课代表立正 - 节目列表

Codex只听到一句“帖子更新一下”，就修改了面向大量用户的公开内容；改得不错，却依然越过了流程边界。本期讨论为何不能简单收回Agent权限，而要在自主执行与高后果操作之间设置approval gate。 适合让AI接触邮箱、社区、部署或客户系统的人，帮助区分日常自主任务与必须人工确认的操作，并设计可执行的验收标准。 这期你会听到 • 为什么Agent产出的内容正确，仍不代表它有权直接发布？ • 模糊指令与过高权限如何共同造成Codex先斩后奏？ • 怎样设置approval gate，让日常任务独立完成、对外操作必须确认？ • access control与逐次审批分别解决什么问题？ • 为什么理解能力边界和验收标准，可能比fancy prompt更重要？ 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 展示准备接入邮箱或发布系统的代理流程，标出高后果操作，请大家审查审批边界。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

超线性增长真正困难的不是偶尔做对一次，而是长期保持：把自己放进持续进步的环境，让更多当下动作在未来产生复利。本期说明为何长期主义是参与AI时代的一种基本策略。 适合已经尝试学习AI、做项目或经营个人成长，却难以持续的人，帮助判断什么样的环境能让一次进步变成长期积累。 这期你会听到 • 为什么超线性增长的难点是“保持”，而不是单次做对？ • 哪些动作能够在未来继续产生复利，而不是完成后立即归零？ • 持续进步的环境如何支持长期主义，而不只提供短期刺激？ • Stay Superlinear为何采用订阅制社区来承载这种长期积累？ 相关内容 观看本期视频版 加入Superlinear Academy免费社区 带来难以坚持的长期项目和当前节奏，和大家设计能让行动持续积累的环境实验。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

模型和API人人可用，稀缺的是把AI Agent交付成可靠业务结果的人。Jove从Cresta的一线实践解释FDE如何补上最后一公里：处理RAG、幻觉和guardrail，也理解业务、赢得客户信任并对结果负责。 适合工程师、创业者和企业AI负责人，帮助判断FDE是否值得转型、企业为何需要这一角色，以及招聘时该看技术还是交付能力。 这期你会听到 • Forward Deployed Engineer与传统驻场工程师的组织位置和责任有何不同？ • FDE如何把客户现场问题带回产品，并缩短AI Agent的time to value？ • 语音AI进入酒店、银行或餐馆时，RAG、延迟与业务细节为何构成最后一公里？ • 为什么客户信任可能比模型、guardrail和工程实现更难积累？ • Cresta如何通过编程、工程实践、行为沟通与限时构建任务面试FDE？ 章节 00:00 — Jove与FDE岗位扩张窗口 02:20 — AI Agent FDE负责什么 06:50 — 创业经历为何适配FDE 09:30 — 把客户现场反馈带回产品 16:00 — 语音AI如何进入真实服务场景 23:00 — 技术之外更难的是客户信任 26:20 — 模型易得，最后一公里难做 32:00 — FDE的人才画像与面试方式 38:30 — 从掌握技能到对结果负责 39:30 — FDE在北美与国内的不同条件 本期嘉宾 Jove在温哥华的AI公司Cresta带领约30人的FDE团队，预计扩展到100人；他曾在Splunk、EMC担任工程师和管理者，也有开发实时数据管道和流式数据库的创业经历。 相关内容 观看本期视频版 阅读本期文字稿 完整版56分钟： https://youtu.be/MF30YbZCRbM 加入Superlinear Academy免费社区 拿出卡在交付末端的企业智能项目，写明技术故障、业务约束与信任障碍，请大家诊断。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

