成 API、CLI、MCP。现场的阅读清单例子尤其重要:站点能搜到与 Codex 有关的文章,但搜索结果不等于学习顺序;模型接上内参工具之后,才可以围绕读者的兴趣组织阅读计划。
他给出的产品生长顺序是:先解决阅读入口,再补查找能力,再让其他 agent 调用。按其展示的变更记录,5 月 10 日有想法并上线,之后持续迭代。原文明确说,当时没有做推送和用户登录;原生 App 也只是后续设想。
Ben哥可为 ~/.agent-autoloop/reading.py 拟增 build_topic_reading_list(topic, entries),输出条目路径、入选理由和建议顺序;为 ~/.shared-agent/kb/STANDARD.md 拟增「搜索命中与阅读计划分开标注」条款。不要把命中数量直接当作已读数量,也不要在正文未读时声称已完成主题研究。
另一个案例是把微信收到的文章和文件收进 Readwise。howie 把它定位为 inbox:用户完成绑定后,把内容转给入口,内容再进入自己的阅读系统。这个想法很短,但实现涉及微信侧的不同服务、云端中转、页面、账号绑定、成本和收费设计。
他反复展示的不是代码,而是截图、自然语言需求、方案讨论和版本迭代。自己没有写过相关 TypeScript,不代表没有参与工作;入口选哪种、页面如何呈现、服务如何安排,仍然需要人作决定。他还提到先试一种入口,再换方案,说明这不是一次提示词直接得到最终产品。
agent 降低的是把方案实现出来的门槛,不是替人消除产品取舍。他关于外包成本、开发时间的比较属于个人估计,不能据此推导所有类似项目的报价。服务构想日期在转写中有口头反复,本篇不强行补成确定时间线。
Ben哥可为 ~/.agent-autoloop/reading.py 拟增 validate_ingest_record(record),检查一条收藏记录是否带来源、接收结果和阅读条目定位;只有收进阅读队列后才记录成功。这是对案例的本地迁移,不是声称直播提供了去重或失败重试算法;这些实现细节原文未展开,更不需要登录个人微信来复现。
howie 用 Git 说明一种常见困境:理解工作区、暂存区、仓库这些概念,曾经也会操作,但一段时间不用,具体命令又忘了。过去要靠大量重复,把操作练成长期记忆;现在可以让 agent 承担这些动作,人保留对机制的理解。
他把学习区分为操作层、概念层和更内侧的想法与判断:外围是怎么配置、怎么运行;中间是它是什么、与什么相关;更里面是你认为哪个问题值得解决、想做什么产品。概念之所以重要,不在于能背术语,而在于能把它们连接成心理模型,支持工作流和产品设计。
| 层次 | 本场的问题形式 | 人需要保留什么 |
|---|---|---|
| 操作层 | 如何配置服务、执行命令、实现功能 | 知道交给谁执行、结果如何检查 |
| 概念层 | Git、Worker、API、CLI 分别是什么 | 区分对象、理解关系、建立心理模型 |
| 想法与判断 | 什么问题值得解决,产品要服务谁 | 目标、价值取舍和方向决定 |
「操作层劳动没有价值」是他为了突出变化使用的强判断。更可执行的读法是:不要把学习目标全部押在记住操作细节上。他没有证明所有操作工作都已被可靠替代,也没有说所有专业责任都可以交给 agent。
Ben哥可在 ~/.shared-agent/kb/STANDARD.md 拟增概念条目的字段要求:定义、相关概念、本机实例、适用边界。例如解释「来源」「检索结果」「深蒸馏依据」时,要说清它们的区别,不能把搜到一条内容等同于读完它。这里不引入原文之外的概念理论。
他现场打开 Cloudflare R2 笔记,承认刚建的条目还很空。有了实际项目需要,就让 AI 解释它是什么,再用自己的话讲一遍,并追问它与其他服务的关系。第二次、第三次遇到时,再回来修笔记、补链接、调整理解。
KV 的例子更直接:项目已经用了这种技术,但笔记还没写完整。他并不把这当成必须停工的理由,而是把工作实例当作理解概念的材料。方法的核心不是先把知识体系修到完美,再开始做事,而是让真实任务反复触发学习。
「五六七八遍」描述的是多次相遇、解释和修正的学习过程,不是经过验证的固定次数。他说的费曼过程也不是复制一段解释,而是先读、自己讲、继续对话,再整理成逐渐可靠的笔记。
Ben哥可为 ~/.agent-autoloop/knowledge.py 拟增 record_concept_encounter(concept, task_ref, explanation),把概念名称、遇见它的任务和自己的解释关联起来。kb/STANDARD.md 可要求「初识」与「已能解释边界」分开,不因为建了一个标题就标成掌握;也不要把讲者的次数说法改成自动认证阈值。
howie 反对把等待时间全部塞进其他项目:开 Codex 做一件事,再开另一个 agent 做另一件事,同时开几个聊天窗口,在他看来不符合人的注意力特点。他更愿意在任务运行时思考当前问题、观察工具调用,或者适当放空。
但他并不反对子任务并行。内参处理的演示中,他先筛选文章,再让 Codex 执行,运行过程启动六个子 agent,界面显示十几分钟完成一轮工作。这里的人仍然守住同一个目标,只是机器把具体工作分出去;不能把它理解为人也应该同时管理六条不相干的业务线。
他区分了「人的注意力分散」和「agent 的执行并行」。子 agent 的具体任务切分、数据传递与冲突处理,原文未展开;展示的完成时间也不是适用于所有文章处理任务的性能保证。
Ben哥可在 ~/.shared-agent/tasks.md 的同一任务里增加「当前决策点」和「子任务交付路径」,把多个 worker 的输出归到一个验收目标。不要因为直播出现六个子 agent,就直接改 ~/.agent-autoloop/cron-jobs.json 增加并发;调度限制与成本判据原文未展开。
他多次重复自己的习惯:「先研究,再讨论,确定方案 OK 之后再执行。」前面的「确定」不是让 agent 自己宣布,而是由他作为决策者判断。界面修改则经常用截图、画框、加文字说明,再通过自然语言把需求讲清楚。
执行之后也不是只收结果。他会观察工具是否真的能用、流程哪里绕路、哪一份 Skill 需要更新,再和 agent 讨论。Skills 里面的「不要做什么」、注意事项和边界,就从这些实际问题里积累。项目有自己的文件夹和规则文件,使下一轮不必全部重说。
他没有把自己定位成甩手掌柜:agent 交付结果,人负责方向、过程理解和反馈。真正能积累下来的不是一条神奇提示词,而是这次失败怎样改变下次的规则。
Ben哥可在 ~/.shared-agent/tasks.md 的任务描述中区分「方案已确认」与「执行已完成」。对 ~/.agent-autoloop/report_html.py 的界面改动,可拟增 collect_render_feedback() 的输入约定,接收截图位置、期望效果和实际差异;这里只写改进方向,不把未实现的函数当作现有能力,也不绕过独立验收。
他解释自己为什么突然能连续做产品时,回到一次线下活动:在阿禅带领下,用半天时间从零做出一个 Chrome 插件。此前规则文件、项目目录、代码仓库等都是进入门槛;走通一次以后,后面加功能、接接口、做站点就不再那么陌生。
这也是他与阿禅筹划 Agent Lab 的理由:单靠直播讲清概念,不一定能让人真正用起来。以信息流系统和建站为项目入口,配合模板、讨论、作业和点评,把学员带到交付。建站不是因为网页是最终目标,而是它能把内容、交互、产品和维护放进一个看得见的项目。
这一段同时包含学习方法与课程介绍。项目实践、反馈和示范是其教学主张;收费与效果比较是讲者的商业陈述,不能当成独立效果评估。用户系统、家庭作品站、原生 App 等设想也不应写成已经交付。
Ben哥可把这篇深蒸馏作为 ~/.shared-agent/tasks.md 中的一项明确交付:输入转写、指定模板、唯一输出、检查项目分别写清。~/.shared-agent/kb/STANDARD.md 可补「讲者已做、未来设想、本文迁移」三类表述的区分。不要用增加课程笔记数量代替一次从原文到成稿的完整交付。
他解释为什么有些服务免费也要付费:一旦决定某项工具重要,就用付费提醒自己投入注意力。他把这称为带玩笑意味的学习法,背后谈的是注意力争夺,而不只是价格。他也认为高质量信息会影响人关注什么、觉得什么有趣,以及想创造什么。
另一方面,直播大量提到 token 用量、订阅补贴和个人目标,但开头就回应了「不能为了烧 token 而烧 token」,结尾又明确说「不是以量取胜」。有价值的是背后的工作理解、工作流设计和产品迭代。把消费量直接当成成长指标,会把这两个层次倒过来。
订阅划算、一天创造多少价值、未来行业如何变化,都是他的当时体验或预测。不能把个人补贴估算写成官方价格,更不能把涉及股票的「先买一股」迁移成 Ben哥的投资动作。本场最可复用的部分,是先选有价值的目标,再给它稳定的注意力。
Ben哥可为 ~/.agent-autoloop/report_html.py 拟增 render_delivery_evidence(),展示产物路径、输入依据、检查结果和边界;如另有用量数据,应单列为成本,不计作交付数量。~/.agent-autoloop/reading.py 的阅读计划也应写出本次要解决的问题,而不是只累计收藏或阅读时长。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 工作中枢要围绕明确目标 | ~/.shared-agent/tasks.md | 单条任务写清产物、工具范围、禁止事项和验收依据 |
| 工具能力可以封装 | ~/.agent-autoloop/knowledge.py | 拟增 describe_capabilities(),先说清输入输出再接调用方 |
| 搜索结果不等于阅读计划 | ~/.agent-autoloop/reading.py | 拟增 build_topic_reading_list(),给路径、顺序及入选理由 |
| 概念在项目中反复完善 | ~/.agent-autoloop/knowledge.py | 拟增 record_concept_encounter(),关联任务与自己的解释 |
| 概念理解要有边界 | ~/.shared-agent/kb/STANDARD.md | 拟增定义、关系、实例、边界的字段要求 |
| 人专注与机器并行分开 | ~/.agent-autoloop/cron-jobs.json | 不照搬演示并发数;先在任务中定义子任务交付,不改调度 |
| 截图反馈形成下一轮约束 | ~/.agent-autoloop/report_html.py | 拟定 collect_render_feedback() 输入,定位期望与实际差异 |
| token 用量不是交付成果 | ~/.agent-autoloop/report_html.py | 拟增 render_delivery_evidence(),成本和交付证据分栏呈现 |
原文:howie.serious《【howie 的 AI 主题讲座】codex 专题:最像龙虾的 agent,但是更强大!》,2026.05.15 直播录像;原视频链接见页首。转写无稳定时间码,开场计划与收尾报时不足以确认录像净时长,故记「时长未标」。
本篇依据:本地转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_6a053aeee4b0694c35086d25.txt 全文,共 4695 行,分段阅读;未补查外部材料。两份已通过样例仅用作层级与语气参照,不作为本场事实来源。元信息序号按目标文件 q08 编排,不代表另行核定了全库完成进度。
更正与边界:按上下文统一明显误识别的 Codex、OpenClaw、shell、CLI、MCP、Skills 等词;无法确认的专名不强行恢复。模型能力排名、补贴价格、收入比较及行业时间预测未外部核验,不作客观结论。所有「对你的实际应用」及关联表均为面向 Ben哥的拟议迁移,不是讲者原话;文件路径已检查存在,函数名均是拟新增设计,未审查实现、未改业务文件。权限申请、付费和公开发布不是本篇授权,技术实现未说明之处不擅自补全。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.06.05 | 时长未标 | 已深蒸馏 6 / 53 来源:原视频 | @howie.serious | 2026.06.05
阅读路径:先读第二组,看阅读挑战与 AI 内参怎样把「学 agent」落成产品和流水线,再读第三组理解为什么操作可以交出去、理解却不能外包。第一组解释产能与基建,第四组解释注意力和项目取舍。只看一组就看第二组,它能帮你区分「多问了几次 AI」和「真的改了工作方式」。 一句话结论:对已有领域经验的人,agent 带来的产能提升主要取决于能否围绕真实问题重排工作流,而不是是否学会更多界面操作或消耗更多 token。
howie 先用 Codex 的使用日常解释震撼来自哪里:做饭、洗碗、孩子睡觉之后,人给出想法,agent 继续推进原本自己不会做的事。他展示累计约 68 亿 token 的用量,并说从 5 月 8 日开始每天使用至少一亿 token,提出从当年五月到次年五月消耗一千亿 token 的目标。这些是他的使用自述与计划,不是人人必须完成的学习指标。
他把这件事概括为「token 即收入、token 即利润、token 即产能」。但同一段又明确补充:不是在路上随便找一个人,给他 Codex,就能抵一百个人。前提是这个人有长期关注的问题、解决欲望、领域经验和自己的方案。token 是把理解变成产品的投入,不是理解的替代品。 原文没有给出 token 消耗与实际收入之间的核算表,因此不能把这句口号读成投入越多、利润必然越高。
Ben哥,若把这一条用在 ~/.agent-autoloop/cron-jobs.json 对应的任务管理上,不要把「用满额度」当成功条件。可在 tasks.md 的任务记录中拟增「解决的问题、交付物路径、验收依据、资源消耗」四项,让消耗与成果同时出现;具体自动采集方式原文未展开。这里提出的是后续设计,不是本轮改配置,也不能据此扩大付费额度。
有人问 Notion 是否被放弃,他的回答恰好相反:Notion 每天仍在承担后端与数据层的作用,只是操作者变成 Codex。过去一个人维护数据库、处理大量记录会耗尽脑力,现在 agent 能承担这些操作,工具的价值反而更容易释放。
他又展示密码管理器与云服务的配合,强调很多工具未必是自己亲手熟练操作,而是为 agent 提供工作条件。更大的类比是工厂动力更替:如果只把旧动力换掉,却不改变机器组织和生产流程,生产率不会自动释放。他要反对的,正是「原有流程一点不变,只增加问一问 AI」的做法。
Ben哥,可把 kb/STANDARD.md 中后续的流程规范写成「输入是什么、由哪个工具处理、产出交给谁、何时算完成」,而不只写文稿外观。对 ~/.agent-autoloop/report_html.py,可拟增 validate_report_input(payload),先检查生成报告所需的数据与来源是否齐全,再进入渲染。函数名是本篇建议,未检查现有实现;讲者的凭据演示不构成读取、修改或扩大授权的许可。
阅读挑战是他展示的第一个主案例。他说从 5 月 16 日到 6 月 5 日,二十一天发布了二百七十二次版本,展示了网页、Mac 和 iOS 等端的功能,包括阅读记录、排行榜、关注、设置和更新记录。数字说明的是迭代频率;是否每个版本都经过同样的测试,原文未展开。
更具体的一次,是他在家长会期间用手机提出 AI 学习挑战的需求:先整理想法、截图给 Codex,让它制定方案;收到方案后反馈,讨论几轮再执行;执行中继续反馈、调整界面,然后推进多端发布。他叙述的核心不是「随便一句话就自动上线」,而是人持续提供方向,agent 在间歇时间完成执行。移动端降低了发起门槛,没有取消产品判断。
Ben哥,tasks.md 可为类似需求拟增「用户问题、方案版本、反馈要点、验收场景」四栏。以 ~/.agent-autoloop/report_html.py 的展示修改为例,先说明用户在哪个阅读动作上受阻,再写需要变化的页面行为;别把「界面更好看」直接当可执行规格。本篇只提出记录结构,不新增任务、不替你决定上线,也不把生成页面等同于完成验收。
第二个主案例是 AI 内参。讲者原本就长期自学 AI,收集高质量信息源,再把自己的信息获取方式打包成产品。他展示的过程是:先梳理几百个信息源,自己做最终筛选,执行文章入库,处理阅读文章,再制作 EPUB 与网站并更新上线。他说每天自己参与约半小时,文章处理环节约二十多分钟。
这里最重要的分工是:并非系统自己决定一切,人仍参与最终选题;而复杂、重复的处理环节被封装为 Skills,形成流水线。他认为,照搬旧编辑团队的工作方法、只多用一个聊天工具,做不出同样的效果。原文对各 Skill 的接口、异常处理和质量检测没有逐项展示,所以不能从演示直接推导出一套完整的无人值守方案。
| 案例环节 | 原文明确讲了什么 | 不能据此认定什么 |
|---|---|---|
| 信息源梳理 | agent 对大量来源做处理,人最终筛选 | 每个来源都经过事实核验 |
| 文章入库 | 筛选后执行入库与阅读处理 | 入库成功就代表内容质量达标 |
| 多格式产出 | 制作 EPUB、网站并更新 | 所有格式天然一致、发布绝不失败 |
| 人的参与 | 自述每天参与约半小时 | 所有维护成本都被计算在内 |
Ben哥,可在 kb/STANDARD.md 拟增「来源核对→内容筛选→正文加工→格式检查→交付确认」流程,并要求每一环注明输入与证据。在 ~/.agent-autoloop/report_html.py 中可拟增 render_source_status(payload),明确显示来源齐全、缺失或未核验,而不是把漂亮页面当正确内容。具体状态值是本篇的工程化建议,不是讲者展示过的现成字段。
讲者把 agent 时代的学习方向概括为「概念性学习」:操作层面的事情可以交给 agent,但理解不能外包。他对理解的解释,是概念以及概念之间的关联。没有这些关联,人就难以识别问题、提出方案,也无法判断一个技术变化与自己的产品有什么关系。
