Kimi Chat に基づく AI 漸進的読書法#
#Omnivore
私は毎日大量の記事を処理する必要があります。ソーシャルメディアで推薦された記事、RSS で購読している記事、自分で積極的に検索した記事…
処理する情報が多いため、私の「後で読む」記事も増え続けています。2 年以上の間に、私の cubox にある待读記事は 4800 件に達しました。
しかし、私はそれに対して不安を感じることはありません。これらの記事は、私が選別した「図書館」となり、必要なときに自分が読みたい記事を見つけることができます。
私の文章読書ステップ#
AI がなかった頃、私の文章処理ステップは次のようでした：
ざっと読み、情報を選別する
選別した情報の一部を読み / 全文を読む
読んだ後に「文献ノート」を記録する
具体的なステップは、2021 年に書いた『私の読書ワークフロー（2021 版）』を参考にしてください。
AI が登場した後、大規模言語モデル（LLM）が私たちの記事処理を助け、記事の選別と読書の効率を向上させることができます。
大規模言語モデルの能力：
チャットボット：対話
要約アプリ：情報の要約 / 情報の抽出
拡張アプリ：続きの執筆
推論アプリ：感情判断、テーマ判断
変換アプリ：翻訳、フォーマット変換、誤り修正
—— ウェン・ダの ChatGPT チュートリアルより
以下に、AI を使用して記事の読書効率を向上させる方法を紹介します。
私はこれを「漸進的読書」と呼んでいます。
漸進的読書法#
モデル選択#
まず、大規模モデルを選択します。私が選んだのは Kimi Chat です。
国内の多くの大規模モデルの中で、Kimi Chat の長文能力（long-context）は最も優れています。一般的に、記事は文字数が多く、大規模モデルの長文能力に依存して処理します。
海外の大規模モデルと比較すると、同じく長文をサポートする Claude よりも、Kimi Chat の中国語サポートは優れています。
Kimi Chat は現在無料で使用でき、Web、H5、APP、WeChat ミニプログラムなどの多様な端末をサポートしており、どこでも使用できます。
第一歩 記事を理解する#
情報を選別する際、私の判断ステップは次の通りです：
情報の質を判断し、高品質な記事のみを読む
自分に必要なものか？読んで何を学べるか？
今必要なものか？今必要でない場合は、先に保存し、「後で読む」とする。
人間が記事を処理するステップを参考にして、第一歩では AI に記事を一度読んでもらい、記事の基本情報を理解させます。
第一歩のプロンプトでは、記事をよりよく理解するために、AI に記事のメタデータを要約させました。タイトル、著者、タグを含め、一文で記事を要約し、要約を書いてもらいました。この部分を読むだけで、記事が何について述べているか大体わかります。また、記事のアウトラインを詳細に列挙し、アウトラインを読むことで記事の構造を把握できます。
この記事《部門知識庫を構築する方法》を例にとります。
プロンプトを Kimi Chat に送信します。
私たちが一歩一歩考え、提供された内容を読み、次の操作を行います：
第一歩、記事のメタデータを抽出する
- タイトル：
- 著者：
- タグ：（記事内容を読んだ後、記事にタグを付ける。タグは通常、分野、学科、または専門用語）
第二歩、一文でこの記事を要約する；
第三歩、記事の内容を要約し、要約を書く；
第四歩、できるだけ詳細に記事のアウトラインを列挙する；
{{記事リンク}}
結果を得る
第二歩 内容を詳しく読む#
第一歩の結果を基に、続けて質問します。
「アウトライン」がある場合、LLM は作業をよりよく理解し、要約の効果が向上します。そのため、アウトラインを列挙することと詳細内容を要約することを二つのステップに分けました。
第二ステップでは、AI に次のことを依頼しました：
記事の各部分の内容を詳細に要約する
記事の結論を要約する
この記事を読むことで何を学べるか教えてもらう
読者が記事を読む過程で持つ可能性のある疑問を提供し、第三歩の進んだ読書をより良く行えるようにします。
要約は良いですね、
第一歩、アウトラインの各部分の内容を詳細に述べてください、
第二歩、記事の結論を要約してください；
第三歩、この記事を読むことで学べる知識を列挙してください；
第四歩、記事の内容に基づいて、読者が読む過程で持つ可能性のある疑問を三つ提起してください。
すべての内容を markdown 形式で返してください；
第三歩 個別の進んだ読書#
第三歩は、記事の詳細情報を理解した後、記事をさらに進んだ読書を行います。
このステップは非常に個別的で、あなたのニーズに応じて AI に指示を出すことができます。
以下に私の六つの使用シーンを提供します。
01 理解できない問題について追求する#
第二歩の結果を受けて、記事の中で理解できない部分について疑問を持ちます。
例えば、記事《朱啸虎が語った中国の現実主義 AIGC の物語》を要約している際、要約内容に矛盾があることに気づき、AI に疑問を投げかけました：
02 専門用語の説明#
記事の中に理解できない用語があれば、AI にその意味を尋ねることができます。
ネットでの流行方法では、時々専門用語をプロンプトに加えますが、実際には興味のある記事の中で理解できない専門用語は少数です。AI もあなたが知らない専門用語を把握できず、多くの用語を説明してしまうことがあります。これにより、トークン数の無駄が生じます。
また、AI に記事を読ませ、内容を生成する過程で、本来記事内容に属さない専門用語の説明を大量に加えると、その文脈が AI の要約効果を誤解させ、AI により多くの幻覚を生じさせる可能性があります。