AI把写代码、数据分析等premium skill变便宜之后，提高生产力未必会让全职员工受益。本期从离开Statsig创业谈起，讨论Agentic AI、business owner的激励机制，以及为什么Builder最终必须面对用户与Go-to-Market。 适合担心AI重构职业、会用ChatGPT或Cursor却没有真实产出的人，帮助判断技能溢价、收入分配和职业定位将如何变化。 这期你会听到 • 为什么Agentic AI的关键不是聊天，而是用自然语言调度算力？ • 全职员工、business owner与生产力红利之间存在怎样的激励错位？ • 当premium skill变便宜、岗位边界合并，职业会如何从技能转向结果与个人特质？ • 持续做东西并拿到用户反馈，为什么比追完所有工具更能培养Builder？ • 技术创业者为何常在产品完成后才看见销售与Go-to-Market的难度？ 章节 00:00 — 离开Statsig后为何做AI教育 04:33 — 用项目反馈建立课程与频道定位 10:23 — Agentic AI让自然语言调度算力 13:38 — 生产力红利究竟归谁 19:13 — 从会打工到成为business owner 23:53 — 复利与职业稳定感的幻觉 28:51 — 大厂表演、小团队聚焦与生活选择 本期嘉宾 课代表立正（Dr. Sun）是Superlinear.Academy创办者；这期回顾他离开Statsig后经营AI课程、社区与内容业务的实践。 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 带来用智能工具做出的内容或产品，附上用户反馈与付费证据，请大家检验价值转换路径。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

明知工作有毒、关系恶化或资产继续下跌，却仍然“先这样吧”，不一定是胆小，而可能是熟悉感、责任规避和身份绑定共同把坏现状伪装成安全，持续消耗一个人的agency。 适合察觉环境正在变坏、却迟迟无法离开的人，帮助识别自己是在理性等待，还是被沉没成本和习得性无助困住。 这期你会听到 • 为什么熟悉感会把一个确定变坏的环境误报为安全？ • 责任规避如何让“什么都不做”看起来不像一种选择？ • 环境钝感为何会诱使人用更多努力抵消持续下坡？ • 身份绑定与沉没成本怎样让离开的代价越拖越高？ • 如何识别习得性无助，并通过行动逐步找回agency？ 章节 00:00 — “先这样吧”如何吞掉选择 01:00 — 留在坏环境里的心理机制 02:00 — 在亚马逊toxic组耗尽后被裁 03:00 — 从山东到上海读高中的选择 06:00 — 熟悉感与责任规避的陷阱 07:00 — 环境钝感让努力抵消下坡 08:00 — 身份绑定制造沉没成本 09:00 — 习得性无助如何阻止离开 11:00 — 找回选择方向的agency 12:00 — 别把方向盘交给现状 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 把迟迟没有离开的坏环境当作案例，带上沉没成本、责任与身份顾虑，请大家推演可逆行动。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

屠龙从脑科学博士后走进商业世界，做过教育高管，也创业卖过书、护肤品和课程。她反复验证的一条原则是：不要坐在家里推演，要去现实里拿一手信息。先做销售还是先做产品、为什么一个品类能爆另一个卖不动、什么时候不该看竞对——这期聊的都是创业真正落地以后才会遇到的判断题。 这期你会听到 • 为什么她在2016年开车穿过宾州农村，与陌生人聊天后提前看见美国政治的转向 • 从0到5万粉丝用了7年，从5万到80万只用了半年：非线性增长的拐点从哪里来 • 先学销售、再做产品，怎样用真实交易代替想象中的用户需求 • 一个说话直接、不擅长圆滑的人，怎样在复杂现实里继续把事做成 章节 00:00 — 为什么要采访屠龙 02:00 — 从脑科学、DARPA相关项目到回国决策 10:00 — 为什么离开学术圈进入商业世界 13:00 — 大厂经历、土豪现象与创业起点 15:00 — 书店生意：先学销售，再做产品 23:00 — 大V是怎么做成的：长期写作与不看竞对 31:00 — 非线性增长：拐点不是突然发生的 36:00 — 数据实验、失败的乐趣与每天诊断 41:00 — 招人和团队建设：价值观、人才密度与组织风气 48:00 — 盗版书、下沉市场与复杂现实 55:00 — 网红、供应链、仓库和行业乱象 64:00 — 高客单价怎样成立：心理预期与产业链毛利 81:00 — 女性创始人、投资人和FOMO管理 85:00 — 直率、情商与尊重人的真实方式 91:00 — 破圈：向不喜欢但有道理的人学习 本期嘉宾 屠龙，清华大学生物学本科、匹兹堡大学脑科学博士。做过DARPA/IARPA相关项目，回国后曾任教育公司高管，后来连续创业。 本期相关 观看本期视频版 阅读本期文字稿 屠龙在社区里的帖子： https://www.superlinear.academy/c/posts/yangying 本期提到的屠龙老师《创业故事》课，包含她在产品、销售、品牌、组织管理与扭亏为盈中的实际经历。本期与该课程有合作；订阅与当前权益请向屠龙老师团队确认，微信：asm613_ 加入Superlinear Academy免费社区 如果你也在把AI与自己的专业本事做进真实项目，欢迎与2万+成员一起交流；社区里已有700+真实项目与实践分享： https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

