Leo的恒河沙

基於 Kimi Chat 的 AI 漸進式閱讀法#

#Omnivore

我每天需要處理大量的文章。社交媒體推薦的文章、RSS 訂閱的文章、主動搜索到的文章…

因為有大量的信息要處理，我的 read it later 文章也越來越多。兩年多來，我的 cubox 裡的待读文章，已經攢到了 4800 篇。

但我並不會為此感到焦慮，這些文章成了一個經過我篩選的 “圖書館”，當我需要的時候，我可以在裡面找到自己想要的文章進行閱讀。

我的文章閱讀步驟#

在沒有 AI 之前，我的文章處理步驟是這樣的：

粗略閱讀，篩選信息

經過篩選的信息，閱讀其中一部分 / 全文閱讀

閱讀過後記錄「文獻筆記」

具體的步驟可以參考我在 2021 年寫的《我的閱讀工作流 (2021 版)》

有了 AI 以後，大語言模型 (LLM) 可以幫助我們處理文章，提高篩選文章和閱讀文章的效率。

大語言模型的能力：

聊天機器人：對話

總結類應用：總結信息 / 提取信息

擴展類應用：續寫

推理類應用：情緒判斷、主題判斷

轉化類應用：翻譯、格式轉換、糾錯

—— 來自吳恩達的 ChatGPT 教程

下面我將介紹我使用 AI 來幫助我提高文章閱讀效率的方法。

我稱之為「漸進式閱讀」

漸進式閱讀法#

模型選擇#

首先先選擇大模型，我選擇的是 Kimi Chat

而對比國內的一眾大模型廠商，Kimichat 的長文本能力 (long-context) 是最好的。文章一般的字數一般都比較多，依賴大模型的長文本能力來處理。

對比海外的大模型，比如同樣支持操場文本的 Claude ，Kimi Chat 對中文的支持更好。

Kimi Chat 現在可以免費使用，並且支持 Web、H5、APP、微信小程序等多終端，哪裡都能用。

第一步 了解文章#

篩選信息時，我的判斷步驟是：

判斷信息質量，只讀高質量文章

是否是自己需要的？讀完能學到什麼？

是否是當下需要的？不是當下需要的，先存起來，”read it later“。

參考人工處理文章的步驟，第一步，我們可以讓 AI 幫我們先讀一遍文章，了解文章的基礎信息

在第一步的 prompt 裡，為了更好地了解文章，我讓 AI 幫我總結了文章的元數據，包括標題、作者和標籤；一句話總結文章，再寫了摘要，我只要閱讀這部分，就可以大概知道文章講的是什麼；詳細列舉文章的大綱，通過大綱的閱讀，就可以知道文章的結構。

以這篇文章《一套搭建部門知識庫的方法》為例

使用 prompt 發給 kimichat

讓我們一步一步思考，閱讀我提供的內容，並做出以下操作：
第一步，提取文章的元數據
- 標題：
- 作者：
- 標籤：（閱讀文章內容後給文章打上標籤，標籤通常是領域、學科或專有名詞）
第二步、一句話總結這篇文文章；
第三步，總結文章內容並寫成摘要；
第四步，越詳細地列舉文章的大綱，越詳細越好；

{{文章鏈接}}

得到結果

第二步 详读内容#

在閱讀了第一步的結果的基礎上，緊接著繼續追問

因為在上下文有” 大綱 “的情況下，LLM 可以更好地理解工作，總結效果更好。所以我特地將列舉大綱和總結詳細內容分為了兩步。

第二步驟裡，我還讓 AI 幫我：

詳細總結文章每一部分的內容

我總結了文章的結論

告訴我閱讀這篇文章我可以學到什麼？

提供閱讀文章的過程中，讀者可能會有的疑問幫助我更好地進行第三步的進階閱讀。

總結得不錯，
第一步，請詳細敘述大綱中每一部分的內容，
第二步，總結文章的結論；
第三步，列舉讀這篇文章，我可以學到哪些知識？
第四步，針對文章的內容，提出三個用戶在閱讀的過程中可能會有的疑問。
請用 markdown 格式返回所有內容；

第三步 個性化進階閱讀#

第三步，是在了解文章的詳細信息後，對文章的進一步的進階閱讀。

這一步是非常個性化的，你可以根據你的需要，向 AI 發出指令。

下面我提供了我的六個使用場景。

01 對不懂的問題進行追問#

緊接這第二步的到的結果，如果你對文章中你不理解的部分發起疑問。

例如在總結這篇文章《朱啸虎講了一個中國現實主義 AIGC 故事》時，我發現總結的內容中有衝突的地方，就向 AI 發起了疑問：

02 專有名詞解釋#

如果文章中有你不理解的名詞，可以向 AI 詢問其釋義。

在網絡的流行方法中，有時會將專有名詞加在 prompt 中，但我認為，實際上在你感興趣的文章中，不了解的專有名詞還是少數的，AI 也不知道你不認識哪個專有名詞，就會把很多名詞都解釋出來。這導致了大量輸出 token 數的浪費

