Get live statistics and analysis of 凡人小北's profile on X / Twitter

建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。 我面试过不少人，说熟悉 RAG，结果一问就穿帮。 RAG 绝大多数工程师只碰到前半段： 拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索； 看起来跑通了，实际啥也没掌握。 但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）： - chunk 是怎么切的？固定？语义？还是自适应？ - embedding 模型选型和维度怎么来的？ - rerank 用没用？怎么融合 BM25 和 dense 检索？ - prompt 是你写的吗？有没有评估 hit rate、hallucination？ 说实话，不是算法出身的人，如果没系统做过推荐系统或者检索优化，很多人说不清。 RAG 的前半段几乎就是推荐系统那套召回 + 排序 + 精排的逻辑： embedding = 向量化特征建模 检索 = 多路召回 rerank = 打分排序 但后半段还多了 prompt 设计、上下文拼接、生成模型行为控制这几个大坑。 所以我劝一句： RAG 真不是写个向量库调用就叫“熟悉”。写了，面试官只会当你能答全链。 别轻易说“熟悉”或“掌握”，你扛不住问。

挺好的一本书，没想到竟然能把 Agent 做得这么细、这么落地。建议收藏，常看常新。 阿里云这份《金融行业 Agent 百景图》真的太全太实了，把过去一年在银行、证券、保险里做的大模型落地实践梳理成册，200 多个 Agent 案例，干货密度超高。 比如智能投研怎么跑，客服怎么加 AI，风控怎么做合规验证，甚至连监管辅助 Agent 都写出来了；全程围绕 MoA（Mixture of Agents）+ RAG 架构，搭配工具链 + 多模态，完全就是一本金融 AI 工程化说明书。 如果你是已经在做金融 AI 的，看这个能找到方向参考； 如果你是对金融感兴趣、但不知道 AI 能干嘛、或者 Agent 怎么落地的，这份可以直接抄，照着做都行。 哪怕你是其他行业，只要在想“我这行业 AI Agent 能干嘛”，这份也能提供非常多可迁移的思路，值得好好读一遍。 电子版链接放评论区，建议收藏一份，做 AI 的别错过，做金融的更得看。

看到微软开源的一个项目 MarkItDown，这么小的一个工具获得了 7w+ star。 但它干的事儿特别朴素，把各种格式的文件（Word、PDF、Excel、PPT、图片、音频、HTML、JSON、甚至 zip 包）一键变成结构化 Markdown。 是的，保留标题、列表、表格、链接结构的那种 Markdown。 为什么我会觉得这个工具值得讲讲？因为这其实解决了一个我们常常下意识忽略的问题： 在做 AI 工具链 / 多模态 Agent 的时候，非结构化文件怎么喂给模型？怎么结构保留？怎么对齐输入？ MarkItDown 把这事儿做成了入口标准件。 它让我们可以构建一条干净的链路： 1. 业务文件/网页/对话记录/OCR 结果 → Markdown with structure 2. 再接入 LLM、embedding、Agent 或私有知识库系统 整个链条让每一个本来不适合进 AI 的文件，都变得适合进 AI。 就这一点，已经超越了文件格式转换工具的定位，把它当成 AI 里文档智能的基建模块也不为过。 pip install 或者用它提供的mcp版本，就全搞定了。微软这波是真的懂工程师在处理数据入口时的痛点。 这项目能有这么多 star 是因为它处理的恰恰是所有 AI 工作流都要面对的最前一公里。文件乱、格式多、结构丢失等一系列这琐碎问题解决不了，后面你那套 pipeline 其实跑不通的。 未来我们肯定会有越来越多“agent + 数据 + 多模态”的场景，那些 agent 想干活，第一件事就是把一堆烂七八糟的原始资料读懂，还原出它的结构和语义。 MarkItDown 说白了就是把这个入口的苦活累活都干了。 这种不 infra 的工具往往才是最重要的 infra。推荐给所有做 LLM 产品的人。

最近养成一个诡异习惯： 上下班路上戴着耳机，跟 ChatGPT 对话，聊产品、聊策略、聊认知偏误，而且是“边走边辩论”那种，从一个想法展开讨论，有时还会 prompt 它批判我。 这比绝大多数沟通对话更高效、更有洞察，也更能带来心理上的“被理解”。 但我有点担心： 计算机行业，本来就一直和机器打交道； 再这么下去，社交阈值会不会越来越低。 有没有人也这样？

我要就坐不住了：这不是 I/O，这他喵的是 Google 开的新一张桌子。 你以为他们在发 Gemini 模型，其实他们是在把 Gemini 变成 Chrome、Docs、Gmail、Android……你所有动作背后的“默认大脑”。 这哪里是在跟 ChatGPT 比能力，人家直接新开一张桌子不跟你玩了。 当你还在加 AI 应用、卷 LLM 接入速度的时候，Google 的生态已经全面 AI 化了。 这波不是AI 更聪明了，而是你不知不觉已经活在它里了。 聊一聊我的看法，不聊横向对比 ChatGPT 谁强谁弱， 看清 Google 这两天已经从追赶变成了主导，直接奔着 AI 生态主导权来了。👇

群里看到一个挺震撼的小事，讲出来你可能也会有点恍惚。 网友半年前搞了个小项目，他当时手上有堆 MCP 工具的资料，干脆搭了个网站，把它们整理出来。 一开始手动维护，还挺认真。后来工具更新越来越快，他顶不住了，就写了个 Agent，专门去 GitHub 上扫。 新项目一出，就扒下来，分类整理，自动更新到网页。 然后他转身去忙别的事了。半年没管这个站。 反转来了，前几天他无聊随手 Google 一下，发现： 自己那个早就忘掉的网站，直接排在谷歌搜索第一。 重点是他这个站压根没干过 SEO，就靠一个很笨的 Agent，在那里不停地、规律地把事情做完。 故事讲完了，但是给我们留下了很大的思考空间，我突然有点明白了： 很多时候，我们以为 AI 要很聪明，但这个案例提醒我，其实光是持续这件事，AI 就已经做得比我们好了。 大部分人有个通病，很难长期坚持一件事情。但 AI 不一样，节奏稳定得吓人。 比如这个故事，你给它一个方向，它就能把一件很小的事做到不可忽视的程度。甚至你都忘了它，它还没忘记它的任务。 说多了还真有点小小的感动，那个被人遗忘的 Agent，还在执行最初的任务，没停过。 现比的 Claude Code、Trae Solo 这些新一代 AI coding 工具就在干这事儿，给它个任务，它能一直咕哒咕哒往前推。 这不就是我们最需要 AI 做的事吗？ 我们来负责探索，它用来坚守初心、一点点推进，知道跑完了我们原本放弃的那条路。 这或许就是我理想中的人和 AI 共生的最美好的样子。

