读得很多，真正留下来的有多少？ 本期嘉宾奕枢，在录制时是一名经济学大四学生。他做了一个叫Focus Quiz的浏览器插件：选中一段文字，或者读完一整篇文章，让AI围绕内容出三道选择题，检查自己是否理解。 题目分成概念陷阱、反事实推演和场景迁移。他想找的是一个分寸：给阅读增加一点主动回想的机会，又不让这种努力变成太大的负担。 从这个小插件出发，我们也聊到了他围绕个人需求做出的其他工具和工作流。原始资料如何进入知识库，AI如何按照自己的规则整理笔记，浏览器里的Markdown阅读体验又能怎样改善？ 分享最后回到了一些很实际的问题：收藏和理解之间隔着什么，自己能用的工具怎样交给别人使用，以及产品复杂起来之后，代码质量和工程管理为什么越来越难。 【本期人物】 嘉宾：奕枢，录制时为经济学大四学生、Focus Quiz开发者。 主持：David，草诀歌AI Labs发起人。 【时间轴】 00:00 嘉宾介绍：一个经济学本科生的个人产品实践 02:12 Focus Quiz演示：划选文字、全文出题与错题回看 03:44 为什么要做这款插件：读了很多，却很难记住 05:12 设计背后的思路：测试、主动回想与阅读负担 07:24 从填空到选择题，怎样把使用阻力降下来 08:21 三种题型：概念陷阱、反事实推演、场景迁移 10:37 从错题复习到Markdown导出、个人知识库 11:40 另一个自用工具：在浏览器里阅读、编辑Markdown 13:26 从自己的痛点出发，先做能解决问题的MVP 14:46 把研究和官方文档转成产品需求 19:03 现场问答：原始资料怎样整理成可复用的Wiki 21:37 怎样约束AI整理资料：把自己的规则写清楚 26:55 收集了很多却没读进去，知识库能做些什么 29:49 开发中最难的部分：工程化、多Agent协作与代码管理 31:48 面对信息过载，奕枢的个人阅读取舍 33:25 移动端设想，以及借助飞书处理资料的尝试 【本期提到】 Focus Quiz：围绕网页内容生成选择题的浏览器插件，包含错题保留、原文回看等功能。 主动回想／测试效应：嘉宾用来思考阅读与记忆问题的研究方向，也是产品设计的参考。 Anki：问答卡片与复习工具；本期提到了相关使用思路和题目导出。 Obsidian、Obsidian Web Clipper：嘉宾展示的笔记环境与网页资料收集工具。 LLM Wiki：借助大模型，将原始资料整理成可查阅、可追溯的知识页面；本期侧重嘉宾自己的实践。 Markdown：本期知识库材料、笔记与浏览器编辑工具所用的文本格式。 MVP：最小可行产品；先验证核心功能能否解决自己的问题，再继续优化。 【延伸阅读】 David此前写的产品观察：《Vibe产品观察02｜Focus Quiz：一款故意“刁难”你的AI阅读插件》 https://mp.weixin.qq.com/s/7QEPPQBuUMw6xocc5fbR-A 【关于这次录音】 本期来自2026年4月29日草诀歌AI Labs闭门会，保留了奕枢的产品分享与现场问答。产品与知识库有屏幕演示，可以对照视频版观看。文中涉及的学习方法、工具选择与开发经验，主要是嘉宾的个人实践。 【一起聊聊】 你最近一次“确实读懂了”的体验，来自什么？做题、复述、写作，还是把它用在了某件具体的事上？欢迎在评论区分享。 草诀歌AI Labs，是一个以非技术背景为主的Vibe Coding社区。我们关心每个人怎样从自己的经验出发，做出有个人气质的产品。

