本文参加年度征文活动  #TeamCarbon25 赛道

引子：AI 对现代行业的冲击

影视飓风 Tim 在罗永浩的采访中，透露出他对未来 AI 冲击现代行业的担忧，平面设计和视频制作的岗位数量也许会因为生产率的大幅提高而锐减。而这种情况已经开始蔓延到了各行各业。

在 CCTV 的频道里，很多片段都有一个显著的标识「AI 生成画面」挂在画面的右上角¹。大量的 AI 生成画面已经取代了传统的机器拍摄，这些 AI 生成的画面虽然还是有些违和，也已经足够取代过去需要耗费大量人力物力财力才能拍出来的古代场景。以细微的画面违和感来换取高效的生产率，节省了大量人力物力，这是稳赚不亏的生意，也是未来的历史纪录片导向。按现在 AI 的发展速度，不久之后就可以真正做到以假乱真，取代大部分的传统拍摄。

Tim 在访谈里说，在他公司大多数人还没有意识到 AI 的危险，只有一两个人有这个意识。这个说法是很振聋发聩的，连一个中国前沿的科技自媒体公司里的员工都没清楚认识到 AI 的巨大潜力，说明现在大多数人对 AI 的了解程度还是不够深入的。

再过几年，我们这一届大学生也要流入社会，进入各种各样的岗位里工作，而再过几年，AI 对现代产业的影响也甚过于今日，我们将面临一个和 AI 结合更紧密的社会。所以，我想基于我的大学生活，讲一下我是怎么在大学里利用 AI 来进行学习。

一、工欲善其事，必先利其器

出于该方法的普及性考虑，我要讲的方法论并不会那么复杂。本方法只用到了三个核心工具：

NotebookLM（AI 知识库）+ Obsidian（Markdown 笔记软件）+ Xmind（思维导图工具（可选））

我先简单介绍一下这些软件：

NotebookLM

• NotebookLM 是 Google 推出的知识库产品，能够基于用户上传的资料，来回答用户提出的问题，也可以根据资料生成音频、视频、图表、思维导图等。
• 如果你没法使用 NotebookLM，也可以用腾讯的 ima——搭载了 DeepSeek V3.2 和 Hunyuan 2.0，相对于 NotebookLM，可能模型性能比较弱，不过已经足够完成其作为知识库的最核心功能：阅读用户上传的信息并根据已有信息做出回答。

Obsidian

Obsidian 是一款对个人完全免费的 Markdown 格式的编辑器。

这里推荐 Obsidian 是因为它对个人用户免费，支持 Roam Research 的双向链接机制，和本地化的存储。它文件本地化存储的特点，让它在如今的 AI 时代十分吃香，本地文件接入 AI 十分简单，只需要将 AI 接入你的文件夹就可以了。

相比其他笔记软件，比如前几年风靡一时的 Notion，虽然功能丰富，但是文件只在云端存储，打开笔记有时并不方便，连接 AI 的话就只能购买 Notion AI 的方案，并不能自己接入 AI。

当然你也可以使用其他支持相同功能的笔记软件，毕竟 Obsidian 的上手需要一些时间，若想了解 Obsidian 和其背后的卡片盒笔记法，可以看少数派王掌柜的文章：玩转 Obsidian 01：打造知识循环利器。

为了后文的顺利展开，我在这里简略地说一下卡片盒笔记法和 Obsidian 的怎么结合：

• 一张卡片具有精简和完整的特点。²
• 在 Obsidian 中，你可以通过[[]]的方式给一片文字创建「双链」。比如在「埃及」的卡片笔记中，以  [[法老]] 的方式，为笔记「埃及」和「法老」创建双向链接。

XMind

• Xmind：为什么 XMind 是可选的？因为它本质上还是一个做笔记的软件，可以直接用 Obsidian 代替，不过其思维导图的可视化形式比 Obsidian 的纯文字形式更加易读。而最重要的是 XMind 是可以将导图直接导出为 Markdown 格式的，可以较好地在 NotebookLM 和 Obsidian 流通。当然如果你习惯其他的思维导图软件，只要它能够导出为 Markdown 格式的文件，也是推荐使用的。

