别让 Codex 总结整本书，用 Codex 陪你读一章
本文反对直接使用 AI 总结全书，指出这会导致理解外包和记忆流失。作者提出以“章”为单位的陪读方法，利用 Codex 生成读前问题、评估复述盲点、设计应用场景并生成章节卡片。该方法强调主动回忆与自我解释，将 AI 作为反馈工具而非替身，旨在通过最小闭环实现深度阅读。
相关文档
我是如何"严肃听播客"，真正吸收一档自己喜欢的播客的
作者分享了自己深入学习英文播客的完整工作流：先通过 Scripod、开源 Skill 或自研 Obsidian 插件获取播客文字稿，再用 AI 提示词将英文口语稿重塑为保留完整论证的中文长文，随后花半小时逐字审阅改稿以真正理解内容，最后借助墨问、公众号等工具沉淀为合集并生成音频，在通勤和做家务时反复阅读收听。文章以 Morgan Housel 的播客为例，强调不追求全自动、保留人工深度参与，是继《严肃阅读工作流》后的姊妹篇。
为什么我建议你现在开始搭建自己的 Agent？
文章建议读者搭建个人 Agent，而非仅使用单一 AI 工具。真正的 Agent 应整合个人材料、判断与流程，形成可复用的工作系统。通过从熟悉且反复出现的工作入手，明确输入、步骤与验收标准，逐步积累经验，让 AI 真正融入并提升个人工作流。
开源CC+Obsidian打造LLM Wiki内容创作3.0系统
文章介绍了一套基于LLM Wiki方法论的内容生产3.0系统，解决了2.0版本中知识库信息垃圾化的问题。通过“三步编译法”（浓缩、质疑、对标）将原始文档编译为持久化Wiki结构，实现知识资产的自动积累与进化，大幅降低维护成本并提升了内容创作与知识管理的效率。
停止使用AI，而是agent in the loop
本文指出很多人将AI当作万能工具导致工作流断裂的问题，主张应采用“Agent in the loop”的思维，将AI视为生产系统的一个环节。作者以产品经理视角，分享了如何通过建立知识底座、拆解复杂任务和设计SOP来重构AI工作流，强调设计容错机制比追求完美工具更重要，并提供了独立开发全流程中AI的具体实践案例。
如何将 NotebookLM 变成你的私人 MIT 教授
文章介绍了一种高效使用 NotebookLM 的方法。不同于传统的总结或做卡片，这种方法将其视为苏格拉底导师和研究顾问。核心流程包括：上传 20 个跨领域的源资料以构建课程；利用费曼技巧通过对话修正理解；寻找源资料中的矛盾点以培养批判性思维；以及通过模拟教学和每周综合来巩固知识，最终实现跨学科的通才思考。
四步深度读书法：从读完就忘到终身受益
本文介绍了一套融合认知神经科学与教育心理学的「四步深度读书法」。该方法旨在解决传统阅读留存率低（不足10%）的问题，通过构建认知框架、问题驱动阅读、动态抓取关键信息以及即时输出（费曼技巧）四个步骤，显著提升知识转化率。文章结合脑科学原理（如预测编码、生成效应）与实操工具，为不同类型的书籍提供了具体的阅读策略，旨在帮助读者实现从被动接收到主动掌握的转变。
提示词不用写得专业，要写到你自己能读懂
作者以AI生图的窗边咖啡馆人像提示词为例，讲解如何整理AI生成的冗长提示词。核心方法是：删流程、合重复、换实景、测删除。要点包括：去掉分栏小标题后整体通读，合并重复表达同一意思的形容词；把'不要杂乱'等否定句改写为具体的正面画面描述；将'高级感、电影感'等笼统大词拆解为具体的光线、配色和构图要求；一次只删一句，对照出图验证效果，但不要为了精简丢掉关键的安排。最终目标是写出自己能读懂、出了问题知道从哪句下手的提示词。
公开 dontbesilent 写标题的方法论
作者认为市面上教写标题的黄金公式和蒸馏大V标题的做法方向都是错的。核心问题是：用户输入的原始内容本身就缺乏吸引力，仅靠事后润色标题，要么无人点击，要么沦为标题党。正确流程是在正文完成甚至开始之前就思考标题：AI 应引导用户说出写作意图和素材，发散出吸引人的角度（即恩特曼的'框架'或修辞学的'争点'），再在变现目标、用户能力和流量层级三者间找平衡。一旦平衡点确定，标题、封面、开头和内容方向便自然解锁。好标题应是内容本身更吸引人的副产品。作者近期将开源一个同时写封面、标题和开头的 skill。
听力练了很久，为什么还是听不懂？ChatGPT + Obsidian 搭一套可回收的英语听力训练系统
文章分析了英语听力练习多年仍听不懂的根本原因：大多数人进行的是'噪音级输入'，只听懂20%的材料会训练大脑忽略外语。作者将听力拆解为'听清'和'听懂'两个层次，讲解音标、弱读、连读和语调等发音基础，提出'三遍测试法'选择可理解的本命材料，强调短材料反复练和同主题多层重复的重要性。最后利用ChatGPT扮演听力训练教练（生成材料、盲听校准、半句预测、错误分类），配合Obsidian记录复盘，搭建一套可每天重复、可回收语块、可追踪进度的听力训练闭环系统。
知识库越建越乱？先让 AI 学会回答：这句话从哪来
文章针对个人知识库越建越乱的问题，提出一套面向普通用户的起步方案：先选一个具体主题、整理十份资料，将原始资料与整理结果分开存放，统一知识卡格式（含来源、核对日期、未确认项等），用真实问题验收，并设定更新规则。核心是让 AI 整理的知识有出处、可复查、知边界，避免无来源的推断被当作事实。
万字长文｜Skill 从入门到精通 - 入门一句话，精通一张词表
文章系统讲解如何编写 AI Skill：从用一句话加 SOP 封装出第一个 60 分的 skill，到通过把目标改写为动作、补充约束、设计自由度和提高词表颗粒度来提升到 90 分。作者拆解了摄影 skill 和封面 skill 两个开源案例，指出高手的秘诀在于将模糊概念拆成可执行的词表和明确的「不要」清单。还介绍了如何让 AI 递出陌生领域的行话词表，并澄清了 skill 与提示词、智能体的区别。全文强调约束和颗粒度决定 skill 的专业程度。
用 Codex + Obsidian 搭建自生长的个人知识库实战
作者基于 Karpathy 提出的 LLM wiki 理论，结合 WorkBuddy/Codex 与 Obsidian，搭建了一套能够自生长的个人知识库系统。文章解释了 LLM wiki 与 RAG 类方案的区别：知识不是每次临时拼装，而是通过 Raw（原始资料）、Wiki（结构化知识）、Schema（规则规范）三层架构持续增量沉淀。Obsidian 以本地化 Markdown、双链和插件生态承担存储底座与人机界面，Agent 负责理解新资料、建页、建链、维护索引与变更日志。文中给出了完整目录模板、详细提示词，介绍了直接搭建、claude-obsidian 插件等多种搭建方法，并分享了模型选型与实战建议。