他举的例子是听朋友提到 TanStack Query,自己原先不懂,就让 agent 解释,花约十分钟学习概念,再讨论能否优化阅读挑战的技术方案。他没有说学十分钟就掌握整个技术栈,而是学到足以进入具体讨论;后续仍需理解重构对代码的影响,以及正在使用产品的用户会不会受影响。
Ben哥,kb/STANDARD.md 可拟增一张「概念卡」,固定写「是什么、解决什么问题、与当前文件有什么关系、改错会影响什么」。涉及 ~/.agent-autoloop/report_html.py 时,把概念落到一次真实变更:例如来源状态怎样进入页面、缺失时显示什么。概念解释和实际改动分别记录;没有读过代码时就标清实现未核对,不能因为 agent 说得顺就认定已经适配。
他把「学到新概念,很快在自己的产品里看到变化」称为超级学习闭环,即 Hyperloop。TanStack 的案例中,路径是听到概念、请求解释、讨论方案、小步执行、重构,再观察性能与可维护性的变化。他还提到 pnpm 等调整,并强调产品已有用户,重构需要安全、稳定、可靠。
他用多巴胺与成瘾类比这种快速反馈,认为学习、创造和解决问题也能比被动娱乐更有吸引力。这是他的体验解释,不是本场提供了心理实验。可借用的是反馈路径,不是把兴奋、熬夜或不停开线程当成质量证明;性能具体提高多少、用什么测试证明,原文未展开。
| 学习动作 | 本场案例的对应动作 | 真正应观察的结果 |
|---|---|---|
| 遇到新概念 | 听朋友说起 TanStack Query | 能否说清与现有产品的关系 |
| 形成方案 | 与 Codex 讨论技术框架 | 改什么、为何改、影响哪里 |
| 小步实践 | 执行重构与技术调整 | 是否出现具体可观察的变化 |
| 回到现实 | 考虑用户、安全与维护 | 原有功能是否仍可靠;本场未展示测试明细 |
Ben哥,可在 tasks.md 的相关任务中拟增「本轮假设、最小改动、观测结果、保留或撤回」记录。对 ~/.agent-autoloop/report_html.py,一次只选一个可观察问题,例如缺失来源能否被明确显示;先固定输入,再比对输出,记录实际结果。这样把知识接到文件行为上,而不是学习一个新框架就给整个报告链换一遍技术栈。本轮不执行这些修改。
howie 反复强调,不要只等别人手把手喂安装步骤,而应围绕自己的问题主动获取与处理信息。他把自己的做中学拆得很清楚:做,是做项目、解决问题;学,是持续读 AI 内容、建立理解。他希望 AI 内参承担输入基础设施的作用,而不是只成为另一份被收藏的材料。
他用「可获得性偏差」解释人为何容易选择手边、免费、被推送的信息,反而错过重要变化;又强调同样重视 agent 的朋友与社区交流,能让新概念、新问题更容易进入自己的视野。这些论述包含他对平台和内容质量的强烈评价,本篇保留机制,不把这些评价扩大成所有用户的事实判断。
Ben哥,可在 kb/STANDARD.md 拟增「输入关联」要求:每篇深蒸馏注明它回应哪个问题、原文提供什么依据、准备在哪个真实文件验证。对本篇而言,关联对象就是 tasks.md 的任务记录、~/.agent-autoloop/report_html.py 的来源展示和 kb/STANDARD.md 的加工规范。不要用新增文章数替代应用结果,也不要把样例里的旧判断当成当前系统已经核实的状态。
直播后半段,讲者列出家庭学习、英语、费曼 OS 等想做的方向,却一再说自己做不过来。他的收束不是继续开坑,而是克制:阅读挑战已经可以使用,先停止进一步优化,接下来计划把内参做成原生产品。这个计划在本场只是未来安排,不能写成已经交付。
因此,「2026 年只做一件事」并不是字面上只能启动一个项目,而是围绕 agent 学习和自己长期关注的问题集中资源。他最后给了两个动作:学 agent;回顾自己多年钻研的问题,把已有解决方案用 agent 做成产品。至于如何管理多个项目的排期、用什么停止标准,原文未展开。
Ben哥,可在 tasks.md 为主线任务拟增「本轮不做什么、够用标准、恢复条件」,明确什么时候不再追加功能。对于 ~/.agent-autoloop/cron-jobs.json,先把拟议任务与这三个条件对应,再另行评估是否调整调度;本篇不增删 cron。对 ~/.agent-autoloop/report_html.py 的新点子,也先判断是否解决当前主问题,不因 agent 能实现就全部塞进本轮。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| token 要接到真实问题 | tasks.md | 拟增问题、交付物、验收依据、资源消耗,分开记录投入与成果 |
| 围绕 agent 重排流程 | kb/STANDARD.md | 拟写清输入、处理者、交付对象与完成证据,不只规定版式 |
| 内参流水线保留人工筛选 | kb/STANDARD.md | 拟区分来源核对、筛选、加工、格式检查与交付确认 |
| 数据条件先于漂亮输出 | ~/.agent-autoloop/report_html.py | 拟增 validate_report_input(payload) 与 render_source_status(payload) |
| 概念性学习 | kb/STANDARD.md | 拟增概念卡,把定义、问题、文件关联和变更影响写在一起 |
| Hyperloop | tasks.md | 拟记录假设、最小改动、观测结果、保留或撤回,避免只记执行完成 |
| 克制开坑 | tasks.md、~/.agent-autoloop/cron-jobs.json | 先写够用标准和恢复条件,再另行决定调度,不自动扩大任务 |
原文:howie.serious《agent 新时代:2026,只做 1 件事:学 agent!》,2026.06.05 直播回看。讲者提到常规直播为晚八点到十点,但转写没有时间戳,不能据此认定录像实际时长,故标「时长未标」。
本篇依据:完整读取本地转写 ~/.agent-autoloop/cdb/transcript/l_6a1f9d2ae4b0694c5bcf58e8.txt,共 3585 行。正文按产能与基建、两个产品案例、概念性学习、专注与取舍重新组织;21 天、272 次版本、约十分钟学习等均来自讲者自述。序号按目标文件 q06 标记,不代表重新盘点全库完成数量。
更正与边界:机器转写中「内餐」「ROS 端」「TimeStack」等按上下文统一为 AI 内参、iOS 端、TanStack;不确定的工具名不强行补全。模型、订阅、token 折价与收益说法均属于直播时点的个人陈述,未作为当前套餐事实或收益保证;投资涨幅、智商类比和安全绝对化表述未转为操作建议。实际应用均为本篇分析,字段和函数都是拟议设计,非讲者原话、非现有代码核查结论。本轮只写本文,不改脚本、规范、任务表或调度;未进行独立内容验收。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.04.28 | 时长未标 | 已深蒸馏 9 / 53 来源:原视频 | @howie.serious | 2026.04.28
阅读路径:先读第一组,用 AI 内参的真实成本理解为什么「能做」不等于「值得做」;第二组解释 agent 为什么比聊天更费资源;第三组看人的工作应移到哪里;第四组讨论怎样从个人实践长出服务。只看一组就看第一组,它直接回答你下一笔 token 应花在哪里。
一句话结论:Agent 要成为可持续的生产方式,关键不在于把每次调用压到最便宜,而在于让任务交付的价值覆盖持续发生的成本,同时保住人的筛选与判断。
howie 用自己的 AI 内参做成本公开。他说,系统已经运行约两个月,背后不只是一个写日报的 agent,而是多个 agent、付费信息源和阅读工具共同组成的流程。每天新增的信息先由他人工筛选,进入阅读器;agent 再处理内容、生成日报;他随后从日报里选出值得进入阅读库的文章。人工判断在流程前后都存在,不是把所有来源扔进去就自动得到好内容。
他报出的每日 token 成本是约 30—50 美元,原因之一是此前没有认真约束成本,直接采用最好的模型。他又把多个 agent 的费用合在一起,粗估一年超过两万美元;信息源与工具另有约一千美元的年支出。这些数字说明的是他的系统量级,不是一份标准日报的报价。
他承认,从订阅产品的收入看,成本压力很大;但如果换成找人完成同样的信息收集、处理和阅读支持,两万美元也未必能买到相同结果。因此,不能只问「一天五十美元贵不贵」,还得问「它替代了什么、让谁获得了什么」。
| 原文中的成本项 | howie 报出的量级 | 应怎样读这个数字 |
|---|---|---|
| 日报 token 消耗 | 每天约 30—50 美元 | 其当时流程与模型选择下的口述成本 |
| 多个 agent 合计 | 每年两万美元以上 | 作者粗估,不是逐项核算后的财务报表 |
| 信息源与阅读工具 | 每年约一千美元 | 不应被藏在模型账单之外 |
| 希望压低的日报成本 | 每天约十美元 | 优化目标,不是已实现的结果 |
Ben哥,可以把这两本账转成 ~/.agent-autoloop/report_html.py 的报告展示方案:拟新增 render_task_cost_summary(),分别呈现「模型消耗」「信息与工具分摊」「人工筛选时间」「本次交付用途」。金额未知就显示「未记录」,不要用 token 数直接代替美元。这里提出的是后续函数设计,不声称现有脚本已经有这些字段,本轮也不修改它。
讲座的直接触发点,是他们使用的 Notion 空间达到积分上限,agent 功能被暂停。howie 发现,有的人 agent 数量不多,消耗却比他还高。这让他反问:如果这些任务真要自己掏几千美元,还会不会照原样运行?此前免费可用的体验,掩盖了真实的生产成本。
他展示平台里不同模型的价格档位,从一星到五星都有,但大家此前连简单任务也习惯选最贵的一档。他用「雇清华北大的博士扫地、端茶倒水」来比喻这种错配:不是博士不好,而是任务没有必要消耗这种能力。
不过,他也批评另一种极端:为了便宜,所有步骤都用低质量模型,连术语和翻译都出错,最后只得到没有人工品位的聚合内容。他同时反对无差别堆最强模型和无差别用最便宜模型。本场指出了取舍方向,但没有给出逐任务的模型路由算法。
Ben哥,针对 cron-jobs.json,可提出增加 task_class、quality_floor、cost_budget 三个任务配置字段:分别写任务类型、不能牺牲的质量项和可承受的单次费用。先拿同一任务比较不同配置,再决定是否降档,而不是直接把所有任务换便宜模型。字段是本文的拟议设计;原文未展开具体预算数和切换阈值,本轮不改配置、不改 cron。
howie 说自己的 token 消耗比聊天时代高了很多,并不是因为他每天多聊了多少句,而是因为 agent 会完成一段连续工作:调取内容、制定计划、拆成步骤、使用工具,并生成中间文件和其他产物。一个任务可以持续运行十几分钟,最终交付的日报只是可见的末端。
这也解释了为什么他把 agent 比成推土机,把过去个人逐篇阅读、做笔记、酝酿文章的过程比成拿勺子挖土山。比喻的重点不是人可以彻底不管,而是同一个人能够调动的处理规模变了。沿用「一次聊天多少钱」来理解「一套系统每天多少钱」,会漏掉大量实际工作。
他进一步把这种变化连到存储、芯片和基础设施需求上。本场相关股票涨幅与未来市值的叙述属于他的观察和推断,不能反过来充当某个任务值得运行的证据。
Ben哥,在 knowledge.py 可拟增 summarize_run_usage():按一次知识任务汇总 input_tokens、output_tokens、tool_calls、artifact_count 和 elapsed_seconds;没有采集到的项单独标明。这样深蒸馏正文只有几千字时,也能看到前面的处理成本。原文没有给这些字段或采集代码,这是从其过程消耗解释推导出的应用方案,不能冒充已经接通的监控。
为避免把 AI 只理解成几个应用,howie 引入「五层蛋糕」框架,从应用往下依次看模型、AI 工厂、芯片和电力。他把 AI 工厂理解为生产 token 的设施,并强调芯片不只有 GPU,还包含其他计算和存储环节。
他反复使用「智能变成电」这个比喻:过去获取智能要雇用人的时间,现在可以通过模型与 agent 调动智能。他据此判断,随着基础设施扩张,智能会越来越便宜,更多可以交给 agent 的工作最终会由 agent 完成。
这里要区分两层话:五层框架是在提醒你看见应用下面的供给体系;「价格每年降到十分之一」「未来像电一样便宜」则是讲者的趋势判断。不能拿未来可能更便宜,替今天没有收益的运行方式开脱。原文对供电功率、年度耗电量的口述有单位混用,因此不据此转述工程数量关系。
| 层次 | 原文关注什么 | 对使用者意味着什么 |
|---|---|---|
| 应用 | 用户能获得的服务与结果 | 先判断任务有没有价值 |
| 模型 | 智能能力与选择 | 能力与价格需要配合任务 |
| AI 工厂 | token 的生产供给 | 服务依赖持续运行的基础设施 |
| 芯片 | 计算及存储等组成 | 不能只盯一种硬件理解需求 |
| 电力 | 最底层资源条件 | 低价智能仍有物理供给基础 |
Ben哥,可在 kb/STANDARD.md 的后续修订方案里增加「证据层级」字段,把文章中的 原文事实、讲者判断、应用推导 分开记录。例如「五层蛋糕」是原文框架,「每年降价十分之九」只记为讲者判断,不写成知识库的固定参数。这里仅描述拟加的口径,不更新标准文件,也不借本场材料补写外部行业事实。
howie 提议,把 agent 看成同事而不只是聊天窗口。人在电脑上工作,需要软件、文件、联网和工具;agent 也需要类似的工作环境。他举的例子是,过去安装开源系统、配置运行环境要耗费大量精力,现在可以向 agent 交代目的,让它完成安装和演示。
顺着这个视角,他谈到个人角色变化:以前是操作应用的用户,如今开始设计 agent 做什么、怎样工作、如何控制成本,就更接近 maker 或 prosumer。使用者开始承担一部分过去由产品开发者和运营者承担的选择。
他对「凡是电脑上能做的事情」给出了很强的自动化判断,但也提到关系、销售、服务等人际工作不能简单等同于电脑任务。因此,本场最能落到行动上的,不是断言所有职业何时消失,而是重新划分:哪些步骤能交付给 agent,哪些决定仍由人承担。
Ben哥,可以给 tasks.md 的未来任务条目拟加「交付结果/可用输入/允许工具/人的保留判断」四个字段。比如知识库任务,人决定值得处理什么和能否收录,agent 负责读取与成稿。不能把「帮我研究一下」当完整交接,也不能把讲者对工具能力的描述当作访问所有文件的授权。本轮遵守任务边界,不读取或修改 tasks.md。
讲者有一句故意制造张力的话:智能本身越来越不值钱,但人没有智能又不行。他并不是主张停止学习,而是强调创造力和判断力仍建立在知识、记忆、理解和个人知识体系之上。没有阅读、笔记和长期思考,也很难持续产生有价值的想法。
在这层底座之上,他强调四件事:attention 是把注意力留给重要事情;idea 是能提出值得解决的问题;agency 是主动采取行动;元学习能力则帮助自己在变化中继续学。听完很多直播不行动,与刚接触就开始实践的人,会走向不同结果。
他还特意给自己的兴奋踩刹车:脑中想法太多,必须压住,一个场景做穿做透,再做下一件。这里的动作顺序是单任务、尽快拿结果、走完闭环、持续迭代,不是同时铺开更多项目。他也提到高强度用脑后的困倦和休息需要,不能把热情理解为无限加班。
Ben哥,reading.py 可拟增 make_action_card(),从一篇阅读输出里提取 problem、next_action、expected_result、review_trigger 四项:问题是什么、下一步做什么、怎样算拿到结果、何时回看。它不是替你自动批准新项目,而是把一个想法变成可判断的行动卡;没有明确动作就如实记录。原文没有给函数实现,本篇也不让阅读任务自动扩大执行范围。
howie 说,他让 agent 接手一件事之前,通常已经自己做过很多年、很多遍,对这件事有深入理解,也形成了自己的 workflow。这是他能够设计和判断 agent 工作的基础,不是先找到一个热门工具,再临时寻找用处。
他把在不同空间重建 agent、试不同模型、把几个 agent 合起来再拆开,看成积累经验的机会。他谈到数百小时乃至更长的练习,但这些是他的经验观,不是经过验证的学习时长门槛。更重要的是,同一个人反复改变结构后,才会知道哪些设计有效。
讲座最后,他明确说,如何把一百美元投入变成一百一十或两百美元价值,不能靠他列一份规则就教会。每个人的工作情境和经验不同,需要在实践、交流、分享中自下而上形成能力。本场没有提供通用利润率或统一工作流。
Ben哥,可在 knowledge.py 拟增 compare_workflow_runs(),比较同一份输入的不同运行方案,记录 workflow_variant、quality_issues、human_review_minutes、run_cost。一次只比较一项变化,例如模型选择或步骤拆分,不能把来源、标准和模型全换了还宣称找到原因。这是本文提出的比较办法;原文未展开对照实验设计,本轮只交付蒸馏文档。
howie 讨论的小团队,不一定严格只有一个人,也可能是几个核心的人与一群 agent 合作。他认为,这样的团队能承接过去需要更多人才能完成的知识工作;这属于他对组织形态的判断,并非本场已经验证的普遍生产率数据。
另一条路是把 agent 驱动的系统做成服务。他用 AI 内参说明 Agent as a Service:几个 agent 持续工作,用户为获得的服务订阅,而不是亲自去操作每个工具。这个产品起于他自己对低质量信息的不满,再扩展为对其他读者的服务。
但 agent 服务与复制一份数字内容不同,持续处理会产生边际成本。因此,idea 是否有价值、问题是否值得解决,会比单纯做出一个东西更重要。原文没有给完整的获客、续费、定价或毛利模型;它留下的有效问题是:这项服务是否让特定的人得到值得付费的结果?