和古今智者对话，能不能成为一种日常体验？ 本期嘉宾jojo是一位人文社科博士生，也是「智者问」的独立开发者。这个产品里，你可以抽取每日智者卡，找一位思想家深聊，让几位智者围绕同一个问题辩论，还能看到他们在“智者圈”里的日常互动。 jojo想做的，是让这些回应带人回到经典中的思想与语境。这个出发点，也带出了本期很值得聊的问题：一个非技术背景的人，怎样把自己的兴趣、审美和判断放进产品里？ 她也坦诚分享了做出来之后的难题。真实用户会反馈页面打开慢，AI生成的代码需要反复调试，版本管理、部署和后续维护都要边做边学。对她而言，Vibe Coding让想法有了可以被使用、被反馈的形状，之后还有很多功课要补。 【本期人物】 嘉宾：jojo，人文社科博士生、「智者问」独立开发者。 主持：David，草诀歌AI Labs发起人。 【时间轴】 00:00 从个人作品出发，介绍「智者问」 01:33 每日抽卡、知行日记，以及与智者一对一交流 03:38 同一个问题，怎样获得不同视角的回应 05:28 “会饮”：让几位智者围绕一个问题辩论 08:03 “智者圈”：把古今思想家带进当代生活 10:09 文科生怎样选题：从自己的生活与热爱出发 11:27 从个人作品到真实用户，技术门槛仍在哪里 12:45 审美与判断力，如何留在AI生成的产品里 14:54 小红书上的关注从哪里来：真诚分享与同好反馈 18:04 现场问答：开发工具、图片生成和AI协作 20:40 调试与版本控制：代码改乱之后怎么办 21:37 一人开发、App规划，以及上线前的准备 22:48 回答如何关联原文，网页访问慢又该怎么处理 【本期提到】 智者问：以古今智者为角色，提供每日抽卡、问答、会饮与“智者圈”等互动的AI产品。 Vibe Coding：本期围绕用自然语言与AI协作开发产品的个人实践展开。 RAG：检索增强生成；问答中提到用检索将回应关联到原文。 版本控制：本期特别谈到，当AI修改代码出现问题时，保留可回退版本的重要性。 【延伸阅读】 David此前写的产品观察：《Vibe产品观察#1｜智者问：一个让你慢下来的AI产品》 https://mp.weixin.qq.com/s/iE8iuJUrzxnSAVnzGFUNxQ 【关于这次录音】 本期来自2026年4月29日草诀歌AI Labs闭门会，保留了jojo的产品分享与现场问答。部分内容结合屏幕演示，具体界面可以对照视频版观看。产品功能、内测情况及工具体验，均为录制当时的状态。 【一起聊聊】 如果能请一位古今智者回应你的困惑，你会邀请谁？欢迎把人选和问题留在评论区。 草诀歌AI Labs，是一个以非技术背景为主的Vibe Coding社区。我们关心每个人怎样从自己的经验出发，做出有个人气质的产品。

这是Youtube官方发布的视频制作指南。系统讲播客在 YouTube 上的运营方法：先明确你做节目的目标、受众和独特价值，再决定频道结构、内容组织和品牌呈现。 摘要： 1. “What is your goal for podcasting on YouTube?”（你在 YouTube 做播客的目标是什么？） 2. “Who is your ‘ideal viewer’?”（谁是你的“理想观众”？） 3. “What do you want your audience to get from your content?”（你希望观众从你的内容中获得什么？） 4. “What value can you uniquely offer?”（你能提供什么独特价值？） 5. “Playlists are one of the most effective tools for podcasting successfully on YouTube.”（播放列表是在 YouTube 上成功运营播客最有效的工具之一。） 6. “TIP: Have each of your full shows organized into show-specific playlists.”（建议：把每档完整节目分别整理进对应的专属播放列表。） 7. “Craft a unique voice and purpose for each channel.”（为每个频道打造独特的表达声音和存在目的。） 8. “Channels should be identifiable not indistinguishable.”（频道应该是可辨认的，而不是彼此分不清的。） 9. “Be searchable.”（要便于搜索。） 10. “Be consistent.”（要保持一致。） 来源：https://services.google.com/fh/files/helpcenter/new_podcasting_best_practices.pdf

