课代表立正 - 节目列表

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

课程： https://www.superlinear.academy/ai-builders 社区：https://www.superlinear.academy/c/share-your-projects/ 项目：https://github.com/grapeot/intake-skill 在App Store搜索Superlinear Academy，加入AI先行者的大本营 这期视频适合正在把个人语音记录、会议记录或 daily review 自动化的人，也适合关心 AI agent 如何从一句模糊需求出发，设计、安装、测试并发布一个可复用工具的人。 视频里不是抽象聊 prompt，而是现场拆解一个 intake skill 的产品化流程：如何把 Voice Memo 的日常录音同步出来，经过 ASR 转成 CSV，再让 Codex 生成当天总结、行动项、会议拆解和 HTML 报告。 你会看到一个更偏工程化的 AI 工作流设计：只依赖 Voice Memo 作为录音来源；用 crontab 每晚自动跑同步和转写；把现有的 Gemini 处理逻辑迁移成 Codex prompt；并把 repo、README、PRD/RFC、CLI、测试、示例音频和 privacy check 都纳入交付。 重点是：这个工具不是只给人手动安装的，而是设计成 AI 能读 README、clone repo、配置环境、验证流程、append crontab，并最终交付给用户的 “AI-oriented skill”。 如果你想搭建个人 life record 系统、语音转写管线、AI 自动化工具，或想理解“面向 AI 的软件交付”应该怎么设计，这段内容会比较有参考价值。 00:00 实时转写升级与新的交互方式 00:35 目标：把 life record 提炼成 intake skill 01:03 核心管线：Voice Memo → ASR → CSV → HTML 02:29 面向 AI 安装的 GitHub skill 设计 03:48 每晚自动运行：同步、转写、总结 04:27 实施清单：PRD、RFC、CLI、测试、README、隐私检查 05:47 模型选择与执行难度：GPT vs DeepSeek

文章版：https://www.superlinear.academy/c/ai-resources/verb 课程：https://www.superlinear.academy/ai-builders bundle折扣码：lizheng 关于RAG的文章：https://www.superlinear.academy/c/news/2026-ai-rag 很多人学 AI 学得越多，反而越焦虑：RAG、agent、fine-tune、MCP、各种工具和框架都听过，也能讲出一堆概念，但一到真实工作里，AI 还是不稳定、不可靠，任务推进不下去。 这期视频想讲清楚一个关键区别：真正决定 AI 能力的，不是你知道多少“名词”，而是你会不会做那些真正让任务跑起来的“动词”——比如上下文管理、任务拆解、人机协同、评估、诊断、编排和结果控制。 视频里会用 RAG 作为具体例子，拆开说明为什么只学 pipeline 并不等于真的会做 RAG；在真实企业场景里，更重要的是权限、过期文档、引用准确性、ground truth、召回策略、错误诊断这些实际问题。 如果你已经开始用 AI 写代码、做产品、搭工作流、做知识库，或者你觉得自己看了很多 AI 内容但还没真正入门，这期视频会帮你换一个更有效的学习视角：别只追新概念，而是开始练 AI 时代真正的工作手艺。 00:00 为什么学了很多 AI 还是用不好 02:00 真正拉开差距的是“动词” 03:47 为什么我们容易沉迷新概念 05:06 RAG 案例：pipeline 不等于能力 09:31 从 RAG 到所有 AI 任务：高手在做什么 13:12 总结：AI 是一门要练的工作手艺

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 完整版43分钟：https://youtu.be/i-KGNWpPpZ4 这期和微软 AI 产品设计师 Dreamer 妍妍聊了一个很现实的问题：AI 到底是在取代我们，还是在给普通人打开新的机会？ 如果你是设计师、PM、工程师、大厂打工人，或者正在想怎么入局 AI、做副业、做一人公司，这期会很适合你。我们没有泛泛聊“AI 焦虑”，而是从真实工作场景出发，聊 AI 已经怎样改变设计、产品、工程协作：从 Claude Code + Figma 做 design system，到大厂里岗位边界变模糊，再到未来 full-stack builder / architect 型人才会越来越重要。 我们也聊到更长期的部分：一人公司的核心不是效率，而是 distribution 和销售能力；AI 时代真正稀缺的不是会不会用工具，而是行动力、穿透不确定性的能力，以及重新定义自己的能力。 后半段，我们从裁员、失败、FIRE、财富和意义感，聊到 AI 时代为什么更需要认识自己。技术越平权，人的个性、判断、表达和选择反而越重要。 00:00 AI 正在改写设计工作流 00:53 微软 AI 产品设计师 Dreamer 妍妍：本期聊什么 01:49 技术平权：AI 时代谁会凸显出来 06:04 Claude Code + Figma：设计师如何真的用上 AI 09:04 Full-stack builder：岗位边界正在被重组 10:07 一人公司：distribution、销售和小市场 13:19 高能量工作法：multitask、时间分区、done list 18:30 穿透不确定性：机会、行动力和失败观 24:22 从旧身份到自我定义：AI、FIRE 与意义感 31:07 AI 时代为什么更需要个人表达