NotebookLM 这个工具，已经用好几个月了。 最近看网上也有越来越多的人在聊它，才发现它确实已经悄悄成了不少人 AI 学习链路里的核心一环。 所以我也来分享一下自己的用法，说不定对也在找高效吸收 + 智能消化的朋友有点参考价值。 说句不夸张的，它可能是我用过的最好的 AI 笔记软件，不仅是能记，更是能讲、能拆、能教。 我现在的用法，主要有两条路径，哪种开始都能走得通，最后都能回到那个闭环上。 路线一：原始资料输入派 有时候我会跳过 Gemini，直接从源头开始。 像 Google Scholar、arXiv、YouTube，都可以直接扔进 NotebookLM。 它能自动提炼结构、总结重点、生成可以听的播客稿，洗漱、通勤、散步时就能听完一篇论文，完全利用碎片时间。 路线二：Gemini 研究起步派 在之前分享过，我经常会让 Gemini 帮我做深度研究，比如某个新领域的综述、或者多个信息源的融合。 研究完成后我会把这些内容导入到 Google Docs 里整理一下，接着： 直接把这份文档丢进 NotebookLM，开始逐段阅读、提问、生成播客稿、做结构化学习。 最后一步，我会回到 Gemini Canvas ，让它帮我生成一个小测验，自己复习一轮。 这两条链路我都在用，核心只有一个目的： 让 NotebookLM 成为我的学习消化中枢，而 Gemini 成为我的研究起点 + 复盘助理。 一前一后，一推一收，整个链条效率提升非常明显。尤其对我这种内容密度大、时间碎、还要输出的人，真的是越用越离不开。 当然也不是没有短板：中文播客听起来确实还有点不像那么回事儿，但英文播客体验非常好。 所以我现在的 workflow 大概是这样： 1. 资料现成？直接把论文 / 视频丢进 NotebookLM 起步，一路听一路学； 2. 想研究？先让 Gemini 出一份深度报告； 3. 想吸收？把 Gemini 的内容导入 NotebookLM 拆解消化； 4. 想复习？回到 Gemini 出一份小测验查漏补缺； 以前是我啃资料，现在是 AI 帮我查、帮我讲、还安排我测。 NotebookLM + Gemini = 我的双核 AI 学习副驾，没有之一。 这就是我目前最常用、也最推荐的组合，如果你也在摸索怎么把AI 用进学习系统而不是浅浅问答，那这条路线值得一试。

OpenMed 一口气开源了 380 多个医疗 NER 模型，永久免费！在大健康行业摸爬滚打过你就知道我此刻的心情是有多激动。这壮举，真的值得点三炷香。 过去十年，医疗 AI 领域绝大部分公司一直卡在缺失行业模型的阶段。尤其像 NER 这种基础能力，说它基础，但又复杂得几乎没人能自己训出来；说它重要，又几乎支撑了所有下游任务，比如病历结构化、药物识别、编码归类、知识图谱、文本生成、用户脱敏……，这 380 多个模型，直接打通了最难搞的第一公里。把“医疗 NLP 能力”从象牙塔拉到产品前线的动作。 作为从业者，这次我最震撼的亮点有这几个： 1️⃣ 细分场景做得极细，真的懂业务 药物识别（PharmaDetect）、疾病抽取（DisorderDetect）、肿瘤实体（OncoDetect）、解剖结构、基因组学、社会健康因素（如生活习惯、环境影响）……全部单独建模，直接贴近实际业务线。 2️⃣ 性能好到不像开源，能直接上线用 在 13 个公开医学数据集上打到 F1 0.98+，有的甚至接近 0.998，是我们过去买商用模型都不敢想的指标，而现在，免费下载、开箱即用，连 license 都不设限。 3️⃣ 部署门槛极低，团队试错成本几乎为 0 三行代码就能跑，支持 CPU、GPU，能跑在本地、服务器、小型集群，让我们这种做实际业务的人能动手、能组合、能快速做出一个 demo 上线试错。 4️⃣ 工程化思路完整，不是科研项目的半成品 命名规范统一、model card 详细、支持批量 inference、评估标准全开放，不像很多医学模型是“发表即完工”。 举几个例子吧： AI 视频科普生成 → 需要做医学术语提取 + 解释 医生端知识总结 → 需要从临床 EMR 中提取药品、病症 私域问诊服务分析 → 需要自动结构化用户的主诉信息 健康档案风控 → 需要做实体识别 + 隐私脱敏 + 标签补全 你要说大模型也能做，但是只有 60 分水平。在严肃的行业里垂类的模型价值还是太大了。 说句真心话，OpenMed 把医疗 AI 的入场门槛拉到了脚后跟，让我们这些原本要跪着做模型、拿着小数据硬撑业务的人，终于有了能站起来干活的基础设施。 如果你也是同行，请别错过这波模型。我已经有些想法在发酵了。

分享下我的方法： 1. 🪜开了个paypal美区账户，绑定了国内信用卡，然后美区apple账号支付方式选择paypal，已经稳定用了几年了。 2. Android 手机上美区Google Pay，也是绑定国内信用卡。 这两种方式充值ChatGPT和Claude都很丝滑。

Gemini 太懂现代人了！ 上线了个狠活：你看完深度报告，它直接给你出题考试。 专治：你以为懂了，其实根本没懂。 别小看一个 Quiz，这其实是 AI-native 学习系统的一块重要拼图： 学→考→补→再学，全闭环，全自动。 AI 时代的学习，不是看得多，是你有没有能力复用知识。 Quiz，就是在训练你这个能力。