したがって、専門用語は別のウィンドウで調べるか、第三歩で再度尋ねることをお勧めします。
03 高校生が理解できる言葉で XXX を説明する#
非常に難解で、自分の能力を超えた内容に出会った場合、読むのが非常に困難になることがあります。この場合、「高校生が理解できる言葉で XXX を説明する」という非常に便利なプロンプトを使用できます。これにより、AI は非常に簡潔で明確なヒントを提供してくれます。
もちろん、このプロンプトの「学生」は「高校生」、「大学生」、または「小学生」に変更できますが、内容の難解さに応じて調整することができます。「小学生」で生成された内容は、往々にして幼稚になるため、私は「高校生」を使用することに慣れています。
04 名言を抽出し、推薦文を書く#
名言や推薦文は、友人に記事を推薦する際に便利です。
05 著者の独自の見解は？#
このプロンプトは私の秘訣です。
記事を読む過程で、既存の「常識」を集めることは普通の知識の補完です。しかし、記事から著者の独自の見解や「反常識」の内容を読むことができれば、それはお得です。「反常識」は、往々にして人が実際に経験しなければまとめられないものです。
私たちは簡単な「経験」を通じて他人の「経験」を得ることができ、実に面白いです。
そして、このような独自の見解は、既存の知識と衝突し、さらなる火花を生むことがよくあります。
06 XXX の見解は原文でどのように説明されているか？そのまま印刷してください#
要約の中の特定の見解に興味がある場合、原文を自分で読むこともできますし、AI にその見解に関する原文の言葉を印刷させることもできます。
三つのステップを経て、記事の内容はほぼ理解できるようになります。
また、記事に関連するさらなる内容も得られます。理解がまだ深まらないと感じた場合は、原文の一部を再度読んで理解を深めることができます。
入力法のショートカット入力#
頻繁に記事を読む場合、これらのプロンプトを入力法の「カスタムフレーズ」に登録し、読書中にショートカットで入力できます。
例えば、私の設定：
| ショートカットキー | プロンプト |
|---|---|
| zzz | 私たちが一歩一歩考え、提供された内容を読み、次の操作を行います： 第一歩、記事のメタデータを抽出する - タイトル： - 著者： - タグ：（記事内容を読んだ後、記事にタグを付ける。タグは通常、分野、学科、または専門用語） 第二歩、一文でこの記事を要約する； 第三歩、記事の内容を要約し、要約を書く； 第四歩、できるだけ詳細に記事のアウトラインを列挙する、越詳細越好； |
| xxx | 要約は良いですね、 第一歩、アウトラインの各部分の内容を詳細に述べてください、 第二歩、記事の結論を要約してください； 第三歩、この記事を読むことで学べる知識を列挙してください； 第四歩、記事の内容に基づいて、読者が読む過程で持つ可能性のある疑問を三つ提起してください。 すべての内容を markdown 形式で返してください； |
| ccc | わかりました、続けて第一歩、記事の中の名言を抽出してください；第二歩、この記事に推薦文を書いてください。 |
| vvv | この記事の中で、著者はどのような独自の見解を持っていますか？ |
AI 読書の欠点#
もちろん、AI 読書にも完全に欠点がないわけではなく、現在以下の不足があります：
AI は文字数に基づいて内容の重要性を評価するため、時には誤判断することがあります。例えば、ある「デマを打破する」記事では、多くの虚偽の事例が提示されているため、AI はそれらの事例が「虚偽の見解」を支持していると誤解し、記事とは全く逆の内容を要約してしまうことがあります。
AI の要約には一定の幻覚が存在します。モデルによって効果が異なり、KIMICHAT のように long-context をサポートするモデルは、相対的に良い結果を出します。もちろん、長期的には、幻覚の問題は LLM の能力向上とともに解決されるでしょう。
AI は構造化された情報を処理するのが得意ですが、非構造化情報に対しては要約効果が低いです。例えば、AI はインタビュー内容や会議記録のような口語的な内容を要約する際、効果がやや劣ります。これを処理するためには、他の形式のプロンプトを使用する必要があります。このプロンプトについては、現在研究中ですので、会議の要約処理やインタビュー内容処理の経験がある方は、あなたのプロンプトを共有してください。
まとめ#
この記事では、自分の経験と具体的な操作ステップを共有することで、読者に新しい記事処理方法を提供しました。
KIMI CHAT の助けを借りて、私は「AI 漸進的読書法」を使用して記事の読書効率を向上させています。
第一歩は、AI に記事を読ませ、メタデータを抽出し、一文で要約し、要約を書き、アウトラインを列挙することです。
第二歩は、第一歩を基に、AI に記事の内容を詳細に要約させ、結論をまとめ、学んだ知識を列挙し、可能な疑問を提起させることです。
第三歩は個別の進んだ読書で、個人のニーズに応じて AI に指示を出すことです。理解できない問題を追求したり、専門用語を説明させたり、複雑な概念を簡略化させたりします。
「AI 漸進的読書法」を採用することで、大量の記事を効率的に処理し、読むことができます。
AI の読書にはいくつかの限界がありますが、技術の進歩により、これらの問題は解決される見込みです。
結びの言葉#
最後に、AI はあなたの思考を完全に代替することはできません
AI はあなたの読書をより良くサポートすることはできますが、あなた自身が読んで思考を生み出すことを完全に代替することはできません。具体的な知識点を理解したい場合、最良の方法は原文を自分で読み、理解することです。そうすることで、学習効果がより高まります。