主播
节目简介
来源：小宇宙
课程里的讲解： https://www.superlinear.academy/c/aa/sections/840969/lessons/3929070
社区：https://www.superlinear.academy/c/share-your-projects/
在App Store搜索Superlinear Academy，加入AI先行者的大本营
很多建议都会说，不要给食客看how the sausage is made。但我直觉是，这样一个工作记录，可能对大家有一些灵感上的启发，也能帮助大家缓解一些焦虑。大家遇到的问题，我们都会遇到，但也能克服。课程是克服并打磨后的结果，那克服过程也很有意义。
本期视频导览：推荐观看片段与注解
这期视频不是一个标准教程，而是一段真实工作流的幕后记录。它的价值在于：你可以看到一个非技术背景的人，如何在和技术高手协作时，把模糊问题一步步翻译成 AI 工作流、工具接入、skill 管理、evaluation 和 context infrastructure。
建议大家不要把它当成“从头到尾必须看完的教程”，而是把它当成一个现场拆解。下面这些时间点，是我认为最值得重点看的片段。
01｜00:09–02:20
主题：为什么不同人用 AI 的效果差很多
这一段是整期视频的底层问题。我们讨论的是：为什么有些人用 AI 很顺，有些人一直觉得 AI 不稳定、不好用？
核心答案不是“prompt 写得好不好”，而是你有没有把自己的工作逻辑外化出来。也就是说，你有没有把脑子里的目标、判断标准、常见问题、工作流程写成 AI 可以理解和复用的东西。
这里可以重点看“外化”和“复用”这两个概念。AI 使用差距的真正来源，不是谁更会聊天，而是谁更会把自己的工作方式变成系统。
02｜02:20–04:45
主题：一个好 skill 应该包含什么
这一段讲到了 skill 的几个关键元素：目标、常见坑、专用工具。
很多人会把 skill 理解成一组 prompt，但这里的理解更准确：skill 更像是一个小型工作说明书。它不只是告诉 AI 要做什么，还要告诉 AI 什么叫做好、什么容易做错、遇到特定任务时应该调用什么工具。
这个片段适合帮助大家建立一个基本判断：以后自己写 skill 的时候，不要只写“请帮我做某某事”，而要写清楚成功标准、错误边界和工具使用方式。
03｜05:40–08:50
主题：Agent.md 到底是什么
这一段很适合非技术同学看。鸭哥解释了 Agent.md 的本质：它不是一个神秘功能，而是每次注入给 AI 的默认说明文件。
你可以把 Agent.md 理解成“AI 每次开工前必须看的说明书”。它的价值不是文件名本身，而是你能不能把长期有效的规则、偏好、工作习惯、工具说明写进去。
这里最重要的理解是：AI 的能力不仅取决于模型本身，也取决于它每次开始工作时能看到什么上下文。
04｜09:50–12:35
主题：AI 怎么操作外部文档和工具
这一段讨论了 CLI、API、GUI、腾讯文档、Google Docs、飞书等工具接入方式。
重点不是记住每个工具怎么用，而是理解不同工具对 AI 的友好程度不同。有些工具天然适合 AI 操作，有些需要 API，有些只能靠浏览器或图形界面点击来完成。
这对非技术用户很重要：当你发现 AI 不能顺利操作某个工具时，不一定是你不会用，也不一定是 AI 不行，而是这个工具本身可能不够适合 agent 调用。
05｜15:10–17:25
主题：为什么搜索结果要先“落盘”
这一段是一个很好的技术洞察。鸭哥解释了为什么不用普通 MCP 或 CLI 直接把搜索结果塞给 AI，而是让搜索结果先保存到本地文件里。
这背后的思路是：不是所有信息都应该一次性塞进上下文窗口。先把结果落盘，再让 AI 自己选择要读哪些内容，可以减少上下文污染，也能降低幻觉和跑偏的概率。
这也是一个重要心智：给 AI 更多信息不等于更好，关键是让 AI 能有选择地读取信息。
06｜17:40–24:50
主题：真实安装过程里，普通用户会卡在哪里
这一段非常有教学价值。我们现场安装和配置 skill，过程中不断遇到路径、key、目录、Agent.md 位置等问题。
我在这里反复指出一个问题：如果鸭哥不在旁边，普通学员很可能会卡住。
这正是课程需要讲清楚的地方。很多教程只展示“最终配置好了以后怎么用”，但真正让用户放弃的，往往是安装、路径、权限、隐藏文件、目录结构这些看起来很小的摩擦。