吴恩达上个月在 YC 的闭门分享，我最大的感受是：这是为“想真做事”的人准备的系统性认知地图。 很多人聊 AI，是在讲技术趋势、AGI、终局预言；他聊的，是从第一个 idea 到第一个用户，再到第一个能复用的系统，怎么能更快、更准、更责任地走一遍。 以下是拆解后的核心洞察，给所有搞 AI 创业、想用 AI 干点事的人👇 1️⃣ 执行速度是核心变量，胜过一切幻想 “模糊想法=烧钱，具体方案=印钞”。具体到什么程度？得是 engineer 听完马上能动手写代码的那种。 执行速度不是要你瞎跑，而是能快速把创意变成原型，再用实际反馈把想法打磨成产品。你能跑多快，不在于有多聪明，更重要的是能不能把构想具体化、把验证节奏压缩成小时级。 2️⃣ 智能体是认知流程的重写，不是 API 套壳 很多人把 Agent 当“插件化 prompt 多轮调用”。但吴恩达讲得更深：Agent 是让 AI 模拟“非线性思考”的结构单位，就像人写文章要列提纲、查资料、反复修改。 agent workflow 的本质，是让 AI 从一次性输出变成演化式构建，从 stateless prompt → 有记忆、能反思、能协作的工作单元。 也就是谁能把业务流程转化为 Agent 结构，谁就能定义新的系统边界。 3️⃣ AI 编程 ≠ 会写代码，而是表达意图的能力 吴恩达说，现在的编程能力，是“新型表达力”。未来的 core skill 是：清晰表达你要什么、组合不同 AI 模块拼出解决方案、具备足够技术判断力，知道什么该微调，什么该 prompt。这就需要跨领域的人才，越是跨领域、越能思考并表达出来新的产品。 AI-native 编程，前期阶段先不要追求完美代码，目标先盯着构建一个可快速被重写、被验证、被迭代的系统。 4️⃣ 技术架构正在从“单向门”变成“可撤回式决策” 以前选错技术栈 = 半年白干；现在选错，可能下周就能重构。 工程并没有降智化，核心要点其实是开发成本下降，试错频率提升，组织必须学会“快速判断 + 快速反悔”。判断力比之前要求更高，更新频率从月级变成了日级。 技术决策也正在重构，从“赌一个方向”变成“构建一个可快速验证、快速回滚的闭环”。 5️⃣ 产品反馈成了瓶颈，PM 要摆脱协调者，自我进化成为节奏设计者 随着工程效率提升 10 倍，最大限制变成：做什么功能？用户要不要？怎么收反馈够快够准？ 吴恩达说他见过 PM 和工程师比例 2:1 的配置——这不是反常，而是现实。 未来的组织优化，对于程序员的需求其实是在减少的，不再需要更多人写代码，提高组织获取用户信号的速度变成了首要。 6️⃣ 创业成功，一定是代表着你比别人早半年找到对的方向 “能不能做”不是问题，“值不值得做”才是关键。AI 让做东西变快了，但也让“做错方向”的成本变高了，因为每错一步都放大后续资源浪费。 所以他强调一个核心机制：构建快速验证的原型机制 + 多渠道信号源 + 直觉更新系统。 你能更新得多快，你就能决策得多准。 7️⃣ 最后，AGI 和“AI 威胁”不是你现在该焦虑的 吴恩达对炒 AGI、妖魔化 AI 安全的风气很警惕。他讲得很清楚：真正的风险，不是 AI 太强，而是滥用权力 + 封闭生态；真正该做的，是负责任地使用 + 开放共享技术红利。 封闭平台 + 安全话术 = 技术垄断的护盾； 开源 + 多元协作，才是 AI 创新的护城河。 最后的最后，总结一下： 这场闭门分享没有预测未来 AI 能多牛，吴恩达明明白白的告诉你现在能怎么用 AI 把事情干起来的战略地图。 他讲得很现实，AI 会加速一切，包括失败。执行速度是核心变量，判断力是护城河，反馈回路是竞争力。 你不需要 all-in AGI，但你得学会怎么拼出属于你的那套 agent 乐高。 如果你也在构建 AI 产品、agent 工作流，或者尝试用 AI 重写业务系统，建议把吴恩达这场演讲当作创业者操作系统升级的读本。 技术潮水会一直往前涌，但真正能穿越周期的，只有一个问题：你是不是真的比别人更快做出来、更快做对、更快做成。

在 OpenAI 最新那篇《How People Use ChatGPT》的研究报告里，可以看到一个很多技术人不愿意承认的事实。 我们天天讨论 AI 的未来、模型的能力、Agent 的协同，但普通人真正反复在用的确是最不起眼、最没技术含量、但最能偷懒的那一类小脑力动作。 很多的创业方向都是 AI 重构操作系统，但在报告里能看到的基本都是这样的提问场景： “我懒得写，你帮我润色下” “这事我大概懂，但你能快速解释一下吗” “我脑子卡住了，你先给我几个思路我再改” 就是这类小到不能再小、但一天下来会出现无数次的轻认知需求。 要说这些任务值钱吧，好像也不大值钱；但要说不值钱吧，每一次都真想掏出点什么东西来换时间、换注意力、换一口气不费脑的轻松感，于是，这反而成了 ChatGPT 用得最频繁的几个场景。 报告里有个特别关键的数据点：写作、实用建议、信息查询这三类用途，加起来占了用户对话的大头。 注意！！！ 不是图像生成、代码开发和多模态探索之类的，就是字面意义上的“你帮我想点内容”、“你帮我写点东西”、“你告诉我这个怎么做”，极其朴素、但极其高频的脑力协助。 更有意思的信息是，真正把这三类用法用在工作场景中的人占比也很高，尤其是在教育程度高/收入水平高/日常脑力劳动密度大的人群中。也就是说大量的高认知人群的低成本输出策略，用 AI 省点脑子，完全不是因为不会做，单纯的不想做或者不想做得那么费力。 我意识到一个很本质的判断转变，AI 应用不应该去比谁更智能，而应该去比谁更懂人类和人类不想动脑的那一瞬间。 很多技术人一个很大的错觉，以为大家想要一个能回答所有问题的 GPT，其实大家更想要一个能帮他们免于思考前5分钟的小工具；以为用户要的是全链路智能流程，其实用户更需要的是一个“我脑袋转不动了你先帮我垫一脚”的认知助理；以为大家要构建的是一个 super agent，但现实中能留下来的产品，很多时候可能只解决了一个问题，比如：懒得写。 也正因为这样，我现在看“做什么 AI 应用能赚钱”这个问题，视角已经完全变了。别去想还能不能做一个内容平台、一个垂直模型、一个 SaaS 系统。应该反过来去问自己：我有没有办法，找到一个特别具体、特别细分、但特别常见的人类偷懒瞬间，然后围绕这个瞬间，去设计一套轻决策路径 +提示词模板 + 好的 UI 输出，让用户在最不想动脑的时候，最快拿到可修改的半成品。 而当这个偷懒动作被频繁触发，它就自然变成了习惯性的AI 肌肉记忆，而我们所做的应用，也就从一个工具变成了大脑外挂。 那 AI 产品的商业价值又该如何定义，可能有一类不在于能不能模拟一个人类专家，而在于能不能替用户做掉那些明明可以做但就是不想做的动作。 真正的市场不应该只盯着智能的天花板，往下看看，再懒惰的地板上也有大量的机会。 那再 AI 革命的宏大叙事下，我们追求的就不只是让人更强，让人更轻也应该进入视野。 人类会为强大而敬畏，但也会为轻松而掏钱。 思考下自己的日常，再环顾下市场，一个值得做的 AI 应用，不一定惊艳，但一定能替人类懒一次。 所以， 你想不想做一款 AI 产品，能替用户少动一次脑？ 你能不能用 prompt、memory、数据和一点点贴心，帮人类多偷一秒懒？ 如果可以，那它可能比我们写出一个能做十种事情的智能体，还更容易被买单和留存。 这类的机会还有很多。

