课代表立正

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。

97分钟完整版：https://youtu.be/EypWgo13w4w 课程： https://www.superlinear.academy/ai-builders 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 这期适合三类观众：正在用 AI 写代码的工程师/产品人，想从技术转向产品或创业的人，以及关心孩子该怎么接触 AI 的家长。 嘉宾 Zero（刘希元）有十多年 Web 工程经验，做过 Google、startup，也在从工程师转 PM、准备创业。这期最有价值的地方，不是泛泛聊“AI 很重要”，而是把 AI 如何改变工作、教育和职业选择，放进真实案例里讲清楚。 我们聊到：如何用 Cursor / Claude Code vibe code 公司内部工具，解决 SaaS 不会覆盖、但真实存在的长尾痛点；为什么 agentic coding 不只是“写代码更快”，而是在重新打开 API、workflow 和个人生产力的边界；以及 Zero 如何带 9 岁孩子用 AI 做游戏，从第一次“陀螺打龙”到两周完成一个学校主题的塔防游戏。 这期也讨论了 AI 教育里更难的问题：孩子到底是在学 AI、学创作，还是只是走了捷径？父母应该阻挡孩子接触 AI，还是尽早引导他们用 AI 做 creative expression？最后，我们还聊到工程师转 PM 后最大的落差：技术人擅长解决问题，但 PM / Founder 更难的是在不确定中定义方向、获得客户信号，并做出判断。 如果你想知道 AI 不只是让代码写得更快，而是如何重塑工作方式、产品判断、孩子的学习方式和 builder mindset，这期会有很多具体、可操作的细节。 00:00 开场精华：AI 如何改变工作、教育和亲子共创 01:07 Zero 的背景：从游戏、Google 到 startup 03:15 离职创业前夜：Obsidian Copilot 与 AI 游戏教育 08:40 AI 学习路线：Copilot、Cursor、Claude Code 与 agentic thinking 12:11 Vibe coding 的现实价值：用内部工具解决长尾痛点 18:52 AI 时代怎么教孩子：阻挡不如引导 21:56 亲子共创游戏：从“陀螺打龙”到学校塔防 33:00 如何让复杂项目不崩：Game Design Doc、Plan Mode 与 context 39:19 孩子真正学到了什么：从 consumer 变成 builder 47:07 从工程师转 PM：产品判断、客户信号与不确定性

课程： https://www.superlinear.academy/ai-builders 社区：https://www.superlinear.academy/c/share-your-projects/ 购书链接：https://www.amazon.com/Growth-Data-Analytics-Playbook-Product-Market/dp/1544549822 在App Store搜索Superlinear Academy，加入AI先行者的大本营 这期视频适合正在做增长、产品、数据分析、数据科学、AI应用，或正在搭建数据驱动团队的人。 围绕《Growth Data Analysis Playbook / 增长数据分析实战手册》的新书发布，Mengying、Joe、Yuzheng 和主持人 Julie 讨论了增长数据分析在真实公司里的作用：它不是单纯做报表、建模型或追指标，而是帮助团队更好地理解用户、做产品决策、验证增长假设，并把经验沉淀成可复用的方法。 视频里聊到几个很实用的问题：为什么产品和增长分析长期缺少系统方法论；PLG 为什么不是“让产品自然增长”；如何用留存、规模和参与度判断产品市场匹配；实验体系应该什么时候建立，为什么覆盖率比实验数量更重要；数据人如何通过叙事和图表推动行动；工程团队怎样真正用上数据；以及 AI 时代数据科学家的角色、能力和职业机会会如何变化。 如果你关心增长、产品分析、实验、PLG、数据团队建设，或正在思考 AI 会怎样改变数据工作，这场对谈会给你一些来自一线实践者的判断和框架。 00:00 开场与嘉宾介绍 05:54 为什么写《Growth Data Analysis Playbook》 12:52 PLG 的常见误区：不是自然增长 14:41 如何量化产品市场匹配 19:59 实验体系：样本量、覆盖率与基础设施 22:36 数据严谨性与数据叙事 26:53 工程团队的数据文化 29:24 AI 时代的数据工作会怎么变 35:58 观众 Q&A：职业、PLG 营销、AI Agent 指标

拓展阅读，《别用昨天的方法准备今天的面试：AI 时代最好的简历，是做出来的》：https://www.superlinear.academy/c/posts/interview 在App Store搜索Superlinear Academy，加入AI先行者的大本营 如果你正在准备 AI Native 公司、明星 startup，或者任何开始考察 “AI mindset” 的面试，这期视频讲的不是怎么包装自己“会用 AI”，而是怎么证明你真的具备 AI 原生的工作能力。 尤其适合非程序员岗位：设计师、PM、Data Scientist、Data Analyst、Marketing / Project Manager 等。视频里我拆了 3 个面试框架：如何用 AI 做出更接近真实产品和真实业务的东西；如何在 AI Native 的小团队里更高效协作；以及如何把自己的判断力、方法论和隐性知识教给 AI，让 AI 放大你的杠杆。 今天只是会用 Cursor、Claude Code，或者会写 prompt，已经不构成真正的竞争优势。真正能打动面试官的，是你能不能用 AI 更快接近 truth，更快形成真实迭代，并且把个人能力沉淀成团队和系统的复利。 这期适合想进入下一代岗位、正在准备 AI 相关面试，或者想知道自己该如何在工作和 side project 中积累 AI Native 案例的人。 00:00 为什么现在面试开始考 AI Mindset 01:14 非程序员如何证明 AI Native 能力 02:09 框架一：用 AI 做出更真实的东西 03:52 框架二：在 AI Native 组织里高效协作 07:05 框架三：把判断力教给 AI 08:37 如何准备：框架只能表达案例，不能替你创造案例 10:16 真正的竞争力不是会用工具，而是掌握新的工作方式