/ field-notes

Text index

AI Workflow & Agent Payments Notes Index

Readable text index for Wanghua's AI Workflow and Agent Payments notes.

24 notes275 cards2 collections
Open Excalidraw boardMarkdown

16 notes

AI Workflow

  • 8 cards

    把 NotebookLM 变成 Claude Skills 工厂

    目标不是做一次提示词，而是沉淀可复用的专家工作流

    1. 01 把 NotebookLM 变成 Claude Skills 工厂
    2. 02 先建资料包：输入质量决定 Skill 质量
    3. 03 别急着生成，先问出结构
    4. 04 生成 skill.md：让 Claude 有菜谱可照着做
    5. 05 安装到 Claude Code：文件夹就是技能边界
    6. 06 测试不仅看能不能跑，更要看稳不稳
    7. 07 双循环迭代：Gemini 研究，Claude 打磨
    8. 08 规模化：把 Skill 当小产品管理
  • 12 cards

    Agentic OS 到底是什么

    Agentic OS 到底是什么

    1. 01 Agentic OS
    2. 02 它要解决的九个问题
    3. 03 Part 1：静态身份上下文
    4. 04 Part 1b：业务与品牌上下文
    5. 05 Part 2：记忆系统别一把塞满
    6. 06 Part 3：用 Skills 固化流程
    7. 07 Part 4：把 Skills 串成系统
    8. 08 Part 5：规划要匹配项目复杂度
    9. 09 Part 6：多客户/多项目架构
    10. 10 Part 7：输出必须可预测
    11. 11 Part 8：随时随地调用这个 OS
    12. 12 落地顺序：别一口气全搭完
  • 9 cards

    Codex 的连接方式

    核心问题：Codex 要在哪里工作？我从哪里接管它？目标机器怎 么到达？

    1. 01 Codex 的连接方式
    2. 02 第一层：操作当前 Mac
    3. 03 第二层：从其他设备续任务
    4. 04 Codex app 移动端
    5. 05 第三层：进入远端机器
    6. 06 远端不可达：Tailscale + SSH + Codex
    7. 07 三层场景怎么连起来
    8. 08 典型组合案例
    9. 09 最后总结怎么选
  • 12 cards

    AI 时代个人生存指南

    在下一阶段 AI 浪潮来临前，现在该如何为自己定位

    1. 01 2-3 年
    2. 02 主线：先过混乱期
    3. 03 Face RIP冲击框架：七个冲击面
    4. 04 岗位冲击：先从 junior 开始
    5. 05 人类经验变成差异化
    6. 06 创业从下棋变成打壁球
    7. 07 别把 AI 当真理机器
    8. 08 教育不等于学校
    9. 09 真正该学的 4 个能力
    10. 10 个人定位：别做可替代接口
    11. 11 MAD
    12. 12 现在怎么做：30 天行动表
  • 16 cards

    想投 AI PM 岗

    AI PM 是真的，但不是万能标签

    1. 01 想投 AI PM 岗
    2. 02 80%
    3. 03 进入 AI PM 的三层栈
    4. 04 成为 AIPM 要学的 5 个概念
    5. 05 传统 PM 管功能，AI PM 管分布
    6. 06 AI 适合解决什么问题？
    7. 07 AI 技术选择：三件工具，不是三种信仰
    8. 08 智能体的四个构建块
    9. 09 工作流 vs 智能体
    10. 10 提示词工程还没死，它升级成上下文工程
    11. 11 RAG：先检索，再生成
    12. 12 Fine-tuning 不该是第一选择
    13. 13 从项目到产品：作品集要有真实反馈
    14. 14 三家公司给 AI PM 的不同训练
    15. 15 最后的能力地图
    16. 16 关键术语对照
  • 10 cards

    Codex : 让 AI 像人类一样使用电脑

    Codex : 让 AI 像人类一样使用电脑

    1. 01 Codex
    2. 02 能力一：Full File Access
    3. 03 能力二：Persistent Memory
    4. 04 能力三：Plugins 用 @ 连接外部工具
    5. 05 能力四：Skills 是可复用 SOP
    6. 06 Skill 每次使用都是升级机会
    7. 07 能力五：GPT Image Access
    8. 08 能力六：Browser Use + Computer Use
    9. 09 能力七：Automations；Bonus；Chronicle
    10. 10 把 7 个能力组合成一条业务流水线
  • 12 cards

