我身边很多朋友，包括我自己，都有一个习惯：收藏播客、读书笔记、听课记录堆了一堆，但实际上生活方式从来没变过。

问题的根本，出在一个大多数人几乎从没注意过的地方。

一个完整的学习到改变的路径，大概长这样：获取知识 → 理解知识 → 制定计划 → 执行实验 → 追踪结果 → 复盘调整。
绝大多数人只走完了前两步，在第三步就卡死了。

因为从理解到计划，需要你把泛泛的知识点翻译成属于自己的具体方案。
就算做了计划，执行之后还要追踪结果，记录数据，看看这个方法对自己到底有没有效。这一步更难，因为需要系统，需要工具，需要每天有人提醒你。

换句话说，知识体系和行动系统之间，长期以来是两个互不相连的孤岛。

但最近，我看了一个视频，作者展示了一套他花时间搭建起来的系统，用来专门解决这个问题。
核心工具只有三个：NotebookLM、Claude Code、Obsidian。
具体来说，整个流程分三个阶段。

第一步，建立可验证的知识库。
NotebookLM 是 Google 推出的一款 AI 笔记工具，最大的特点是你可以把大量外部资料导入进去，然后直接对着这些资料提问，它的回答会带有原文引用，可以追溯到具体段落甚至视频时间戳。
问题是，手动往 NotebookLM 里上传几百个视频链接，是个极其繁琐的工作。

这里作者用 Claude Code 做了一件事：让 AI 自动去抓取 Huberman 的 YouTube 频道，筛选出近 200 期与健康相关的视频，批量导入到 NotebookLM 里。

知识库一旦建好，你就可以开始问真正有深度的问题了。
比如，我想改善睡眠质量，从哪里开始？你会得到基于 200 期真实播客内容的回答，而且每一条建议都有视频出处，不是 AI 瞎编的。

第二步，把知识翻译成个人实验方案。
光有知识库还不够，这正是大多数工具止步的地方。

作者做的事是让 Claude Code 扮演一个采访者的角色，根据知识库里的内容，向用户提出一系列有针对性的健康评估问题。
比如你目前的睡眠时间、运动频率、压力状态。用户回答之后，系统把这些个人信息和专家知识结合起来，生成专属的实验协议。

这里有个细节很重要，生成的不是模糊的建议，而是具体的实验：假设是什么，成功标准是什么，每天要做哪些动作。
比如其中一个实验的协议是这样的：起床后打开窗户，出门10分钟，顺便去拿咖啡。

这一步完成之后，实验方案会被自动存入 Obsidian，这是一款本地知识管理软件。
从此，这些实验就不再是某个聊天窗口里一闪而过的文字，而是有迹可循的结构化记录。

第三步，把实验嵌进每天的生活。
这是整个系统最有意思的地方。

作者有一个叫做 daily 的早晨技能，每天早上启动之后，Claude 会自动检查当前进行中的所有实验，然后逐一问你：昨晚的睡眠怎么样？早晨有没有出门晒太阳？今天去健身房了吗？

你一一回答，Claude 把这些数据写入 Obsidian 的每日记录里。
日积月累，你就有了一份真实的个人健康数据库。

作者展示了自己追踪健身实验的数据：休息日的平均能量评分是 6.1 分，健身日之后的能量评分稳定更高，情绪也更好，睡眠质量也跟着提升。
这不是模糊的感受，而是几个月每天记录下来的数字。

同理，系统还可以把实验直接写进日历，设置提醒，告诉你今天什么时间去做什么事，这样执行的阻力被压到了最低。

有人可能会想，这套流程听起来有点复杂，普通人真的能搭建起来吗？
说实话，在一两年前，这套系统的搭建门槛相当高，需要懂 API，懂代码，懂各种工具的接入方式。
但 Claude Code 的出现改变了这件事，你可以用自然语言告诉它你想做什么，它来帮你完成中间的技术步骤。

作者提到了一个很有意思的扩展方向：这套框架不只适用于健康领域。

如果你是做产品的，可以把 Lenny's Podcast 的 200 期内容导入进去，让 AI 帮你梳理产品思维框架，然后结合你当前的工作挑战设计行动实验。
如果你在学习某个新领域，找到这个领域里最好的几个播客或者 YouTube 频道，同样的流程跑一遍，两周之内你对这个领域的理解会远超你只听播客能达到的程度。

具体来说，这个框架有三个可复用的模块。
第一是知识源头，可以换成任何专家的内容；第二是个人上下文，就是你目前的状态和目标；第三是行动系统，实验、追踪、复盘这个结构是通用的。

把这三个模块组合起来，你就有了一个可以套用在任何学习目标上的系统。

最近常听到一种说法，AI 会让人变懒，会让人不再思考。但我看这个视频的感受完全相反。
真正让人停止思考的，是那种永远停在收藏夹里的知识。读了、听了、理解了，但从来没有跨出下一步，从来没有在现实里检验过一次。

AI 在这件事上能做的，是帮你把那道从理解到行动的沟填平一点。
至于走不走得过去，最终还是你自己的事。