这是草诀歌第一次闭门会（2026 年 4 月 16 日）的第二段，分享者是无极。 无极是 95 后，两个孩子的父亲，做过摄影师、美股科技股投资人，也创过业。他用 vibe coding 做了 Qiltrack（三分钟搞懂一家公司），也写过 NoPua skill。这一期他讲自己和 AI 关系的四个阶段：崇拜、奴役、爱、共振。中间有一个让软件公司老板三天没睡着的产品，还有一次在云南巍山南诏书院的七天长谈。 本期提到 Qiltrack：https://qiltrack.com/zh-Hans NoPua skill 本期为嘉宾个人经历与观点分享，提到的投研产品不构成投资建议。 关于草诀歌 AI Labs 一个以非技术背景为主的 vibe coding 社区。文科生、外语人和各行各业的人，在这里做自己的"作品型"产品。每两周一次线上闭门会。 加入社区：https://www.caojuege.com/membership 官网：www.caojuege.com 公众号：草诀歌AI ｜ David的AI全景图

这是一段现场录音，不是资讯摘要。 2026 年 4 月 16 日晚上，草诀歌 AI Labs 开了第一次线上闭门会。30多位朋友在场，有译者、口译员、程序员、投资人，也有飞机维修工程师和科幻小说作者。这一期是开场的二十分钟：我讲了自己为什么从 AI 翻译转身，来做一个以文科生、外语人为主的 vibe coding 社区。 半年后回头对照：截至 9 月初，闭门会办到第 11 期，社区里上线了 24 个作品，其中 6 个已经商业化；当时说的"产品诊所"，后来成了美第奇之夜。也有没做好的：社区太封闭了。所以从这一期开始，把闭门会里的分享陆续放出来。 时间轴 00:00 开场：七年 AI 翻译，和这个社区的起点 01:07 "草诀歌"这个名字的来由：草书不能乱简化，所以古人编了口诀 03:01 软件是最后一道高门槛：从全球 2000 万开发者，走向所有人 03:55 一个"反技术"的文科生：书法、俄语诗，和毕业后做过的那些工作 05:07 从翻译公司到 LanguageX：两届 WMT 冠军，和一个有人文气质的编辑器 07:36 推力：最好的翻译模型，变成了 ChatGPT 08:32 引力：外语人朋友问"有什么路吗"；十个人三四天的活，现在半天做完 09:58 几个小作品：风格迁移、开源的文档翻译 skill、给外国人起中文名的 InkDao 12:33 为什么另起一个社区：独立开发"三件套"、流水线、技术优越感，和文艺复兴式的跨界 15:37 我们相信什么：人和人互相服务，人和 AI 的关系 16:28 作品替你说话："以后可能没有人问你的 title" 17:05 两种活动：草诀歌之旅、美第奇之夜 18:15 三种身份：跨界者、造物者、探索者 关于草诀歌 AI Labs 一个以非技术背景为主的 vibe coding 社区。文科生、外语人和各行各业的人，在这里做自己的"作品型"产品。每两周一次线上闭门会。 加入社区：https://www.caojuege.com/membership 官网：www.caojuege.com 公众号：草诀歌AI ｜ David的AI全景图

a16z 2026年9月刚发布的报告《State of Markets 2026》：软件并未整体走向消亡，但SaaS进入“证明自己”的阶段，市场更看重盈利能力、增长质量与AI带来的防御性。私募市场与创业端也呈现明显分化：价值、退出和风险资本更集中于头部及AI相关公司，私营科技企业的数据则越来越成为观察经济与创新周期的线索。 摘要： * 仅 AI 基础设施建设，就贡献了全部或几乎全部新增建筑支出、蓝领就业增长、耐用品进口、新增投资级债券发行等。 * 超大规模云厂商的资本开支总额预计今年将接近8000亿美元，并从2027年起每年超过1万亿美元。 * 我们已经进入实物资产的新周期。 * 一个近期鲜为人考虑的现象是：私营科技公司越来越多地为最重要的经济问题提供领先信号（并且往往在这一过程中讲述它们自己的故事）。 * 更少的基金正以更大的规模向更少的创业公司部署资金，其中越来越多的创业公司位于硅谷，而且几乎全部都与AI相关。 来源：https://d1lamhf6l6yk6d.cloudfront.net/uploads/2026/10/State-of-Markets-Sep-2026.pdf