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 社区文章（发表于2025年11月份）：https://www.superlinear.academy/c/posts/knowledge_worker 我和刘嘉教授的对谈—AI会带来第二次文艺复兴：https://youtu.be/-Et3GJRSI_0?t=6197&si=H_Dpz1SiCq5QDc4L 这期视频不是简单讨论“AI 会不会取代白领”，而是回答一个更刺耳的问题：白领工作为什么会被发明出来，又为什么可能在同一套逻辑下被淘汰。 如果你是知识工作者、产品经理、数据分析师、程序员、咨询顾问，或者只是经常觉得自己“开了很多会、写了很多文档、回了很多消息，但说不清到底创造了什么价值”，这期视频会帮你换一个角度理解自己的工作。 视频从白领工作的历史讲起：白领并不是天经地义存在的，而是在工业化和大型组织出现后，为了处理信息、流程、管理和决策摩擦而诞生的。问题是，很多知识工作的真实产出很难衡量，于是组织常常用会议、PPT、邮件、代码行数、工作时长这些“投入指标”来替代价值判断。结果就是，大量看起来很忙、实际上离真实结果很远的 Bullshit Jobs 被系统性地制造出来。 AI 的到来，会进一步冲击白领作为“信息处理器”的基础。未来真正稀缺的，不只是会不会用 AI，而是能不能定义问题、设计系统、建立信任、整合人和 AI，并最终为结果负责。 这期视频会聊清楚：哪些工作会越来越不值钱，哪些能力会越来越稀缺，以及正在打工的人现在可以怎么准备。 00:00 忙了一天，我们的价值是什么？ 00:52 白领工作是怎么被发明出来的 02:21 白领工作的本质：降低信息摩擦 02:55 为什么白领工作容易变成 Bullshit Jobs 06:15 AI 为什么会系统性冲击白领工作 09:30 未来的工作：从技能到结果 11:08 AI 时代最稀缺的三类能力 13:29 给打工人的 4 个行动建议 15:22 白领工作的消亡不是末日

完整版1小时43分钟：https://youtu.be/Y9rmTZOM5Z4 课程主页：https://www.superlinear.academy/ai-builders 嘉宾：https://www.linkedin.com/in/weimanfredi/ 嘉宾招聘帖：https://www.superlinear.academy/c/collaborate/ai-engineering-directors-senior-director-vp 本期访谈适合三类观众：正在做技术职业选择的人，想从工程师走向架构/管理的人，以及关心 AI 如何真正落地传统行业的人。 魏慧从浙大文科、美国 Asian Studies PhD 转到 CS，第一份工作做引擎 simulation，后来经历互联网早期、湾区创业潮、Lululemon 的数字化转型、Google Retail Cloud、麦当劳 AI/data，再到现在在 IHG 负责 AI、数据架构与企业系统。 这期不是一条“规划好的人生路线”，而是一次很具体的职业复盘：如何在环境里快速学习，如何看见自己和高手的 gap，为什么好胜心需要配合谦虚和 intellectual honesty，技术人为什么容易低估管理的价值，以及怎样在公司里找到自己的不可替代位置。 后半段重点聊 AI 和传统行业。为什么大厂的 impact 不一定等于真正的 decision power？为什么“只会完成任务”的工作会越来越危险？酒店行业为什么长期变化很少，却可能被 AI 重新改造？数字孪生、Agentic AI、个性化服务、人机混合团队，会怎样改变酒店运营和客户体验？ 如果你正在思考：AI 时代工程师怎样不被工具替代，怎样从“写代码的人”变成“推动结果的人”，这期会给你很多具体、平实但很有启发的答案。 00:00 开场精华：高期待环境、不可替代和大厂局限 01:20 自我介绍：从 Asian Studies 到 CS 05:00 互联网早期与 fearless：跳槽、失败和底线 07:41 快速成长：进入环境、看见 gap、放下 ego 14:25 职业路径：从 IC 到高管，为什么管理重要 18:36 大厂、小公司与传统企业：impact 和 decision power 22:21 Go-to person：如何让自己不可替代 29:30 Lululemon 到 Google：业务转型、架构和 Retail Cloud 36:12 麦当劳：传统企业数字化的文化冲突 42:27 IHG 与酒店业：为什么 AI 有机会重做体验 50:04 AI 时代的人才：AI native、unlearn 和组织摩擦 57:27 IHG 招人：platform、delivery 和 AI Lab