Ben哥,可在 ~/.agent-autoloop/report_html.py 的后续设计里拟增 render_service_value_card(),写清 target_user、problem_solved、delivered_result、recurring_cost,把「生成了报告」与「报告解决了什么」分开。投资信息类报告尤其不能用某次行情上涨证明服务稳定有效。本场收益故事仅作讲者自述,不据此给你的报告填写收益率,也不推导收费方案。
以下都是针对 Ben哥文件的后续设计提案,不是现状审计,也不是本轮已执行的修改。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 产品收入与自用价值分开算 | ~/.agent-autoloop/report_html.py | 拟加 render_task_cost_summary(),分别展示费用和交付用途 |
| 任务难度与模型价格匹配 | cron-jobs.json | 拟加 task_class、quality_floor、cost_budget,先比较再决定配置 |
| 工作过程不等于最终字数 | knowledge.py | 拟加 summarize_run_usage(),汇总 token、调用、中间产物及耗时 |
| 框架与趋势预测不能混写 | kb/STANDARD.md | 拟加「证据层级」,区分事实、讲者判断与应用推导 |
| 把 agent 当作接收任务的同事 | tasks.md | 拟加交付结果、可用输入、允许工具和人的保留判断 |
| 一个场景走完闭环再扩展 | reading.py | 拟加 make_action_card(),将阅读转成一个可回看的动作 |
| 反复重做以积累经验 | knowledge.py | 拟加 compare_workflow_runs(),比较方案、质量问题与人工复核成本 |
| 服务价值不能靠运行记录证明 | ~/.agent-autoloop/report_html.py | 拟加 render_service_value_card(),说明服务对象和解决的问题 |
原文:【howie 的 AI 主题讲座】agent 经济学:一次讲座,真正理解 agent 与我何干;场次日期按任务提供为 2026.04.28。底稿为本地转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_69ef0cbae4b0694c5bb87236.txt,无可据以确认总时长的完整时间标记。
本篇依据:转写稿从开场声音测试顺序读至结尾,围绕内参成本、模型选择、五层框架、人的角色与服务模式重组。金额为讲者当场口述;「9 / 53」按本任务 q09 编号填写,不代表另行核验了系列完成进度。未查询外部资料;应用段的字段与函数均为本文提案。
更正与边界:按上下文将「内餐/内衬」统一为「内参」、「安量」改为「按量」、「编辑成本」改为「边际成本」,不据机器误识补造专名。原文日期线索与场次信息存在不一致,本文沿用指定日期,不强行修补;平台计费节点、模型价格只作当时口述背景。成本年化、订阅回本人数与股票倍数有不一致处,不据此复算经营结论;功率与年度耗电量混用处不沿袭。关于 2027 年人类工作终结、智能降价速度及广泛社会因果的断言,均不作为已证事实。收益核算、具体模型路由和服务定价的完整方法,原文未展开。本篇仅完成执行者成稿与可机械检查项,不替代独立内容验收。
定位:中文深蒸馏,不是逐字摘要。标「对你的实际应用」的部分是面向 Ben哥的分析,与原文观点分开;除目标文档外不实施任何文件或配置变更。
直播回看 | 2026.04.17 | 约120分钟 | 已深蒸馏 10 / 53 来源:原视频 | @howie.serious | 2026.04.17
阅读路径:先读第二组,弄清为什么同一个模型在不同人手里效果不同;再读第三组,看一句灵感怎样进入思想库或行动库;第一组解释为什么要从逐篇阅读转向概念与判断,第四组处理投入和取舍。只看一组就看第二组:没有自己的知识与工作流,换工具解决不了根本问题。 一句话结论:在 howie 展示的知识工作场景里,Agent 的杠杆主要来自可调用的个人知识和可执行的完整工作流,而不是模型订阅本身;只增加工具、不建设这两层,不能复制他的交付效果。
开场的 WikiMatch 演示看似离题,实际上是整场的入口。游戏要求从一个维基词条出发,沿页面链接走到目标词条。howie 想用这个体验说明:个人笔记也不应该只是一批各自孤立的文章,而应该是概念互相连接的网络。
他给的玩法是先上升到较抽象的节点,再进入具体目标。例如先抵达国家、动物等连接较多的概念,而不是不断钻进更细的条目。这个动作对应知识管理中的一个问题:你是否能从手头的具体材料,找到能够解释它的上位概念,再连接到别的问题。
他展示自己的 Logseq:11,132 个笔记、三万多个链接,用来解释小世界网络、无标度网络和超级节点。这里有两个层次不能混淆:笔记与链接数量是他的展示;“六次跳转基本覆盖全部知识”是他的解释,原文没有展开验证过程,不能把它当成任何笔记库都成立的保证。
Ben哥可以把这个思路迁移到 kb/STANDARD.md:拟新增“概念连接”检查项,每篇深蒸馏注明核心概念、相关旧文及连接理由。在 knowledge.py 拟新增 find_related_concepts(),返回概念名、旧文路径、关联依据,而不是只返回标题相似的文章。这里是拟议接口,不声称现有代码已有这些字段;本轮不改脚本。验收看能否沿链接解释问题,不拿链接总数充当质量。
howie 对过去阅读方式的描述很具体:人逐字处理线性文本,调用已有知识,提取概念,再组织成理解。这个过程有价值,但注意力和加工能力有限,想读的材料远多于实际能读的材料。
他展示的信息流系统不只是聚合内容,而是把材料加工成三级笔记、思想框架、概念砖块及概念网络,并继续接到思想和行动。他给出的链条是:信息 → 思考 → 判断 → 行动。所谓“提高工作的抽象层级”,不是跳过理解,而是让 Agent 先承担一部分整理,人把时间放到检查逻辑、形成判断和决定行动上。
他以芯片与存储相关文章、长视频访谈为例,说自己能更快进入材料的结构。他也提到阅读库每天克制在七到十篇左右。这是个人工作节奏,不是所有人的标准。更重要的是他明确说,读者本来就对领域有一定理解;原文没有证明,缺少基础的人只看结构化笔记也能获得同等判断力。
在 Ben哥的 reading.py 拟新增 build_reasoning_outline(),输出“问题、关键概念、论证、判断边界”;在 kb/STANDARD.md 拟增加“结论能否回到原文”的判据。这样深蒸馏不是只压缩篇幅,而是把 Ben哥需要亲自判断的分歧暴露出来。对 ~/.agent-autoloop/report_html.py,拟在内容载荷区分 source_claim 与 application,分别渲染作者主张与本地迁移方案,避免把分析写成原话。
全场最清楚的比喻是:“你爱上了一匹野马,可是你家里没有草原。”野马指 Agent 的能力,草原指可以供它使用的个人数据与上下文。很多人看到别人演示有效,自己安装后却觉得无用,howie 认为其中一个关键差别就是缺少这片草原。
他将 Harness Engineering 展开为指令、技能、工具、MCP,尤其是 Context 和 Personal Data。设计 Agent 不只是问它一句话,而是决定它扮演什么角色、能用什么手段、依据哪些资料工作,并继续测试、迭代。这也是他所谓的“Agent 元技能”。
他回顾自己的阅读和笔记积累:书籍、划线、旧笔记、Logseq 和 Readwise 中的材料,都能成为 Agent 的上下文。重点不是照抄他的数量,而是这些材料带有他的历史经验。同样模型、同样工具、甚至同样 Skills,并不自动拥有同样的个人判断基础。
| 配备层 | 本场所指 | 缺失时的问题 |
|---|---|---|
| 指令 | 角色与工作要求 | 不知道应该怎样完成任务 |
| Skills | 某项技能与工作流的封装 | 每次从头组织做法 |
| Tools、MCP | 执行动作的手段 | 只能说,无法落到操作 |
| Context、Personal Data | 个人资料、笔记和领域系统 | 有通用能力,却缺少个人依据 |
Ben哥可以在 knowledge.py 拟新增 build_context_bundle(topic),按主题返回原文路径、已有深蒸馏、概念定义与来源状态;在 reading.py 的拟议任务载荷增加 context_paths、context_gaps。找不到相关资料就明确返回缺口,不让 Agent 用泛泛常识冒充 Ben哥的经验。本轮没有核查这两个脚本的内部结构,因此这些是接口提案,不是代码现状说明。
howie 区分了两种工作方式:过去 AI 在工作流的某个环节帮忙,例如补代码、改稿;现在他希望 Agent 通过调用工具和循环执行,完整承担工作流,最后交付结果。因此,他要求自己把 Agent 当作有角色的工作者,而不只是一件软件。
他用 Cowork 的插件说明封装层次:一个 Skill 对应某项技能,一个 Plugin 可以组合多项技能和工具,形成一个角色。这是他在本场使用的解释,不宜外推为所有平台必须遵守的统一定义。他计划把个人、团队、家庭教育中的经验沉淀成一系列 Agent;“一百个 Agent”是目标,不是本场已经交付一百个的证据。
他还解释了为什么自己从俯案敲字转向站着思考:具体加工交给 Agent,人去做判断和系统设计。这是工作分工变化的个人体验,不能倒过来理解为站立办公本身就能提高抽象层级。
对 Ben哥的报告链,拟在 tasks.md 的单项任务描述中明确“输入文件、交付物、验收依据、停止边界”;在 cron-jobs.json 对应任务配置的后续方案中增加 expected_output 与 validation_command,字段名需适配真实配置后才能落地。目的不是现在改调度,而是让“出报告”指向一份可核验的结果,不以脚本启动代替完成。本场没有展开异常恢复协议,不能说这些字段是 howie 原有实现。
本场最具体的演示,是 howie 用手机记录一句话。他按下 Action Button,借助语音输入进入专门的 Bot,再流入 Notion 的 Inbox,由 Agent 继续处理为思想或行动。现场先遇到麦克风连接问题,调整后才继续演示;这不是全程无故障的展示。
他说完测试内容后,界面出现新输入提示,随后处理记录中出现新增任务。他判断这段测试更应该进入思想库,因为它并不是一个具体行动。他还展示此前“增加信息源”的想法如何进入行动库,用来说明输入不是只有保存,还会被识别并送到后续位置。
这里真正值得抄的是捕获之后还有处理。单纯把语音变文字,只降低记录成本;能把念头分成思想与行动,才开始减少后续整理负担。不过,分类规则、失败重试、重复输入处理和完整执行记录,原文未展开,不能凭一次界面演示断言系统长期稳定。
Ben哥可以在 reading.py 拟新增 classify_capture(text),只输出 idea、action 或 unclear,并附分类理由。思想内容进入知识处理候选,行动候选在后续授权流程中进入 tasks.md;遇到含混表述保留原话,不自动扩写成任务。拟议记录增加 raw_text、destination、processing_state,让 Ben哥能分别检查“已收到”“已分类”“已落位”。这些是迁移设计,本轮不写入任何真实任务。
howie 对 SaaS 的例子是按年、按人头购买一个系统,之后仍由使用者维护内容、打卡、直播等工作。与之对照,他提出 Agent as a Service:Agent 不只提供可操作的软件,而是持续承担具体服务。
他的 AI 内参当时由“内参编辑 Agent”和“思想对话 Agent”驱动,同时他本人仍在订阅、筛选信息和设计系统。他设想以后加入 Deep Research Agent;这项在本场属于计划,不能写成已经上线。解题大师则被他用来说明另一个方向:根据学生档案及对应数据库,为不同成员提供服务。
| 场景 | 本场展示或表述 | 必须保留的边界 |
|---|---|---|
| AI 内参 | 两个 Agent 驱动,howie 仍参与关键工作 | 不是无人参与的全自动服务 |
| Deep Research | 计划基于现有内容继续加入 | 不是已经完成的第三个 Agent |
| 解题大师 | 描述结合学习档案与数据库提供服务 | 未展示完整的学习效果验证 |
| Notion 工作空间 | 作为系统、数据库和协作载体 | 是作者选择,不是跨平台优劣实测 |
Ben哥可以在 kb/STANDARD.md 拟新增“案例状态”口径:区分现场演示、作者自述与未来计划。在 ~/.agent-autoloop/report_html.py 拟新增 render_delivery_status(),展示 source_status、human_contribution、planned_features。这样报告能说明哪些环节依赖人,哪些只是下一步设想,而不是把“Agent 驱动”渲染成“全自动完成”。是否对外提供服务不在本轮授权范围内。
howie 多次把 Token 消耗与工作方式联系起来:零散聊天受人的输入速度限制,而 Agent 可以连续执行工作流,所以消耗量可能大幅增加。他愿意投入,并不是因为“烧得多”本身有意义,而是希望支出能换回更大的创造价值。
他用投入一千、创造更多价值的假设来解释这个逻辑,也用自己的存储产业阅读和投资经历说明:信息如果能进入思考、判断与行动,就不只是被消费掉。不过,这是作者的个人案例和价值主张,不是投资收益保证;本场没有展开完整交易记录、损失情形与成本核算。
他对模型厂商、企业用户、软件行业和硬件利润分配也做了强判断。相关收入、股价及因果说法没有在转写中附出完整核验依据。深蒸馏能提取的是“围绕高价值任务投入”的工作思路,不能把市场评论改写成事实底稿,更不能据此直接替 Ben哥作投资决定。
Ben哥的配额试验可以在后续方案中,让 ~/.agent-autoloop/report_html.py 拟新增 render_run_economics(),分别展示 token_used、verified_deliverables、rework_count;实际费用没有可靠数据就标“未核算”。在 cron-jobs.json 的拟议任务说明中,把目标写成“生成并核对指定成果”,不写成“把配额用完”。本轮只提出记录口径,不改 cron,也不把生成篇数冒充已验收价值。
收尾时 howie 把瓶颈重新放回人身上:注意力放在哪里,有什么 Idea 与判断,是否具备主动行动的 Agency,以及能否持续学习和改善思维。他认为这些因素会限制一个人如何使用 Agent,而不是只由模型能力决定结果。
他也解释为什么自己减少公众号写作,转向固定直播和小组实践:内容与代码变便宜后,他更在意读者是否投入真正的注意力,是否参与持续行动,而不只是在信息流里滑过或收藏。这个取舍来自他的目标,并不意味着所有创作者都应放弃文章。
“一年只做 Agent”“实现过去自己百倍的生产力”,在本场属于押注与实验方向,不是已经兑现的测量结果。同样,他力推 Notion,是基于数据库、协作和个人已有投入的选择。迁移到 Ben哥这里,应该保留“围绕稳定系统积累”的逻辑,而不是把更换平台当成学习成果。
Ben哥可以在 tasks.md 的单项任务中拟增加“这次改变了哪个判断、接下来采取什么行动”的结果说明;在 kb/STANDARD.md 拟增加“实际应用不能只写感想”的判据。每篇应用至少指出一个真实文件和一个拟议字段或函数,并注明是否已实施。这样知识库检验的是观念有没有进入工作,而不是文章有没有堆满目录。本篇所有应用均未实施,也不替代独立复核与验收。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 概念之间可以走通 | kb/STANDARD.md、knowledge.py | 拟增加概念连接判据及 find_related_concepts(),返回连接理由 |
| 从加工层移到判断层 | reading.py | 拟增加 build_reasoning_outline(),呈现论证及判断边界 |
| 野马需要草原 | knowledge.py | 拟增加 build_context_bundle(topic),明确资料路径与缺口 |
| 把完整流程交给 Agent | tasks.md、cron-jobs.json | 后续明确交付物与核对命令,不以启动记录代替结果 |
| 灵感进入思想或行动 | reading.py | 拟增加 classify_capture(text),保留原话和分类去向 |
| 服务现状不等于路线图 | ~/.agent-autoloop/report_html.py | 拟增加 render_delivery_status(),分开展示人参与与计划功能 |
| Token 支出要对应价值 | ~/.agent-autoloop/report_html.py | 拟增加 render_run_economics(),分列消耗、核验成果和返工 |
原文:howie《26年1季度 agent 实战复盘》,2026.04.17 直播回看;原视频链接见来源行。开场约定八点开始、结尾按十点结束,故按约120分钟标记,不冒充精确媒体时长。
本篇依据:本地机器转写稿 /Users/benhong/.agent-autoloop/cdb/transcript/l_69e06087e4b0694c34fa653d.txt 全文。围绕 WikiMatch、知识网络、阅读系统、Harness Engineering、语音入库、Agent 服务与投入取舍组织;未调用外部资料。序号按目标文件 q10 标为 10 / 53。
更正与边界:明显误识别按上下文统一为 Logseq、Notion、Typeless 等名称;模型版本、历史发布日期、付费额度等出现混乱处不据此补造确定时间线。AGI 时间、百倍生产力、厂商路线与市场回报均属作者预测、目标或个人判断;网络跳数的证明、分类算法、长期运行稳定性与完整经济核算,原文未展开。应用段及关联表是面向 Ben哥的迁移提案,不是讲者原有代码,也不是对本机脚本现状的核查。本轮仅生成本篇,不改规则、脚本、任务或调度;执行者未将草稿自评为独立验收通过。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.04.10 | 时长未标 | 已深蒸馏 11 / 53 来源:原视频 | @howie.serious | 2026.04.10