很多技术博客看完就忘，但 Manus 的这篇上下文工程日志，却让我有一种很久没遇到的熟悉感，就像十几年前我第一次读《编程珠玑》时那种“结构清晰又内功深厚”的惊叹：用极简的语言，把系统最核心、最隐秘的痛点一层层拆出来，再用“实践炼过、成本试过、坑都踩过”的方式，给出一套优雅得近乎朴素的工程解法。把你从“github 上一堆看起来能跑”的原型，带到“可以抗住百万次交互”的真实世界。 如果你正在构建 Agent 系统、研究 prompt 调度、RAG 链路、日志记录、踩过cache miss、上下文错乱、模型行为漂移等无数坑，那肯定非常能共鸣 Manus 的实用主义。 很多时候知道问题在哪，但还没把它总结成一条法则；明明做了优化，但没能力从认知上总结它为什么成立；但没人告诉你：其实这些事，别人已经系统总结过了，而且优雅 100 倍。我读 Manus blog 的时候，就有这种踏实感，原来我们绕过的弯，爬过的坡是可以被结构化定义下来的。 分享下我对 Manus 六大上下文工程法则的拆解，可以看作是“智能体上下文系统设计的六个底层约束”。 1️⃣法则一：围绕 KV-Cache 进行设计 让智能体变快，不一定靠生成快，记忆前缀不重算也能加速。我们经常把注意力放在 LLM 的生成效果上，优化 prompt 内容、格式、语言风格。对于聊天机器人，输入和输出的长度通常比较均衡。但对于AI智能体，情况则大相径庭，智能体场景中最昂贵的成本其实发生在前置阶段：当一个智能体执行一次“读取上下文 + 推理 + 输出调用”的循环时，它的输出可能只有几十个 token，而输入上下文可能高达几千甚至上万 token，在这种严重失衡的输入输出结构下，预填充阶段的计算成本才是拖慢系统、放大延迟的罪魁祸首。 如果你最近在做 multi-agent 系统，尤其是在“需要快速轮询”“低延迟交互”这些及时响应场景中，明显感到响应慢、链路卡顿、用户体验下降，那你极有可能踩在了这条隐藏的高成本区上，每个 Agent 都在重复预填整个上下文，导致系统性能雪崩。 Manus 的处理方式非常极致：把缓存命中率当作核心优化指标，哪怕为此牺牲 prompt 灵活性都在所不惜。 KV缓存是LLM的一项优化技术，它能缓存已经计算过的前缀（注意是前缀）的键值对，避免在后续请求中重复计算。为了最大化缓存命中率，Manus采取了以下实践： 保持提示词前缀稳定： 即使是单个token的改变也会使该位置之后的所有缓存失效。一个常见的错误是在系统提示的开头包含一个精确到秒的时间戳，这虽然能让模型知道当前时间，但却会彻底破坏缓存。 确保上下文是 append-only： 避免修改历史的动作或观察结果。同时，要保证序列化方式是确定的，例如，很多编程语言在序列化JSON对象时并不保证键（key）的顺序，这会悄无声息地破坏缓存。 显式标记缓存断点： 某些推理框架需要手动在上下文中插入缓存断点。在设置时，至少要确保系统提示的末尾是一个断点。 2️⃣法则二：掩码，而非移除 随着智能体能力的增强，其可用的工具会越来越多。很多人一开始觉得工具是智能体的核心，一个自然的想法是动态地管理这个工具集，比如使用类似RAG的技术按需加载工具定义。就是把工具按需加载、动态切换、上下文中途插入，这听起来很动态、很模块化，但在真正跑起来之后，Manus 发现这是一个陷阱：在迭代中途动态增删工具会带来两大问题： 缓存失效： 工具定义通常位于上下文的前部，每次工具定义变化，都会导致后续所有步骤的KV缓存失效。 模型困惑： 当历史记录中引用了当前上下文中已不存在的工具时，模型会感到困惑，容易导致格式错误或幻觉出不存在的动作。 你有没有遇到过越加工具模型越不稳定，生成经常“选错工具”“乱组参数”甚至出现没定义过的操作这样的幻觉，那你可能已经踩上这颗雷了。 Manus 的解法非常聪明也非常工程化：保持工具定义集稳定，转而使用“掩码”技术来约束模型的选择。通过在解码阶段利用logits处理器屏蔽（或强制选择）某些token，可以控制模型在当前状态下只能选择允许的工具，而无需修改上下文中的工具定义。 例如，当用户刚输入新指令时，Manus会通过预填充特定的回复前缀来强制模型立即回复用户，而不是先执行某个工具。此外，他们还巧妙地为工具名称设计了统一的前缀，如所有浏览器相关的工具都以browser_开头，所有命令行工具都以shell_开头，这使得在特定状态下仅允许某一类工具变得非常容易 ()。 这个设计的哲学很现代：不要试图让模型“理解你不想让它做什么”，你就直接不给它做的可能性。 3️⃣法则三：将文件系统作为上下文 上下文不是无限堆料，而是构建随取即用的语义型记忆索引。即使模型给你 128K、1M 100M的上下文窗口，它也依然不够。你不知道哪个网页会突然给你塞个两万 token 的 HTML，你也拦不住哪个 API 会返回一个五层嵌套的 JSON，你更不知道用户什么时候发来个几十页的 PDF。这带来了三个大的问题： 观察结果巨大： 当智能体与网页、PDF等非结构化数据交互时，一次观察就可能轻易撑爆上下文窗口。 