07｜25:15–29:50
主题：隐藏文件、.env、路径，以及心智地图
这一段讨论了 Mac 隐藏文件、.env 文件、文件夹怎么打开，以及“navigation”和“mental mapping”的区别。
这段很适合加注解：非技术用户缺的往往不是某个快捷键，而是电脑文件系统的心智地图。
对技术用户来说，“这只是一个文件”很自然；但对非技术用户来说，问题是：这个文件在哪里？为什么重要？怎么打开？改了以后会影响什么？AI 怎么知道去读它？
这一段能很好地说明：非技术用户不是不聪明，而是很多基础结构对他们来说是不可见的。
08｜30:40–36:20
主题：当 AI 没有用正确的 skill，应该怎么 debug
这一段展示了一个很有价值的 AI 使用方法：当 AI 犯错时，不要只是重试，也不要直接替它找借口，而是让它解释为什么没有按预期行动。
我在这里要求 AI 不要回避问题，要说明为什么没有使用正确的 skill，并且更新规则，避免下次再犯。
这是一种很重要的工作方式：把一次错误变成长期记忆。真正的 AI 工作流不是每次从零开始，而是不断把错误沉淀成规则、测试和说明。
09｜38:20–49:10
主题：Google Docs skill 和 OAuth 配置
这一段比较技术，但很值得看。我们现场完成了 Google Docs 相关配置，包括创建项目、启用 API、设置 OAuth client、下载 credentials 等。
它的价值在于：很多过去需要程序员帮忙完成的配置，现在 AI 可以一步步带着做。
不过这一段也说明了一个现实问题：AI 可以降低门槛，但不能完全消除门槛。对非技术用户来说，看别人完整走一遍，会显著降低心理负担。
10｜51:35–53:00
主题：真正测试工具有没有接好
这一段测试了创建 Google 文档并分享给鸭哥。
这里的重点是：工具接入不是为了“装工具”本身，而是为了完成真实动作。比如创建文档、整理会议纪要、自动分享、生成课程材料。
判断一个工具流有没有价值，不是看它配置起来多复杂，而是看配置完成后，它能不能减少真实工作中的摩擦。
11｜55:45–59:15
主题：本期最重要的一句话
这一段是整期最值得单独剪出来的片段。
核心观点是：不要只想 AI 能为你做什么，也要想你能为 AI 做什么。
高手和普通人的差距，不只是 prompt 写得更好，而是高手会不断给 AI 准备更多上下文、更多工具、更清晰的判断标准和更好的 evaluation。
你为 AI 准备的环境越好，AI 就越不需要反复问你，也越不容易犯低级错误。
12｜59:25–01:04:50
主题：用手机控制电脑上的 agent
这一段讨论了 Claude Code remote、home folder trust、环境选择等问题，也展示了通过手机控制电脑上的 agent 的可能性。
这个片段很有意思，因为它说明 AI 工作流不一定只发生在电脑前。未来很多任务可能是你在手机上说一句话，电脑上的 agent 就开始执行。
但这一段也真实暴露了现在工具链的问题：权限复杂、环境不稳定、语音识别对中文不够友好。它不是一个完美 demo，而是一个真实工作流的状态。
13｜01:10:00–01:15:10
主题：怎么让 AI 写文章时减少幻觉
这一段开始从“工具能不能用”进入“结果可不可信”。
我们讨论了如何让 AI 写文章时 respect 本地 source of truth，也就是尊重本地已有材料、事实来源和原始信息。
这里的关键不是让 AI 写得更漂亮，而是让它写得更可靠。AI 生成内容时最大的问题之一，是它看起来很合理，但可能和你的真实材料不一致。
所以，好的写作工作流不是只让 AI 生成，而是让 AI 对照你的材料生成。
14｜01:14:50–01:19:30
主题：怎么把 evaluation 讲给普通人听
这一段是我和鸭哥配合最有代表性的地方。
鸭哥会给出比较技术化的路径，比如 benchmark、precision、recall，而我会不断追问：这个东西如何被非技术用户理解？有没有更直观的说法？能不能用普通人熟悉的方式解释？
这正是课程的价值：不是把技术概念原封不动讲出来，而是把它翻译成普通人可以使用的工作方法。
15｜01:18:20–01:22:10
