ShowMeAI周刊 No.13 | 上周最有讨论度的9个AI话题：AI教育谷歌扳回一局、阶跃终于摘星辰、大部分人用不起来AI…

ShowMeAI周刊 No.13

1. Learn About：继 NotebookLM 之后又一个 AI Native 产品，谷歌真正的 AI Native Education 尝试

2. ima.copilot V.S. 秘塔 V.S. 天工：国区 Perplexity 青出于蓝而胜于蓝，秘塔一骑绝尘

3. Markdown：技术圈 (最) 常用的文本编辑语言，一种「四通八达」的中转格式 ⇨ 附上好用的转换工具

4. 把 17 岁高中生涂津豪的 Thinking Claude 提示词，设置在 Cursor 里

5. 两篇优秀的AI编程教程：跟着资深工程师 & 全栈开发者，挖掘 LLM 编程能力的极限

6. 恭喜阶跃星辰！step-2 在 LiveBench 榜单杀进前5，斩获国产大模型第1名 ⇨ 顺带聊聊榜单和测评的「内幕」

7. 举个栗子：当把大模型「开源」用「做饭-吃饭」来解释，一起都豁然开朗起来 ⇨ 甚至还玩起了谐音梗

8. 很有共鸣：为什么大部分人用不起来 AI？可能还没体验到效率飞升的 Aha Moment

9. 集体讨论：大家都是怎么快速处理长视频、长音频、长文本材料的？都有哪些工作流和工具的配合应用？

1.

Google Learn About：继 NotebookLM 之后又一个 AI Native 产品，真正的 AI Native Education 尝试

Learn About 是 Google 11月份推出的AI学习工具，可以帮助个性化探索历史、艺术、自然、生物、物理、科学、经济、个人成长等方方面面的话题。

丰富的交互内容 & 交互形式，是 Learn About 最核心的特色。

输入提示词 (英文) 后，进入对话页面。

Learn About 右侧是当前话题的信息流，左侧是拓展查询列表。

右侧页面，可以看到样式丰富的内容板块；左侧页面，点击问题或者输入追问，可以进一步下钻话题👆

Learn About 最值得称道的部分，就是样式丰富的交互卡片 👆

经过群友们的共同测试，目前发现了以下8种卡片，引起「哇」声一片：

• 图文并茂
• 视频推荐
• 关键词释义
• 相关概念链接
• 话题要点总结
• 澄清常见误区
• 互动示例 (多轮追问)
• 测验考题 (多轮追问)

资料链接 ✦✦

目前仅限美国IP和英文交互

Learn About 官网链接 → https://learning.google.com/experiments/learn-about

Google LearnLM 模型

Learn About 使用了 LearnLM，是 Google 今年5月份推出的 Gemini 系列模型之一，专门面向学习场景进行了微调。

LearnLM 以教育研究为基础，核心目标是构建个性化的学习体验。原理如上图左侧所示 👆

目前，除了 Learn About 这款产品外，LearnLM 还被用于 Google Search AI Overview、Youtube 学术视频问答等产品中。

你也可以在 Google AI Studio 里直接与模型对话。如上图右侧所示。

资料链接 ✦✦

LearnLM 官方介绍 → https://blog.google/outreach-initiatives/education/google-learnlm-gemini-generative-ai

LearnLM 技术报告 → https://storage.googleapis.com/deepmind-media/LearnLM/LearnLM_paper.pdf

Google AI Studio → https://aistudio.google.com

南瓜博士的体验视频录屏 → https://meeting.tencent.com/crm/2jvkJdob9d

⋙ 认真用 Learn About 学习一周后，我总结了七个使用要点 @南瓜博士

讨论交流 ✦✦

🙆‍♀ Learn About 创新点在于，借鉴了传统线上教育的学习体验，但在效率方面实现了巨幅超越。

启发式问答、大量学习资料、要点整理与总结、互动测验与答案解析… 传统线上教育需要花费大量时间人力去构建的、可以说是护城河之一的东西，就这么被AI轻轻击碎了。

海外的线上教育平台估计会被深深 Shock 一下。

🙆‍ 从 ChatGPT 线性的文本聊天窗口，到 Learn About 交互丰富的多模态内容信息流，终于看到一点 AI Native Education 的影子了！