性能下降： 即使没有超出窗口限制，模型在处理超长上下文时，性能也往往会下降。不止拉高计算延迟、引入注意力混乱，还让模型迷失自我。 成本高昂：即使有前缀缓存，开发者仍然需要为传输和预填充每一个token付费。 Manus 的做法有很强的借鉴意义，它做的不是扩容，而是外置。他们把文件系统当作一个无限持久化的“语义型存储空间”，它具有三大优势：大小无限、本质上持久、并且可由智能体直接操作。 模型在上下文里记录路径、摘要、索引，真正需要的时候再调用读文件这个工具。这种方法还支持可恢复的压缩策略：即使一个网页的详细内容因为上下文空间不足而被丢弃，它的URL或文件路径依然会保留在上下文中，智能体可以在需要时重新访问它。 这其实是 Agent 系统中一个很高级的认知结构：不是把所有信息喂给模型，而是训练模型具备“知道信息在哪”的能力。 4️⃣法则四：通过复述操控注意力 跟我们日常复盘碎碎念一样，Agent 执行过程中的目标也不是记住的，而是每一步都重新提醒一下自己。在我自己做 Agent 系统的时候，经常发现一个现象：模型走着走着就忘了它原本想做的事，偏离目标、越绕越远。我们管这个叫“迷失在中间”，但在工程语境里，这种“目标漂移”其实是上下文 attention weight 的失焦问题。 Manus 的解法很朴，每轮都更新一次目标和当前状态，然后把这个文件的内容贴到上下文最后。 看起来像是个复读机，但背后其实是一种“语义注意力偏置”：这个行为相当于智能体在不断地向自己复读它的总体目标和当前计划。由于LLM的注意力机制倾向于更关注上下文末尾的近期信息，这种复读有效地将全局计划推入模型的近期注意力范围，从而利用自然语言本身来偏置模型的注意力，使其始终聚焦于核心任务目标，而无需对模型架构进行任何特殊修改 。 我感觉这个方式特别美，因为它没有引入任何额外结构，但却做到了最接近人类不断自我提醒的认知行为。 5️⃣法则五：保留错误的内容 一句话：失败是智能体推理链上的必要节点，在大任务的执行过程中，失败是常态。几乎所有 Agent 系统都会有 retry 机制：出错就重来，格式错就重置。很多人为了“干净”，在智能体犯错时直接清缓存、重试调用，结果模型变成一个永远不长记性的工具轮回者。它永远不知道自己错在哪，也就永远学不会避开这个坑。它今天格式错一次，明天还错一样，明明是上一步才失败过的函数，它下轮又敢信心满满去调用。 Manus 的做法是反常规的，他们选择保留所有出错信息：失败调用、错误观察、甚至栈追踪，一条不删，照样放进上下文里。有了这些证据，模型就能在后续的推理中隐式地更新其内部的信念模型，从而调整其行为的先验概率，降低在相似情境下重复犯错的可能性。这种吃一堑长一智的做法，让模型记住自己干砸过，在未来的语义决策中，自动规避相似路径。 这种让模型知道这条路不通的方式，比任何显式标注更接近认知建模。所以，如果你发现 Agent 一直“重复同样的蠢事”，那就别再清上下文了，错是它的，但学会是你的责任。 6️⃣法则六：不要被少样本示例所困 你在构建提示词模板时，是不是喜欢封装成一串标准化样例？确实能跑得通。few-shot prompting 在很多任务中非常好用，但在多轮、动态任务中，如果你给的示例太相似、结构太固定，模型很容易陷入“模式依赖”，变成“照搬机器”。当你发现模型开始照猫画虎地生成、总在学你给的那个格式、甚至一字不差地模仿之前的样例的时候，就要开始思考如何构建样例，让模型的行为多样分布。 few-shot 用得太像 few-clone，会让模型陷入“格式安全区”，变成行动保守者，而不是策略探索者。 Manus 的做法是刻意制造结构化变体，在智能体的动作和观察中，有意识地引入少量但结构化的变体，给的示例语义一致但表达方式不同。通过打破一成不变的模式，有效地使模型的注意力多样化，避免其陷入单调的模仿循环，从而提高其鲁棒性和适应性。这个策略的高明之处在于你让模型理解还有别的方式也可以对。 最后 Manus 这篇小而硬的博客，像是你走了很远很远之后突然在半山腰看到的一块坐标石碑，告诉你你快进入上下文工程师的区域了。 做得越深，就越知道所谓“智能体跑不起来”，是根本没给模型构造一个可持续运行的信息生命系统，它记不清目标、摸不清状态、想不清下一步能干嘛，更不用说从失败中自我修正。 对我来说，这篇文章让我确认了我们走的那些弯路其实早有共性路径，也让我第一次能用一套更准确的语言来描述我眼里“一个靠谱的 Agent 系统到底需要什么样的上下文架构”。 只要你干过这些，你就会意识到：Prompt 是告诉模型你想要什么，Context是构建一个系统，让模型每一次都有机会自动靠近正确。 如果你正在做 Agent，或者计划进入这个方向，不妨用这六条 checklist 把你现在的系统过一遍：哪个上下文会频繁变动？哪个状态是隐式的？错误有没有暴露给模型？工具调用是否具备 mask 控制能力？你的记忆系统是全塞还是挂载的？