二、AI 时代的通用语言：Markdown

Markdown 格式已经诞生许久，在如今的 AI 时代可以说更是发光发热。如果你不知道 Markdown 格式是什么，请容许我用几句话简单描述一下。

如果你注意到每次复制 AI 生成的内容时，那些加粗的字体会被「**」包裹住，那个就是 Markdown 格式。一种通过纯文本的方式来给文本加上可视化的格式，比如加粗——「**」、斜体——「*」、高亮——「==」等方式，少数派的文章编辑器就是支持 Markdown 格式导入的³。AI 能读懂 Markdown 语言，同时它也是运用 Markdown 格式来输出回答的。

Markdown 语言用「#」的数量给不同标题以不同层级，其用纯文本就可以表示出可视化的层级关系；同时，可以用上述的三种方式来给文字标注重点；Markdown 格式甚至可以用纯文本的格式表示出表格和代码块。这是一般纯文本难以做到的。

而以 Word 为代表的富文本格式在和 AI 的结合过程中也存在一定的问题：

1. 无法把富文本格式直接放在聊天框中，需要通过文件的形式（比如 Word 文档）
2. AI 阅读富文本格式会消耗更多的 token
3. 富文本的读取过程可能会导致格式错乱，进而导致 AI 出现逻辑错误。

而 Markdown 格式通过纯文本格式来表达层级关系是 AI 可以阅读理解到的。

这样的层级关系很重要，信息通过不同的层级整合起来，才能井然有序，易于理解。这和思维导图的本质是相似的。

可以说，Markdown 这种轻量化的标记语言，是 AI 时代的通用语言，但其本质是什么呢？还是数字化。信息只有数字化，才能被计算机，被人工智能利用，Markdown 语言只是一个高效率的桥梁，连接着人脑和机器。

如果是用传统的记笔记方式——手写，这种方式和数字化的转换效率不高，要跟计算机和 AI 结合相当麻烦——一般来说，如果要把手写出来的东西数字化，就需要将手写的笔记拍成照片，再进行 OCR 提取，但是自身的字迹和排版很影响 AI 的识别，数字化的效果不佳。

三、我的具体构建过程

在讲具体落实之前，我先来讲一下我的学习方式在当时是怎么进行转换的。不过请先记住一个前提：我是一个人文社科方向的学生，我的操作方式跟理工科方向的学生可能有所差别，但总体思路是一致的，且这个思路不止于学生，也适合所有在学习的人。

1. 传统的纸笔组合

组合方式：联想小新平板 Pro GT + 联想手写笔 Pro + Notein

评价：传统的纸笔组合，只不过实现方式改成了数字设备。简单的舒适，符合习惯，自由度和个性化程度可以很高；但数字化困难。

为了能够便携地在课堂上做笔记，我放弃了 2.5kg 重的游戏本，转向了安卓平板+手写笔的组合。一开始，我买了一个联想小新 Pro GT 和它附赠的一支联想手写笔 Pro，在 Notein 上记笔记。

这种组合方式还算不错，只是有些时候记笔记速度跟不上老师讲课的速度。这和高中的做笔记基本上类似，都需要在课后看着 PPT 重新补笔记。这种方式传统但有效，毕竟十二年来的教育都在贯彻这种记笔记方法，当然是最熟练，而且更符合当代学生的学习习惯的。

但是为什么我最后放弃了这种做法呢？最主要的原因还是因为其没有触及数字时代学习的本质：数字化；而大学生与中小学生不同的是，大学生可以随时随地接触数字设备（上课收手机的学校另说）。这种生产工具的变化势必会导致生产方式的变化，所以必须要进行生产方式的革新。最终我放弃了这种方式，因为这样做出来的笔记利用效率不高。

2. 尝试用思维导图来记笔记

组合方式：联想小新平板 Pro GT + 原厂键盘 + XMind

评价：软件生态 + 硬件缺陷导致使用体验不佳；但已经完成了信息的数字化。

基于我已有的装备，我选择给自己的平板配了一个键盘（299），并使用 XMind 思维导图。这种组合方式已经达到数字化的标准了，所有的信息都用计算机上的字符来表示。而且这样做笔记的速度也不慢，在课上一般也能跟上老师的节奏。

如果你像我一样，在上课的时候会用安卓平板 + XMind 做大量的笔记，那你就需要面对 XMind 思维导图在平板上的一些问题。最明显的问题是：当文本量和分支增多的时候，XMind 会越来越卡，最终崩溃退出。不过这大概率还只是个人原因——联想系统的不稳定和我 8+128 的丐版配置。虽然确实勉强能用，但会让体验大打折扣。