OpenAI 本周推出 面向 K12 教师的免费AI培训课程，可汗学院 (OpenAI 教育合作伙伴) 创始人接受采访，都还是老思路 — 用AI助手进行单点的辅助或加强。

可以说，在AI教育这个方向上，Google 已经领先了 OpenAI 一个版本。

🙆‍ 官方声明和我们的测试都表明，Learn About 目前还是一款实验性产品，响应质量并不稳定。

可能会推荐不相关的学习资料、可能会在两三轮交互后话题跑偏，也可能因为网络等原因导致学习记录丢失。注意保持合理期待~

2.

ima.copilot V.S. 秘塔 V.S. 天工：国区 Perplexity 青出于蓝而胜于蓝，秘塔一骑绝尘

腾讯 ima.copilot、秘塔AI搜索、天工AI搜索，这三家陆续上线了「知识库」类板块，增加了 RAG 功能，并在尝试与生态内的其他板块构建联系。

用同一份文档 (《梁宁·产品经理三十讲》课程笔记) 和同一个问题 (我想创建一个人工智能学习路径的网站，但是没有思路。请问要有什么建议么) 对三者进行了测试，效果和分析如下 👇

天工：要再等等？

在搜索时直接上传文件，就能实现「定制AI搜索信息源」的效果。

问答页面如上，目前支持对话追问，支持脑图的图片下载。

总结-原文的对应、文本编辑、笔记、下钻探索… 这些功能目前都还不支持 🙈

特别是，没有打通「彩页」「宝典」这两个很出彩的板块，也没有跟音乐创作、图片创作等等功能连接起来，形成一个完整的「创作-发布」AIGC 工作流。

整体而言，RAG 能力不错，但产品仍处于早期版本的状态。

资料链接 ✦✦

天工AI搜索 → https://www.tiangong.cn

秘塔：好用！特别好用！

秘塔的整体流程更长，也更完整。

首先，需要构建专题，并上传文档或者复制网页链接。上图是官方专题的示例 👆

然后，在搜索框左下角选中专题，就可以定制本次AI搜索的数据源。

搜索完成后，操作类型也非常丰富。

可以继续当前话题进行追问，可以将答案导出成 Word/PDF 文档；可以收藏到专题，可以保存到秘塔写作猫并继续编辑，也可以生成在线的演示文稿 (PPT) 。

可以下载脑图的图片，还可以点击大纲中每个小项，查看与原文的对应关系，并完成进一步的搜索。

创作-编辑-分享，目前秘塔的 AIGC 工作流已经初具雏形！RAG 和搜索能力都很好！

妥妥的国产之光 (*￣3￣)╭

资料链接 ✦✦

秘塔AI搜索 → https://metaso.cn

ima.copilot：有点简陋

腾讯的 ima.copilot 测试下来，使用体验最流畅的工作流有3类。

第一类，文档解读。

首页点击文档解读，从知识库添加文档，或者上传本地文档。

输入问题，ima 作答，并会引用公众号资料作为参考。

BUT！问题也出在这一步，ima 的回答跟上传的文档，基本没什么关系 😏 RAG 能力有点弱啊。

回答的底部，可以点击「记笔记」，顺利在应用内新建笔记文档。

第二类，阅读公众号文章。

复制公众号链接即可开始阅读。

右侧聊天窗口，可以通过系统默认提示词，快速总结文章要点。

左侧正文窗口，选中部分内容后，可以点击AI解读和翻译按钮。

AI回答和正文选中内容，都可以点击「记笔记」。

第三类，搜索查看各种政策类文章。

一是因为公众号内容更新非常快。

二是因为有官方公众号发布的权威内容。

总而言之，ima.copilot 最大的优势，就是守着公众号这座内容金山。

知识库内搜索、笔记内搜索，目前都做得一般。

资料链接 ✦✦

腾讯 ima.copilot → https://ima.qq.com

@samu 总结的常见知识管理工具清单

越来越觉得，各种知识类AI应用，比如订阅、检索、笔记等等，都在往同一个方向发展，即 AIGC 内容创作工作流，并且有向内容平台衍化的趋势。

或许 AI+搜索+RAG 也不是终点，AIGC 内容创作平台才是。

密切关注清单中的产品后续发展 👀

RSS 订阅

• Feedly：feedly.com
• InoReader：innoreader.com
• Follow：follow.is
• TidyRead：tidyread.ai