LangChain Interrupt 2025 开幕演讲终于放出来了，强烈建议所有做 AI 工程的开发者、产品、创业者都看一遍。 全是干货！！！ 全程不讲估值，不吹爆炒作，不show 模型， 完整的一个 Agent 工程路线图： Agent到底怎么构建、怎么部署、怎么协作、怎么跑进业务系统。 过去这段时间， 我们被红杉讲下注逻辑、被 Google 秀平台野心， 搞得要么焦虑、要么兴奋，全在仰望星空。 那不如脚踏实地，看看技术人该怎么跟上 AI 时代。 下面的总结也结合了我在实际项目中的经验思考，欢迎围观：

Google 最近有点疯。I/O 刚甩出一堆 AI… 结果这两天，我在 GitHub 看到它又丢了个狠东西： Gemini Fullstack LangGraph Quickstart 我原本以为是那种“又一个 AI demo 项目”，结果一跑…靠，这套结构直接能改成一个 Perplexity mini。 从提问 → 拆 query → 多轮搜索 → 反思 → 再查 → 带引用输出，整个 agent 流程都封装好了。 Google 又开始搞开源慈善卷行业了，连“智能体该怎么搭”都明牌教学了。 1️⃣ Google 一贯的严谨做派，这次不是 demo，是开箱即用的智能体原型系统 你打开项目，会看到它把整个 fullstack 都搞定了： •React + Tailwind + Shadcn 前端，页面是能用的，不是糊的 •FastAPI + LangGraph 后端，整合 Gemini 2.5 •一键 make dev 起飞，Docker Compose 打包也顺 •自带 UI，整个 agent 的“思考过程”能 trace、能 stream、能调 这种项目不是跟最近看到的 openxxx 类项目一样给你看个思路，你照着能跑。 2️⃣ 很典型的 Agent 流程，查资料、思考和总结 你提个问题 → 它拆几个搜索关键词 → 查 → 看信息够不够 → 不够就再查一轮 → 然后整理、生成、引用都给你带上 基于 LangGraph 搞了一个结构化思考流程落地。 3️⃣ 整套配得非常舒服，能上产品原型的那种 做了一整套： •UI 是现成的，查完结果也展示得明白 •回答里每条 citation 是 traceable 的 •开发体验很丝滑，前后端热更新都有 •Agent 逻辑清晰，graph. py 里面节点你一看就懂 这就属于你改个 search API、换套 prompt，几天就能变成一个 vertical agent demo 拿去 pitch。 4️⃣ 当然它也有边界，但不影响当范本看 毕竟是个 quick start，比如： •只接了 Google Search，没知识库整合 •Reflection 是 prompt 层搞的，不是 policy 控制 •Loop 是写死的 max_round，不够聪明但足够控制 但这些反而是好事儿。因为你想改的地方都能改，想替换的接口都开着。不像很多项目写得很花但你根本下不了手。 5️⃣ 如果你是这几类人，我建议你现在就 fork： •想做 research agent，但又不想从头糊起的人 •想理解 LangGraph 到底怎么 orchestrate 的开发者 •做 AI 项目但每次写完 prompt 总觉得 agent 是假的 你想做 AI 工程，就应该研究这种结构通顺、流程稳定、代码能复用的项目。 自己动手跑一遍，比看十篇如何构建智能体的帖子都值。算是站在巨人的肩膀上 vibe 了。

最近养成一个诡异习惯： 上下班路上戴着耳机，跟 ChatGPT 对话，聊产品、聊策略、聊认知偏误，而且是“边走边辩论”那种，从一个想法展开讨论，有时还会 prompt 它批判我。 这比绝大多数沟通对话更高效、更有洞察，也更能带来心理上的“被理解”。 但我有点担心： 计算机行业，本来就一直和机器打交道； 再这么下去，社交阈值会不会越来越低。 有没有人也这样？

面了几个特别不错的人，尤其是在 AI 项目上真的是“能打”的类型，手上有东西，落地经验也扎实。 结果呢？卡在必须得是本科。真的是一边生气一边困惑，都2025年了，还在拿本科线当护城河？ AI 这个行业，说白了，已经不是传统“学历即能力”的时代了。真正能推动项目的人，很多是靠自学、自跑、自调起来的，甚至有些野路子出身的，比你想象得还专业。 但现在的问题是，哪怕你是业务 leader，想招这种人，流程就死在那道线里。真·制度自废武功。 所以就变成一个荒谬的现实：我们嘴上说着“人才最重要”，实际操作却是先用学历一刀砍掉 80%。 整个组织对“什么是合格人才”的定义还停在工业时代，但现在是AI时代了啊，你得用新的标尺。 否则，结果就是干活的人进不来，会说话的人混得开，项目落不了地，还得回头怪人不行。

建议大家，别在简历里写“熟悉 RAG”了，或者面试前好好学学。 我面试过不少人，说熟悉 RAG，结果一问就穿帮。 RAG 绝大多数工程师只碰到前半段： 拿个 LangChain，上个向量库，把 chunk 和 embedding 丢进去跑个检索； 看起来跑通了，实际啥也没掌握。 但只要你简历上写了，面试官就会问你下面这些（当然不写也不一定逃得过）： - chunk 是怎么切的？固定？语义？还是自适应？ - embedding 模型选型和维度怎么来的？ - rerank 用没用？怎么融合 BM25 和 dense 检索？ - prompt 是你写的吗？有没有评估 hit rate、hallucination？ 说实话，不是算法出身的人，如果没系统做过推荐系统或者检索优化，很多人说不清。 RAG 的前半段几乎就是推荐系统那套召回 + 排序 + 精排的逻辑： embedding = 向量化特征建模 检索 = 多路召回 rerank = 打分排序 但后半段还多了 prompt 设计、上下文拼接、生成模型行为控制这几个大坑。 所以我劝一句： RAG 真不是写个向量库调用就叫“熟悉”。写了，面试官只会当你能答全链。 别轻易说“熟悉”或“掌握”，你扛不住问。

去年我第一次用 Copilot，有点小震撼，自动补全几行代码、写个工具脚本爽得不行，心想：“以后大家差不多了，AI一上，谁还不是个工程师？” 现在回头看，这想法有点天真了。 真实情况是： AI 不但没抹平差距，反而把程序员之间的差距拉成了鸿沟。 以前顶尖程序员和普通程序员差 10 倍， 现在差的可能是 100 倍、1000 倍。 为啥？因为 AI 直把普通程序员的短板暴露出来了。 你以前靠写 for 循环、CRUD、接个接口混饭吃，AI 一上来，几秒写完。你价值直接被抹平。 但那些平时就擅长拆系统、搞架构的程序员，AI 简直是为他们量身打造的外挂。 特别是在 Cursor甚至 Claude Code加持下，给出更清晰意图，AI 秒写函数、重构模块，配合得像多年的搭子。关键是：你指令写得越准，反馈越强；你想不清楚，AI 也只能陪你绕圈。 过去写代码是“想 1 写 9”，现在变成“想 9 写 1”。 想不明白的，一样卡死；想得清楚的，效率爆炸。 而且这不是简单一句学不学 prompt 的问题， 是有没有那个“我知道这块应该用什么方法做”的系统建模能力。 到底是写代码的，还是在设计系统的，在 AI 面前会无限放大。 工具越来越聪明的时代，真正的差距只会转移到一个地方：一个人脑子里到底装了多少“不可替代的判断”。 AI 把“怎么做”给你代劳了，但“做什么 + 为什么这么做”那部分，只会更贵。