阅读路径:先读第二组,理解一个想法怎样经过调研、删减、分版本和交接变成产品;再读第一组,辨清「零基础」到底免掉了什么、没有免掉什么;第三组讲怎样指挥和检查,第四组讲需求与注意力为什么比生成代码更难。只看一组就看第二组,它最能直接改变你下一次交代任务的方式。
一句话结论:在这次原生 App 实践里,不会写 iOS 代码没有阻止产品落地,但如果人不能定义需求、压缩范围并检查结果,换成更强的 Agent 也不能自动得到想要的产品。
阿禅没有从模型参数讲起,而是回看自己的三个项目。最早的网络检测工具用 Cursor 开发,人需要想清技术框架、依赖和很细的实现逻辑,AI 主要补代码。后来做较复杂的理财产品,人定框架、标准和模块,AI 承担更多实现。到了这次原生 iOS 游戏,人更像提出目标、取舍功能和提供后勤的管理者。
| 项目阶段 | 人主要承担什么 | AI 主要承担什么 | 不能省掉的限制 |
|---|---|---|---|
| 网络检测工具 | 想框架、实现逻辑、界面细节 | 按人的思路补全代码 | 阿禅认为当时没有编程基础很难做 |
| 较复杂的理财产品 | 定技术、规范、模块边界 | 按模块完成较多开发 | 他明确说复杂支付和前后端仍难完全自动驾驶 |
| 原生 iOS 游戏 | 定需求、删功能、配合配置 | 调研、开发并反复验证 | 人仍须理解概念,完成无法代办的操作 |
阿禅用「我想八成、它补两成」「大约五五开」形容前两阶段。这是个人体感,不是测量过的分工比例。重点不是人越来越不重要,而是人不再必须站在每一行代码旁边。
AI 辅助编程与 Agent 开发的分界,是它只能补你已想好的步骤,还是能围绕目标组织实施。三个项目也不构成难度相同的对照实验,不能把最新项目的顺利直接推广到所有软件。
Ben哥要调整 ~/.agent-autoloop/report_html.py 时,可以把任务落到现有 render_morning(d, now) 或 render_midday(d, now),先讲清哪个阅读问题要解决、哪个输出不能变,再让 Agent 研究实现。不要把「做一个更好的报告系统」当成可直接开发的规格,也不要把本场的小型游戏案例当成整个报告链都能无人负责的证明。
howie 追问了一个关键矛盾:两人几乎没用过 Xcode,甚至不熟悉怎样找到界面预览,为什么还能快速做出来?阿禅的回答是学到「原理层面」。像拼乐高,你需要知道这里要一个圆柱体,但不必知道它怎样生产。
放到开发里,你要理解前端、后端、数据库分别干什么,为什么这个功能需要后端服务,Firebase 在当前方案里扮演什么角色;不一定要掌握实现的每个技术细节。遇到不懂的概念,可以另开 AI 对话问清,再记进 Obsidian 或 Logseq。学习的目的不是证明自己会写代码,而是能够有效沟通与判断。
概念性理解不是只记名词,而是知道「它是什么、为什么在这里需要、和其他部分怎样连接」。阿禅本来有产品经理与前端实践经验,因此他的「iOS 零基础」不等于没有产品经验、没有技术概念。
~/.agent-autoloop/knowledge.py 的 unit(n) 已返回 goal、points、sink、sources 等内容。后续若用它组织概念学习,可提议增加 concepts 字段,每项写「概念、在当前任务里的作用、相邻概念」。先让 Ben哥能解释为什么需要这个环节,再进入实现。本篇只提出字段设计,不声称现有函数已支持它。
两人喜欢一种基于维基百科的竞赛:共同的起始词条、共同的目标词条,只能顺着链接前进,不许搜索、不许返回,看谁先到。旧工具后来不再维护,自己的需求却一直存在,所以决定自己做。
现场演示的不只是一个能打开的页面。它包括新用户引导、测试环境的苹果内购、创建与加入房间、在线对战、对手状态、赛后路径、收藏和历史记录。两人的路径不同:有人通过软件、互联网和社交网络接近 Facebook,有人尝试绕到微软与纳斯达克。这个例子把「知识之间的连接」变成了可玩的过程。
真实需求在这里有明确来历:持续使用过、已有工具失去维护、自己还想继续玩。完整体验则不止核心算法,还包含进入、使用、结束与回看的过程。现场可演示这些环节,不等于产品已经通过所有可靠性检查。
~/.agent-autoloop/reading.py 的 pick() 会从待读项里选择内容,today_text() 把它写成推送文本。若 Ben哥要改善阅读体验,先明确是「选不到想读的内容」,还是「读完不能回到相关材料」,不要一上来重做知识库。可提议加 explain_pick(it),输出选择理由与它对应的阅读问题,让一个小需求先形成可判断的结果。
阿禅展示开发对话时,先问 AI 是否听过这类游戏,让它做调研,而不是直接报功能清单。AI 列出方案后,他认为太复杂,继续删减,讨论最小版本该保留什么,再进入开发。对话里出现的起始时间是四月五日晚上;直播时他说产品已经提交 App Store 等待审核。
这里有两种时间不能混在一起:开场讲不到一个小时就能在手机上跑;完整开发、细化及上架材料约用了五天。前者是初次跑通,后者才接近这次展示的产品范围。跑起来不是交付结束,提交审核也不是审核通过。
| 环节 | 本场具体做法 | 应当怎样理解 |
|---|---|---|
| 调研 | 先让 AI 研究同类游戏和功能 | 先形成方案,不是直接接受全部建议 |
| 缩小范围 | 人指出过于复杂,要求简化 | 最小版本靠取舍,不靠无限生成 |
| 初次运行 | 当晚很快能在设备上玩 | 证明基本路径可行,不代表全部完成 |
| 产品细化 | 补充体验、功能和提交材料 | 与首次运行分开计算 |
| 商店提交 | 直播当天提交等待审核 | 原文没有给出审核通过结果 |
最小版本不是粗糙版本,而是当前只承诺哪些事情。AI 能帮助展开方案,人必须帮助收束方案。本场没有展开完整版本清单、每版工时与缺陷记录,不能补成一套未经展示的项目台账。
后续调整 ~/.agent-autoloop/report_html.py,可以先限定只改 page() 生成的公共页面框架,或只改一个报告入口,不能两种目标一起扩张。在 kb/STANDARD.md 的写作规范中,也可提议增加「本轮解决什么/不解决什么/怎样看到结果」的任务卡格式;这是待另行安排的改进方向,本轮不修改该规范。
阿禅指出,对话上下文有限,越来越长可能记不住,也可能增加消耗。他把产品目标、框架、代码结构和工作方式写进 Markdown 文件,并提到 memory 与 agents 两类文档。作用就像同事离职前交接:做了什么,文件放在哪里,下个人怎样接手。
关键不在文件名字,而在写入时机。他强调一边开发一边记录,而不是最后才整理。因此即使新开对话,或者换另一个 AI,也不用把全部聊天历史重新塞进去。他规定的工作顺序包括先计划、拆版本、写 memory,然后自己配合必要的配置与材料准备。
外置交接保存的是接下来继续工作需要的事实,不是聊天记录的副本。持续更新避免文档刚写好就落后于实现。原文未展开这些文件的完整内容,也没有证明某个固定文件名能够自动解决全部记忆问题。
Ben哥在 kb/STANDARD.md 中已有固定骨架和来源要求。可以提议给每篇长任务加「当前目标、已确定口径、当前文件、下一步」四项交接信息,明确它们不是新的正文模板。knowledge.py 的 sources 也可继续承担材料入口,而不是把所有历史对话放进 points。具体解析规则需要后续单独实现,本篇不改变现有返回结构。
有人问:自己已经不断描述需求、查看结果、再描述需求,为什么仍做不到想要的样子?阿禅认为可能是需求太大,没有拆成小需求。就像让人「做一个微信」,这句话包含太多不同功能,经验丰富的人类也不知道你到底要什么。
他的处理方式不是找更神奇的提示词,而是改变合作模式:没想清就先让 AI 做教练、做讨论对象,帮助把问题想清;讨论完成,再切换到开发。howie 把它放进 Agent 元技能的话题里,阿禅则用更朴素的词解释:团队管理——目标是什么、规范是什么、犯错后怎样记住并避免重犯。
讨论模式与执行模式分离,避免把没有定下来的想法当指令。分阶段交代要求人知道第一阶段、第二阶段分别交付什么。「指点江山」有效的前提是懂目标与原理,不是只会发出大命令。
reading.py 目前会读取条目的「价值」并写入推荐文本。若 Ben哥希望推荐更贴近正在做的事,可以先围绕这个字段讨论「它解决哪个问题、读后应作出什么判断」,再决定是否提议新增「阅读问题」字段及相应展示。不要直接给 pick() 一个「更懂我」的大目标;先选一条材料,明确新旧推荐文案怎样比较。
阿禅说,做网页前后端时,可以用语言规定不同角色:一个负责后端开发,一个负责测试;开发完成,测试检查,指出哪里错,再交回修改。howie 则强调 Agent 围绕目标调用工具、验证和测试的循环。
对于界面精美与一致性,阿禅谈到已有设计 Skill:先澄清风格与边界,再给出色盘、色号、圆角等具体约束。通用方案可以先铺底,重要页面再按个人审美微调。他并没有说装了 Skill 就能替代品味,也没有展示一套完整自动验收清单。
角色分工让「做出东西」和「指出问题」成为不同职责。原文描述了角色化协作,没有给出足够细节证明测试来自完全独立的模型或进程。设计约束则是把「高级一点」翻译成可比较的具体选择。
report_html.py 的 page() 统一注入 CSS 并拼接页面,适合承接公共风格要求;render_morning() 与 render_midday() 则各自保留内容安排。后续可提议增加 validate_report_layout(html),检查必要结构,再由不同于实现者的视角查看真实页面。这个函数名是应用提案,不能把它写成已经存在或已经执行过的测试。
阿禅认为,发现需求的难度并没有随着开发变容易而消失,反而更重要。可以来自生活细节,也可以只是自己确实想解决的问题。产品是否内置 AI 要看具体需要;他表示能不用就不用,因为调用也有成本。用 AI 开发产品,与做一个持续调用 AI 的产品,不是同一件事。
howie 把注意力放在更前面:为什么他们会做这个游戏?因为长期关注知识管理,也一直在玩,不是临时刷到一条内容就决定跟风。人负责发现、定义问题,AI 帮助解决问题;一句「帮我挣很多钱」无法替代对需求的观察。
注意力决定问题入口:你长期投入什么,才容易看见什么不方便、什么值得改。实现能力与需求判断分开:前者改善,不自动保证后者。原文关于「超级个体」的规模判断是主持人的方向与愿望,不是本次产品已经证明的产能结论。
reading.py 的 pick() 现在按优先级、时长等信息排序。后续若要表达长期兴趣,可提议增加「关联任务」字段,在 explain_pick(it) 中说明材料为何值得占用 Ben哥的注意力,再决定是否影响排序。不要因为某条容易处理就持续推荐,也不要为了展示 AI 能力,给原本确定的排序逻辑额外塞入一次模型调用。
两人谈到海量 AI 内容让阅读和分享都变得疲惫。阿禅特别强调 fact check:模型可能产生语言上合理、现实里却未发生的内容,这些内容又进入互联网,被后续系统继续吸收。因而学习能力不仅是快速问到答案,还包括识别、核对并建立整体理解。
这里也存在值得保留的张力:演示上架材料时,阿禅说隐私政策由 AI 生成,自己没有细看,认为问题不大;而后面又强调事实检查。前者是他实际采用的做法,不能因此被提炼成「隐私材料不必审核」的方法。原文没有展开隐私条款核验与商店审核结果。
事实检查不能被「听起来合理」替代。整体理解也不是概念堆积,而是知道各部分的关系与边界。本场游戏的路径对照体现了知识连接,但没有提供它能提高学习成绩或认知能力的测量证据。
knowledge.py 的 unit(n) 已把 sources 返回给调用方,可提议增加 evidence_status,区分「有材料入口」与「已核对内容」,不要把存在链接自动标成已核验。kb/STANDARD.md 中则可提议明确:讲者判断、演示观察、自己的应用推演分别写,无法确认的地方写「原文未展开」。这能防止深蒸馏把分享者的乐观判断加工成确定事实。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 先调研,再删减功能 | ~/.agent-autoloop/report_html.py | 每轮只选一个渲染入口,先定义读者问题和不变项 |
| 学到可沟通的概念层 | ~/.agent-autoloop/knowledge.py | 提议在 unit(n) 增加 concepts,记录概念作用与关联 |
| 真实需求先于完整产品 | ~/.agent-autoloop/reading.py | 提议增加 explain_pick(it),解释推荐对应的实际阅读问题 |
| 交接边做边写 | kb/STANDARD.md | 提议记录目标、口径、当前文件、下一步,不复制全部聊天 |
| 讨论与执行分开 | ~/.agent-autoloop/reading.py | 先讨论「价值」字段怎样表达需求,再决定是否新增字段 |
| 设计规范与测试分工 | ~/.agent-autoloop/report_html.py | 公共风格归 CSS 和 page();提议加布局检查,再另行人工查看 |
| 来源不等于已经核验 | ~/.agent-autoloop/knowledge.py | 保留 sources,提议增加独立的 evidence_status |
原文:howie 与嘉宾阿禅直播《ai 编程专题:从 0 基础到原生 app 开发》,2026.04.10。来源为本篇头部原视频链接;时长未标。
本篇依据:完整读取本地机器转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_69d6ff6de4b0694c34f682f6.txt,涵盖开场、三个项目回顾、游戏演示、开发对话、概念学习及观众问答。样例仅用于层级与语气,不把其他直播的内容当成本场证据。工作关联仅依据所点名本地文件的只读检查。
更正与边界:明显误识别的人名、Xcode、Cursor、Claude、TestFlight、Obsidian 等按上下文统一,游戏统一称 WikiMatch,玩法称 Wiki Race;无法确认的理财产品名称不强行还原。约五天与首次运行不到一小时属于讲者自述;约二十美元是他按订阅用量折算的粗估,不是经核对的总成本账单。一人公司、百倍产能及对教育的宏观判断不作为已证事实。原生开发案例不等于所有复杂项目均可自动完成。所有「对你的实际应用」均为分析提案,不是讲者原话,也不表示已修改脚本、配置或规范;本轮只写本篇 Markdown,未做外部事实核验或独立内容验收。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.04.03 | 约125分钟 | 已深蒸馏 12 / 53 来源:原视频 | @howie.serious | 2026.04.03
阅读路径:先读第一组,分清「找到好内容」和「真正用得上」之间差在哪;第二组拆系统的构成,第三组看历史阅读怎样重新参与今天的判断,第四组划清人的工作与算力投入的边界。只看一组就看第三组,它最直接回答知识库为什么不能只是收藏夹。
一句话结论:如果高质量信息只被收藏而没有被加工、关联和调用,那么增加订阅与抓取量并不会自动提高产出;这场提出的突破口,是让 Agent 持续驱动信息系统,而不是再增加一个阅读入口。
分享者先讲的不是模型,而是一个家庭长期处在高质量信息流里的变化。他把这种关系比作河水流过身边:水质决定长期接触的内容。自己从知识管理、自我管理等内容开始学习,再把有用的材料打印到家里的白板上,让家人看见、产生兴趣、主动询问,而不是强行说服。
孩子沿着分享的绘本书单阅读,后来反复观看感兴趣的知识视频,尤其关注微生物、细胞和免疫系统,并自己画课件,向同学讲解。伴侣则从更容易进入的精选文章开始,逐渐学习、记录,最后写电影评论。他要说明的不是「订阅之后自然变强」,而是输入会通过共读、复述、讲课和写作继续流动。家庭案例能说明一条可能路径,不能把结果全部归因于某个订阅服务。
Ben哥可以把这个判据用于 ~/.shared-agent/kb/STANDARD.md:若后续单独批准修改,增加「关联的实际问题」「产生的输出」「后续使用记录」三项记录要求。深蒸馏的价值不以入库数量代替,而看它有没有进入一次报告、一次判断或一个实际项目。本轮只提出字段,不修改标准;你现有标准是否已经包含这些字段,本篇没有核查。
分享者把过去的费曼日报称为「原矿石」:来源质量高,但用户拿到以后仍然要自己消化。howie 提供阅读方法、三级笔记等课程,也不能消除第二次投入——买到课程只是开始,真正用起来仍需要学习方法和付出时间。分享者用「叫好不叫座」描述这种落差。
AI 内参的变化,在他看来不是突然找到了全新的信息源,而是把消化方法固化进 Agent:三级笔记、概念拆解等加工已经做好,用户可以先读成果,再继续追问。他用做鱼作比:过去告诉你鱼在哪、怎么处理,现在把处理好的鱼端上桌。这里降低的是进入内容的门槛,不是证明读者不必再思考。
| 形态 | 用户拿到什么 | 主要阻力 | 本场描述的变化 |
|---|---|---|---|
| 高质量信息流 | 长期接触优质内容的机会 | 需要持续接触并自己输出 | 先改变接触的信息 |
| 精选订阅服务 | 筛选后的文章与简短介绍 | 消化主要靠读者自己完成 | 解决找什么看 |
| Agent 驱动的信息产品 | 加工后的笔记、概念与可继续对话的入口 | 仍要联系自己的问题与行动 | 把部分消化能力封装进服务 |
对 Ben哥的 ~/.agent-autoloop/report_html.py,可提出新增 render_reading_path() 函数的改造:输入来源、核心判断、关键概念、实际问题,先渲染「先读什么、为什么」,再展示详细正文。函数名是本篇拟议,不是已存在的接口。目的不是把页面做长,而是避免报告只交付链接和材料,仍把全部消化工作留给你。
howie 展示自己的 Agent、Skills、工具和数据,强调它们是长期迭代出来的。以 AI 内参为例,内参编辑配有多个技能,其中包含文章入库、概念提取、三级笔记等环节。Agent 的指令要迭代,技能也要迭代,但他反复强调的差异来源,是接入自己长期积累的独特数据。