搜索

• Google：google.com
• 百度：baidu.com
• axiv：arxiv.org
• 天工：tiangong.cn
• 秘塔：metaso.cn
• ThinkAny：thinkany.so
• Devv：devv.ai (daiwu.cn)

思维导图/思考白板

• XMind：xmind.net
• AIFlow
• FunBlocks：app.funblocks.net

文档

• Evernote：evernote.com
• Notion：notion.so
• 飞书：feishu.cn
• 语雀：yuque.com
• Flomo：flomoapp.com

海报

• fastposter：fastposter.net
• 吉光卡片 (Kiko Card)
• 流光卡片：fireflycard.shushiai.com
• molypix：molypix.ai

讨论交流 ✦✦

其实！已经有聪明的开发者注意到了上方提到的衍化趋势，并开始构建 AI-Native 内容创意和共享平台，比如 ↓↓↓

Pi智能演示文档，新一代图文内容创作、内容分享展示的新载体。

网站 → https://pi.deepvinci.tech

同名微信小程序

3.

Markdown：技术圈 (最) 常用的文本编辑语言，一种「四通八达」的中转格式 ⇨ 附上好用的转换工具

Markdown 简介

Markdown 是一种标记语言，对应文件格式为 .md，可以使用线上网站或 Typora 等编辑软件打开。

通俗一点说就是，Markdown 语法可以用纯文本完成全部排版。

例如，#文本 表示一级标题，**文本** 表示加粗，*** 表示分割线，[文本](链接) 表示超链接。

上图 👆 展示了更多常见语法和呈现效果，例如居中、表格、图片、代码、引用、公式、有序列表/无序列表等等。

资料链接 ✦✦

图片来源 → https://sqlbak.com/blog/wp-content/uploads/2020/12/Jupyter-Notebook-Markdown-Cheatsheet2.pdf

为什么要重视 Markdown 语法呢？

因为它真的既常见又重要，既方便又快捷！

Markdown 加减几个符号就能搞定排版，不同编辑器之间兼容良好，而且还能转成 Word、PDF、txt 等等其他本地文档格式。

我们最常用的飞书、语雀、Notion 等在线文档，技术圈常用的 GitHub、Reddit、CSDN、掘金等交流论坛或内容平台，一般也支持 Markdown 语法。

而且，大语言模型的输入和输出，默认也是 Markdown 语法。

可以说，搞定文本内容的 Markdown 版本，是后续很多操作的必要前提。

Jina Reader：把任何网页转换为 Markdown

Jina Reader 是一个网页解析器。

一般情况下，只需要在浏览器网址前面添加 https://r.jina.ai/ 字符串，就可以把当前 URL 转换为 Markdown 语法格式的文本。比如：

https://news.ycombinator.com

↓↓↓

https://r.jina.ai/https://news.ycombinator.com

开发者可以使用 Jina AI 提供的免费 API，将 Reader 集成到自己工作流里。

其中有两个参数最重要，一个是返回格式，一个是超时时间：

curl https://r.jina.ai/https://news.ycombinator.com \

  -H "X-Return-Format: markdown" \

  -H "X-Timeout: 30"

资料链接 ✦✦

Reader 还支持 PDF 解析、选择特定网页元素输出等等各种玩法，也包括这种高端操作 👀 (据说是 Jina AI 最接地气的产品)

Reader 官网链接 → https://jina.ai/reader

GitHub → https://github.com/jina-ai/reader ⭐7K

常用 Markdown 编辑器

线上 Markdown 编辑器

• StackEdit：https://stackedit.io
• Cmd Markdown：https://zybuluo.com

本地 Markdown 编辑器

• Typora：https://typora.io
• Obsidian：https://obsidian.md
• Atom：https://atom-editor.cc
• Sublime Text：https://www.sublimetext.com

讨论交流 ✦✦

Markdown 应用场景之一：公众号排版

本周，@南瓜博士 分享了她在 Obsidian 软件里使用 Markdown 编辑文本后，直接复制到公众号后台的操作 ↓↓↓

⋙ 超便捷的Markdown转公众号排版

4.