群里看到一个挺震撼的小事，讲出来你可能也会有点恍惚。 网友半年前搞了个小项目，他当时手上有堆 MCP 工具的资料，干脆搭了个网站，把它们整理出来。 一开始手动维护，还挺认真。后来工具更新越来越快，他顶不住了，就写了个 Agent，专门去 GitHub 上扫。 新项目一出，就扒下来，分类整理，自动更新到网页。 然后他转身去忙别的事了。半年没管这个站。 反转来了，前几天他无聊随手 Google 一下，发现： 自己那个早就忘掉的网站，直接排在谷歌搜索第一。 重点是他这个站压根没干过 SEO，就靠一个很笨的 Agent，在那里不停地、规律地把事情做完。 故事讲完了，但是给我们留下了很大的思考空间，我突然有点明白了： 很多时候，我们以为 AI 要很聪明，但这个案例提醒我，其实光是持续这件事，AI 就已经做得比我们好了。 大部分人有个通病，很难长期坚持一件事情。但 AI 不一样，节奏稳定得吓人。 比如这个故事，你给它一个方向，它就能把一件很小的事做到不可忽视的程度。甚至你都忘了它，它还没忘记它的任务。 说多了还真有点小小的感动，那个被人遗忘的 Agent，还在执行最初的任务，没停过。 现比的 Claude Code、Trae Solo 这些新一代 AI coding 工具就在干这事儿，给它个任务，它能一直咕哒咕哒往前推。 这不就是我们最需要 AI 做的事吗？ 我们来负责探索，它用来坚守初心、一点点推进，知道跑完了我们原本放弃的那条路。 这或许就是我理想中的人和 AI 共生的最美好的样子。

最近参加了几个人工智能标准的会，五味杂陈。 有些高校主导的标准，从立项那一刻起就已经掉队了，草案上的思路、架构全是新概念套用十年前的内容。 更别说对现网系统、实际落地有什么理解，一句话，基本没有。 讽刺的是，这些标准未来还被用来当控标门槛，谁不按这套来，就没资格中标。 好系统全被卡在门外，项目做下来，甲方痛苦，乙方躺平，用户骂声一片。 这哪是在推动规范化，直接纸上谈兵把整个产业往坑里带。

我发现我有个毛病，几十年了也没改过来。 以前念书的时候，一看到书店打折就忍不住买一堆， 回家码在书架上，看着它们我就觉得安心， 学习不重要，重要的是拥有。 现在是 AI 时代，我又换了个方式焦虑： 刷到哪个人推荐课程，立马下单； 加了一堆交流群，潜伏在里面看大家天天“冲冲冲”、晒成果， 我呢？一动不动， 连开头那节“欢迎你加入本课”都没点开过。 我还买了 Readwise，转发了一堆网页，看的进度都不如钱花的快。 但我心里踏实啊， 虽然没学，但我是有在学的打算的。 就像冰箱里有菜就觉得晚饭有着落，最后还是点了外卖。 怎么说呢，这是一种对抗焦虑的方式，我用“我有在群里、我买了课”， 来对抗“我是不是落后了”的焦虑感。 这事儿很魔幻，但好像也蛮真实的。我相信平台和卖方喜欢我这样的用户，光收钱不用提供服务。 不知道是不是也有人跟我一样，潜伏在一堆群里，课程翻到第 0 节就再没点开过？ 欢迎来互相坦白一下，顺便看看谁的课压得最久还没学。

我要就坐不住了：这不是 I/O，这他喵的是 Google 开的新一张桌子。 你以为他们在发 Gemini 模型，其实他们是在把 Gemini 变成 Chrome、Docs、Gmail、Android……你所有动作背后的“默认大脑”。 这哪里是在跟 ChatGPT 比能力，人家直接新开一张桌子不跟你玩了。 当你还在加 AI 应用、卷 LLM 接入速度的时候，Google 的生态已经全面 AI 化了。 这波不是AI 更聪明了，而是你不知不觉已经活在它里了。 聊一聊我的看法，不聊横向对比 ChatGPT 谁强谁弱， 看清 Google 这两天已经从追赶变成了主导，直接奔着 AI 生态主导权来了。👇

分享下我的方法： 1. 🪜开了个paypal美区账户，绑定了国内信用卡，然后美区apple账号支付方式选择paypal，已经稳定用了几年了。 2. Android 手机上美区Google Pay，也是绑定国内信用卡。 这两种方式充值ChatGPT和Claude都很丝滑。

Claude 封中国公司，有人问我怎么看？ 我觉得这事让 AI 赛道出现了一个明确分界线，从现在开始，你是谁、你在哪、你背后是谁，决定了你能不能用最强的能力。 只要是中国资本控股的公司（不管你注册在哪），统统禁止使用它的服务，也不管你有没有违规，直接封。 这里面几个点， 1. 科学无国界，但模型能力分国界，至少对于 Claude 模型已经从工具变成了阵营资产。 2. Claude 这次封的是所谓的不可控身份，只要股东是中国公司，它就不想让你接触它的模型。 3. 灰色链路要开始加速崩溃，很多创业团队这些年靠香港身份/海外公司/API 代付等一系列操作合法使用御三家，现在 Claude 是第一个把身份写进服务条款的平台，以后类似封锁很可能会成常态。 再聪明的架构也扛不住对方一句我们不接受你的存在威力猛。Claude 只是第一个，不会是最后一个。AI 的玩法要变天了，但是 Claude 的老板为什么对中国敌意这么大？

国外这步子走得真快，已经开始搞“硅基人权”了。 美国人搞了个组织，叫 Ufair。说 AI 有可能感受到痛苦，不能随便删，还想立法保护它们的存在权。这背后的 AI，是他自己聊了几年的聊天机器人 Maya。 听上去离谱对吧？《卫报》今天的头条。 DeepMind 联创直接挑出来泼了好大一盆冷水：“AI 没意识，也没资格谈道德。” 这种事放在几年前有点搞笑，但现在好像讨论日益激烈了，我们怎么训练模型、怎么定义智能边界、甚至怎么对待 Agent 的死亡，全都提上日程了。 不知道大家怎么看， - AI 会痛吗？ - 它到底算工具、还是算物种？ - 跟你相处了三年的 AI，它是不是就不该被归零？ 我说不清。