主题：Benchmark、precision、recall 和错题本
这一段可以理解成：如何给 AI 做“错题本”。
当我们很难直接判断 AI 的输出质量时，可以设计一些测试样例。比如故意放入一些容易犯错的地方，看 AI 能不能抓出来；也看它该放的信息有没有放进去。
对普通用户来说，不需要一开始理解 precision 和 recall 的数学含义。可以先理解为两个问题：
它有没有把该找出来的问题找出来？
它有没有乱报不存在的问题？
这个思路很适合用在文章审校、事实核查、课程内容检查、会议纪要整理等场景。
16｜01:22:40–01:25:00
主题：非技术用户和技术用户最大的差别
这一段非常重要。
我们讨论到，非技术用户最大的 blocker 不一定是排斥技术，而是很多关键步骤在他们脑子里是不可见的。
比如：一个会议录音怎么从 Zoom、飞书或录音软件进入本地？进入本地以后怎么触发 AI 处理？处理完以后放在哪里？下次怎么继续用？
对技术用户来说，这些是自然的流程。对非技术用户来说，这些步骤本身就是主要障碍。
17｜01:25:00–01:28:40
主题：Apple Watch、iPhone 和 Voice Memo 自动化
这一段讨论了用 Apple Watch、iPhone、Voice Memo 做低摩擦录音入口，然后让 AI 自动处理。
这是一个很好的 “zero friction intake” 案例。
用户真正想要的不是每天手动上传、整理、命名、触发流程。理想状态是：你自然地录音，录音自然出现在系统里，AI 自动加工成摘要、行动项、会议记录或可搜索的知识。
这个片段可以帮助大家理解：AI 工作流的第一步，不一定是生成，而是收集。
18｜01:28:50–01:33:20
主题：Context infrastructure 的四层结构
这一段是后半段最重要的结构化总结。
我们把 context infrastructure 分成几层：
intake：信息怎么进入系统
organization：信息怎么被整理
accumulation：信息怎么长期积累
output：信息怎么变成产出
对普通用户来说，不需要一开始就做一个完整的“数字分身”。更实际的路径是：先把每天的信息低摩擦地收集起来，再让 AI 自动整理，最后用于写作、决策、复盘和行动。
社区：https://www.superlinear.academy/c/share-your-projects/
在App Store搜索Superlinear Academy，加入AI先行者的大本营
很多建议都会说，不要给食客看how the sausage is made。但我直觉是，这样一个工作记录，可能对大家有一些灵感上的启发，也能帮助大家缓解一些焦虑。大家遇到的问题，我们都会遇到，但也能克服。课程是克服并打磨后的结果，那克服过程也很有意义。
本期视频导览：推荐观看片段与注解
这期视频不是一个标准教程，而是一段真实工作流的幕后记录。它的价值在于：你可以看到一个非技术背景的人，如何在和技术高手协作时，把模糊问题一步步翻译成 AI 工作流、工具接入、skill 管理、evaluation 和 context infrastructure。
建议大家不要把它当成“从头到尾必须看完的教程”，而是把它当成一个现场拆解。下面这些时间点，是我认为最值得重点看的片段。
01｜00:09–02:20
主题：为什么不同人用 AI 的效果差很多
这一段是整期视频的底层问题。我们讨论的是：为什么有些人用 AI 很顺，有些人一直觉得 AI 不稳定、不好用？
核心答案不是“prompt 写得好不好”，而是你有没有把自己的工作逻辑外化出来。也就是说，你有没有把脑子里的目标、判断标准、常见问题、工作流程写成 AI 可以理解和复用的东西。
这里可以重点看“外化”和“复用”这两个概念。AI 使用差距的真正来源，不是谁更会聊天，而是谁更会把自己的工作方式变成系统。
02｜02:20–04:45
主题：一个好 skill 应该包含什么
这一段讲到了 skill 的几个关键元素：目标、常见坑、专用工具。
很多人会把 skill 理解成一组 prompt，但这里的理解更准确：skill 更像是一个小型工作说明书。它不只是告诉 AI 要做什么，还要告诉 AI 什么叫做好、什么容易做错、遇到特定任务时应该调用什么工具。