同时，安卓端的 XMind 相比桌面端的 XMind 也会少一些个性化的功能。最明显的应该是字体问题。在安卓系统上安装字体并不是一件很简单的事情，但在 Mac 和 Windows 上确实相对简单。

综上所述，我推荐这个系统用相对高性能笔记本会更好一点。

虽然体验有点糟糕，不过至少还是组成了一个通过键盘输入，以思维导图方式呈现的笔记系统。这样的好处就是笔记根据层级分布，更有利于知识的巩固和复习。

但是这些数据既然已经数字化且储存在本地，那配合上 Obsidian 的双向链接机制岂不是还能顺便搭建自己的知识体系？并且 XMind 支持将思维导图导出成 Markdown 格式，这正好是 Obsidian 需要的。

3. 与卡片盒笔记法结合

组合方式：联想小新平板 Pro GT + 原厂键盘 + Obsidian & XMind 思维导图

评价：接入了 Obsidian，完成了笔记和卡片盒笔记法的结合，已经是一个完备的系统了。

本地化的数据通过 XMind 导出为更通用的格式——Markdown，使其能在 Obsidian 中储存和利用。图中右侧是 XMind 的笔记格式，左侧是导出为 Markdown 之后，在 Obsidian 里面的呈现效果。

可以通过在 XMind 做笔记的时候，手动给重要概念加上 [[]] 的格式，便能在导出为 Markdown 格式之后，在 Obsidian 中显示为「双链」，从而构建知识体系。

这种方法通过 Markdown 格式这个媒介，将 Obsidian 和 XMind 这两个软件链接起来，让知识管理更加高效。

这些重要概念卡片内容的补充，可以留到课后或者复习阶段。通过运用自己已经学完的知识来进行输出，从而巩固知识和查缺补漏，这种做法同时结合了费曼学习法⁴。

4. 接入人工智能（NotebookLM）

组合方式：XMind → Obsidian → NotebookLM

评价：相比上一个组合方式只是增加了一个 AI 入口，但是通过 AI 技术来完成对资料的整理和输出，就是本次学习方法的核心。

由于我们一直是通过本地 Markdown 文件来管理知识，我们能够很好地将这些数据跟人工智能相结合。NotebookLM 是一个低门槛的强力知识整理助手，在 2025 年末爆火。其生成 PPT 的功能受到很多人的青睐，但是我用它不是生成 PPT，而是进行知识管理和复习。它的输入支持很多种不同格式的文件，其中之一就是 Markdown。将我们的笔记导入 NotebookLM，Google 的 Gemini 就会阅读我们输入进去的资料，并运用输入文件中的信息来回答我们的问题，然后给出其回答问题时所引用的信息来源，从而减少 AI 的幻觉率。其实就是 RAG（Retrieval-Augmented Generation，检索增强生成）。

NotebookLM 基础功能介绍

NotebookLM 提供了多种学习方式，我们看这张图片，可以看到 NotebookLM 还支持：

Audio Overview：根据来源生成相应的播客。

这个播客很有意思，默认形式是两个主持人互相对话。当然你也可以通过更改它的生成设置，实现其他个性化功能。

可以看到，里面有深入谈话、简报、评论、辩论等已经提供的形式，这些形式已经十分新鲜了。它生成的英文播客口语十分标准，中文就比较一般，能听得出来有点不够自然的 AI 的味道，但是影响不大。

更有趣的是，你甚至可以用它来练英语口语，因为在英文模式下，你可以点击那个 interactive 的图标，就可以跟播客里的主播一起聊天。有趣的是，当你进去的那一刻，音频里的主播还会吃惊地吸一口气，然后说「Hey, Welcome!」。你可以一边复习知识，一边练口语，这种新颖的学习方式值得一试。

Video Overview： 根据来源生成相应的视频。这个功能我基本没用过，主要的原因还是因为视频生成所耗费的时间太久。在几周前我在写这篇文章的时候，Video Overview 还是支持个性化修改的，但是现在这个功能已经对 Pro 用户下架了，也许只有 Ultra 用户才能用上。

Mind Map：根据来源生成思维导图。

Reports：根据你提供的来源，生成相对应的「报告」，这个报告的可玩性是比较多的。

如图，它可以生成简报、学习指南、博客，或者再深层次一点，根据你的文件给出个性化的指南。当然，你也可以自己输入 Prompt（提示词），让它生成对应的 Report。