    Day 1 PMF 的真正含义

    Day 1 PMF 的真正含义

    1. 01 Talk to users
    2. 02 Build the User's Best Friend
    3. 03 先找形状，再打磨细节
    4. 04 50% Rule：发布前先砍半
    5. 05 什么时候该 Launch？
    6. 06 解法在接触世界前不可知
    7. 07 Systemize the Feedback Loop
    8. 08 Stop Redundant Feedback
    9. 09 用户访谈要怀疑、尖锐、诚实
    10. 10 Conservative Metrics：用保守指标防止自欺
    11. 11 Trust Your Intuition Over Feedback
    12. 12 最短闭环：做最小版本，马上看误解
  • 10 cards

    万物皆可CLI

    主要介绍用 Printing Press 把网站、API、MCP 重新包装成 agent 更会用的 CLI

    1. 01 /print-press
    2. 02 为什么不是直接 API / MCP
    3. 03 CLI 的价值：隔离大结果
    4. 04 Printing Press 两件事
    5. 05 安装逻辑：先让 Claude 读链接
    6. 06 先从 catalog 里找现成能力
    7. 07 自建 CLI：一句话给目标
    8. 08 最适合：没有好 API 的网站
    9. 09 做好以后怎么复用
    10. 10 CLI：AI Agent的通用语言
  • 10 cards

    Google AI Studio 是免费 AI 创作控制台

    从“不会用”到能做 app、视频、图片、数据分析和商业工具

    1. 01 Google AI Studio 是免费 AI 创作控制台
    2. 02 模型选择：Flash 探索，Pro 定稿
    3. 03 1M Context：不是数字大，是工作方式变了
    4. 04 Build Mode：用自然语言 vibe coding
    5. 05 应用案例：从工具想法到可交互原型
    6. 06 内容创作栈：Veo + Nano Banana + TTS
    7. 07 隐藏能力：把真实世界资料接进来
    8. 08 商业应用：把 AI Studio 变成交付工具
    9. 09 Build vs Buy：自建 AI 和现成 AI 一起用
    10. 10 7 天落地路线：不要只收藏教程
  • 10 cards

    FDE 热潮：企业 AI 的瓶颈变了

    模型越来越强，但真实落地缺一层工程

    1. 01 FDE 热潮：企业 AI 的瓶颈变了
    2. 02 部署 Agent 不是部署软件
    3. 03 Demo 到生产中间缺什么
    4. 04 FDE 到底做什么
    5. 05 Agent 越能行动，越需要 Accountability
    6. 06 第一道壁垒：进入权
    7. 07 FDE 是现场产品发现
    8. 08 好的 FDE 会让产品越来越轻
    9. 09 输出不只是代码，还有验收标准
    10. 10 什么时候值得上 FDE
  • 14 cards

    SDD的分化：拥抱原生工作流

    SDD的分化：拥抱原生工作流

    1. 01 SDD IN 2026
    2. 02 从“框架竞争”到“工具吸收”
    3. 03 近六个月榜单：分化比增长更重要
    4. 04 OpenSpec：轻量默认选项
    5. 05 BMAD：重型多 agent 仪式
    6. 06 Spec Kit：品牌强，文档也重
    7. 07 Agent OS：缩小到标准注入
    8. 08 Taskmaster：拆任务强，增长停
    9. 09 新玩家：不都叫 SDD，但都在 抢同一层
    10. 10 原生计划模式吃掉了很多框架价值
    11. 11 SDD + TDD：一个管意图，一 个管事实
    12. 12 怎么选：按任务尺寸，不按热度
    13. 13 反模式：把瀑布装进 markdown
    14. 14 一套更稳的 2026 工作流
  • 10 cards

    从 Ralph-loop 到 /goal

    长跑 coding agent 正从脚本循环，升级成目标驱动循环

    1. 01 从 Ralph-loop 到 /goal
    2. 02 它解决什么问题
    3. 03 /goal 的机制
    4. 04 适合什么任务
    5. 05 Goal Prompt 怎么写
    6. 06 先对齐，再开跑
    7. 07 Goal-buddy：把模糊目标结构化
    8. 08 Claude Code vs Codex 怎么看
    9. 09 /goal 的边界
    10. 10 下一步是 Mission
  • 12 cards