这个片段适合帮助大家建立一个基本判断：以后自己写 skill 的时候，不要只写“请帮我做某某事”，而要写清楚成功标准、错误边界和工具使用方式。
03｜05:40–08:50
主题：Agent.md 到底是什么
这一段很适合非技术同学看。鸭哥解释了 Agent.md 的本质：它不是一个神秘功能，而是每次注入给 AI 的默认说明文件。
你可以把 Agent.md 理解成“AI 每次开工前必须看的说明书”。它的价值不是文件名本身，而是你能不能把长期有效的规则、偏好、工作习惯、工具说明写进去。
这里最重要的理解是：AI 的能力不仅取决于模型本身，也取决于它每次开始工作时能看到什么上下文。
04｜09:50–12:35
主题：AI 怎么操作外部文档和工具
这一段讨论了 CLI、API、GUI、腾讯文档、Google Docs、飞书等工具接入方式。
重点不是记住每个工具怎么用，而是理解不同工具对 AI 的友好程度不同。有些工具天然适合 AI 操作，有些需要 API，有些只能靠浏览器或图形界面点击来完成。
这对非技术用户很重要：当你发现 AI 不能顺利操作某个工具时，不一定是你不会用，也不一定是 AI 不行，而是这个工具本身可能不够适合 agent 调用。
05｜15:10–17:25
主题：为什么搜索结果要先“落盘”
这一段是一个很好的技术洞察。鸭哥解释了为什么不用普通 MCP 或 CLI 直接把搜索结果塞给 AI，而是让搜索结果先保存到本地文件里。
这背后的思路是：不是所有信息都应该一次性塞进上下文窗口。先把结果落盘，再让 AI 自己选择要读哪些内容，可以减少上下文污染，也能降低幻觉和跑偏的概率。
这也是一个重要心智：给 AI 更多信息不等于更好，关键是让 AI 能有选择地读取信息。
06｜17:40–24:50
主题：真实安装过程里，普通用户会卡在哪里
这一段非常有教学价值。我们现场安装和配置 skill，过程中不断遇到路径、key、目录、Agent.md 位置等问题。
我在这里反复指出一个问题：如果鸭哥不在旁边，普通学员很可能会卡住。
这正是课程需要讲清楚的地方。很多教程只展示“最终配置好了以后怎么用”，但真正让用户放弃的，往往是安装、路径、权限、隐藏文件、目录结构这些看起来很小的摩擦。
07｜25:15–29:50
主题：隐藏文件、.env、路径，以及心智地图
这一段讨论了 Mac 隐藏文件、.env 文件、文件夹怎么打开，以及“navigation”和“mental mapping”的区别。
这段很适合加注解：非技术用户缺的往往不是某个快捷键，而是电脑文件系统的心智地图。
对技术用户来说，“这只是一个文件”很自然；但对非技术用户来说，问题是：这个文件在哪里？为什么重要？怎么打开？改了以后会影响什么？AI 怎么知道去读它？
这一段能很好地说明：非技术用户不是不聪明，而是很多基础结构对他们来说是不可见的。
08｜30:40–36:20
主题：当 AI 没有用正确的 skill，应该怎么 debug
这一段展示了一个很有价值的 AI 使用方法：当 AI 犯错时，不要只是重试，也不要直接替它找借口，而是让它解释为什么没有按预期行动。
我在这里要求 AI 不要回避问题，要说明为什么没有使用正确的 skill，并且更新规则，避免下次再犯。
这是一种很重要的工作方式：把一次错误变成长期记忆。真正的 AI 工作流不是每次从零开始，而是不断把错误沉淀成规则、测试和说明。
09｜38:20–49:10
主题：Google Docs skill 和 OAuth 配置
这一段比较技术，但很值得看。我们现场完成了 Google Docs 相关配置，包括创建项目、启用 API、设置 OAuth client、下载 credentials 等。
它的价值在于：很多过去需要程序员帮忙完成的配置，现在 AI 可以一步步带着做。
不过这一段也说明了一个现实问题：AI 可以降低门槛，但不能完全消除门槛。对非技术用户来说，看别人完整走一遍，会显著降低心理负担。
10｜51:35–53:00
主题：真正测试工具有没有接好
这一段测试了创建 Google 文档并分享给鸭哥。
这里的重点是：工具接入不是为了“装工具”本身，而是为了完成真实动作。比如创建文档、整理会议纪要、自动分享、生成课程材料。
判断一个工具流有没有价值，不是看它配置起来多复杂，而是看配置完成后，它能不能减少真实工作中的摩擦。
11｜55:45–59:15
主题：本期最重要的一句话
这一段是整期最值得单独剪出来的片段。