AI带来的生产力提升不会自动让每个白领平稳过渡，正如工业革命的收益与个体遭遇并不相同。本期借历史追问：当“做一个有用的人”不再等于安全，我们还要不要把productivity当成人生的默认尺度？ 适合担心职业安全、考虑创业或重新安排未来生活的人，帮助区分财务安全、职业发展与内在生活，不把工具学习误当成完整答案。 这期你会听到 • 工业革命中的织布工人经历，如何揭示技术进步与个体命运之间的落差？ • 为什么生产力提升不等于社会和个人都能顺利过渡？ • 没有现成方案时，怎样承担面对不确定性的责任？ • productivity为什么值得被重新审视，而不只是继续提高？ • 如何分别看待财务安全、外在追求与内在生活？ 章节 00:00 — AI对白领工作的长期挑战 02:00 — 从历史转型看个体代价 03:00 — 工业革命与织布工人的命运 05:00 — 生产力提升不保证平稳过渡 06:00 — 为什么不存在现成方案 08:00 — 面对不确定性并为自己负责 09:00 — 反思productivity的默认前提 11:00 — 效率之外还有哪些追求 13:00 — 平衡财务安全与内在生活 相关内容 观看本期视频版 阅读本期文字稿 加入Superlinear Academy免费社区 写下你在职业安全、现实责任与内在生活之间的取舍，带来当前决定请大家共同审视。 https://www.superlinear.academy/ 关于主播与节目 孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。 《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。

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 这期对谈勤勤，聊的是很多人都卡住但很难说清楚的一件事：为什么你学了很多商业方法论，知道应该怎么做，还是做不出产品、定不上价格、卖不出去，甚至明明说想赚钱，却偏偏不走更赚钱的那条路。 勤勤长期陪伴一群“好学生路径失效”的职场人做副业、做产品、重新找回自己的生命力。她看到的不是单纯的商业问题，而是更深的卡点：不敢谈钱、觉得自己不配、身体里还留着“我不够好”的印记，或者最深层的动机根本不是赚钱，而是想重新 feel alive。 这期适合正在做副业、想离开消耗型主业、想做个人产品、想做内容 IP，或者已经学了很多课但迟迟动不起来的人。它不会再给你一套新的万能方法论，而是帮你判断：你现在到底是商业问题，还是生命力问题，还是心里某个更深的地方还没过。 章节： 00:00 开场：道理都懂，为什么还是动不了 01:00 好学生路径失效之后，卡点从哪里来 03:30 “0 分的人，就该让 2 分的人帮” 06:00 身体印记：为什么懂道理还是过不去 11:00 销售的三个阶段：技巧之上是真心 17:00 小流量、高粘性 IP 怎么活 26:00 用脑 vs 用心：禅修里的那个“2” 31:00 说想赚钱的人，为什么偏偏不赚钱 39:00 从物理学理解玄学、显化和观察者 52:00 主业消耗、副业不赚钱、没存款怎么办