把 17 岁高中生涂津豪的 Thinking Claude 提示词，设置在 Cursor 里

@laughing哥 把 Thinking Claude 提示词集成在了 Cursor 编辑器里，让AI助手能够展现出更深入的思考过程，帮助提供更深入的问题分析，并且生成更有质量的回答。

当前支持 Claude 和 Qwen 模型。

Claude 优势

• 深度思考链路展示
• 结构化推理过程
• 多语言支持
• 代码分析能力强

Qwen 优势

• 中文思维链路优化
• 简洁的思考展示
• 适合国内用户
• 响应速度快

资料链接 ✦✦

除了争论这段提示词是否够「神」之外，也可以用来做点别的 ↓↓↓

GitHub → https://github.com/flashclub/thinking-cursor-rules

5.

两篇优秀的AI编程教程：跟着资深工程师 & 全栈开发者，挖掘 LLM 编程能力的极限

How I Use AI

作者 Nicholas Carlini 是一位真真正正的技术大佬！

在 MIT 念完 CS+Math 本科后，又拿到了 MIT 博士学位，随后进入大名鼎鼎的 Google DeepMind 工作担任科学家，研究方向还是自然语言处理！！

他的博文「How I Use "AI"」非常出圈，是使用 LLM 进行编程和研究的实例分享，并都给出了完整的提示词 🧐

有些任务的提示词真的超级长！而这只是 Nicholas 过去一年实践「冰山一角」🏔

• 构建一个完整的 Web 应用。作者用 GPT-4 构建了一个在线测试小工具，并获得了超过千万次的页面浏览量。
• 学习新技术。通过与模型的互动式对话，学习 Docker、Flexbox 和 React 等新技术。
• 开启新项目。借助AI快速获取新项目或者新论文所需的样板代码，尤其是框架不熟悉的场景里。
• 简化代码。遇到复杂的大型代码库，用AI进行简化后更容易理解。
• 单调任务的自动化。把单调且简单的任务交给AI，比如数据格式化等。
• 提升用户专业度和效率。在AI的帮助下，普通用户也可以像专家那样完成很多工作。
• API Reference。通过AI获取特定工具或命令的使用信息，不必再翻看查找文档。
• 搜索。AI搜索效果比传统搜索引擎好很多。
• 解决一次性的任务。只需要运行一次的小脚本或程序，用AI编写起来省时又省力。
• 常见任务的解决方案。你遇到的大部分任务，都已经发生并且有解决方案了，而这部分是 LLM 最擅长的。
• 修复常见错误。编程中遇到问题时，通过 LLM 问答往往比传统搜索更高效。

资料链接 ✦✦

这轮 LLM 浪潮有炒作的成分，但已经达到了可用的程度 ↓↓↓

How I Use "AI" → https://nicholas.carlini.com/writing/2024/how-i-use-ai.html

idoubi

@idoubi 是目前国内知名的AI全栈开发者。

他最近分享了AI辅助编程工具的使用经验，并且配有详细的文字说明和配图演示。

这应该是我看过的、最完整的AI编程经验分享长文。

话题1：作为一个专业程序员，如何使用 Cursor 提高编码效率

• 自动补全代码
• Debug && Fix Error
• 实时对话 && 联网搜索
• 写提示词
• 写前端页面
• 截图生成组件
• 写常用的代码逻辑/函数
• 代码重构
• 多语言翻译

话题2：零代码基础，如何使用AI辅助编程工具实现自己的想法

• 使用 Cursor Composer 构建产品
• 使用 Bolt.new 构建产品
• 使用 Claude 构建单页应用
• 使用 v0.dev 生成组件
• 使用 Pagen 生成落地页

话题3：盘点常用的AI辅助编程工具和使用场景

• Al编辑器：Cursor，Windsurf，Pear Al
• 编辑器 Al 扩展：Github Copilot，Continue，Cline
• Ul组件生成工具：Cursor，v0.dev，Claude，screenshot-to-code
• 完整项目构建工具：Cursor，Bolt.new，Replit Agent，Wordware