Flashcards：生成知识卡片。你可以通过遍历一遍知识卡片来粗略过一下知识点。

Quiz：生成小测验（仅选择题）。

可以说这个是我用得最多的一个功能了。用它来巩固知识和查缺补漏，如果你不小心选错了或不小心选对了，它右下角还有一个「Explain」的功能，可以根据你的信息来分析题目，告诉你为什么做错/对了。

但是它也有几个问题：

1. 同一个知识点会反复出现
2. 给的正确答案是错的，让它解释的话它会认识到题目出错了（真是左右脑互搏）。从这个地方衍生出来的就是它给的四个选项其实都是错的。
3. 有时候会莫名出现一道题里面，有两个答案是对的，但是它没有告诉你
4. 仅支持选择题的生成。

Infographic：根据数据生成信息图表。是图片形式的，插入 PPT 中做介绍挺不错的，有明确的逻辑链条。

Slide deck：生成 PPT。这个在 2025 年末是非常受欢迎的一个功能，因为它是基于强大的生图模型 Nano Banana Pro 生成的。其生成的效果可靠，在生成中文字的时候也有很大的改善⁵，这个用来快速做 PPT 或者进行一个知识笼统的学习都有用处。

Data Table：根据信息生成表格，方便知识的整理。

信息源的重要性

NotebookLM 的生成效果取决于信息源的质量。如果信息源质量不佳，就会影响输出的效果。这就要求我们需要获得比较高质量的信息源。而在实际场景中，高质量的信息源便是 课本的 PDF 文件、老师授课时候用的 PPT、我们自己做的电子笔记、或者学长学姐总结的考点的电子文档、往年的考卷的电子文档 等等，一般来说，如果你只是追求通过考试，那其实只要掌握老师授课时候讲的知识点就够了，在现行的大学体制下，挂科还是一件比较困难的事情。但是如果你追求的是更广阔的知识，那高质量的信息源可以包含更多，比如 该领域的学术论文、运用 NotebookLM 自带的 Deep Research 功能从网上搜罗到的一些资料 等等来扩展自己的知识面。

其实抛开 NotebookLM 这个工具，市面上已经有很多能够 RAG 的 AI 工具，像 Claude code、Opencode、Antigravity 这些工具，可以代替 NotebookLM 了，甚至因为能在直接修改本地文件，使它们比 NotebookLM 更好用。但是我为什么还是推荐 NotebookLM 呢？有以下几个原因：

1. 相比其他工具，它是一个成熟的、开箱即用的应用，不需要像 Claude code 等工具一样配置环境，购买 API 来实现功能。
2. NotebookLM 有很多现成的打包好的功能，你只需要点击便可以使用，这样大大提高了它的易用性。
3. 能和 Gemini 实现联动，利用 NotebookLM 中的内容，让最新版的 Gemini 模型接入知识库，可以配合 Nano Banana Pro 生图、Canvas 编辑 & 搭建前端、Deep Research 全网搜集资料等功能。

NotebookLM 其实就是 RAG，由于是以 Markdown 格式在本地储存，我们完全可以在库里面接入 AI，比如 Claude、Opencode、Gemini CLI、Antigravity。但是这些东西上手是有一定门槛的，而 NotebookLM 已经触及该方法的核心，出于普及性考虑，不再赘述。感兴趣的可以自行搜索。

腾讯的 ima 知识库也拥有 NotebookLM 的核心功能，而且对国内的用户比较友好，模型是 DeepSeek 和腾讯的混元。虽然这些模型相比 Gemini 还是稍差一些，不过依旧是不错的选择。NotebookLM 和 ima 各有优劣，可以参考这个视频 【Max_AI】全面测评！NotebookLM、ima 谁更好用？，我也整理了以下表格：

Tips：Gemini 是原生多模态大模型，能阅读并理解图片和视频等的内容。但是 DeepSeek 和 Hunyuan 做不到，它们阅读图片只能通过 OCR 来提取其中的文字信息。这是否是一个比较大的区别取决于对应用户的需求。

由于我个人只深度使用过 NotebookLM，所以在这个对比环节，我可能会补充更多的 NotebookLM 的细节。虽然我没有深入体验过 ima，但是其与 NotebookLM 的核心功能——阅读并整理输入的信息是一样的，且不需要梯子和 Google 账号，上手门槛低，对国内用户更友好。如果你无法使用 NotebookLM，ima 是不错的替代。

