我每天需要处理大量的文章。社交媒体推荐的文章、RSS 订阅的文章、主动搜索到的文章…

因为有大量的信息要处理,我的 read it later 文章也越来越多。两年多来,我的 cubox 里的待读文章,已经攒到了 4800 篇。

但我并不会为此感到焦虑,这些文章成了一个经过我筛选的“图书馆”,当我需要的时候,我可以在里面找到自己想要的文章进行阅读。

 

我的文章阅读步骤

在没有 AI 之前,我的文章处理步骤是这样的:

粗略阅读,筛选信息

经过筛选的信息,阅读其中一部分/全文阅读

阅读过后记录「文献笔记」

具体的步骤可以参考我在 2021 年写的《我的阅读工作流(2021版)》

有了AI 以后,大语言模型(LLM)可以帮助我们处理文章,提高筛选文章和阅读文章的效率。

大语言模型的能力:

聊天机器人:对话

总结类应用:总结信息/提取信息

扩展类应用:续写

推理类应用:情绪判断、主题判断

转化类应用:翻译、格式转换、纠错

 

——来自吴恩达的 ChatGPT 教程

 

下面我将介绍我使用 AI 来帮助我提高文章阅读效率的方法。

 

我称之为「渐进式阅读

 

渐进式阅读法

模型选择

首先先选择大模型,我选择的是 Kimi Chat

而对比国内的一众大模型厂商,Kimichat 的长文本能力(long-context)是最好的。文章一般的字数一般都比较多,依赖大模型的长文本能力来处理。

对比海外的大模型,比如同样支持操场文本的 Claude ,Kimi Chat 对中文的支持更好。

Kimi Chat 现在可以免费使用,并且支持 Web、H5、APP、微信小程序等多终端,哪里都能用。

ai_steps_reading_02

 

第一步 了解文章

筛选信息时,我的判断步骤是:

判断信息质量,只读高质量文章

是否是自己需要的?读完能学到什么?

是否是当下需要的?不是当下需要的,先存起来,”read it later“。

 

参考人工处理文章的步骤,第一步,我们可以让 AI 帮我们先读一遍文章,了解文章的基础信息

 

在第一步的 prompt 里,为了更好地了解文章,我让 AI 帮我总结了文章的元数据,包括标题、作者和标签;一句话总结文章,再写了摘要,我只要阅读这部分,就可以大概知道文章讲的是什么。;详细列举文章的大纲,通过大纲的阅读,就可以知道文章的结构。

 

以这篇文章一套搭建部门知识库的方法》为例

使用 prompt 发给 kimichat

让我们一步一步思考,阅读我提供的内容,并做出以下操作:
第一步,提取文章的元数据
- 标题:
- 作者:
- 标签:(阅读文章内容后给文章打上标签,标签通常是领域、学科或专有名词)
第二步、一句话总结这篇文文章;
第三步,总结文章内容并写成摘要;
第四步,越详细地列举文章的大纲,越详细越好;

{{文章链接}}

得到结果

 

第二步 详读内容

在阅读了第一步的结果的基础上,紧接着继续追问

因为在上下文有”大纲“的情况下,LLM 可以更好地理解工作,总结效果更好。所以我特地将列举大纲和总结详细内容分为了两步。

第二步骤里,我还让 AI 帮我:

详细总结文章每一部分的内容

我总结了文章的结论

告诉我阅读这篇文章我可以学到什么?

提供阅读文章的过程中,读者可能会有的疑问帮助我更好地进行第三步的进阶阅读。

总结得不错,
第一步,请详细叙述大纲中每一部分的内容,
第二步,总结文章的结论;
第三步,列举读这篇文章,我可以学到哪些知识?
第四步,针对文章的内容,提出三个用户在阅读的过程中可能会有的疑问。
请用 markdown 格式返回所有内容;

 

第三步 个性化进阶阅读

第三步,是在了解文章的详细信息后,对文章的进一步的进阶阅读。

这一步是非常个性化的,你可以根据你的需要,向 AI 发出指令。

下面我提供了我的六个使用场景。

 

01 对不懂的问题进行追问

紧接这第二步的到的结果,如果你对文章中你不理解的部分发起疑问。

例如在总结这篇文章《朱啸虎讲了一个中国现实主义AIGC故事》时,我发现总结的内容中有冲突的地方,就向 AI 发起了疑问:

 

02 专有名词解释

如果文章中有你不理解的名词,可以向 AI 询问其释义。

在网络的流行方法中,有时会将专有名词加在 prompt 中,但我认为,实际上在你感兴趣的文章中,不了解的专有名词还是少数的,AI 也不知道你不认识哪个专有名词,就会把很多名词都解释出来。这导致了大量输出 token 数的浪费

并且在让 AI 阅读文章,生成内容的过程中,加入大量本不属于文章内容的专有名词解释,这样的上下文可能会误导 AI 的总结效果,让 AI 产生更多的幻觉。

所以我建议专有名词你还是单独开一个窗口查询,或者在第三步再询问。

 