资料链接 ✦✦

一个真正优秀且专业的程序工程师，是不可能被AI淘汰的 ↓↓↓

⋙ 我用AI辅助编程，效率提升 x 倍 @idoubi

讨论交流 ✦✦

@idoubi 在文章末尾提到了AI工具的选择。

这也是大家平时最关心 & 喜欢讨论的话题之一。以下整理了3种选择思路。其实，我们每个人都可以有一份自己的偏好清单~

👨‍💻 如何选择AI辅助编程工具 @idoubi

使用场景

• 每天高频写代码或深度依赖AI辅助编程工具：Cursor，Windsurf
• 偶尔写 Demo 验证想法或偶尔写 UI 组件：Bolt.new，v0.dev，Claude

经济成本

• 习惯为优质工具产品付费：升级 Cursor Pro 会员
• 希望找到低价的 Cursor 替代方案：使用 Windsurf (订阅费是 Cursor 的一半）

使用习惯

• 习惯于 VS Code 编程：Cursor，Windsurf
• 想安装AI辅助编程插件：Github Copilot，Continue，Cline

👨‍💻 我目前在用哪个 LLM 模型 @孔某人的低维认知

• API与开发场景：Claude 3.5 Sonnet，o1 系列
• Chat：常规问题用 ChatGPT 的 gpt-4o，复杂问题或设计 WorkFlow用 Claude
• 写作：在观点调研和改错别字时使用 o1-preview
• 开发：在 Cursor 中使用 Claude 3.5 Sonnet 20241022 进行代码修改或开发，在 Web 窗口使用 gpt-4o 进行技术方案调研
• AI搜索：PC端使用 Google，公众号搜索使用腾讯元宝

👨‍💻 My AI Usage these days @Elvis Saravia

• claude-3.5-sonnet：用于大多数创意和写作任务
• Gemini-1.5-Pro：用于视频相关任务
• ChatGPT：用于图像分析和 Web 搜索
• GPT-4o-mini 和 Gemini-Flash：用于 Agent 任务
• o1-mini：用于推理和知识密集型任务
• llama-3.1：用于本地 LLM
• Midjourney：用于图像生成
• Runway：用于视频生成
• ElevenLabs：用于语音相关内容

6.

恭喜阶跃星辰！step-2 在 LiveBench 榜单杀进前5，斩获国产大模型第1名 ⇨ 顺带聊聊常用榜单和测评「内幕」

过去的一周，阶跃星辰可谓风光无限 🎊

先是自研大模型 Step-2 登上了 LiveBench 榜单第 5 名。榜单中的下一个国产大模型是 Qwen 2.5，排在第 13 名。

再是多模态理解大模型 Step-1V 在 LMSYS Viosn 榜单再次拿下国产第1名，与 Qwen2-VL 先后出现在榜单上。

两个权威榜单的国产第一。

阶跃终于摘星辰 👏👏👏

资料链接 ✦✦

⋙ LiveBench 最新榜单：阶跃星辰位列中国大模型第一 @阶跃星辰

⋙ LMSYS 最新排名：阶跃星辰 Step-1V 多模态理解大模型位列中国第一 @阶跃星辰

阶跃太低调了。

以至于，昨天听阶跃工程师分享才意识到，原来阶跃已经有这么多模型了！原来「繁星计划」已经诞生了这么多优秀的AI产品！

掌声送给做实事的人 👏👏👏

资料链接 ✦✦

阶跃星辰 ● 官网链接 → https://www.stepfun.com

阶跃星辰 ● 开放平台 → https://platform.stepfun.com

常用榜单小结

这期专题日报 有各榜单的详细介绍，感兴趣可以前往阅读。

周刊就简单列一下平时参考最多的榜单 👇

权威测评排行榜

• Chatbot Arena (LMSYS) ：https://lmarena.ai/?leaderboard
• LiveBench：https://livebench.ai
• Open LLM Leaderboard：https://huggingface.co/spaces/HuggingFaceH4/open_llm_leaderboard
• CompassRank 司南：https://rank.opencompass.org.cn