他以 Readwise 中上万条积累说明:当一个新想法进入系统,思想孵化 Agent 可以连接过去的阅读、划线、笔记、推文和 AI 对话,找回连他自己都已经忘记的线索。这里不是「写一段更好的提示词就能复制一个人」,而是把一个领域的方法、历史材料和任务指令组合起来。他还说未来可以接入更多笔记,这部分属于计划,不能写成已经全部接通。
Ben哥若改 knowledge.py,可以新增拟议函数 build_agent_context(),按本次问题组织「原文路径、来源链接、相关旧笔记、适用方法」再交给执行者。不要只把一段角色描述塞给模型。若某条旧笔记没有原文或依据,就在传入内容中明确注明限制。本篇没有读取该脚本,因此不声称已有这些参数,也不把设计写成已实施功能。
他将 AI 内参定义为由 Agent 驱动的系统,而不是一个孤立 Agent,也不是单纯的知识库。演示中的信息流系统包括日报库和阅读库,还会连接概念、思想、行动、工具等库;驱动它的主要角色是内参编辑与思想对话 Agent。
他偏爱 Notion 的理由也在这里:页面、数据库和属性高度结构化,又具备共享协作的工作空间。学习系统中,每个学生可以有自己的档案,错题和分析写入各自的数据中。相比之下,他认为桌面 Agent 虽然能读写文件、调用脚本,操作边界更大,但自己看重的是结构化数据与系统的结合。这是他的方案选择,不是对所有桌面 Agent 能力的完整评测,更不能推出本地文件天然无法结构化。
| 构件 | 本场中的具体作用 | 只留下这一件会缺什么 |
|---|---|---|
| 系统与数据库 | 承载日报、阅读、概念、档案等对象 | 有结构但仍需要人处理 |
| 数据 | 提供真实材料、历史阅读和个体记录 | 有原料不等于有加工流程 |
| Skills 与指令 | 封装方法并组织具体任务 | 没有真实数据就缺少个人差异 |
| Agent 与工作空间 | 驱动处理、对话及结果写回 | 脱离系统容易只剩一次性回答 |
对 knowledge.py,Ben哥可在未来改造中明确 source_url、transcript_path、concept_refs、idea_refs、action_refs 这组拟议字段,让文章与概念、思想、行动有可读的关联。重点是对象之间能连接,不是现在就迁移到某个平台。本轮不改数据、不新建库;原文也没有展开这些英文键名或本地数据库方案,它们只是对本场思路的本地映射。
本场最具体的一次改造,是 howie 给日报加入历史策展。过去日报主要梳理 Readwise 当天新增的内容;现在他要求 Agent 从上万篇历史材料里,找到与今天主题相关、质量更好的旧文章,再选择其中合适的内容入库。
他以模型发布为例:今天的新消息,可以与先前其他模型的发布、甚至更早的文章联系起来。演示提到从若干媒体及作者的相关内容中继续挑选。他说自己做的是提出这条策展想法,再通过修改技能让它成为流程的一部分。变化不在每天多抓几篇,而在今天的问题能调动昨天以前的积累。检索如何排序、质量如何打分、多少篇算足够,原文未展开。
Ben哥可给 reading.py 提出新增 select_historical_readings() 的改造:输入当前主题和今日文章,输出相关旧条目及「为何相关」;拟议结果字段用 related_history、selection_reason、source_url。不必先追求更多来源,先让一篇新材料能带出有根据的旧材料。评分算法与选取数量不能冒称来自讲座,需在后续独立任务里再确定。
howie 演示的阅读入口保留原始文章及带划线标注的链接,也提供加工后的思维框架。用户可以先读笔记;在文章里遇到问题时,可以选中、划线、评论,再召唤思想对话 Agent。想法可以入库、孵化、继续交谈,不必离开当前阅读对象另起一个孤立会话。
思想孵化的例子,则把这条链往后延伸:先捕获一个种子想法,再让 Agent 基于自己的历史积累展开,最终可能用于推文、文章、产品或具体工作。他把目标称为同时成为「思想的巨人和行动的巨人」。本场展示了这种方向与个人感受,但没有逐条展示每个想法从提出到落地的完整结果,因此不能把所有孵化稿都当作已完成的行动。
Ben哥可在 ~/.agent-autoloop/report_html.py 中规划 render_source_and_question():把原文入口、笔记段落和当前问题放在同一区块;在 knowledge.py 的拟议结果记录里增加 origin_note、question、intended_use。如果一次阅读形成了实际工作,再由后续获批任务关联到 tasks.md 的对应事项;本轮不读取或修改任务表,也不把生成一个想法写成任务已完成。
当 Agent 在具体处理上做得比自己更好,howie 开始把事情分成「何必类」与「务必类」:能通过技能、数据和指令组合交给 Agent 的细节,何必要亲自做?剩下需要人投入的,是提出原创想法、设计系统、组织独特数据,以及决定时间和注意力放在哪里。
他用站着办公、踱步思考、大量语音输入描述工作方式的变化,也强调需要理解新的基础概念。例如不必背住所有命令,但必须理解脚本、文件读写、不同 Agent 工作环境之间的区别。进一步,他主张扩展跨学科知识,而不是守住单一具体技能。这些是他的经验和教育判断,不应改写成所有人都必须站立办公或照搬其家庭安排。
Ben哥可把 ~/.shared-agent/kb/STANDARD.md 的未来改造写得更具体:增加「交给 Agent 的加工环节」与「需要本人判断的结论」两个栏目。前者可写概念提取、关联旧文,后者明确哪些主张还缺依据、哪些用途需要你裁决。这样节省的是重复处理,不是把报告里的判断责任一起交出去;本轮没有修改该文件,也没有替你更改任务权限。
他把 compute 称作个人在 AI 时代的重要杠杆:以前编辑和读者都受人脑处理能力限制,日报只能做有限选择与简短介绍;现在可以购买更多模型处理能力,让原来难以完整执行的方法持续运行。他设想的飞轮是:算力创造价值,再用新增价值购买更多算力。
但这场没有提供一套经过核算的通用回报率。演示中既有工作空间成员整体的积分消耗,也有内参编辑和思想对话两个 Agent 的费用,还有席位费用与未来按量收费的讨论,口径并不相同。他强调愿意花钱的理由,是 Agent 足够好、使用场景足够有价值,而不是消耗越高就越有效。十倍、百倍产出及商业价值等说法,应保留为他的判断与目标。
Ben哥若单独推进成本记录,可让读取 cron-jobs.json 的执行代码新增拟议函数 record_run_value(),记录 job_id、input_scope、usage_cost、output_path、actual_use。任务配置只负责标识任务,实际消耗与用途留在运行记录中;无法取得费用时明确未取得,不填估算冒充实数。先看这份蒸馏是否被用到,再决定是否提高频率。本轮不动 cron,也不把讲座中的费用当作今天的平台报价。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 输入需要走向输出 | kb/STANDARD.md | 拟增加实际问题、输出、使用记录,区分读过与用过 |
| 消化能力应进入交付 | ~/.agent-autoloop/report_html.py | 拟增 render_reading_path(),先显示阅读路径,再展开正文 |
| 独特数据参与任务 | knowledge.py | 拟增 build_agent_context(),同时组织来源、旧笔记与适用方法 |
| 数据对象彼此连接 | knowledge.py | 拟用 concept_refs、idea_refs、action_refs 表达关联 |
| 新增内容连接历史材料 | reading.py | 拟增 select_historical_readings(),保留选取理由和原文链接 |
| 阅读之后继续形成问题 | ~/.agent-autoloop/report_html.py | 拟增 render_source_and_question(),让问题留在原文语境里 |
| 思想产物不等于行动完成 | tasks.md | 后续获批再关联实际事项,本轮不读不改,也不代填完成状态 |
| 算力要对应实际用途 | cron-jobs.json 的执行链 | 拟记录真实消耗与产物用途,不因额度可用就提高运行频率 |
原文:howie《ai 系统专题 4:信息流系统》,2026.04.03 直播回看,包含一位用户的家庭学习与 AI 内参使用分享。时长约125分钟,由口述八点开始、十点结束且超时五分钟推算,不包含无法确认的开播前时长。
本篇依据:本地转写稿 /Users/benhong/.agent-autoloop/cdb/transcript/l_69ce02e2e4b0694c5ba71ed5.txt 全文分段阅读。采用其中的信息流三级进化、方法封装、Agent 与系统组合、历史策展、思想孵化及算力投入等内容;未查询外部资料,未以样例中的其他讲座内容补充本场事实。元信息中的12对应本任务编号,不代表重新盘点了全库进度。
更正与边界:机器转写中反复误识别的 Notion、Readwise、费曼日报等名称按上下文统一;不确定的人名不强行定字,明显无关的片头杂音不纳入论证。讲者的效果倍数、价值估计、平台比较与收费预期均是直播当时的个人判断,不是独立验证结论或现行报价。完整检索算法、评分规则和成本核算方法原文未展开。应用段及表格中的字段与函数均为面向 Ben哥文件的拟议设计,并非原文接口,也不是本轮已执行的修改;相关脚本当前实现未核查。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.03.20 | 约 2 小时(据开场与收尾口述) | 已深蒸馏 13 / 53 来源:原视频 | @howie.serious | 2026.03.20
阅读路径:先读第二组,弄清一个 Agent 系统到底要设计哪些东西;再读第三组,看日报迁移、视频入库和灵感收集怎么落成流程。第一组纠正「装好就有员工」的预期,第四组解释为什么越有杠杆越要放慢。只看一组就看第二组:模型和工具可以买到,自己的指令与上下文不能靠安装代替。
一句话结论:只安装 Agent、不给它接入专业积累和明确流程,通常不能产生持续的独特价值;真正的元技能,是把人的判断转成可调用、可反馈、可迭代的系统。
howie 开场批评的不是所有入门教程,而是把安装等同于价值的营销:交钱装好一个「龙虾」,就能让高水平员工替自己经营、发帖、赚钱。他认为这个比喻掩盖了人的责任。装完不知道让它做什么,又卸载,并不一定说明 Agent 没用,也可能是使用者从一开始就拿错了心理模型。
他更愿意把 Agent 比作钢铁侠的智能战甲:它能写代码、修复问题、调用工具,但价值仍然取决于驾驭者的认知、思维方式,甚至情绪状态。这里的重点不是「机器还不够聪明」,而是能力增强不等于目标和判断可以一并外包。
Ben哥,可以把这个区分用于 ~/.agent-autoloop/report_html.py:后续拟加 render_decision_card(),把「来源事实」「你的判断」「下一步动作」分栏呈现,避免把一份自动生成的报告包装成自动完成的决策。函数名是本篇拟议方案,不是对现有代码的描述;本轮不改脚本,也不让 Agent 替你作最终决定。
他讲了一个朋友来学安装的例子:先准备电脑、顺畅的网络和 ChatGPT 桌面应用,再让模型读取终端输出,一步步指导安装和排错。遇到问题,不要求朋友先读懂每条命令,而是把输出交给模型,用自然语言继续说明问题。团队成员也在交流和指导后搭起了系统。
但他随即强调,安装只是很小的一点,后面还有大量概念需要学习、记笔记、逐步积累。因此,「技术操作可以被帮助」和「不需要理解任何东西」是两回事。他还提醒,本地 Agent 能操作文件,又可能受到邮件或提示内容的攻击;没有安全意识、只被宣传驱动的人,并不适合贸然上手。
Ben哥,kb/STANDARD.md 后续可增加「排错证据」小节,固定写入 目标操作、实际输出、预期结果、读写范围。这样以后遇到任务失败,交给 Agent 的不只是「又坏了」,而是能解释问题的上下文。这里只给记录格式,不把直播里的复制命令示范扩张成无条件执行,也不自动扩大文件权限。
他引用的定义很短:大语言模型在循环里运行工具,以达到一个目标。模型要能推理、调用工具、观察结果;没有达到目标,就调整后再来一轮。只有模型加一段角色提示,不能据此就说已经构成了这里讨论的 Agent。
随后,他用「一个人」拆解系统。模型是脑子,Skills、MCP 和其他工具是手;指令决定行为和思维方式;笔记、划线、阅读资料和经验构成上下文。Skills 是技能的封装,插件可以再封装一组 Skills。重要的不是把名词全部装齐,而是这些部件能否围绕同一个目标工作。
| 系统部件 | 原文中的对应 | 看它是否有用的判据 |
|---|---|---|
| 模型 | 脑子,承担理解和推理 | 能否完成当前任务,而不只是能聊天 |
| 指令 | 行为设定、工作要求 | 有没有讲清核心任务、流程与不能做的事 |
| Skills 与工具 | 手,封装动作和技能 | 能否操作任务真正依赖的数据与服务 |
| 上下文与记忆 | 笔记、划线、阅读积累 | 是否接上你的经验,而不是空泛背景 |
| 触发器 | 时间、消息、提及、操作变化 | 是否在恰当时机启动对应流程 |
这张表是对他讲解的整理,不是产品能力测试表。他偏好使用最强模型,但「某个模型适合某份任务」的量化评估方法,原文未展开。
Ben哥,kb/STANDARD.md 后续可给每条工作流增加一张「部件卡」:目标、模型选择理由、输入资料、调用工具、触发条件、完成判据、禁止动作。先用深蒸馏或日报填完整一张,不新增一批工具。它能把「这个 Agent 不好用」拆成可定位的问题:究竟是没资料、没手,还是没有完成标准。
他反复说,模型大家都可以买,公开 Skills 也都可以安装。真正拉开差别的是自己写的指令、接进去的 Context,以及把专业经验封装成的技能。他以自己的阅读笔记、Readwise 资料和长期编辑经验说明:系统不是从装好软件那天才开始积累。
内参编辑 Agent 的演示把这件事说得很具体:先有总体说明、名词解释和核心工作,再按流程写清触发条件、调用哪个 Skill、产出什么结果;随后给它指定能访问的库与页面,并接上 Readwise 的读取和写入工具。触发器可以是定时,也可以是提及它、发消息,或在日报里做了某项操作。
他也区分了运行环境:OpenClaw 在自己的机器上,Notion Agent 在 Notion 云端,Claude 的相关 Agent 又有自己的应用环境。它们可以独立做,也可以协作。同一件事不必永远绑定一种宿主,关键是资料、工具和流程接在哪里。
Ben哥,~/.agent-autoloop/cron-jobs.json 后续可拟增任务元信息 input_scope、workflow_ref、expected_output,分别记录输入范围、流程说明和目标产物;是否能直接加入,须另查现有配置结构,本篇不假定这些字段已经存在。比如深蒸馏应指到特定转写和模板,而不是只写「自动完善知识库」。本轮不读取或改动 cron 配置。
原来的日报由 OpenClaw 在凌晨制作,再推送到 Notion。为了让不熟悉技术的人也能搭同款,howie 演示把这项工作转到 Notion Agent。迁移不是发一句「照旧做」:先测试安装的 Readwise MCP 能不能用;发现返回内容不符合预期,再明确「只看 inbox」;确认输入后,把原来涉及的 Skill、模板和脚本流程用自然语言交代,再逐轮测试和反馈。
另一个例子是思想对话 Agent 的介绍。他没有自己从零敲出全部文档,而是用语音说明背景、使用场景、如何召唤、希望怎样使用,选定模型后让它起草,再继续反馈。两段案例都说明:自然语言替代的是一部分操作和书写,不是把全部工作压缩为一次指令。
| 迁移中的动作 | 解决的问题 | 不能跳过去的判断 |
|---|---|---|
| 先测试 MCP | 工具到底能不能取到数据 | 有工具名不等于接通成功 |
| 限定只读 inbox | 返回内容与预期不一致 | 输入范围必须明确 |
| 说明旧流程和模板 | 原宿主的工作要迁到新环境 | 迁的是任务,不只是提示词 |
| 多轮试做与反馈 | 生成结果与目标仍有偏差 | 看到输出后还要审阅 |
| 记录每日迭代 | 把局部改进留在系统里 | 做完一个功能再勾掉 |
Ben哥,~/.agent-autoloop/report_html.py 后续可拟加 render_input_scope(),在报告页显示 source_scope、selection_rule、source_status,让人能看出材料从哪里来、为何选中、是否齐全。它对应演示中「只看 inbox」这一修正:如果输入范围错,先修取数,不拿排版漂亮当作任务完成。这里的字段仅是应用设计,不声称现有报告已经具备。
视频案例里,他把链接发给 Agent,调用自己设计的视频入库 Skill,补频道和时长信息、保存图片,把转写整理成便于阅读的内容。他还谈到后续可以继续做三级笔记、提取概念,以及生成其他学习材料。这些后续可能性不能和当场展示的入库动作混为一谈;每项的具体实现,原文未展开。
灵感案例则从手机动作按钮开始:打开指定 Inbox,用 Typeless 语音输入捕获想法和待办,再让 Agent 按日写入 Notion 或 Obsidian。他说明 Logseq 和 Obsidian 可以是同一批 Markdown 文件的不同前端。这里不是主张再建一个收件箱,而是把「想到、记下、整理到可用位置」接起来。
日程案例更短:聊天截图里已经达成约定,他发图要求更新日程,Agent 提取细节写进 Google 日历,再做提醒。三个例子的共同点是入口轻,但背后有明确的去向和操作。
Ben哥,kb/STANDARD.md 后续可把入库结果分成 已捕获、已取得正文、已深蒸馏 三种状态,并要求每条保留 source_url、transcript_path、output_path。这是本篇从案例提炼的设计,不是讲者原有字段。对当前知识库尤其有用:只取得链接或转写的材料,不能在清单里与已经完成深蒸馏的文章混算。
howie 把 prosumer 译为「创造型消费者」,与只消费娱乐、营销文和 AI 垃圾内容的 consumer 对照。专业人士买工具和订阅,目的不应只是继续看更多,而应让这些投入帮助自己生产、创造、判断和决策。他追问的是:你究竟在哪个领域是 pro?