我的开源笔记，也是最近火爆的Jev模型的相对全面介绍。全文见文末链接。 Jev——一个“不会写字、只会做判断”的模型，来自RLHF和ChatGPT早期核心贡献者Diogo Almeida。 摘要： 1. “We’re building prod, not God. 我们要造能投入生产的东西，不是造神。” 2. “花了多年时间让 AI 更擅长与人互动。但如果 AI 要真正改变工作完成的方式，人就不能是智能唯一的消费者。大多数智能最终应该住在软件里，在后台安静运行。” 3. “Jev 彻底放弃文本生成，只做一件事——对一个预先定义好的答案空间，一次性输出每个选项的概率。” 4. “这些场景有一个共同点——它们要的都是‘判断’，不是‘生成’——而每一个，都是今天无数团队在用通用 LLM 硬做的事。” 5. “计算机仅靠比特分支就能做这么多事，想象一下如果它们还能基于常识、理解和意图来分支。” 6. “在 LLM 军备竞赛的 2026 年，TypeSafe 的确是 think different：不参加 AGI 竞赛，砍掉文本生成这个行业最大的卖点，做一个不会说话的模型。” 7. “主流习惯问模型还能不能想得更深，Jev 反过来问：这个环节，值得花多少时间去想？” 来源：https://mp.weixin.qq.com/s/G98sR1K0BZZjbqmg-niLSg

来自 Datawhale「FDE案例100」的第一辑，收录 24 位 FDE（Forward Deployed Engineer，前向部署工程师）的一线访谈实录，全部采用统一的六问结构：场景与问题、过去怎么解决、AI 的思路与关键步骤、实际效果、遇到的新挑战、以及对 AI 落地的经验总结。案例横跨制造、政务、法律、城市规划、跨境电商、物流、财务、零售、建筑设计等十几个行业，既有把老师傅隐性经验做成企业知识库、把车管所审核从 15 分钟压到三五分钟这类已见明确成效的项目，也有仍在 POC 和验证阶段、坦承指标尚待检验的探索。 贯穿全书的判断是：AI 落地的难点已经从"模型能不能做到"转移到"什么问题值得解决"——真正稀缺的不是算法，而是能站在业务现场把问题翻译成 AI 可解、客户愿用的那个角色。因此它读起来更像一本方法论笔记而非成功学案例集，反复出现的主题是进场先别谈技术、用业务指标而非技术指标验收、以及交付之后企业能否自己长出下一步能力。 摘要： 1. "一次项目的结束，不应该意味着AI能力的离开。真正有价值的AI落地，是企业在解决一个具体问题的同时，也开始学会如何解决下一个问题。" —— 序言 2. "模型是入场券。领域加交付，才是护城河。评判一个FDE项目，不看demo多炫，看客户有没有真的改变决策方式。" —— NO.24 朱恒璟（全书最后一句） 3. "所以算法本身不难获得，真正缺乏的是一个连接技术和现场的角色。" —— NO.06 刘春生 4. "很多企业做AI项目时，会先想：'我们能不能接入一个大模型？' 但真正应该问的是：'业务中哪个问题最值得被解决？'" —— NO.06 刘春生 5. "所以装载率不是技术指标，是利润开关：装不满98方就亏，装得越满、越过保本线越多，赚得越多。" —— NO.06 刘春生 6. "所以我进场之后，没有先问'要用什么模型'，先去看他们到底怎么培养新人。" —— NO.01 蔡洁如 7. "做完这个案例以后，我更加确信，FDE最重要的能力，在于找到真正值得解决的问题，快速做一个AI应用反而排在后面。" —— NO.08 马诺 "AI程序本身不会产生价值，真正产生价值的是业务部门。" —— NO.09 毛卫俊