价格排行榜 (持续更新中的)

• Artificial Analysis：https://artificialanalysis.ai
• LLM Pricing：https://llm-price.com
• Cloud LLM：https://docs.google.com/spreadsheets/d/1foc98Jtbi0-GUsNySddvL0b2a7EuVQw8MoaQlWaDT-w

有意思的排行榜

• Artificial Analysis 文生图：https://artificialanalysis.ai/text-to-image/arena
• Artificial Analysis 文生视频：https://artificialanalysis.ai/text-to-video/arena
• Artificial Analysis 文本转语音：https://artificialanalysis.ai/text-to-speech/arena
• The Fastest AI：https://thefastest.ai
• TRACKING AI：https://trackingai.org/IQ

讨论交流 ✦✦

大模型测评和榜单的「内幕」

如果你想了解大模型测评「刷榜作弊」的实现细节，或者测评集滞后与泡沫化给大模型工程团队带来的困扰，可以看看下面两篇文章。

第1篇是 CoT Hub 测评集构建者的访谈，第2篇是零一万物技术专家的分享。

⋙ 大语言模型评测是怎么被玩儿烂的？我们跟知情人聊了一个下午

⋙ 关于大模型评测的 Yi 点思考｜Young Genius

“最终，用户会用脚投票的。”

7.

举个栗子：当把「大模型开源」用「做饭吃饭」来解释，一起都豁然开朗起来 ⇨ 甚至还玩起了谐音梗

关于大模型的开源，我们最常听到的新闻有两类：① 开源-闭源未来谁更厉害，② 现在的大模型都是假开源。

周末群里闲聊时，A@社恐患者杨老师 以他极高的专业素养，用一连串比喻，科普了「大模型开源」到底怎么回事。

比如，开源预训练模型，相当于厨师从后厨给你端上来的菜；只开源权重，相当于只把菜给你端上来，让你吃饱。

再比如，开源后训练数据，相当于带你去厨房看整个厨师炒菜摆盘的过程；开源预训练数据，相当于带你去食材的源产地选品。

还有，开源，相当于进餐馆随便吃还可以打包；闭源，相当于按饭量计费而且不允许打包。

还有很多「做饭-吃饭」的精妙比喻，非常生动形象，可以看全文了解详情 ↓↓↓

资料链接 ✦✦

⋙ 有文化就是不一样...「另类理解」大模型术语 @赛博禅心

下笨功夫，做有心人。模型训练和开餐馆是一样的道理，没有难不难，只有想不想。by社恐患者杨老师

讨论交流 ✦✦

然后呢！群里出现了衍生玩法。

既然 LLM 是一个餐厅，那总得有菜谱吧：

你进了一家叫 302 的餐厅，打开了智谱，点了俩豆包，一碗商汤…

来盘海螺，来杯即梦，服务员叫 Jina，旁边吟游诗人唱着十四行诗

这篇是集大成者，很多梗让人拍案叫绝 👉 ⋙ 当我把所有AI应用放在一起。。。有趣的事情发生了！@AI大同学

8.

很有共鸣：为什么大部分人用不起来 AI？可能还没体验到效率飞升的 Aha Moment (顿悟时刻)

@Maker毕 这篇文章，引出了一个大家都很有共鸣的现象：大家都在谈AI，都觉得AI很重要，可是真正把AI变成工作伙伴的人凤毛麟角。

大部分人使用AI的时候：

• 要么完全忘记了还有AI这个选项
• 要么不知道AI能做什么
• 要么觉得用AI比直接做更麻烦

就算知道可以用 AI，还要面临一系列的心智负担：

• 要打开一个新的网页或软件
• 要思考如何描述自己的需求
• 要担心AI会不会理解错误
• 要检查AI的输出是否可靠
• 要把结果复制粘贴回工作界面

这些步骤每一个看起来都很简单，但是加在一起就会让人不自觉地想：算了，还是自己来做吧。

资料链接 ✦✦

⋙ 为什么大部分人用不起来 AI？从被动到主动的范式转换 @ Maker毕

讨论交流 ✦✦

为什么会这样呢？

作者原文从产品交互范式的角度进行了解释。群友们的讨论视角更丰富和生动，分享一下~

🙋‍♀ 我感觉这个确实是。因为有些事情做久了之后就是纯经验型的，对于那种不是经常总结复盘的人，很难把它描述清楚，就像有些人对待实习生的态度一样，觉得不如自己做，这是其一。