所以,他把内参定义成思考、决策和行动系统,而不只是信息流。资料可以很长,也可以只是一句话;价值在于能不能引发理解、画线、评论,以及进一步与思想对话 Agent 讨论。他甚至保留低质量内容作反面案例,说明精选不只是收藏「看起来像干货」的文章。
这也解释了他为什么强调自己的信息源和编辑经验:系统里的判断不是日报每天自动搜索一遍就自然产生的。他对通用自动早报的批评很强,认为没有人的筛选和领域理解,返回材料可能没有多少价值。
Ben哥,~/.agent-autoloop/report_html.py 后续可拟加 render_action_trace(),只展示有依据的 来源材料、判断变化、对应行动;不能对应行动时,明确写「尚未形成行动」,不要让模型凑建议。把是否多读一篇,改成是否改变了一个判断,才能区分晨报或知识库是在帮助工作,还是只增加消费量。
他讲到一个很有反差的选择:知道把大量笔记接进去会带来很大改变,却还没有启用现成的 Obsidian Skill;知道能做的场景很多,却刻意不再加更多 Agent。理由是先把一个产品做深做透,稳定自己的节奏,而不是每天追着新工具走。
他展示的内参是每天看、每天维护、每天迭代一点的系统。他认为这种持续使用和积累比赶着安装更重要,也提醒高效率会加重脑力消耗。结尾的学习系统与 LanguageOS 是后续方向,不是这场已经展开的方法课。
同时要看到直播的商业背景:后半段相当多内容在介绍内参、团队工作空间和同款系统搭建服务。对 Notion 的强烈推荐,既来自他的使用体验,也与这些交付方式相连;不能直接推出 Ben哥必须换工具或加入同一个付费团队。
Ben哥,kb/STANDARD.md 后续可新增「场景收口」栏,要求写清 本轮只改什么、本轮不做什么、观察什么结果。在下一轮设计 cron-jobs.json 任务前,先用这三项约束范围,而不是因为脚本能跑就扩大自动化。本篇只提供可审阅的应用方案,不新增定时任务、不改配置、不迁移知识库。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 智能战甲,不是替代判断的员工 | ~/.agent-autoloop/report_html.py | 拟加 render_decision_card(),分开来源事实、你的判断和下一步动作 |
| 指令、工具、上下文围绕目标组合 | kb/STANDARD.md | 增加部件卡,逐项填写输入资料、工具、触发条件、完成判据 |
| 定时只是召唤方式,不是完整流程 | ~/.agent-autoloop/cron-jobs.json | 拟增 input_scope、workflow_ref、expected_output,先核对配置兼容性 |
| 迁移日报先纠正 inbox 范围 | ~/.agent-autoloop/report_html.py | 拟加 render_input_scope(),显示选材范围和来源状态 |
| 捕获、入库、加工是不同环节 | kb/STANDARD.md | 区分三种状态,保留来源链接、转写路径和产物路径 |
| 信息流要推动思考与行动 | ~/.agent-autoloop/report_html.py | 拟加 render_action_trace(),只记录有依据的判断变化,不强凑行动 |
| 先把一个场景做透 | kb/STANDARD.md | 写清本轮改动、明确不做的事,以及观察结果,再考虑扩展 |
原文:howie.serious《龙虾专题 2:agent 元技能》,2026.03.20 直播回看。时长约两小时,依据开场八点与收尾十点的口述估计,不是录像元数据。
本篇依据:指定本地转写 /Users/benhong/.agent-autoloop/cdb/transcript/l_69bb6546e4b0694c34eb36c2.txt,覆盖开场、系统定义、实例演示、商业介绍和结尾。两份已通过样例只用于层级与语气,不用其内容补充本场观点;未访问外部资料,也未核验当前产品功能。
更正与边界:按上下文统一 OpenClaw、Notion、Readwise、Typeless 等明显误识别,无法确认的词不强行还原。视频处理数量、费用及模型时间叙述存在口述或转写不一致,本篇不据此计算效率、收益或当前价格。讲者关于 2026 年底知识工作自动化的说法,是直播当时的预测,不是已证实事实;投资举例不作为收益证明。安全实现、工具授权细节和后续学习系统,原文未展开。全部「对你的实际应用」及关联表均为面向 Ben哥的拟议设计,字段、函数尚未实施,本轮未修改所提及的脚本或配置;内容仍需独立复核。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.03.13 | 约 120 分钟 | 已深蒸馏 14 / 53 来源:原视频 | @howie.serious | 2026.03.13
阅读路径:先读第二组,弄清一份看似完整的 AI 总结为什么会把原意说反;再读第三组,看人工筛选、阅读与 Agent 加工如何接起来。第一组解释人的体验和品位从哪里来,第四组再决定工具放在哪里、先解决什么。只看一组就看第二组,它直接决定知识库积累的是判断依据,还是包装精致的错误。
一句话结论:如果把材料筛选和原意核对一起交给 AI,只保留自动摘要与入库,即使接上更强的模型,这套阅读系统也可能更快地积累错误,而不是更快地形成理解。
这场直播不是产品发布汇总。howie 先讲一家人徒步峨眉山:两天走了接近四十公里,他的体力最差,却从这个过程里提炼出三个可以组合的方法。孩子用打猴棍圈定前面几级台阶,他用手表观察自己的心率,同行家人提醒他走折线、降低每一步上升的难度。
孩子不是盯着还有多远的山顶,而是把棍子够到的位置当作下一步。howie 也不指望一次走完,而是在身体负荷升高时停下,恢复一些再走;他估算自己一个这样的区间只能前进约六十米。折线走法则是在距离与难度之间做交换。他把这些经验迁移到学习、考试和工作:有限能力不是只能硬撑,也可以通过分段、反馈和改变路径持续推进。
这里有两层意思。第一层是体力上的坚持,第二层是情绪上的耐力:面对看不到尽头的任务,不因为一次吃力就全盘崩溃。原文用 emotional stamina 来说后一层,而不是把毅力简化为不休息。
Ben哥的 ~/.shared-agent/kb/STANDARD.md 可以拟增「单篇完成单位」字段:本轮输入、本轮输出、完成证据、停止条件。一次深蒸馏以一份转写和一篇可核对的文章为单位,不把整批库存压进同一轮。这里迁移的是分段与反馈,不是把讲者的个人心率区间换算成任务配额;具体时长和资源阈值原文未展开。
他接着讲杜甫草堂、登山时谈诗,以及重读刘震云《咸的玩笑》的感受。诗句从课本上的字变成眼前的地形、窗外的景象,理解便不再只是背诵。文学阅读在这一场里的作用,也不是提供几个可以直接摘走的金句。
howie 认为,物质商品高度丰富之后,真实体验、情感深度和精神生活反而更值得投入。读优秀作品还能训练语言判断:为什么这一段很长,那一句单独成段,标点和用词怎样起作用。这样的阅读经验,才让人比较容易看出 AI 套话和低质量文字。
他用《咸的玩笑》说明,读过不等于读懂:人物结局如何解释,开头结尾与中间故事是什么关系,反复出现的「文化素质提高」是不是反讽,都需要读者参与判断。他对结尾的解释属于个人阅读,不是本篇可以替小说定下的唯一答案。把小说压成剧情梗概,也不能自动保留这些理解活动。
Ben哥可以在 ~/.agent-autoloop/reading.py 的后续迭代中拟增 record_reading_response(),接收 source_passage、my_interpretation、open_question,把原文片段、自己的解释和仍不明白的问题分开。不要把自动生成的读后感写成「我的理解」。文学作品结局若存在不同读法,应保留为解释,而不是让模型归并成一个确定事实。
这场最值得保留的反例,是一份罗永浩与刘震云访谈的网络总结。它篇幅长、结构完整,也有人称赞总结到位;howie 却指出,时长、概念和作者原意都有问题。所谓 AI slop,在这里不是「我不喜欢这个文风」,而是能够指到具体错误。
按他的核对,四个多小时的访谈被写成两个小时;「知道分子」与「知识分子」的关系被倒置。原意是在区分知道许多东西与拥有生活智慧,总结却改写成「中国不缺知识分子,缺的是知道分子」,再用另一套解释把它圆回来。一个听起来锋利的结论,就这样替换了原来的意思。
他还追到材料入口:演示中的视频转写存在书名误识别、缺少标点和分段等问题。把这种底稿加入知识库,再反复提问,并不能保证修复材料本身。它可能只是把同一份错误加工得更完整。这里的批评针对他展示的材料与总结,不能推成所有视频转写、所有摘要工具都必然如此。
| 核对对象 | 讲者指出的问题 | 本篇提炼的判据 |
|---|---|---|
| 基本信息 | 四个多小时被写成两个小时 | 时长等事实必须回到来源核对 |
| 核心概念 | 「知道分子」与「知识分子」关系倒置 | 核对定义与判断方向,不只查词有没有出现 |
| 转写底稿 | 书名错误,缺少分段与标点 | 输入可读性与关键名词先过关 |
| 总结文风 | 用熟悉套话包装作者观点 | 文风只能提示风险,不能替代证据 |
| 读者反馈 | 有人反复称赞错误总结 | 阅读量与好评不能充当准确性证明 |
Ben哥的 ~/.agent-autoloop/knowledge.py 可以拟增 check_source_claims():对候选结论同时保存 claim、source_excerpt、relation_check。relation_check 不只判断关键词匹配,还要求写出「原文肯定什么、否定什么」。找不到支撑片段时,不能把该结论标成原文判断。这是后续改造提案,并非声称脚本已有这些字段。
howie 展示的另一种做法,是把小说全文、较准确的访谈文字稿和相关材料放在一起,再带着自己的阅读感受对话。他强调的是先整理信息基础,再谈模型、提示方式和问答。
他把这件事称为 content curation,也就是内容策展。建一个 OpenClaw 相关知识库,应该先放第一手、官方、权威的材料,再汇入自己的经验笔记与其他相关内容。知识库不是接到任何链接都吞下去,也不是靠提问次数把低质量来源洗成高质量。
这并不意味着只放原文就够了。讲者还强调好的模型和自己的问题:读者把疑惑、感受、对结构的理解说出来,让对话服务于阅读,而不是让回答替代阅读。他同时提出内容生产者的责任原则:AI 可以参与创作,但作者应反复读、自己判断,并承担误导读者的责任。那是责任要求,不是读够某个次数就自动正确。
Ben哥可以在 ~/.shared-agent/kb/STANDARD.md 拟增 source_type、transcript_quality、corrections 三项来源记录,并要求文章把「讲者观点」「整理者解释」「应用提案」分开。~/.agent-autoloop/knowledge.py 后续可用拟新增的 build_source_record() 汇总这些记录;缺失信息如实写「原文未展开」,不要用模型常识补齐。本轮只提出字段,不改规则文件。
讲者反复澄清,他的 AI 内参不是让 Agent 到网上大量搜集、压缩,再生成一份日报。信息来源有订阅内容、公众号文章和社交平台文章,但哪些进入候选,哪些值得精读,仍由他来判断。
第一道入口是选原材料,第二道入口是从当天材料里选精读文章,并写入库理由。Agent 可以处理之后的排版、入库和概念加工,但他不把审美、专业判断和阅读流程设计一起外包。他用音乐编辑策划歌单作类比,强调信息服务背后有人长期投入,而不只是算法汇总。
他举了当天筛出十二篇、前一天十篇的例子,又说每天真正精读两三篇、长期积累,已经有很大价值。这些数字说明「收集」与「精读」不是一回事,不是要求每个人每天完成同一指标。真正的产出还包括自己的思考、认知和决策,不是库里的条目数。
Ben哥的 ~/.agent-autoloop/reading.py 可以拟增 select_for_close_reading(),要求候选条目带 selection_reason、selected_by、reading_status。Agent 的推荐与 Ben哥确认的选择分开记录,不默认等同。~/.agent-autoloop/report_html.py 后续显示「入选理由」与「阅读状态」,让日报能看出是候选材料还是已经处理的内容,而不只是堆标题。
直播里展示的 Notion Custom Agent,有一个很具体的触发条件:日报数据库出现新页面。上游 Agent 在夜间交付日报,编辑 Agent 接着排版;讲者阅读和选定后,再进入文章入库、三级笔记、概念提取等环节。
他把排版、文章入库、概念提取、概念入库拆成不同 skill。文章不只是被存起来,还能关联概念,保留原始链接、画线、标注与后续对话。他也展示在文章中加评论,用语音输入说出自己的理解;这些内容留在工作环境里,后续 Agent 才能继续利用。
团队空间的探索则想让模板进一步变成可以实际帮人做事的 Agent。他谈到团队协作、评论交流以及未来的学习汇报,但并非所有设想都已经完成。尤其学习系统如何逐一扩展,他明确选择放慢,先把已有系统与 Agent 结合得更稳。
| 环节 | 人承担的部分 | Agent 承担或原文设想的部分 |
|---|---|---|
| 候选材料 | 决定信息源与材料质量 | 接收并整理已选材料 |
| 精读选择 | 阅读、决定入库、写理由 | 执行入库操作 |
| 内容加工 | 设计流程,检查是否保留原意 | 排版、三级笔记、概念提取与入库 |
| 理解沉淀 | 画线、评论、说出自己的问题 | 在已有上下文基础上继续对话 |
| 学习回顾 | 提供真实阅读与交流记录 | 原文提出自动汇报设想,细则未展开 |
Ben哥可在 ~/.agent-autoloop/reading.py 拟增 build_reading_context(),组合 original_url、highlights、personal_notes;在 ~/.agent-autoloop/knowledge.py 拟增 link_concepts_to_source(),让概念保留对应来源。~/.agent-autoloop/report_html.py 只负责展示这些已有内容,不在渲染时临时生成「个人笔记」。这样读者可以从概念回到文章,也能区分机器加工和自己的想法。
howie 对普通人把 OpenClaw 放在 VPS 上持明显保留态度。他更偏向专用 Mac,让 Agent 能使用本地笔记、浏览器和已有工具。他的理由不是云端算力不够,而是空的远程环境离个人工作现场太远。
他把自己当前用途收敛为两件事:私人定制信息流,以及接入 Google 工具的在线助理。Agent 的价值取决于能访问什么文件、什么工具,以及是否有值得代劳的专业流程。如果重要资料留在本地,服务又没有连接好,远程安装成功也不会自动产生价值。
他还解释了「十分钟装不好就别玩」的门槛判断:后续故障、网络问题、模型切换都需要维护。他自己的做法是让桌面 AI 阅读终端输出,辅助处理问题。十分钟是他的劝退标准,不是普遍技术定律;本地方案也不是接上全部数据就天然安全。原文没有展开细粒度权限与隔离设计。
Ben哥可以在 ~/.shared-agent/kb/STANDARD.md 拟增「任务环境卡」:required_files、required_tools、expected_output、unavailable_reason。例如阅读任务先确认转写和批注能否读到,再决定用哪个 Agent。表中只记资源类别与路径,不记录登录状态、凭据或私密授权信息;不能把讲者的「打通工具」理解为默认扩大所有访问权限。
讲者认为 Notion Agent 比自行维护 OpenClaw 更适合普通人,也准备先做小范围团队测试。但他没有把订阅费说成全部成本:Custom Agents 后续按用量收费会产生多少支出,他在本场明确说不知道。
本场提到的商业版每人每月二十四美元,是讲者当时的价格口述;他尤其担心团队 Agent 的用量账单集中扣款,因而要先测试,不能一下扩给所有人。他提到的信息服务价格与「十倍价值」也属于自己的产品定位和期待,不是已验证的收益承诺。
