A00｜AI 工作流总览：程序员的 AI 数据流水线

🗺 博客地图｜全部系列的总入口

这个系列从一个很具体的麻烦开始：叶扬硬盘里躺着一门 39 集的课程，平台只给 AI 自动生成的字幕，错字连篇到「木亥佛教」「solo 王」遍地跑；另一门 30 集的课干脆连字幕轨都没有。收拾这堆烂摊子的过程，顺手沉淀成了一个系列。

如果说 C 系学习笔记回答的是「课里讲了什么」，A 系回答的就是另一个问题：程序员怎样把 AI 塞进自己的数据流水线，让它干真活、而且干得可以审计、可以重来。

一、这个系列的三条规矩

真实项目驱动，不写玩具 demo。 每一篇的数据都来自叶扬自己的磁盘：多少个文件、多少行、命中多少次，全部跑脚本复核，数字不凭印象。
工程纪律高于模型玄学。 出错可枚举的环节用确定性脚本（Software 1.0），开放域理解才交给模型（Software 2.0）；能写断言就不靠肉眼，退出码 0 不等于成功。
人在环上（on the loop），不是人在环中。 AI 负责发现候选，人负责拍板，规则负责执行——这条线在 A01 里有完整展开。

二、全景流水线

整个系列挂在同一条数据链路上，每篇负责一段：

%%{init: {'theme':'dark','themeVariables':{'background':'#0d1117','primaryColor':'#1f6feb','primaryTextColor':'#ffffff','primaryBorderColor':'#79c0ff','secondaryColor':'#21262d','tertiaryColor':'#30363d','lineColor':'#8b949e','textColor':'#e6edf3','clusterBkg':'#161b22','clusterBorder':'#58a6ff','edgeLabelBackground':'#21262d','fontSize':'15px'}}}%%
flowchart TD
    SRC["原始素材：B 站课程视频"]
    A02["A02 下载篇<br/>yt-dlp 取字幕轨 / 摸清分 P"]
    A03["A03 补档篇 已发<br/>妙记转写三集 / 清洗“半成品”"]
    A01["A01 清洗篇<br/>136 条规则 + 人在环上"]
    TXT["干净讲稿 txt（47 万字）"]
    C["下游：费曼 C 系学习笔记 / Anki 记忆工程（A04 已落地）"]

    SRC --> A02
    A02 -->|"平台有 AI 字幕轨"| A01
    A02 -->|"只有弹幕、没有字幕"| A03
    A03 --> A01
    A01 --> TXT
    TXT --> C

给不写代码的读者一句话版：先把原料从网上弄下来，没有文稿的自己语音转文字，再用一套自动规则把错字修干净，最后得到可以安心学习的文本。 A 系讲的就是这条流水线上每一段的工程细节。

三、路线图

✅ 已发布 / ⏳ 计划中 / 🔜 下一篇。状态只在这张表和下面的发布日志里维护：发一篇，叶扬回来勾一篇。

编号	主题	解决的问题	状态
A00	本文：系列总览	全景流水线、选题规矩、进度查询	✅
A01	136 条规则打败大模型：四万八千行 AI 字幕清洗战	AI 字幕错字怎么系统修；什么时候信规则、什么时候信模型；人在环上	✅
A02	退出码 0，但硬盘上只有一个文件：65 集 AI 字幕下载记	yt-dlp 假成功、29 个同名分 P、cookie 凭据、HTTP 412、断言怎么写	✅
A03	ASR 交来的是“半成品”：三集补档实战	飞书妙记转写、零宽字符、无时间码 txt、跨 cue 切断、五轮扩规、一次性任务选型，产物接回 A01	✅
A04	246 张卡只考了背诵：从费曼定稿到间隔重复	旧卡 Bloom 诊断、五类深化卡、SQLite＋genanki、SM-2/FSRS、闭环回流	✅
A05	不碰发布按钮：用 CDP 把博客自动填进知乎草稿箱	Draft.js 合成 paste、确认浮条竞态、2^53 长 ID 舍入血案、fetch DELETE 绕行、外链适配、只到草稿的安全边界	✅
候选	本地 whisper.cpp 部署手记	模型选型、显存、中文识别质量、批量转写	⏳

候选池不承诺顺序、不承诺全写；有真实数据和真实坑了才升级成正式编号。

四、发布日志

2026-09-18 · A01 字幕清洗战：65 个字幕文件、47762 文本行、136 条规则、命中 1230 次修正全部脚本复核；Software 1.0/2.0 选型框架、长短语规则排序坑、UTF-8 报告绕开 GBK 控制台。当晚按 Karpathy 风格重写过一版。
2026-09-18 · A02 字幕下载记：两次「假成功」破案——合集 URL 对 29 个同名分 P 只产出一个 NA 文件却退出码 0、36/39 集缺三集逐集证伪；SESSDATA 凭据三纪律（只计数不读内容、用完即删、不进同步目录）、--sleep-requests 防 412；李元祥 30 集（BV1dt4y1m7FK）只有弹幕，留给 A03。
2026-09-19 · A00 系列总览：本文。
2026-09-21 · A03 补档实战：飞书妙记补转 P02/P04/P27 三集；18,432 个零宽字符、无时间码 txt、跨 cue 切断；fix_subs.py 三轮扩五轮、规则约 200→约 500；一次性任务选型（不自建 ASR）；下游变现番外一/二＋C04 补十事。
2026-09-22 · A04 记忆工程：旧 32 张卡全部停在 Bloom 第一层的诊断；五类深化卡（分界辨析/推理链填空/反方质询/类比破洞/题眼）；SQLite 三表真源＋genanki 渲染，全库 152 notes→246 cards；间隔重复从 SM-2 到 FSRS（S/D/R 三状态、FSRS-6 21 参数、个人复习史拟合参数）；复习失败回流。个人保留率数据待几个月真实复习后补。
2026-09-27 · A05 知乎草稿自动化：CDP 9222 驱动独立 Edge profile；用 DataTransfer 合成 paste（只带 text/plain）把 Markdown 注入 Draft.js，抓「确认并解析」浮条约一秒上下的竞态窗口；★血案——十九位草稿 ID 越过 2^53−1，被前端 JSON.parse 舍入（该量级 ULP=256），删除与编辑链接全打向错误 ID 返回 404，绕行办法是取 API 响应原始文本、按 content_length 切块正则抠出真实 ID 再 fetch DELETE；外链转纯文本、相对路径死链改文字说明；铁律是脚本只到草稿、发布永远人来点。列表接口偶发返回空的毛刺未根治，靠人工核对兜底。

五、边界与读法

这个系列只发工程方法：脚本思路、排查过程、数字与教训。课程字幕和讲稿原文是叶扬的个人学习材料，不公开发布。
每篇独立可读，但按编号读体验最好——A03 的转写产物会直接接进 A01 的清洗规则，是同一条管线的上下游。
叶扬是写前后端和数据库的程序员，类比默认面向同行；不写代码的读者记住每篇里那句大白话版即可，不影响主线。

A05 已发布（见此）。下一篇待定：候选 本地 whisper.cpp 部署手记——等真有长期批量的转写需求再动手；几个月真实复习数据攒够之后，带个人保留率回来给 A04 补账。分发侧则按 A05 这套流程，把知乎其余文章逐系列填进草稿箱，仍由叶扬亲手发布。