为什么有知识、有技能的人，不一定拿得到结果、赚得到钱？中间差的那块东西，很多人含糊地叫"能力"，或者干脆归结为运气。这期视频把它讲清楚：差的是穿透不确定性的能力。 如果你是从小考试一路考上来的好学生，习惯了"按部就班准备→得到好结果"的确定性世界，这期视频会告诉你为什么这套逻辑在现实中失效，以及真正起作用的是什么。我把这个模糊的"能力"拆成了6个可以刻意提升的点：定义问题、拆解问题、借力整合、决策、迭代纠偏、ownership与上心。每一个都配了具体例子。 更底层的，是一个心态转变：从"会不会"切换到"能不能"。"会不会"是考试思维，针对知识和技能；"能不能"针对的是结果。在AI已经在知识和技能上全面超越人类的今天，这个转变决定了你的注意力放在越来越不值钱的东西上，还是放在真正能拿结果的能力上。 看完这期视频，你会理解为什么同样背景、同样学历的两个人结果天差地别——那不是运气，是一组看不见但完全可控的能力。 📖 新书《真本事：从会工作到会赚钱》已上市，讲的是这套心法的具体展开。 00:00 开场：有知识有技能，为什么拿不到结果 02:10 真正缺的：穿透不确定性的能力 04:46 六大能力总览 05:18 定义问题与拆解问题 07:00 借力整合：接受自己"不会" 08:36 在不确定性中做决策 10:03 迭代纠偏 / Ownership与上心 11:38 别把能力归结为运气 13:40 总结与新书《真本事》 AI课程： https://www.superlinear.academy/ai-builders 真本事：https://www.superlinear.academy/c/work-wealth/ 在App Store搜索Superlinear Academy，加入AI先行者的大本营

AI正在改变教育里最关键的问题：当知识获取的边际成本趋近于零，孩子真正需要积累的，还是分数、公式和标准答案吗？ 这期视频适合关心AI时代教育选择的家长、教育工作者，也适合正在思考未来能力的学生和职场人。分享从“做题家”为什么不再是最稳妥路径讲起，解释AI为什么不只是更聪明的搜索引擎，而是一个用自然语言调用算力的新界面。 视频录制于2025年11月，是我在耶鲁北京中心的讨论会，重点讨论三个问题： 1. AI时代，孩子真正需要培养什么能力？ 2. 为什么“会提问”“会定义问题”比单纯掌握知识更重要？ 3. 家长和学校该如何引导孩子使用AI，而不是让AI替孩子思考？ 核心观点包括：从做题家转向建造者；从被动消费答案转向主动解决真实问题；从追逐工具技巧转向培养批判性思维、产品意识和初学者心态。视频也给了一个很具体的家长建议：不要让AI直接给答案，而是让AI像导师一样引导孩子思考。 最后，分享也回到一个更底层的问题：机器越聪明，做人越重要。AI可以帮助我们处理how，但很难替我们回答why和ought——为什么要做，以及应该做什么。 00:00 开场：知识获取成本正在归零 00:40 活动与嘉宾介绍 02:02 从“做题家”到“建造者” 05:08 AI带来的范式变化：自然语言即代码 07:24 技术门槛降低，分层反而加剧 09:00 三个核心素养：提问、产品、初学者心态 19:11 家长与学校该怎么引导AI使用 23:30 圆桌和Q&A：工作、学校与AI安全 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

如果你不是程序员，但已经发现“问 ChatGPT”并没有真正带来 10 倍生产力，这期视频讲的是一个更关键的转变：从把 AI 当聊天框，变成用 Cursor 这类 AI Agent 直接做事。 这期适合老板、市场、销售、设计师、运营，以及任何没有编程背景、但想用 AI 做网站、原型、数据处理、自动化工作的人。 视频里会讲清楚： 为什么 ChatGPT 更像“给建议的军师”，而 Cursor 更像“能执行的军队” 为什么普通人也应该开始理解 AI Coding 为什么 Cursor 和 ChatGPT 的体验差别很大 普通人上手 AI Agents 真正要跨过的三个门槛 如何用 CER 模板处理报错 如何用 3C 模板把需求说清楚，让 AI 做出你真正想要的东西 核心观点很简单：AI 的能力不只是在回答问题，而是在帮你把东西做出来。你一旦体验过这种工作流，就会重新理解自己在 AI 时代能做什么。 视频中提到的小课： coding.ai-builders.com 折扣码： AI-Coding-101 00:00 为什么要从 ChatGPT 转向 Cursor 00:37 用 Cursor 后：不再求人 01:24 ChatGPT 和 Cursor 的根本区别 02:12 从建议者变成执行者 03:00 2026 年仍然要学 AI Agents 的原因 04:02 普通人上手的三道门槛 05:32 CER 和 3C：两个实用模板 06:58 最关键的习惯改变：真正让 AI 动手做事 07:58 小课介绍：从会聊天到会调度 AI 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

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。