核心观点是：不要只想 AI 能为你做什么，也要想你能为 AI 做什么。
高手和普通人的差距，不只是 prompt 写得更好，而是高手会不断给 AI 准备更多上下文、更多工具、更清晰的判断标准和更好的 evaluation。
你为 AI 准备的环境越好，AI 就越不需要反复问你，也越不容易犯低级错误。
12｜59:25–01:04:50
主题：用手机控制电脑上的 agent
这一段讨论了 Claude Code remote、home folder trust、环境选择等问题，也展示了通过手机控制电脑上的 agent 的可能性。
这个片段很有意思，因为它说明 AI 工作流不一定只发生在电脑前。未来很多任务可能是你在手机上说一句话，电脑上的 agent 就开始执行。
但这一段也真实暴露了现在工具链的问题：权限复杂、环境不稳定、语音识别对中文不够友好。它不是一个完美 demo，而是一个真实工作流的状态。
13｜01:10:00–01:15:10
主题：怎么让 AI 写文章时减少幻觉
这一段开始从“工具能不能用”进入“结果可不可信”。
我们讨论了如何让 AI 写文章时 respect 本地 source of truth，也就是尊重本地已有材料、事实来源和原始信息。
这里的关键不是让 AI 写得更漂亮，而是让它写得更可靠。AI 生成内容时最大的问题之一，是它看起来很合理，但可能和你的真实材料不一致。
所以，好的写作工作流不是只让 AI 生成，而是让 AI 对照你的材料生成。
14｜01:14:50–01:19:30
主题：怎么把 evaluation 讲给普通人听
这一段是我和鸭哥配合最有代表性的地方。
鸭哥会给出比较技术化的路径，比如 benchmark、precision、recall，而我会不断追问：这个东西如何被非技术用户理解？有没有更直观的说法？能不能用普通人熟悉的方式解释？
这正是课程的价值：不是把技术概念原封不动讲出来，而是把它翻译成普通人可以使用的工作方法。
15｜01:18:20–01:22:10
主题：Benchmark、precision、recall 和错题本
这一段可以理解成：如何给 AI 做“错题本”。
当我们很难直接判断 AI 的输出质量时，可以设计一些测试样例。比如故意放入一些容易犯错的地方，看 AI 能不能抓出来；也看它该放的信息有没有放进去。
对普通用户来说，不需要一开始理解 precision 和 recall 的数学含义。可以先理解为两个问题：
它有没有把该找出来的问题找出来？
它有没有乱报不存在的问题？
这个思路很适合用在文章审校、事实核查、课程内容检查、会议纪要整理等场景。
16｜01:22:40–01:25:00
主题：非技术用户和技术用户最大的差别
这一段非常重要。
我们讨论到，非技术用户最大的 blocker 不一定是排斥技术，而是很多关键步骤在他们脑子里是不可见的。
比如：一个会议录音怎么从 Zoom、飞书或录音软件进入本地？进入本地以后怎么触发 AI 处理？处理完以后放在哪里？下次怎么继续用？
对技术用户来说，这些是自然的流程。对非技术用户来说，这些步骤本身就是主要障碍。
17｜01:25:00–01:28:40
主题：Apple Watch、iPhone 和 Voice Memo 自动化
这一段讨论了用 Apple Watch、iPhone、Voice Memo 做低摩擦录音入口，然后让 AI 自动处理。
这是一个很好的 “zero friction intake” 案例。
用户真正想要的不是每天手动上传、整理、命名、触发流程。理想状态是：你自然地录音，录音自然出现在系统里，AI 自动加工成摘要、行动项、会议记录或可搜索的知识。
这个片段可以帮助大家理解：AI 工作流的第一步，不一定是生成，而是收集。
18｜01:28:50–01:33:20
主题：Context infrastructure 的四层结构
这一段是后半段最重要的结构化总结。
我们把 context infrastructure 分成几层：
intake：信息怎么进入系统
organization：信息怎么被整理
accumulation：信息怎么长期积累
output：信息怎么变成产出
对普通用户来说，不需要一开始就做一个完整的“数字分身”。更实际的路径是：先把每天的信息低摩擦地收集起来，再让 AI 自动整理，最后用于写作、决策、复盘和行动。
外观