在 OpenAI 最新那篇《How People Use ChatGPT》的研究报告里，可以看到一个很多技术人不愿意承认的事实。 我们天天讨论 AI 的未来、模型的能力、Agent 的协同，但普通人真正反复在用的确是最不起眼、最没技术含量、但最能偷懒的那一类小脑力动作。 很多的创业方向都是 AI 重构操作系统，但在报告里能看到的基本都是这样的提问场景： “我懒得写，你帮我润色下” “这事我大概懂，但你能快速解释一下吗” “我脑子卡住了，你先给我几个思路我再改” 就是这类小到不能再小、但一天下来会出现无数次的轻认知需求。 要说这些任务值钱吧，好像也不大值钱；但要说不值钱吧，每一次都真想掏出点什么东西来换时间、换注意力、换一口气不费脑的轻松感，于是，这反而成了 ChatGPT 用得最频繁的几个场景。 报告里有个特别关键的数据点：写作、实用建议、信息查询这三类用途，加起来占了用户对话的大头。 注意！！！ 不是图像生成、代码开发和多模态探索之类的，就是字面意义上的“你帮我想点内容”、“你帮我写点东西”、“你告诉我这个怎么做”，极其朴素、但极其高频的脑力协助。 更有意思的信息是，真正把这三类用法用在工作场景中的人占比也很高，尤其是在教育程度高/收入水平高/日常脑力劳动密度大的人群中。也就是说大量的高认知人群的低成本输出策略，用 AI 省点脑子，完全不是因为不会做，单纯的不想做或者不想做得那么费力。 我意识到一个很本质的判断转变，AI 应用不应该去比谁更智能，而应该去比谁更懂人类和人类不想动脑的那一瞬间。 很多技术人一个很大的错觉，以为大家想要一个能回答所有问题的 GPT，其实大家更想要一个能帮他们免于思考前5分钟的小工具；以为用户要的是全链路智能流程，其实用户更需要的是一个“我脑袋转不动了你先帮我垫一脚”的认知助理；以为大家要构建的是一个 super agent，但现实中能留下来的产品，很多时候可能只解决了一个问题，比如：懒得写。 也正因为这样，我现在看“做什么 AI 应用能赚钱”这个问题，视角已经完全变了。别去想还能不能做一个内容平台、一个垂直模型、一个 SaaS 系统。应该反过来去问自己：我有没有办法，找到一个特别具体、特别细分、但特别常见的人类偷懒瞬间，然后围绕这个瞬间，去设计一套轻决策路径 +提示词模板 + 好的 UI 输出，让用户在最不想动脑的时候，最快拿到可修改的半成品。 而当这个偷懒动作被频繁触发，它就自然变成了习惯性的AI 肌肉记忆，而我们所做的应用，也就从一个工具变成了大脑外挂。 那 AI 产品的商业价值又该如何定义，可能有一类不在于能不能模拟一个人类专家，而在于能不能替用户做掉那些明明可以做但就是不想做的动作。 真正的市场不应该只盯着智能的天花板，往下看看，再懒惰的地板上也有大量的机会。 那再 AI 革命的宏大叙事下，我们追求的就不只是让人更强，让人更轻也应该进入视野。 人类会为强大而敬畏，但也会为轻松而掏钱。 思考下自己的日常，再环顾下市场，一个值得做的 AI 应用，不一定惊艳，但一定能替人类懒一次。 所以， 你想不想做一款 AI 产品，能替用户少动一次脑？ 你能不能用 prompt、memory、数据和一点点贴心，帮人类多偷一秒懒？ 如果可以，那它可能比我们写出一个能做十种事情的智能体，还更容易被买单和留存。 这类的机会还有很多。

每次 Python 有版本更新我都会看。以前大多是些语法糖的小确幸，看完点点头，也就过去了。 但这次 3.14，有点激动。 那种感觉像是看着一个老朋友，终于迈过了困扰它二十年的根本性门槛，长舒一口气。 我毕业就写 C++，一开始把 Python 当胶水语言用，用着用着却发现：它真的写得太爽了，忍不住就把越来越多精力放上去了。 但它也始终有一块短板横在那，线程一上、多核一跑，就原形毕露，彻底拉跨。 而这次，Python 3.14 真的是一次飞跃。自由线程、多解释器的引入，终于可以在官方层面谈真正的多核并行。不是 coroutine，不是 async，更不是 multiprocessing 这些权宜之计。 更难得的是，它没变味。PEP 649 / 749 注解的延迟求值、JIT 开始实验性集成、t-string 的语法增强等等，Python 没有背叛初心，始终在自己的哲学内。 所以我才说，激动。这家伙终于有底气站上更复杂的工程场景，而不只是那个“能写脚本、能当胶水”的语言了。 也许你看到的只是几个更新，但我看到的是这门语言在它的轨道上快速进化。 说了这么多，其实就是激动得有点语无伦次。毕竟我等了十年。我爱 Python。

最近看好多人在用 AI 自动整理笔记，说实话，这事儿我是越来越谨慎了。 信息分类、结构化、甚至总结归纳，AI 确实很能打。但问题在于：笔记的目的不是存储信息，而是构建我们的认知结构。 这两者差得不是一点，是认知层级的差距。 笔记真正有价值的地方，是在整理时那一瞬间脑子里的“啊哈！” 我们把一件新事物塞进自己原有的知识图谱，开始在脑子里产生连接、抽象、重组。 那是个人认知升级的过程，不是资料管理流程。 不动手、不动脑，只让 AI 自动处理，其实是把“知识构建”外包了。 结果可能会是：笔记越来越多，脑子却没变聪明，核心是因为我们没有在笔记里“练脑子”。 而且还有一个隐性副作用： AI 很会“整理事实”，但不理解我们自己独特的认知偏好。 它不会知道我们对什么内容有卡点、哪里值得反复练习、什么地方能触发迁移，这些恰恰是好笔记应该服务的东西。 所以我现在的判断是这样： AI 可以协助你更快把信息“拎进来”，但真正“装进去”还得靠我们自己。 如果我们自己都懒得思考，只想一键整理，真别做笔记了，直接用搜索就行，效果差不多，成本还更低。 甚至，如果原本就没记笔记的习惯，那就更别指望 AI 给自己长脑子了。 毕竟 token 也挺贵的，不如省下来喝杯咖啡清醒一下。