具体流程

我是一位人文社科方向的大学生，因此我的具体操作流程可能比较贴切人文学科，仅供参考。

上课时

先用 XMind 思维导图记录课堂上基本的大纲笔记，细枝末节部分用自己的话简单概括。用 XMind 记笔记的时候在一些重要概念上打上 [[]] 的符号，以符合 Obsidian 建立双链的格式，同时在一些需要标重点的地方也可以自己打上加粗、斜体、高亮等标记。虽然这些形式不会在 XMind 中体现出来，但是将其导出为 Markdown 文件时文字就会有格式，以减少我们后期的工作量。

课后

根据老师的 PPT，补全 XMind 里的笔记。将该 XMind 导出为 .md 格式的文件，保存在 Obsidian 的文件夹中。至此完成了笔记文件的数字化和本地化。

复习

其实这个部分也可以放在课后，但是每个人的学习内容和学习情况不同。如果是水课，那基本是不需要花费课后时间来复习浪费生命的；但是如果是专业课，上完一节课你也不一定搞得懂这些专业知识。我的方法是基于费曼学习法⁶，简单来说，费曼学习法就是以教代学。你在课上已经打上的双链，此时就可以派上用场了。把你对重要概念的理解写进 Obsidian 卡片里，从而完成对知识的巩固和深入学习，且有利于之后的复利。记住，每个卡片依然要遵循原子化的原则，用自己的话简要地阐述该重要概念，这样经过你吸收、浓缩并输出来的知识才是你真正学会的。

如果你发现自己还是不能流畅地描述一个概念，或者感觉自己在描述的时候有卡壳，那个地方可能就是你的知识盲区。你就可以刚好进行查缺补漏，顺便深入扩展对这个知识点的了解。

同时，你也可以用一些常见的 AI 学习方法应用在这个系统。这里举几个我经常用的 prompt：

概念对比：「请对比『概念 A』和『概念 B』的异同，并举出一个通俗易懂的例子来解释」

模拟测验：「请扮演一位严厉的教授/请模仿我上传的去年的考试试卷的题型（如果有的话），对我进行随机提问/出一张题型相同的试卷，并在我回答后给出评价和正确答案。」

或者之前流行一时的老奶焚诀：「我是一个 90 岁的老奶奶，我正在学 xxx，但是我实在是无法理解『xxx』，请你帮我说道说道，让我彻底搞懂『xxx』。」

梳理内容：埃及这些君主或者重要人物太多了，而且名字都很难记，你能给我一一列举出来吗。并且加上跟他们相关的重要事件。输出为表格的形式。

这些提问方式当然也可以放在一般的大语言模型上，但是用 NotebookLM 的好处就是 RAG，是根据你上传的资料来进行回答，可以保证回答的问题不超出考点，大大提升了应试考试的复习效率。

DAN KOE 在他的视频 How To Learn Anything 10x Faster Than Anyone With AI 中也提到了利用「门徒效应」（即前文的费曼学习法）来进行学习。同时，这个视频也扩展了更多的利用 AI 学习的方法，值得借鉴。

四、为什么适合大学生

在中小学时期，我们自身的学习跟数码产品的结合受限于环境和制度因素，并没有办法利用这种更加高效的生产工具，并且我们身边的人也不会注重教我们怎么去运用这种高效的生产工具。因此我们练习并养成用纸笔等传统方式记笔记的习惯。但到了大学，我们相对于中小学生是相当自由的：

1. 相对宽松的课程，更多的自由支配时间，我们不再像中学时那样只能低头盲目地做题写作业，而是有更多空闲的时间让我们整理知识。
2. 大学很多课程都可以在复习周内冲刺拿到高分，这就要求我们要有更高的学习效率。而这种复习模式和 AI 知识库的方式天然契合。以我为例，我期末很多水课的考试都是靠知识卡片 + 小测快速过知识点，这样做的效率够快，认真做的话及格很简单，对于只想不挂科的大学生很有帮助。
3. 最重要的还是数码产品可以几乎全方位地介入我们的学习。我们在上课的时候，可以用数码设备记笔记；在课后的时候，通过互联网上的视频巩固知识。既然大学的环境给了我们这个条件，我们就没有理由不好好利用。

