218
3课程里的讲解： www.superlinear.academy
社区：www.superlinear.academy
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
