How I write with AI
作者分享了如何借助 AI 进行写作：坚持“用 AI 辅助写作”而非“让 AI 代写”，文字必须出自本人。他用 LLM 加速研究，通过自建的 researcher skill 结合 Exa、Hacker News、内部仓库和 Slack 等工具寻找真实、可引用的案例，并要求来源和引语以抑制幻觉。在草稿阶段，AI 充当文档内搜索和研究伙伴，帮助补充例子、验证事实、发现盲点。他强调写作者应多实验 AI 用法，而非因 AI 垃圾内容而全盘否定。
全部文档 / 标签: 研究工具
4 篇
RW科研skill更新：为什么AI科研需要凭据管理
本文介绍了RW Research Skill中rw-research-passport的更新，新增了Research Credential功能，用于记录科研讨论形成的决定，并提供可验证和回溯的凭据。文章详细说明了凭据的内容、权限分类、不可篡改性及验证机制，强调了聊天记录不能直接作为执行权限的原因，并展望了无人值守的“睡后科研”场景。作者认为凭据管理是实现AI科研自动化和安全性的关键。
Context Graph Engineering With K3: Turning 300 Agents Into One Connected Knowledge Base
本文介绍了Kimi Agent Swarm如何通过上下文图（Context Graph）将300个并行代理的研究结果整合为单一知识库。文章指出，传统并行代理产生的是分散的答案堆，而Kimi通过将每个实体作为节点、关系作为边，构建可查询、可扩展的图结构，使研究者能发现隐藏联系、提出新问题，并实现知识的持续积累。
NotebookLM 极致利用指南：从基础到精通的完全工作流
本文是一份详尽的 NotebookLM 攻略，旨在教读者如何利用这一“基于源材料”的 AI 工具超越 97% 的普通用户。文章详细拆解了 NotebookLM 的六大工作层级，从源材料上传、推理交互、笔记捕获到最终的资产生成与导出。作者不仅阐述了其核心原理，还提供了 27 个强大的用例、提示词库及主工作流，展示了如何将混乱的信息转化为结构化的知识库、课程、SOP 等高质量资产。