五、缺陷

NotebookLM

1. Google 家的产品，使用门槛较高⁷。
2. Quiz 部分会出现一道题多次出现的情况。解决方法是在生成之前运用提示词给 AI 一些引导，不过偶尔还是会发生题目多次出现的情况。
3. 生成的幻灯片本质上是图片⁸，比较难以修改⁹；对汉字的支持不太行，字形复杂或者字体太小的话就会生成错字 。

Obsidian

Obsidian 如果想要用得顺手，上手门槛还是有的，这套体系中 Obsidian 也许是最不易用的地方。Obsidian 本身只是一个 Markdown 文本编辑器，完全可以开箱即用，但是要用它构建一套卡片盒笔记法的体系就有得折腾了。少数派和 B 站上已经有很多 Obsidian 的教程，这里我推荐一些我看过并认为有用的教程：

• 玩转 Obsidian 01：打造知识循环利器：系统地介绍了 Obsidian + 卡片盒笔记法，可以说是入门必看。
• 墨非寻 Freya 的合集-卡片盒笔记法数字化落地指南：也许是 B 站上把 Obsidian + 卡片盒笔记法讲的最透彻的视频，结合了实例，具有比较大的实际作用。

另外，就我个人的体验来说，设备性能也会影响这个系统的完整体验。一开始我是用联想平板（8+128）来进行记笔记，体验一般。XMind 闪退比较频繁，Obsidian 的 Android 端操作起来不够顺畅。所以笔记我一直是 Android 和 Windows 两头倒，为此还搞了 Obsidian 的同步，XMind 的文件就得一直用外部的软件来备份。NotebookLM 的移动端功能没有网页端多，11 寸的屏幕用网页端又会显得拥挤，再加上要一边配合 Obsidian 补充笔记，那平板的体验是比较一般的，处于「能用」的水平。

综上原因，又加之：

1. 个人对电脑的操作更加熟练
2. 桌面系统的操作效率远高于平板系统
3. 我有用 Opencode 搭建 Agent Skills 的需求。

因此我最后购入了一台轻薄本（MacBook Air M2）来改善我的体验。

六、结语

这篇文章构思良久，当然也是我大一学期实际的实践成果和思考。本文投稿 #TeamCarbon25 的一个很重要的原因就是，本文所提供的方法都是基于我个人在大学的实践和体验得出的，AI 没有真正读过大学，无法得知这些真正能落到实处的方法的细枝末节。

这个方法的应用，不止于大学课程，阅读一本书，练习一项技能，获取行业知识，都可以用这个方法来学习。

AI + Obsidian 极大程度地降低我们获取信息的门槛，但是也容易让我们陷入「收藏家心态」。所以我并不推荐用 AI 来生成 Obsidian 的笔记。所有的笔记最好都要自己动手写，只有自己做到输出，才能巩固自己的输入。使用 AI 生成的内容来填充的笔记，很容易让自己陷入一个「有笔记 = 学会了」的错觉。AI 只是帮我们「整理」和「筛选」了资料，但是真正的「思考」和「连接」需要我们自己去依靠双链，依靠自主撰写的笔记卡片来实现。

就在最近，Google 决定对全美 600 万教师提供免费的 AI 培训，「培训课程涵盖如何使用 Google 自家的 AI 产品 Gemini 和 NotebookLM，旨在帮助教师自身及 7400 万名学生如何在课堂上安全使用 AI」¹⁰。这足以看见 AI 对教育领域的渗入和未来走向。

这篇文章只是提供一个方法论，但是方法的实施还是要靠个人。我身边的很多同学依然使用着比较传统的方式，但是仍然可以考出很好的成绩，所以如果你现在的学习方式很好，你的学习需求都可以被满足，你不必空增需求，为自己搭建这个学习系统；但是如果你现在比较迷茫，不知道怎么学习才好，那希望这个学习方法论可以给你提供一些参考，但切记：

一切都要以自己的需求为主。

后记

-> 本文投稿了少数派 #TeamCarbon25 赛道，无法使用 AI 进行文章的修改润色，本人已经尽全力人工润色文章，奈何笔尖功底不行，若阅读有不畅处，如有不足，还请多多包涵。

-> 由于少数派的编辑器对添加脚注的功能有诸多限制，因此文章部分地方排版略显杂乱，也请包涵。

-> 欢迎关注我的微信公众号：Haoo_Blog