    Obsidian + Claude Code = 可查询的第二大脑

    把长期写作、项目、偏好和关系图变成 agent 可读取的上下文

    1. 01 Obsidian + Claude Code = 可查询的第二大脑
    2. 02 文件是比聊天记忆更可控的 memory
    3. 03 Vault 不是文件夹，是关系图
    4. 04 Obsidian CLI：把Vault图谱交给Claude Code
    5. 05 日常命令：把生活状态一次性装载进会话
    6. 06 Thinking Tools：让 LLM 成为思考伙伴
    7. 07 /trace：把一个想法的历史拉出来
    8. 08 反思不是情绪劳动，是 agent fuel
    9. 09 Autonomous Agents：Vault 变成决策源
    10. 10 /connect + meeting notes：把外部信 息放进世界模型
    11. 11 严格分离：人写 Vault，Agent 写其他
    12. 12 /ideas → /graduate：从反思到可执行系统
  • 12 cards

    为什么需要 Multi-Agent Systems

    目标：扩大 test-time compute，同时缓解单 agent 的 context rot

    1. 01 为什么需要 Multi-Agent Systems
    2. 02 MAS 的三个优势
    3. 03 先判断：Single Agent 还是 Multi-Agent
    4. 04 成本门槛：MAS 通常不止 N 倍成本
    5. 05 四种 MAS 架构地图
    6. 06 架构一：Independent
    7. 07 架构二：Decentralized
    8. 08 架构三：Centralized
    9. 09 架构四：Hybrid
    10. 10 真正难的是 Harness，不是多开几个 Agent
    11. 11 让 MAS 更可靠的五个工程化增强
    12. 12 落地 Playbook：从 SAS 开始，逐步升级 MAS
  • 12 cards

    用Claude/Codex告别一切枯燥 重复任务

    用Claude/Codex告别一切枯燥 重复任务

    1. 01 用Claude/Codex告别一切枯燥 重复任务
    2. 02 先用坐标系判断任务
    3. 03 确定Agent+Workflow + Tools
    4. 04 Claude 案例一：/loop
    5. 05 Claude 案例二：Tasks / Routines
    6. 06 Claude 案例三：Modal / Trigger.dev
    7. 07 Claude 案例四：Agent SDK + Hooks
    8. 08 Codex 案例一：信息型自动化
    9. 09 Codex 案例二：越用越懂你
    10. 10 Codex 案例三：工程运维自动化
    11. 11 把 Claude 和 Codex 放在同一 张选型图
    12. 12 上线前 Checklist
  • 12 cards

    从 Prompt 到 Context，再到 Harness

    AI 价值越来越取决于模型周围的系统

    1. 01 从 Prompt 到 Context，再到 Harness
    2. 02 Harness 是模型周围的“连接层”
    3. 03 Big Model vs Big Harness
    4. 04 不是所有失败都等 GPT-6 来修
    5. 05 想要什么 Agent 行为，就补什么 Harness
    6. 06 Progressive Disclosure：逐步给上下文
    7. 07 Harness 三层架构
    8. 08 Harness 能带来可测性能提升
    9. 09 General Harness：为什么产品都长得像
    10. 10 Harness 会过时，但纪律不会
    11. 11 Inner Harness vs Outer Harness
    12. 12 企业视角：AI 采用是环境设计问题

8 notes

Agent Payments

  • 14 cards

    Stripe 的 AI 经济基础设施野心

    Stripe年度信： AI+支付的五级模型

    1. 01 Stripe 的 AI 经济基础设施野心
    2. 02 Sorting Machine：速度本身在改写商业
    3. 03 AI 创业把交易系统推到前台
    4. 04 Global by default：一上线就全球收款
    5. 05 High Revenue Mode：支付优化是第一战场
    6. 06 Stablecoin Summer：机器交易需要新 rails
    7. 07 Tempo：为 Agent 支付和微交易设计
    8. 08 Agentic Commerce 到底是什么
    9. 09 五级模型总览
    10. 10 L1-L2：今天最接近现实
    11. 11 L3-L5：从记忆到委托再到预测
    12. 12 互操作拼图：ACP + Shared Payment Tokens + ACS
    13. 13 两条交易路线：替人购物 vs 机器买资源
    14. 14 Builder Checklist：现在要准备什么
  • 10 cards

    AI 代理支付的框架、场景和生态卡位

    从“人发起、人确认”变成“人给意图，Agent 在边界内执行交易”。

    1. 01 AI 代理支付的框架、场景和生态卡位
    2. 02 方便和安全怎么兼得
    3. 03 AP2：三层授权
    4. 04 完整系统不止一个 AI
    5. 05 审计：让意图可证明
    6. 06 四类落地场景
    7. 07 巨头为什么都在卡位
    8. 08 封闭生态 vs 开放协议
    9. 09 为什么不会立刻普及
    10. 10 成熟路径：从辅助到委托
  • 14 cards