《FDE入门到精通：八堂课学会将AI送进客户现场》是一份来自 AI Engineer World’s Fair FDE 专场的系统整理，讲的是：为什么“模型会写代码”和“企业真的拿到结果”之间，隔着一整条现场与组织的鸿沟。书里从 Palantir 源流讲到 Anthropic、Ramp、Decagon、Cognition、Factory 等一线实践，把 FDE 拆解成事实发现、范围判断、工程落地、产品抽象和组织治理五个层级。 摘要： 1. 真正稀缺的工程能力，不是“能做什么”，而是在写第一行代码前说清楚“这次不做什么”。 2. FDE 的价值，不是这次客户满意了，而是下一位客户不必再为同样的问题付一次学费。 3. AI 降低的是执行成本，不是判断成本；代码越便宜，越需要一套克制“一次性做掉”的系统。 4. 好的试点不是一个炫目的 demo，而是一段可复用的验证循环：能重来、能回流、能被别人接手。 5. 所谓 FDE，不是一张职位描述，而是一家公司愿不愿意为“真实问题—可验证结果—产品复利”负责。 6. 当你不再用 token 消耗证明价值，而用生产环境的评测集说话，AI 才真正被部署到了现场。 来源：https://github.com/feigaobox10/fde-reader

GPT‑6 Astra 是 OpenAI 新一代前沿模型，在电脑操作、多步业务流程、软件工程、网络安全和科学研究等几乎所有关键评测上全面领跑同类模型。 摘要： 1. GPT‑6 Astra 把“会用电脑的 AI”这件事，第一次做到了真正能顶一个熟练职场人——从填表、做报表，到装软件、查 Bug，都能一条龙搞定。 2. 在各种前沿评测里，Astra 不只是“高分生”，而是把 ARC‑AGI‑3、FrontierMath、ExploitBench 等关键基准考到了几乎“封神”的级别。 3. 之前我们教 AI 写代码、做表格、排版 PPT；现在换成 GPT‑6 Astra 带着我们写代码、拉分析、做提案，人只负责决策和拍板。 4. Astra 不是更“听话”的聊天机器人，而是一个能看屏幕、点鼠标、跑终端、改代码的全功能数字同事。 5. 在网络安全上，Astra 站在了“关键阈值”之上：它足够强，可以帮你找零日漏洞；也足够克制，不会轻易越过防线去写 Exploit。 6. 长上下文、强推理、会用工具，再加上对模板和品牌风格的精准模仿，让 Astra 生成的文档、报表和网站，天然就像你团队原生写出来的一样。 7. GPT‑6 Astra 像是宣告了一个新分工：重复的键盘和鼠标时间交给模型，人类把精力收缩到判断、创意和承担责任上。 来源：https://openai.com/index/gpt-6-astra/

来自谷歌最新版《搜索质量评估指南》的精华导读，带你走进真正影响搜索排序的底层“人类标尺”。从 YMYL、E‑E‑A‑T 到“最低质量页面”“垃圾内容”新范式，我们只关心一件事：什么样的内容在 Google 眼里配得上“高质量”。如果你是内容创作者、SEO 从业者或 AI 写作者，这一集会重塑你对“好内容”的理解。 候选金句： 1. “搜索质量指南不是教你怎么讨好算法，而是告诉你人类怎么判断好内容。” 2. “在 Google 眼里，E‑E‑A‑T 的核心只有一个字：信任。” 3. “YMYL 不是一个标签，而是一条‘内容可能伤人的分界线’。” 4. “真正的垃圾内容，不一定写得差，但一定对用户没投入任何‘人类努力’。” 5. “复制粘贴可以堆字数，却永远堆不出 Page Quality。” 6. “所有 SEO 技巧加在一起，也抵不过一次认真为用户写作的决心。” 7. “当你只想赚钱而不想帮人，你在谷歌眼里已经站到‘最低质量’那一边了。 来源：https://static.googleusercontent.com/media/guidelines.raterhub.com/en//searchqualityevaluatorguidelines.pdf