其二是对AI的能力了解不够，因为用的不多，不知道AI在我的工作链条里能够提升我90%效率的部分是哪些，什么工作给它做好什么工作自己做好。

🙋‍♀ 以往的工具的使用已经让很多人产生了技术厌恶心理，要花很多时间学习工具、积累经验才能让它起到一点点释放人的主体性的作用。

🙋‍♀ 破解之道就是硬着头皮先用用再说。一定要有耐心，抱着了解未来趋势，提高自己效率解放生产力的决心去用。

一次两次给不了你想要的，第三次你就知道往哪个方向说更好了，也知道自己想要的效果需要通过哪几个层次和标准去约束。

花太多时间去push ai做ai不擅长的事情，发现这个环节自己做最方便，就把适合ai做和适合人做的事情分开了。

🙋‍♀ 体验一回效率提升就放不下了。

9.

集体讨论：大家都是怎么快速处理长视频、长音频、长文本材料的？都有哪些工作流和工具的配合应用？

话题发起者自己的经验：

1. 找到音频或视频的链接，可以是播客、b站等。

2. 用 cococut Chrome 插件下载视频，打开通义 直接上传视频或复制链接，用AI进行解析后可以快速浏览大纲、生成脑图和PPT，还能提取转录后的全部文本。

3. 将文本复制到 txt 文档里并上传给 kimi，用提前准备好的提示词进行解析，细致整理，针对性学习。

P.S. 如果是在线文章，可以用 sider 侧边栏之类的工具，边看边提问，帮助自己理解。

👨‍🏫 肉眼多看两遍，不用搞这么麻烦。

你一天里看到的信息里，有 1% 值得笔记记录就谢天谢地。

👨‍🔧 你用AI听播客的效果咋样？吸收知识变容易了吗？

🦸‍♀️ 效率提升了，不过还是得再听一遍。因为重点只有自己知道。让我觉得意外的，才是对我有信息增量的，才是对我价值。这个痛点真不容易解决。

所有的总结类产品都有类似的问题。AI的「重点」不一定是我的「重点」。

👨‍🎓 思考过程说不定还得写一遍。写一次才算是「编码」进脑子。

👨‍🏫 是的，写一遍，做一遍，才有心得和体会。感觉越是这个时候，能静下心逐字逐句阅读的能力反而很稀缺。

👩‍🔧 快速判断内容质量。

一般的就丢弃。还不错的，记录下有收获的要点，发评论区或者发群里。

特别好的，反复听，写笔记。特别特别好的，拓展成一个专题，补充更多资料，把这个话题了解得更深入一点。

👨‍🏫 快速判断内容质量 +1，越发觉得这个能力重要。

AI生成的一大堆内容中，可能也就 5% 是能启发到你的精华。能不能迅速捕捉 5% 扔掉别的 95%，很重要。

如果对付AI生成的内容有这个能力，那么，对付别人写的长文，第一眼质量判断还是自己来做吧。捕捉了一点儿精华后，可以让AI陪着深入。

 🙆‍♂️ AI现在生成的东西大多都是重蹈覆辙。

现在看多了AI生成内容多了，还是更喜欢看一些带有人类固有表达的内容。那种人与人之间的会意还是挺美妙的。

👨‍🏫 目前我的体会是，如果AI生成的内容，我不能一眼验证真假对错，那我不会用的。

所以在翻译、分类和代码生成任务里，它确实可以帮助我节省很多精力（以至于有时间摸鱼和思考更 high level 的事情）。另外一方面，AI的训练和推理的一些范式，也可以反向启发人的思考和学习。

比如说tfm的预训练，需要自回归，知识才能记忆的稳定，那么人也不要排斥背诵，在学新东西的时候，也要保持观点输出，和别人的观点对齐。

文章来自微信公众号“ShowMeAI研究中心”，作者“南乔River”