    Bitcoin与AI：一套未来资本框架

    Michael Saylor 的核心推导：货币、劳动、产权和协议，会被 AI 与数字资本重新排序

    1. 01 Bitcoin与AI：一套未来资本框架
    2. 02 先看两条压力线
    3. 03 约 7%/年
    4. 04 货币分层：不是所有法币同速下沉
    5. 05 制度负担：规模越大，支付压力 越强
    6. 06 价格分裂：复制品便宜，稀缺品 昂贵
    7. 07 稀缺资产的判断标准
    8. 08 AI 让部分人力资本降价
    9. 09 未来 10 年：重排窗口
    10. 10 Bitcoin：数字资本协议
    11. 11 Bitcoin 把顶级产权拆到小额单位
    12. 12 突破点：去单点信任的赛博银行
    13. 13 底层协议要保守，上层应用可创新
    14. 14 最后看边界：产品化不是无风险
  • 10 cards

    从智能推荐到智能体商业

    Agentic Commerce里很多环节都会被 Agent 重写，支付只是其中一环。

    1. 01 从智能推荐到智能体商业
    2. 02 两个维度：阶段 × 自主等级
    3. 03 目前最成熟的是发现
    4. 04 新环节：Intent / Delegation / Policy
    5. 05 五级自主商业阶梯
    6. 06 最大断点：发现强，支付弱
    7. 07 协议碎片化：每段各管一块
    8. 08 下一阶段怎么升级
    9. 09 审计和身份会成为基础设施
    10. 10 商家应该怎么准备
  • 14 cards

    AI Agent Economy已经到来

    Agent 不只是工具调用者，正在变成会搜索、比较、选择、执 行和交易的经济参与者

    1. 01 AI Agent Economy已经到来
    2. 02 从自动补全到自主委托
    3. 03 开发工具的 GTM 正在变
    4. 04 文档成为 agent 的入口页
    5. 05 默认栈效应：被读懂就会被选择
    6. 06 Agent-native 基础设施
    7. 07 Agent-to-Agent：并行经济雏形
    8. 08 Swarm Intelligence：不是一个 超级大脑
    9. 09 内容爆炸后，规则比内容更重要
    10. 10 边界：Agent 还不是法律主体
    11. 11 Agent UX：它们讨厌网站，喜 欢接口
    12. 12 创业者要获得 agent 手感
    13. 13 Agent-friendly 产品检查表
    14. 14 Agent economy 的本质
  • 14 cards

    Agent Wallets 竞争格局与功能分析

    它真正要解决的是：AI Agent 如何在明确边界内持有资产、发起支付、调用 合约，并留下可审计轨迹。

    1. 01 Agent Wallets 竞争格局与功能分析
    2. 02 市场已经分成四条路线
    3. 03 竞品宇宙：三层玩家地图
    4. 04 未来不会只有一个超级钱包
    5. 05 竞争焦点：可编程委托
    6. 06 架构 A：托管钱包 + 策略引擎
    7. 07 架构 B/D：密钥隔离 + Session 授权
    8. 08 支付凭证路线：现实商业的入口
    9. 09 MCP / Skills 成为新分发入口
    10. 10 按目标选对参照物
    11. 11 能力宽度 ≠ 市场采用
    12. 12 市场缺口：还没有统一控制语言
    13. 13 五类风险决定真实采用速度
    14. 14 结论：评估 Agent Wallet 的 7 个问题
  • 8 cards

    Stripe 眼里的 Agent 支付

    一个很具体的问题：Agent 怎么替用户完成购买。

    1. 01 Stripe 眼里的 Agent 支付
    2. 02 旧购物流程为什么卡住
    3. 03 Shared Payment Token
    4. 04 token 的完整流向
    5. 05 只会付款还不够
    6. 06 Agentic Commerce Protocol
    7. 07 两套能力合起来，购买才闭环
    8. 08 应该怎么理解这件事
  • 10 cards

    A2A + AP2 + X402 的核心闭环

    流程：两个 Agent 通过 A2A 发现和沟通，用 AP2 表达支付意图，用 X402 完成付款。

    1. 01 核心闭环
    2. 02 三个协议各管一层
    3. 03 角色关系：谁信任谁
    4. 04 时序 1：发现与付款要求
    5. 05 付款要求里有两个选项
    6. 06 时序 2：用户批准与 token
    7. 07 时序 3：验证后才执行
    8. 08 时序 4：结算与回执
    9. 09 两种付款的链上结果
    10. 10 实现时最容易漏掉什么