刷了一年AI资讯 脑子里啥也没剩下 直到我把整个学习流程反过来

说句难听的，我之前每天刷三四个小时小红书和公众号，感觉自己跟上了AI的节奏。结果有人问我”最近AI有啥重要进展”，我张嘴就卡壳，只能说”挺多的……那个……Claude好像又更新了？”

那种空虚感特别真实。信息穿脑而过，跟风过堂一样。

后来我想明白一件事：问题根本不在刷得够不够多，而在于你的信息从哪来、怎么消化、有没有产出。这三个环节但凡断一个，你就是在做无效学习。

我最近把这套东西跑通了，体感变化很明显——文章产出质量直接上了一个台阶。不是靠灵感，靠的是一个可以重复执行的工作流。

第一件事：把信息源换掉

这个点很多人不当回事，觉得”我看的也挺多的啊”。但你仔细想想，你看的公众号文章，大概率已经被洗过两三遍了。原始信号经过层层转述，到你手里就剩渣了。

我花了大半年从50多个信息源里筛出来一批英文newsletter，这些才是真正的一手信息：

• The Rundown AI
  
   — 每日AI产业动态，信息密度很高，不水
• TLDR AI
  
   — 五分钟能扫完，AI+编程+产品都有
• The Neuron
  
   — 给非技术背景的人看的AI日报，三分钟读完
• Ben’s Bites
  
   — Ben Tossell搞的，工具类消息特别全
• Latent Space
  
   — swyx写的，工程视角，能看到很多外面看不到的项目
• Interconnects
  
   — Nathan Lambert专门写RLHF和模型训练的深度内容
• One Useful Thing
  
   — Ethan Mollick的专栏，学术和实际工作场景结合得好
• AI Breakfast
  
   — 每周一份，适合系统回顾
• Every
  
   — 偏商业战略分析那一挂

你可能觉得”英文的看不动”。但说实话这也正是这套工作流后面要解决的问题——你不用自己一篇篇读。

第二件事：给Agent接一个专属邮箱当输入管道

这步我踩了不少坑才跑通。

核心思路就是：你订阅的这些newsletter，不要进你自己的Gmail乱成一锅粥，而是全部灌进一个Agent专属邮箱里。这样Agent可以自动读取、筛选、处理。

具体操作是用ClawEmail（网易出的一个Agent邮箱产品）。注册完主邮箱之后，关键一步是装mail-cli这个命令行工具。终端敲四条命令：

npm install -g @clawemail/mail-cli
mail-cli auth apikey set ck_live_你的key
mail-cli auth login --user 你的邮箱@claw.163.com
mail-cli auth test

装完之后Agent就能读邮件、搜关键词、拉正文了。邮箱从一个被动的收件箱，变成了Agent的眼睛。

然后我强烈建议再建一个子邮箱，专门接newsletter。不然以后你要是还想拿邮箱做别的自动化（比如客服），就全搅在一起了。

mail-cli clawemail create \
  --prefix newsletter \
  --type sub \
  --display-name "Newsletter Bot"

建完去Dashboard把通讯规则打开，收信范围选所有人——因为newsletter的发件域太杂了，搞白名单根本维护不过来。

之后所有newsletter订阅都填这个子邮箱地址就行。确认邮件到了让Agent自己提取确认链接搞定。

第三件事：这才是真正改变我学习方式的地方

前面都是基建。真正让我觉得”这玩意儿绝了”的，是后面这套消化流程。

大多数人搞AI newsletter汇总，无非就是让AI生成个摘要，扫一眼知道今天出了什么新闻。但说白了这跟刷推没区别，过眼就忘。

我多做了一步：从每天的日报里挑出最值得深读的一篇，然后用LLM Wiki的方式去消化。

LLM Wiki这个概念是Karpathy今年提的。简单说就是——你扔一篇文章给它，它把里面的概念、实体、论点、开放问题全拆出来，每个做成一张卡片，再把这张卡片和你已有的知识库里相关的卡片连起来。

周末熬夜测试了一下，跑通之后打开Obsidian的图谱功能，看到那个节点越来越多、线越连越密的知识网络，说实话有点上头。

神奇的地方在于：你今天读的一篇关于Verification Loop的文章，它不只是单独存在，而是自动和你上周读的关于RLHF的笔记、上上周读的关于Agent架构的笔记产生了关联。旧知识因为新文章多了一条论据，新概念和旧概念第一次被串到了一起。

认知科学里有个说法，知识的留存率取决于它和你已有知识的连接数量。连接越多，越难忘。所以你一天深读一篇，效果可能顶别人刷一百条推文。

操作上也不复杂：让Agent把邮箱里你感兴趣的文章拎出来，告诉它”这篇编译到我的Wiki”，跑完就会生成一组互相链接的Markdown文件。然后你在图谱里找到自己不懂的节点，继续追问拆解，知识网就越滚越大。

最后一环：学了得用 不然等于没学

光往脑子里塞东西不产出，几周之后那些知识照样会沉下去。

我现在的做法是写文章的时候，直接把Wiki的index文件丢给AI，让它扫一遍我积累的知识库。碰到想不明白的点就问：

“这个概念我之前读过哪几篇有提到” “有没有什么反面观点我没考虑过” “还有哪些角度可以展开”

注意，AI在这儿干的活儿不是帮你写，是帮你想。帮你把散落在各个角落的知识调出来碰撞。最后动笔的还是你自己，但你想问题的深度和广度完全不一样了。

还有个小功能挺好玩：可以直接问一个概念让它生成信息图，用来理清复杂概念之间的关系，或者直接当配图发。

整套流程回过头看：信息源筛选 → Agent自动收取 → 日报初筛 → 深度消化进Wiki → 知识网络滚雪球 → 倒逼输出

每一步单独拎出来都不难，但串起来之后那个飞轮效应真的很明显。

说到底我以前最大的误区就是把”刷信息”等同于”学习”。现在回想起来，那段时间每天花三四个小时刷手机的自己，跟刷短视频也没啥本质区别。

如果想获取更多AI玩法，可以加入社群后我拉你进群直接学习。

说一下共学信息群

我建了一个AI共学信息群，助力大家能快速上手AI工具，群内有各种最新的AI玩法教程和前沿信息，Coze工作流空间，自研的各种助力插件免费使用。加入共学群的朋友还可同步被拉入Coze团队空间，获取我过去分享过的各类工作流文件，从初级到高级一应俱全，帮助你更快掌握使用技巧，想了解共学群的友友可以扫码添加上面微信进行详细了解。