03 用高中生可以听懂的语言解释 XXX

如果你阅读到了非常晦涩难懂,远远超出你的能力的内容,往往读起来会比较吃力。这是就可以用这个超级实用的 prompt” 用高中生可以听懂的语言解释 XXX“,这样 AI 就可以给你一个很简单明了的提示。

当然,至于这个 prompt 里的学生是”高中生“、”大学生“,还是”小学生“,可以根据内容的晦涩程度来修改,因为使用”小学生“生成的内容, 往往会比较幼稚,所以我还是习惯使用”高中生“。

 

04 提取金句和写推荐语

金句和推荐语方便你向朋友们推荐文章。

ai_steps_reading_06

 

05 作者独到的见解?

这句 prompt 是我的独门秘方。

在阅读文章的过程中,收集已有的”常识“是平常的知识的补充。但倘若可以从文章中读到作者独到的见解,”反常识“的内容,那兼职就是赚到了。因为”反常识“,往往需要人亲身经历后才能总结出来。

而我们通过简单的”阅历“就可以获得别人的”经历“,实在有趣。

而且这样独到的见解,往往就会和自己已有的知识产生碰撞,迸发出更多火花。

 

06 XXX观点在原文中的描述是什么?请打印出来

如果你对总结中的某个观点的内容感兴趣,可以自己阅读原文,也可以直接让 AI 打印文章中关于某个观点的原话。

 

经过三个步骤的阅读之后,一篇文章的内容,基本上已经了解得差不多。

也得到了更多文章相关的延展内容,如果觉得理解还不够深刻,可以再自己阅读原文中的片段,增进理解。

 

搭配输入法快捷输入

如果你经常阅读文章,你可以讲这些 prompt 放到输入法的“自定义短语”中,在阅读时快捷输入 prompt。

例如我的配置:

快捷键prompt
zzz让我们一步一步思考,阅读我提供的内容,并做出以下操作: 第一步,提取文章的元数据 - 标题: - 作者: - 标签:(阅读文章内容后给文章打上标签,标签通常是领域、学科或专有名词) 第二步、一句话总结这篇文文章; 第三步,总结文章内容并写成摘要; 第四步,越详细地列举文章的大纲,越详细越好;
xxx总结得不错, 第一步,请详细叙述大纲中每一部分的内容, 第二步,总结文章的结论; 第三步,列举读这篇文章,我可以学到哪些知识? 第四步,针对文章的内容,提出三个用户在阅读的过程中可能会有的疑问。 请用 markdown 格式返回所有内容;
ccc好的,接着第一步,提取文章中的金句;第二步,给这篇文章写一份推荐语。
vvv这篇文章里,作者有哪些独到的见解?

 

AI 阅读的缺点

当然,AI 阅读也并不是完全没有缺点,目前还存在以下不足:

AI 只能根据文字的数量来评估内容的重要性,有时候会误判。例如在某篇”打假”的文章中,因为文章中提出了大量虚假的案例,AI 总结时反而误以为这些案例是在支撑这个“虚假的观点”,总结出了和文章完全相反的内容。

AI 总结存在一定幻觉,不同的模型效果不同,像 KIMICHAT 这样对 long-context 支持比较好的模型,效果相对来说会比较好。当然,长远来说,幻觉的问题都会随着 LLM 的能力增强而变得不再是个问题。

AI 更擅长处理结构化的信息,而在面对非结构化信息时,总结效果较差。例如,AI 在总结访谈类内容,会议记录这样口语化的内容时,总结的效果会稍差一些。需要使用其他的格式的 prompt 来处理。这个 prompt 目前我还在研究中,欢迎有会议总结处理,访谈内容处理经验的同学分享你的 prompt。

 

总结

在这篇文章里,我通过分享自己的经验和具体的操作步骤,为读者提供了一种新的文章处理方法。

借助 KIMI CHAT 的帮助,我使用“AI 渐进式阅读法”来提高阅读文章的效率。

第一步是让AI阅读文章,提取元数据、一句话总结、写摘要和列举大纲。

第二步是在第一步的基础上,让AI详细总结文章内容、总结结论、列举学到的知识点和提出可能的疑问。

第三步是个性化的进阶阅读,根据个人需要向AI发出指令,如追问不懂的问题、解释专有名词、简化复杂概念等。

通过采用“AI 渐进式阅读法”,可以有效提高处理和阅读大量文章的效率。

尽管AI在阅读过程中存在一些局限性,但随着技术的进步,这些问题有望得到解决。

 

结束语

最后,AI 无法完全取代你的思考

AI 只能辅助你更好的阅读,但无法完全替代你亲自去阅读并产生的思考。如果读到你想了解的具体的知识点,最好的方法还是亲自去阅读原文,理解,这样学习的效果会更好。