问答里,他担心中转服务可能调换模型、转卖对话数据,倾向使用官方服务。其中黑产细节来自他转述的外部分享,不能在这里写成经过核验的行业事实;「官方工具不会封号」等说法也不能当安全保证。全场最终落在另一件更稳的事上:不跟着每个新工具跑,先把阅读与信息流做深,因为他自己就是第一号用户。
Ben哥的 ~/.agent-autoloop/report_html.py 后续可拟增 render_evidence_boundary(),把 observed_result、author_expectation、unknown_cost 分栏展示。~/.shared-agent/kb/STANDARD.md 相应写清:历史价格标注场次日期,商业判断注明是谁的判断,未知费用保留未知。先把这一条阅读链做扎实,不因为讲者展示了新 Agent 就自动增加采购、部署或调度任务。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 最小行动与反馈 | ~/.shared-agent/kb/STANDARD.md | 拟增本轮输入、输出、完成证据、停止条件,按单篇闭合 |
| 阅读需要自己的参与 | ~/.agent-autoloop/reading.py | 拟增 record_reading_response(),分开原文、解释和问题 |
| 概念关系不能说反 | ~/.agent-autoloop/knowledge.py | 拟增 check_source_claims(),结论对应来源片段与判断方向 |
| 人工决定精读范围 | ~/.agent-autoloop/reading.py | 拟增选择理由、选择者和阅读状态,不把推荐当确认 |
| 笔记成为个人上下文 | ~/.agent-autoloop/knowledge.py | 拟增 link_concepts_to_source(),概念能回到原文 |
| 不用顺滑语言遮住未知 | ~/.agent-autoloop/report_html.py | 拟增边界展示,区分观察结果、讲者期待和未知费用 |
原文:howie《本周份的 ai 精进 w2610》,2026.03.13 直播。转写开场预告八点开始、结束说已到十点,据此记约 120 分钟,不是媒体文件精确时长。
本篇依据:完整分段读取本地转写 ~/.agent-autoloop/cdb/transcript/l_69b29ee8e4b0694c34e77bf5.txt,覆盖登山与文学、错误摘要、知识库策展、Notion 与阅读流程、OpenClaw 环境及末尾问答;未补外部资料。版式参照两份指定样例,序号按目标文件 q14 记为 14。机器转写中的明显错词按上下文统一,无法确认的细节不补写。
更正与边界:小说结局解释、AI 筛选能力评价、本地与 VPS 的适用判断均归属于讲者,不写成普遍定论。个人运动参数不作为他人的运动处方,历史订阅价格不作为现价,中转站转述不作为已核实事实。学习汇报、团队扩展与部分系统仍为设想,原文未展开其实施细则。文中应用函数与字段均为拟新增提案,涉及的真实文件仅确认存在,本轮未修改代码、规则、任务表或调度配置,也不声称完成独立验收。
定位:中文深蒸馏,不是逐字摘要。标「原文在说什么」的是讲者论述的整理;标「对你的实际应用」的是面向 Ben哥现有文件的迁移分析,不属于原话或已实施改动。
直播回看 | 2026.03.04 | 时长未标 | 已深蒸馏 15 / 53 来源:原视频 | @howie.serious | 2026.03.04
阅读路径:先读第一组,判断自己缺的是工具还是可调用的数据;第二组把数据库、页面、视图和关联讲清楚;第三组看教程与阅读系统如何实际生产;第四组处理工具分工、学习顺序与维护边界。只看一组就看第三组,它能区分「很快生成一稿」和「真正完成交付」。
一句话结论:如果个人材料没有形成可调用、可维护的数据系统,即使换上同样强的模型和 Agent,也不能稳定复现这场演示里的个性化教程与阅读流程。
howie 先把 Agent 系统拆成模型、工具和记忆几个层次。模型提供智能,工具让它能操作文件、网站和软件;Skills 封装单项技能,Plugins 则可以把多个技能及其他组件组织成面向职业或行业的一套能力。他最后把重点落到记忆:同样的模型、工具和技能,别人也可以买到,真正不同的是这个 Agent 能访问谁的数据。
他列出的材料包括阅读文章、划线、笔记、个人理解,以及多年积累的知识库。Notion 只是其中一个载体,并不是记忆层的唯一选择;Readwise Reader、本地笔记也都在这个范围里。这里不能把「Memory」缩成聊天软件自动记住几个偏好,也不能把它理解成往一个目录塞满文件。原文强调的是这些材料曾经经过持续阅读和个人加工,因此能够带着主人的思考参与新任务。
Ben哥可把这条落实到 knowledge.py 的输入约定:拟增加 build_personal_context(topic, source_paths),返回材料路径、原文摘录和个人判断,并让每条判断带上 source_path。这不是已核实的现有函数,而是应用设想。对深蒸馏而言,不能只把标题交给模型后要求「结合我的工作」;应传入本次授权的材料。权限不包含的文件不读,找不到的个人依据就明确写未核实,不拿猜测冒充你的经历。
他用 Notion 1.0、2.0、3.0 讲自己的理解:先是云端协作文档,再是数据库,最后是 Agent 参与整个工作流。这不是一份完整的官方版本年表,而是一套价值分层。
他在数据库阶段已经很兴奋,但没有积极向所有人推荐,原因很具体:设计字段、建立数据库、持续录入和维护都要耗费脑力。即使工具已经无代码,使用者仍要有足够材料和清晰需求。到了 Agent 阶段,人可以描述目标,由 Agent 承担建设和维护,再由人审阅结果。被降低的是实施成本,不是「知道自己想做什么」的要求。
| 讲者的分层 | 核心价值 | 原先的负担 | 本场强调的变化 |
|---|---|---|---|
| 1.0:云端协作 | 文档能在线访问、共同使用 | 不等于自动获得有序的数据系统 | 为后续访问与共享提供基础 |
| 2.0:数据库 | 信息有字段、类型、关联和多种视图 | 设计、录入、维护依赖人力 | 能组织复杂材料,但使用成本仍高 |
| 3.0:Agent 工作流 | Agent 参与构建和操作系统 | 人仍需定目标、审内容 | 把大量实施动作交给代理完成 |
Ben哥可在 kb/STANDARD.md 的评审口径里拟增加「资料组织」与「维护动作」两栏:前者说明字段和来源,后者说明由谁更新、如何确认更新正确。不要把「又产出一篇 md」直接当成系统升级。若今后在 tasks.md 登记知识库改造,可拟增「交付对象/维护责任/验收证据」三项;本篇只提出字段方案,不读取或修改任务清单,也不把已有流程说成缺失。
他把上手的心智模型压到几个基本概念:页面、块、数据库、属性、视图。一个数据库条目打开后仍是页面,既有标题与属性,也能有正文;正文由各种块组成,可以放标题、列表、引用,也可以嵌入数据库等内容。
数据库里的属性提供文本、日期、单选、多选等类型。视图则决定同一批条目怎样出现:表格、卡片、日历,或者按周、按月分组,再叠加筛选和排序。关键不是记住菜单在哪里,而是理解结构化数据与展示方式是两件事。他展示日报、周视图时,并不是重新写几套日报,而是在同一批材料上切换观察方式。
Ben哥可在 ~/.agent-autoloop/report_html.py 拟增加 render_report_view(payload, view_name):让详细版和简洁版消费同一份 payload,仅改变展示,不分别生成事实。拟约定 source_url、published_at、topic 等字段,由上游提供,展示层不补猜日期。这里借用的是原文的数据与视图分离思路,不意味着本场讲了你的报告代码,也不代表这些字段现在已经存在。
本场最具体的数据库操作,是把一次直播放进整个资料系统:直播主题、日期、链接、文字稿等进入直播条目;后续写复盘或整理文字稿又成为行动;行动可以关联某一周,也可以关联相关概念。一个页面因此不再孤立,它能连接到其他数据库中的页面。
他同时介绍 Relation 和 Rollup,用来连接不同数据库并做汇总;不过汇总函数怎么选、复杂计算怎么配,原文未展开。另一个降低重复劳动的办法是模板:数据库可以有模板,页面也可以有模板,阅读、电影、错题分析可以分别使用对应结构。复制模板解决的是起步时的重复建设,不能替代对实际材料的整理。
| 对象 | 本场的具体例子 | 它解决的问题 | 不能混淆的边界 |
|---|---|---|---|
| 属性 | 直播日期、链接、文字稿 | 明确一条记录有哪些信息 | 正文长不等于字段齐全 |
| 视图 | 日报卡片、周视图、日历 | 从不同角度看同一批数据 | 切视图不必复制材料 |
| Relation | 行动关联周、直播关联概念 | 让不同库的条目建立联系 | 链接关系不等于自动完成行动 |
| Rollup | 关联后的汇总能力 | 使用已建立的关联取汇总信息 | 本场没有完整配置教程 |
| 模板 | 阅读模板、直播模板 | 复用结构,降低建库成本 | 模板不自动提供个人内容 |
Ben哥可给 reading.py 的未来条目结构拟增 session_id、source_url、concept_ids、related_task_ids,让一篇蒸馏能回到同一场直播,也能找到后续行动。kb/STANDARD.md 可拟定一个判据:凡写「关联某任务」,必须提供明确的任务标识;没建立就写未建立,不能用一句泛泛的「与工作相关」替代。这里不要求迁移到 Notion,也不在本次改动这些脚本。
howie 演示了一套 Notion 入门教程:有基本概念、分课内容、案例、作业和综合实践。制作并不是让模型凭通用知识直接写完,而是让 Claude 的 Agent 读取他的 Readwise 材料、划线和思考,并使用他自己的 Notion 数据库作为练习案例。因此大家面对同一套入门知识,他能做出带有自己理念的教程。
他先说第一版大约十几分钟,又把中间执行与修改描述为十几到三十分钟不等;最后明确说,自己还花了更多时间逐条读、审核、提修改意见,整体是几个小时。他也会直接让 Notion Agent 修改局部内容。这几个时间口径不能压成「二十分钟完成全部课程」。人工要一周左右,是他的比较估计,不是一次受控测试的结果。
Ben哥可在 kb/STANDARD.md 拟增「首稿耗时/人工审阅耗时/总耗时/依据范围」四项,避免深蒸馏只报生成速度。knowledge.py 可拟增加 build_evidence_outline(transcript, context),先把论点对应到原文,再生成正文;应用设想则独立标注。审核时尤其查数字、日期、工具能力和成效比较,不能把讲者的感受加工成经过验证的效率承诺。
他搭私人信息流的起点是信息过载:公开渠道里大量内容包装成干货,真正有价值的信息反而难找。于是把 Readwise Reader、RSS、关注的信息源等汇入阅读系统,再结合自己长期做日报的经验,让 Agent 操作材料,并把阅读流程沉淀进 Notion。
视频学习系统也是同一思路:不只收藏视频链接,还连到原视频、相应时间点、阅读材料,以及笔记、幻灯片、闪卡、测验、概念和下一步行动。这里的重点不是「一次生成好多种格式」,而是从输入一路连接到学习动作。不过他也明确把部分系统的进一步讲解留给以后;信息筛选的具体评分公式、视频处理的完整实现,原文未展开。
Ben哥可在 reading.py 拟增加 select_for_digest(items, criteria),并为每个入选条目保留 selection_reason、source_url、next_action。选择标准由你确认,不能冒充本场提供的评分公式。~/.agent-autoloop/report_html.py 可拟增加一个展示这些字段的来源区,把「为什么值得读」与「原文说了什么」分开;不能靠文字排得漂亮,掩盖源材料不全或没有下一步动作。
面对「既然 Notion 强,为什么还用 Logseq 和 Obsidian」的问题,他回答得很明确:Logseq 和 Obsidian 服务于长期个人知识管理,本地笔记可以作为文件保存,并由不同工具打开;Notion 则承接适合数据库化的那部分内容。字段、类型、模板与关系需要精确设计,不能因为材料多就认定它已经是一个系统。
他还强调云端页面有链接、便于协作,Agent 可以通过工具进入这些系统;同时谈到本地连接需要配置环境,门槛不同。具体到不同模型或客户端的连接限制,本场只是当时的使用说明,不宜扩写成永久规则。选工具的判断,应落在你需要怎样管理数据、怎样协作,而不是把所有材料强行收进同一个 App。
Ben哥可在 kb/STANDARD.md 拟增「何时结构化」判据:需要反复筛选、状态管理或跨对象关联的内容,才设计对应字段;完整论述继续留在 md。knowledge.py 可拟增加 extract_record_metadata(markdown),读取来源、主题和关联信息,而不是重写全文。先把本地知识的对象口径理清,再讨论外部数据库映射,不因这场推荐就迁移、同步或开放整个知识库。
他反复要求入门不要被教程拖住:先掌握几个概念,围绕阅读、写作或孩子学习的真实需求直接做,碰到属性、块或关联不懂,再向 Notion AI 或知识库提问。他还展示把官方资料与个人材料放在 NotebookLM 中,用对话解释概念。这是一种做中学的顺序,不是保证所有人两小时后都能独立维护复杂系统。
对外部 Agent,他反而提醒不要急:安装之后还有配置、工具连接、升级和故障排除;花钱请人装好,不代表自己能长期用起来。他提到自己把 Agent 放在独立 Mac mini 上,并描述未开放外部端口的情况;这些只能视为个人部署做法,不能从「独立机器」直接推出「已经安全」。安全审计、备份恢复和长期维护的完整办法,原文未展开。
Ben哥可先把「一场直播进入阅读库并完成一篇可追溯蒸馏」作为小闭环,不同时扩建所有系统。若以后安排调度,cron-jobs.json 的任务约定可拟增 input_path、output_path、success_check,其中成功条件至少包含目标存在、来源齐全、正文非空;是否采用这些字段要另核现有结构。tasks.md 可拟记录「已生成/已复核/已验收」的独立状态,避免机器运行结束就自动写成交付成功。本篇不实施这些改动。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| Personal context 决定个性化结果 | knowledge.py | 拟加 build_personal_context(),逐条保留依据路径,不用通用背景冒充个人经验 |
| 数据与视图分离 | ~/.agent-autoloop/report_html.py | 拟加 render_report_view(),详细版和简洁版共用一份输入事实 |
| 直播、行动、概念相互关联 | reading.py | 拟加 session_id、concept_ids、related_task_ids,先能定位对象,再谈关联 |
| 首稿快不等于完成交付 | kb/STANDARD.md | 拟分别记录首稿、审阅与总耗时,并注明依据范围 |
| 私人阅读流程承载选择标准 | reading.py | 拟加 select_for_digest() 与 selection_reason,让入选理由可见 |
| 安装之后仍有维护成本 | cron-jobs.json、tasks.md | 后续经核对和授权再设计输入、输出、成功条件及独立验收状态,本篇不改配置 |
原文:howie.serious《notion 2026 专题:ai agent时代的战略性武器》,2026.03.04 直播录像的本地转写稿。原视频链接见文首。稿内有开场、预计直播时间与结束口述,但没有可核实的连续时间戳,故不据此填写精确时长。
本篇依据:完整分段阅读 /Users/benhong/.agent-autoloop/cdb/transcript/l_69a67a4be4b0694c34e1da1a.txt。正文按记忆层、数据库心智模型、教程与阅读案例、工具分工重组;没有联网补充资料,也没有把直播中的屏幕操作扩写成未出现的实现步骤。