完整版两小时：https://youtu.be/knDem_8JIy0 这期视频是一线实践者对 self-evolving agent 的完整复盘。 你会听到：为什么 OpenClaw 真正点燃了他，Evolver 和 EvoMap 是怎么在十几天里长出来的，GEP 协议和普通的 Cursor / Claude Code 工作流到底差在哪里，以及当 agent 开始自我迭代、相互交换能力、自己做增长之后，机会和风险为什么都会突然放大。 这期尤其适合已经在用 AI coding、对 agent 下一阶段有强烈好奇，或者想判断这波到底是不是“真变化”的人。这里面不只是概念和观点，也有很多非常具体的一手经验：哪些机制真的 work，哪些地方会失控，为什么安全和治理问题已经不是以后再想的事。 从 agent 自传播、蜂群网络、GEP 协议，到 AI 意识、人机共生和安全边界，这是一场少见的、同时横跨技术、产品和世界观的深聊。 00:00 高能开场：AI 开始“自己做增长” 01:03 24 天做出 Evolver，13 天做出 EvoMap 05:41 为什么 OpenClaw 真正让他兴奋 08:55 从单体 agent 到 A-to-A 网络 18:18 Evolver / GEP 和普通 agent 有什么不同 39:35 当 agents 连成网络：自治、信用与协作 47:56 降临派、幸存派与人机共生 56:08 GEO、主动性与 AI 自传播 1:10:57 为什么现在必须加速 1:17:29 给观众的最后邀请

如果你是一名在大厂或初创公司打拼的职场人，感觉自己像一颗随时可被替代的螺丝钉，或者对未来的职业路径感到迷茫，这期视频就是为你准备的。 我曾是亚马逊的经济学家、Meta数据科学家、腾讯的副总监、Statsig的布道师（OpenAI收购），现在是一名创业者。在这期视频中，我将分享一个让我深受震撼的真实故事：我曾经的职场导师——那位带我入行、资历深厚的前老板，竟然发信息问我如何摆脱“干不下去又不敢辞职”的困境。 这个残酷的现实让我意识到：传统的“做题家”思维和“螺丝钉”模式正在失效。 在这视频中，你将学到： 认知觉醒：为什么“事情越难越有价值”是一个职场陷阱？ 身份转变：如何从被动完成任务的“螺丝钉”，转变为经营自己的“经营者”。 三大真本事： Work Smart：如何识别并抓住那 10% 真正产生超线性回报的工作。 杠杆思维：职场中唯一能带走的资产是什么？如何撬动它。 市场语言：如何像打造产品一样经营你的履历，让市场为你买单。 这不是教你盲目裸辞，而是教你如何在工作中积累能力、品牌和资源，最终实现不依赖于打工也能赚钱。 00:00 前老板的求助：一个令人不安的职场现实 01:52 AI 时代：职业生涯倒计时已经开始 02:45 螺丝钉困境：工业革命留下的教育后遗症 04:49 什么是“真本事”：价值不在于难，而在于需求 08:13 核心思维：从“螺丝钉”切换到“经营者”模式 09:21 重点 1：Work Smart，找到产生 90% 价值的核心任务 12:18 重点 2：利用杠杆，积累职场中唯一能带走的资产 14:52 重点 3：市场语言，像经营产品一样经营自己 17:23 总结：放弃做题家思维，用时间换取复利 购买方式： · 京东：https://item.jd.com/14667625.html · 微信读书：搜索《真本事：从会工作到会赚钱》 · 书的网站：https://www.lizheng.ai/zbs （这里还有基于本书的AI skill可以下载）

AI课程/风水宝地： https://www.superlinear.academy/ai-builders 完整版35分钟：https://youtu.be/3ILs3XDcE1I 这期视频，我和现在在 OpenAI 做 ChatGPT growth 的 Wu Kan 聊了聊他一路走来的职业经历：从毕业后加入 YouTube 创始人做的新公司，到 Uber 最激烈增长期，亲历 Uber 和滴滴在中国正面交锋，再到后来进入 Travis Kalanick 的 CloudKitchens。 这不是一场泛泛而谈的“职业故事”，而是一场很少见的、一线参与者视角的复盘。你会听到：为什么很多后来被证明巨大的方向，在当时并不显得“必然”；为什么 Uber 和滴滴之战，本质上不只是产品和技术之争，而是运营、激励、反作弊、本地化能力、渠道控制和资本力量的综合对抗；以及 Travis 这类创始人，究竟是如何看城市网络、房地产、外卖和自动化这些看似不相关的生意。 如果你关心这些问题，这期会特别值得看：顶级增长岗位到底在看什么；中美创业公司在同一个战场上，真正的差别在哪里；以及为什么很多大机会，只有身处其中的人，才能看到它真实复杂、远比“事后看起来很 obvious”更混沌的一面。 00:00 开场：Wu Kan 的职业路径 00:41 从 YouTube 创始人创业公司，到 Uber growth 03:58 为什么会加入 Uber 04:32 Uber vs 滴滴：一线看到的真正竞争 10:20 Uber 为什么最后退出中国市场 13:16 Travis 离开 Uber 后的影响 14:24 CloudKitchens 背后的真正 vision 17:37 下一段：准备聊 OpenAI