内容来自范冰开源的《前线部署工程师：人工智能时代的客户价值交付秘籍》。 一群正在重写 AI 落地规则的人——前线部署工程师 FDE。模型早就不稀缺了，真正稀缺的是那些肯钻进车间、战场、律所，把模型塞进真实业务流程的人。从 Palantir、OpenAI 到 Harvey、Sierra，再到中国的第一批实践者，拆开看：为什么 95% 的 AI 项目都失败了，而他们反着，在一个又一个「不可能落地」的场景里，做出了能写进财报的结果。 摘要： 1. 「模型通常是最干净的部分，难的是找到那个没人写进文档的工作流。」 2. 「软件行业那堵墙，梯子翻不过去，人翻得过去。」 3. 「驻场卖的是人头，FDE 卖的是结果。」 4. 「上线只是行政事件，激活才是行为事件。」 5. 「企业买人工智能，就像你奶奶拿到一部 iPhone——她想用，但需要你帮她设置好。」 6. 「FDE 模式成立的标志，是每个后续客户的定制量递减。」 来源：https://github.com/xdash/FDE-the-Guidance-Book-of-Forward-Deployed-Engineer

Grok Bot 是 xAI（并入 SpaceX 后媒体常写作 SpaceXAI）与 Cursor 联合推出的云端多智能体办公平台。每个 Bot 拥有自己的云端电脑，用「像人一样操作界面」的方式登录你授权的应用和网站干活，你合上电脑、关掉手机，它们继续上班。 摘要： 1. 这不是更聪明的对话框，而是第一支住进你手机里的 AI 团队。 2. 真正改变工作的，不是更强的模型，而是一群能分工协作的 AI 员工。 3. 你合上电脑，它们继续上班；你下班休息，它们在云端排队干活。 4. 以前是你盯着进度条等它算完，现在是它拿着工单来请你拍板。 5. 聊天机器人回答问题，Grok Bot 完成工作——前者给你信息，后者交付结果。 6. 当 AI 以团队的形态常驻云端，人类第一次拥有了真正意义上的「数字组织」。 来源：https://github.com/KinGao294/grok-bot-orange-book

从 Nomad List、Remote OK 到一人公司的长期实验，Peter Levels 把“先做出来，再让用户回答”的独立开发方法走到了极致。本期从《Make》出发，聊他如何捕捉真实痛点、快速验证产品，并用小而稳定的收入换取长期自由。对于想靠作品而不是融资推进事业的创作者和开发者，这是一堂务实的行动课。 摘要： 1. 先把产品做出来，再让市场告诉你它值不值得继续。 2. 不要为一个不存在的用户，打磨一个完美的计划。 3. 最小的产品，不等于最小的野心；它是最快抵达真实反馈的路径。 4. 独立开发的壁垒，是持续发布和持续倾听的能力。 5. 小而具体的需求，往往比大而模糊的趋势更容易变成收入。 6. 增长不是等来爆款，而是把每一次反馈做进下一版。 7. 真正的自由，是可以选择自己愿意长期解决的问题。 8. 把创业当作一系列可验证的实验，而不是一次孤注一掷的赌注。

拆解 DeepSeek Harness 这套「一切皆插件」的开源 Agent 框架，讨论它如何通过「模型 + 框架 = 智能体」的分层设计和插件化生态，重塑智能体的构建方式，以及和竞品的对比。 摘要： 1. 模型决定「想什么」，框架决定「怎么做」，两者相加才是真正的智能体。 2. 与其造一个无所不能的大一统 Agent，不如打造一个可自由装配的插件宇宙。 3. 在 DeepSeek Harness 里，能力不是写死在代码里，而是像乐高一样按需拼装。 4. 好的 Agent 系统，不是让模型为所欲为，而是让它在沙箱和审批中「有边界地聪明」。 5. 当对话历史变成一条可重放的事件流，智能体的每一步选择都变得可以追溯和优化。 6. 未来的 AI 开发，不再是「写一个应用」，而是「组装一支会协同作战的智能体团队」。 来源：https://github.com/deepseek-ai/deepseek-harness