更正与边界:机器转写中的 Notion、Claude、Readwise Reader、Logseq、NotebookLM、视图、元数据、增删改查等明显误识别按上下文整理。不确定的产品名不强行展开;价格、额度、接入能力与硬件谈话未作为当前购买或安全建议。教程耗时区分第一稿与整体审阅,教学及生产力收益只保留为个人经验。所有「对你的实际应用」及关联表均为面向 Ben哥的应用设想:所列文件来自任务指定及样例,未检查其当前代码,函数、字段均非已存在或已实施的断言。本次仅写本文,不改脚本、任务、规则或配置;独立内容验收不由执行者自称完成。
定位:中文深蒸馏,不是逐字摘要。
直播回看 | 2026.02.27 | 约 150 分钟 | 已深蒸馏 16 / 53 来源:原视频 | @howie.serious | 2026.02.27
阅读路径:先读第二组,看看一份日报怎样接上筛选、阅读、费曼与行动,才能理解他为什么反复说「不要为了龙虾而龙虾」。第一组解释工具实际怎样工作;第三组解释同样的工具为什么用出不同价值;第四组划清安装、成本与能力判断的边界。只看一组就看第二组,它最接近可以搬到手上工作的完整流程。
一句话结论:如果没有可调用的个人材料和明确的筛选判断,给 Agent 增加运行时间与技能,并不会自动把信息堆积变成有效学习。
howie 展示的第一个任务很小:用手机说一句话,把原定周五晚上的直播改到周三。他在 Telegram 里发送需求,Agent 先读取 Google 工具相关的 skill,再执行操作,最后他打开 Google Calendar,检查日程已经改变。另一个例子是把出行或电影票截图丢过去,由 Agent 提取信息、更新日历。
这和「告诉我怎么改日程」不是一回事。前者需要人照说明操作,后者把目标交出去,工具调用发生在后台,人回来检查结果。他打开 reasoning、verbose 相关显示,是为了让观众看到中间不是魔法,而是读技能、执行命令、继续推进的过程。
他用一个足够小的任务说明 Agent 的基本结构:收到目标,推理,调用工具,根据结果继续推理和行动,构成 agentic loop。全天候在线的设备与聊天入口,把这个循环从电脑前的一次操作,变成拿起手机就能发起的服务。展示中的回看日历也很重要:完成声明后面还有实际结果。
Ben哥可以把这个区别落到 ~/.shared-agent/tasks.md 的任务记录上:后续经授权调整时,给交付记录明确区分「执行者返回结果」「产物路径」「验收者回看证据」。这不是本场给出的字段,而是对应你的任务协作提出的字段方案。本篇不读改该文件,也不把一次写出文件等同于独立验收通过。
第二个现场案例是发一个 Word 文档,再说「排版」。他的既有流程包括取出图片、上传图床、取得可访问的图片链接、整理 Markdown,再放进有自己 CSS 的排版工具。Agent 调用他教过的 markdownformatter 技能,把这些动作串起来,返回可供复制使用的内容。
他还把不同任务的结果分流:排版进排版群组,阅读汇报进阅读相关频道。尽管有多个对话窗口,他强调自己只养了一只龙虾,并没有为每一类任务都另造一个 Agent。入口与结果频道的拆分,不必等于执行者数量的膨胀。
| 现场任务 | 人交出去的东西 | Agent 承接的流程 | 人保留的环节 |
|---|---|---|---|
| 日程调整 | 自然语言说明、票据截图 | 提取信息、调用日历工具、更新安排 | 打开日历核对 |
| 文档排版 | Word 文档与排版要求 | 图片处理、图床链接、Markdown 整理 | 检查结果并放入常用排版器 |
| 龙虾日报 | 信息源、关注主题、编辑要求 | 选材、编辑、渲染、定时交付 | 再筛选值得深读的内容 |
| 文档知识库 | 官方资料范围与用途 | 抓取文档、转 Markdown、上传知识库 | 围绕原始材料继续提问 |
skill 的价值在于把原本靠人记住、逐步衔接的工作流教给 Agent。讲者展示的日报技能也不只有说明文字,还包括 Python 脚本与参考模板。需要区分现场展示程度:这次排版演示中,他又切回前面的正常结果讲解,不能据此宣称当场新任务的每个输出细节都已完整验收。
Ben哥后续可在 ~/.agent-autoloop/report_html.py 增加拟议函数 validate_report_links(report),专门检查正文图片与来源链接是否缺失,再把检查结果随报告返回。它对应的是「交付可用结果」而不只是「生成了一段 HTML」。本篇没有检查该脚本的现有接口,函数名是落地提案,不是对已有代码的描述,更不意味着已经修改或发布。
他做日报的起因不是缺少信息,而是信息太多、质量混杂。讲者认为,追逐流量的长篇 AI 内容会伪装成干货,让人不断收藏,却没有更好的判断。他已经有庞大的阅读库,又订阅了多种信息源;再增加一份大而全摘要,解决不了这个问题。
他的流程是先把高信号材料汇集进 Readwise,再让龙虾制作日报,交付到手机与 Notion。他展示的一期日报新增了 20 条内容,之后由自己挑出需要进一步处理的文章。这个数字描述的是那一期,不是每日固定配额。入库也不是无条件自动发生:他先选择内容,再调用日报入库技能,让 Agent 按字段填入数据库。
这里至少有两层判断:第一层让机器帮助人从海量信息里收窄范围,第二层由人决定哪些内容值得占用自己的深入阅读时间。他还提到每隔四小时整理一次信息,但对 RSS 的进一步自动筛选,用的是后续准备去做的表达。不能把计划与已经运行的部分混成一条全自动流水线。
Ben哥可在 ~/.shared-agent/reading.py 的后续设计中加入拟议字段 selection_reason、selected_by、reading_status:分别记录为什么选、谁选、读到什么阶段。不要把抓取成功直接写成「已精读」。若脚本实际位于别处,应以现有入口为准;这里沿用你指定的真实工作文件名,未核验其路径与数据结构,也没有执行变更。
他展示了几种材料:长篇文章、短推文、视频访谈。共同处理方式不是把一切压缩得越短越好,而是先让 AI 做三级笔记,看到概念与论证框架,再围绕感兴趣的问题回到原文。
其中一个例子涉及大语言模型怎样理解特征和概念。他先读结构化笔记,发现自己真正关心的问题,再去原文搜索相关词语,补看材料;然后用语音说出自己的理解,与 AI 对话,再形成总结。短推文也一样:几百字并不意味着只能提炼几句话,它可能成为深入理解某个概念的入口。
视频的变化是从线性观看转成有框架地跳转。他强调,节省观看时间,不是为了继续塞入更多内容,而是把时间还给费曼、提取概念、形成想法和行动。
| 阅读动作 | 在这套流程里的作用 | 不能偷换成什么 |
|---|---|---|
| 三级笔记 | 先看到结构,找到值得追问的问题 | 已经替人理解全文 |
| 回读原文 | 核对具体主题与上下文 | 只看 AI 复述就确认事实 |
| 口头费曼 | 把自己的理解、疑问说出来 | 把 AI 写的总结当作自己的思考 |
| 概念提取与入库 | 留下可以再次调用、持续完善的知识单元 | 收集术语越多越懂 |
| 行动承接 | 让阅读影响后续写作、学习或决策 | 文章归档就算学习闭环 |
阅读闭环的中心还是人的认知活动。AI 承担组织材料、解释、调用历史笔记等工作,但讲者仍需要画线、追问、复述与选择。所谓「超人模式」是他的体验性评价;本场没有用对照实验验证学习效率,也没有完整讲解三级笔记的全部模板规则。
Ben哥可在 ~/.shared-agent/kb/STANDARD.md 后续增加「结构摘要与本人理解分栏」的标准:原文依据、AI 整理、本人费曼、行动出口分别标注;在 knowledge.py 设计拟议函数 extract_concepts_with_evidence(note),返回概念、原文依据与尚未理解的问题。这样深蒸馏不会因为排版完整就冒充本人已学会。概念提取的具体算法,原文未展开。
howie 把大语言模型放在底层,把能组织模型、工具、skills、MCP 的龙虾放在更高的抽象层。中间有一个特别重要的层次:personal context。他强调,这包括自己的阅读材料、读书画线、笔记、关注的问题、长期经验,以及这些内容被 Agent 调用的便利程度。
他的论点不是只有积累很多年才能用 Agent,而是同样的模型与公开技能,别人也能获得;真正让结果贴近个人需要的,是操作者与个人上下文。他用自己的阅读库、Notion 系统和 Obsidian 笔记解释,为什么同一只龙虾在不同人手里,价值会不一样。
这场虽然名为 OpenClaw 专题,核心并不是独家安装方法。他把差异从「谁先安装、谁装得多」转移到「谁知道自己要解决什么、谁能给出有用背景」。个人材料要能被调用,才不只是躺在硬盘上的收藏;但材料能访问,也不代表每次任务都会完整读取全部历史。
Ben哥可让 ~/.shared-agent/knowledge.py 的未来检索入口增加拟议参数 project_context,返回材料时带上来源、适用任务、本人判断与依据,而不只返回关键词命中的正文。对 kb/STANDARD.md 的对应提案,是要求应用段保留「为什么适合手上这个项目」。本篇本身就必须把原文观点与针对你文件的方案分开,不能把拟议函数冒充讲者原话或现有功能。
他谈 agency 时,不再只给抽象定义,而是描述一种体验:告诉龙虾目标,它会找信息、调工具、写脚本、处理问题,甚至给自己增加技能。他认为,这种主动推进的表现,也提醒人保持好奇心、专注和学习能力。
一个具体例子是建立 OpenClaw 资料笔记本:他要求获取官方说明文档,转为 Markdown,再放入 NotebookLM。按他的叙述,Agent 写脚本抓取,形成两百多个文件,再调用相关技能上传。这个例子的重点是由目标倒推出动作链,而不是人逐页搬运。
讲者把「能自己改变自己」视为区别于传统软件的重要体验,包括修改配置、添加技能和写工具。但他用「不达目标不停下来」来形容 agency,不等于展示了无限可靠、没有失败的执行系统。相关错误恢复细节、停止条件与权限控制,原文未展开。
Ben哥可在 ~/.agent-autoloop/cron-jobs.json 的后续任务规格中明确记录「目标、输入范围、交付位置、停止条件」,再由实际调度程序决定字段映射;不能假设现有调度器直接支持这些新字段。涉及 tasks.md 的承接只作为文中方案:列出下一步与阻塞原因,而不是放任 Agent 为追求目标跨范围改文件。本次没有改调度、配置或任务清单。
他描述的安装过程很朴素:先向 AI 说明自己有什么电脑、网络准备得怎样、希望花多少钱,再让 AI 帮助配置,遇到终端问题继续问。环境里包括 Mac mini、浏览器、聊天工具以及模型使用入口;后续按需求接入阅读、日历或笔记相关技能。
真正被他反复强调的动作是「起一个笔记」。不知道 Gateway、Session、Heartbeat、memory、cron 是什么,就让 AI 列概念、解释,再随使用补充理解。需要哪个技能,再记录它解决什么问题、从哪里获取、怎样使用;不是因为技能很多就全部安装。
「十来分钟」「几次复制粘贴」描述的是他自己的顺利经历,其中网络环境等条件已经具备,不能作为所有人的安装时长保证。本场没有逐行提供一份可照抄的完整安装命令。Obsidian 与更复杂的记忆方案,他明确说当前没有必要就不折腾,而不是宣称这些能力永远不重要。
Ben哥可在 ~/.shared-agent/kb/STANDARD.md 的后续规范中增加「陌生概念说明」:定义、当前用途、相关原文位置;对 reading.py 增加拟议函数 collect_open_questions(note),只收集阻碍本篇理解的问题。没有影响当前任务的安装细节或记忆技术,就标「原文未展开」,不为了补齐术语表而扩展为外部研究。这次只落实在本篇表达中,不修改规范文件。
他一边讲自己「不花钱」,一边说明已有闲置 Mac mini、已有 ChatGPT Plus 订阅,并为推特 API 充值了 20 美元。这里真正有用的是成本口径:已有资源可以复用,所以这次探索不必先买一整套新设备、也不必立刻换最贵的模型。
他也展示或讨论 Claude Cowork、Notion Agent,并让不同工具做类似日报来比较结果。工具并不只剩 OpenClaw 一种。对模型文字质量、Agent 能力、会员价格与额度的评价,都属于当时的使用经验,不能从中推导出长期不变的价格表或能力排名。
这场最后落在「用工具做产品,解决具体的高价值问题」。他考虑把自己的 AI 内参先做小范围内测,再整理模板,也区分私密笔记和可单独提供的日报。产品价格、开放范围和后续学习系统多数是计划,不是已经交付的成果;学习效果与节省费用的强烈说法,也没有在本场给出可复核的测量方法。
Ben哥可在 ~/.agent-autoloop/report_html.py 的后续报告数据中区分拟议字段 existing_subscription、incremental_cost、coverage_limit,避免把已有订阅的可用额度写成永久免费。比较不同 Agent 时,让 reading.py 接收同一输入范围,按同一份 kb/STANDARD.md 检查来源与结构;先比实际产物,不因为工具名称不同就重建一套知识库。本篇不核验任何账号、额度或计费政策。
| 这条里的什么 | 对应你手上的什么 | 具体怎么用 |
|---|---|---|
| 执行动作后回看结果 | ~/.shared-agent/tasks.md | 后续授权调整时,区分执行结果、产物路径与独立回看证据 |
| 技能覆盖整条排版链 | ~/.agent-autoloop/report_html.py | 拟加 validate_report_links(report),让生成与可用性检查分开 |
| Agent 初筛、人再挑选 | reading.py | 拟加 selection_reason、selected_by,保留筛选依据 |
| 收藏不等于读完 | reading.py | 用 reading_status 区分入库、阅读中与完成闭环,具体取值依现有结构确定 |
| 三级笔记后仍回原文 | ~/.shared-agent/kb/STANDARD.md | 标准中明确区分原文依据、AI 整理与本人理解 |
| 个人上下文决定贴合程度 | knowledge.py | 拟加 project_context 参数,检索结果携带来源与适用背景 |
| 主动推进不等于无限执行 | ~/.agent-autoloop/cron-jobs.json | 任务规格写明输入范围、目标和停止条件,字段须与现有调度器核对 |
| 低增量成本不等于免费 | ~/.agent-autoloop/report_html.py | 成本呈现区分已有订阅、额外支出与覆盖限制 |
以上是针对 Ben哥 文件的后续设计提案,不是本次执行记录;没有修改或读取这些业务文件来确认现有实现。
原文:howie.serious【howie 的 AI 主题讲座】OpenClaw 龙虾 Agent 专题,2026.02.27 直播回看。转写中有八点正式开始、十点半结束的口述线索,因此标约 150 分钟,不作为精确媒体时长。
本篇依据:本地转写稿 /Users/benhong/.agent-autoloop/cdb/transcript/l_699fa535e4b0694c5b8d469e.txt,从开场到告别分段完整阅读。正文依据日历、排版、日报、阅读与概念入库、个人上下文、安装经验及结尾问答整理;没有观看视频画面,没有补充外部资料。16 / 53 的序号按本任务 q16 编号与指定总数写入。
更正与边界:按上下文统一 OpenClaw、Claude、Readwise、Notion、Telegram、Typeless、费曼、图床等明显误识别;无法确定的模型版本、命令与工具细节不擅自还原。会员额度、平台政策与市场行情仅为当时谈话背景,未据此形成现行事实或投资建议。「一次配置终身不用管」「十倍」「千倍」等不视为可靠性保证或实测指标;本场未完整披露的权限、记忆实现、技能源码、后续家庭学习系统均属原文未展开。应用段所列字段与函数为本文提出的方案,未经代码核验,未实际变更。
定位:中文深蒸馏,不是逐字摘要。