並且在讓 AI 閱讀文章，生成內容的過程中，加入大量本不屬於文章內容的專有名詞解釋，這樣的上下文可能會誤導 AI 的總結效果，讓 AI 產生更多的幻覺。

所以我建議專有名詞你還是單獨開一個窗口查詢，或者在第三步再詢問。

03 用高中生可以聽懂的語言解釋 XXX#

如果你閱讀到了非常晦澀難懂，遠遠超出你的能力的內容，往往讀起來會比較吃力。這是就可以用這個超級實用的 prompt” 用高中生可以聽懂的語言解釋 XXX“，這樣 AI 就可以給你一個很簡單明瞭的提示。

當然，至於這個 prompt 裡的學生是” 高中生 “、” 大學生 “，還是” 小學生 “，可以根據內容的晦澀程度來修改，因為使用” 小學生 “生成的內容，往往會比較幼稚，所以我還是習慣使用” 高中生 “。

04 提取金句和寫推薦語#

金句和推薦語方便你向朋友們推薦文章。

05 作者獨到的見解？#

這句 prompt 是我的獨門秘方。

在閱讀文章的過程中，收集已有的” 常識 “是平常的知識的補充。但倘若可以從文章中讀到作者獨到的見解，” 反常識 “的內容，那兼職就是賺到了。因為” 反常識 “，往往需要人親身經歷後才能總結出來。

而我們通過簡單的” 閱歷 “就可以獲得別人的” 經歷 “，實在有趣。

而且這樣獨到的見解，往往就會和自己已有的知識產生碰撞，迸發出更多火花。

06 XXX 觀點在原文中的描述是什麼？請打印出來#

如果你對總結中的某個觀點的內容感興趣，可以自己閱讀原文，也可以直接讓 AI 打印文章中關於某個觀點的原話。

經過三個步驟的閱讀之後，一篇文章的內容，基本上已經了解得差不多。

也得到了更多文章相關的延展內容，如果覺得理解還不夠深刻，可以再自己閱讀原文中的片段，增進理解。

搭配輸入法快捷輸入#

如果你經常閱讀文章，你可以將這些 prompt 放到輸入法的 “自定義短語” 中，在閱讀時快捷輸入 prompt。

例如我的配置：

AI 閱讀的缺點#

當然，AI 閱讀也並不是完全沒有缺點，目前還存在以下不足：

AI 只能根據文字的數量來評估內容的重要性，有時候會誤判。例如在某篇” 打假” 的文章中，因為文章中提出了大量虛假的案例，AI 總結時反而誤以為這些案例是在支撐這個 “虛假的觀點”，總結出了和文章完全相反的內容。

AI 總結存在一定幻覺，不同的模型效果不同，像 KIMICHAT 這樣對 long-context 支持比較好的模型，效果相對來說會比較好。當然，長遠來說，幻覺的問題都會隨著 LLM 的能力增強而變得不再是個問題。

**AI 更擅長處理結構化的信息，而在面對非結構化信息時，總結效果較差。** 例如，AI 在總結訪談類內容，會議記錄這樣口語化的內容時，總結的效果會稍差一些。需要使用其他的格式的 prompt 來處理。這個 prompt 目前我還在研究中，歡迎有會議總結處理，訪談內容處理經驗的同學分享你的 prompt。

總結#

在這篇文章裡，我通過分享自己的經驗和具體的操作步驟，為讀者提供了一種新的文章處理方法。

借助 KIMI CHAT 的幫助，我使用 “AI 漸進式閱讀法” 來提高閱讀文章的效率。

第一步是讓 AI 閱讀文章，提取元數據、一句話總結、寫摘要和列舉大綱。

第二步是在第一步的基礎上，讓 AI 詳細總結文章內容、總結結論、列舉學到的知識點和提出可能的疑問。

第三步是個性化的進階閱讀，根據個人需要向 AI 發出指令，如追問不懂的問題、解釋專有名詞、簡化複雜概念等。

通過採用 “AI 漸進式閱讀法”，可以有效提高處理和閱讀大量文章的效率。

儘管 AI 在閱讀過程中存在一些局限性，但隨著技術的進步，這些問題有望得到解決。

結束語#

最後，AI 無法完全取代你的思考

AI 只能輔助你更好的閱讀，但無法完全替代你親自去閱讀並產生的思考。如果讀到你想了解的具體的知識點，最好的方法還是親自去閱讀原文，理解，這樣學習的效果會更好。