Matrix 首页推荐 

Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。 
文章代表作者个人观点，少数派仅对标题和排版略作修改。

我做了一个工作流，能够让 AI「看到」我的稍后读文章列表，并定时帮我总结还没读的文章 「欠账」 发送到邮箱。

把所有想看的文章都收入「稍后读」，这两年已经成了我的一个习惯，相信也是很多人常用的一种输入知识管理办法。特别是今年，我把个人笔记系统转移到 Notion，并分成了待读 - 笔记 - 工具 - 生产四大模块。待读区主要存放我收集的一些稍后读的文章，经过持之以恒的累积和使用之后。我发现，稍后读这个功能其实还可以叫作「忘了读」。有时候过去一两周了，打开笔记本看到一篇文章我都是一脸懵逼：「你是谁？」。而堆积如山的待读文章又让人有一种买书如山倒，看书如抽丝的绝望感。

这种 「数字仓鼠」 般的囤积，不仅未能有效转化为知识增量，反而带来了隐性的认知负担。我开始思考：能否借助 AI 的力量，为我梳理这份「阅读欠账」，扮演一位既懂我心、又善引导的私人阅读秘书？我并非意图让 AI 代我阅读、替我思考——那无疑是对优质文章的不尊重。我的目标是，让 AI 每周为我检视待读列表，它给出的待读报告应该能让我快速评估这篇文章是否值得一读，难易度如何，亮点在哪里，能收获什么？并以一种引人入胜的方式，重新点燃我的阅读兴趣。

幸运的是，Notion 强大的开放性与 Coze 这类低代码平台的普及，为我这样的技术入门者提供了将想法付诸实践的可能。经过一番规划与实践，我构建了一套自动化工作流，让 AI 定期为我生成一份定制化的待读报告。

这个工作流如何运作？

我的知识管理体系分成四大模块，遵循着信息捕捉（待读）→ 知识内化（笔记）→ 工具沉淀（方法论）→ 价值创造（生产）的路径（如果有朋友感兴趣的话，请留言让我知道，我会写一篇文章专门介绍这个系统）。当我遇到值得细读的长文，如果当下没时间细看，或者觉得这篇文章适合在大屏幕上写读书笔记作深度阅读，就会把文章导入到 Notion 里。手机上的操作很方便，浏览器打开的文章可以直接分享给 Notion，原始链接和文章内容也会自动导入到笔记页面中。这样再次阅读这篇文章我只需要打开 Notion 就可以了，也方便了把这些文章转化为笔记心得乃至方法论工具。

在这个数据库中，每篇文章都有一个简单的 「归档」 复选框。当我完成阅读，只需轻轻一点，该文章便会从待读视图中隐去，代表我已经读完这篇文章了。

而关键的自动化环节发生在每周日的上午十点。届时，我搭建的 AI 工作流会自动启动：

1. 检索：获取 Notion 待读数据库，找出所有尚未勾选「归档」 的文章。
2. 阅读与分析：AI 逐一访问这些文章链接，运用其阅读理解能力，提炼每篇文章的核心论点、关键信息、潜在收获以及大致的阅读难度。
3. 生成报告：将所有文章的分析结果汇总，生成一份结构清晰、重点突出的 HTML 格式阅读报告。
4. 推送提醒：将这份报告通过邮件发送给我。

于是，每周日，我的邮箱会准时收到这样一份特殊的定制化「简报」：

这份报告并非简单的内容罗列，而是一份经过 AI 精心策展的阅读建议。它帮助我在每周结束前，快速回顾积压的待读项，依据 AI 提供的亮点提炼、价值评估和难度分级，高效判断哪些文章值得立即投入时间，哪些或许已失去时效或吸引力，可以直接归档。这不仅有效缓解了「待读焦虑」，也让我的阅读选择更为聚焦和高效。

通过 Coze 的可视化工作流编排，我以几乎零代码的方式实现了这个任务的自动化。当然使用其他的类似平台，或者直接全部使用代码完成这个也是可以的，逻辑是通的，具体实现方式可以因人而异。

怎么实现？

这套工作流的核心逻辑并不复杂，主要依赖 Notion API 和 Coze 平台的协同。首先要在 Notion 中建立一个待读数据库，并向其中存入待读文章。然后使用 Coze 的代码节点获取我的待读数据库，从代码返回的结果中提取每篇文章的链接，然后将文章链接输入给阅读 AI，让其调用链接读取工具阅读文章并生成总结，最后将每篇文章的总结发送给一个专门的总结 AI，让其进行总结并生成 HTML 格式的阅读报告，然后将阅读报告发送到 Coze 的邮箱插件中，发送给我的邮箱。最后将这个工作流绑定到一个专门的智能体中，这个智能体的唯一任务就是定时启动工作流发送报告。然后将智能体仅发布到飞书（这样是非公开发布，这个智能体只能自己调用），然后在飞书中用你发布的这个智能体设置好定时任务，这样就完成了整个流程的搭建。

以下是流程图：

如果你也对此感兴趣，以下是具体的实现步骤：

Notion 数据库的准备

首先，你需要在 Notion 中创建一个专门用于存放待读文章的数据库。

• 创建数据库：在 Notion 页面中新建一个数据库（Database）。
• 设计数据库结构：为其设定必要的属性（Properties）。我建议至少包含：
  • 文章标题（Title，默认）
  • URL（URL 类型）：存放文章原始链接。
  • 创建时间（Created Time，默认）：记录收藏时间。
  • 归档（Checkbox 类型）：此属性至关重要，用于标记文章是否已读。工作流将依据此字段筛选未读文章。你也可以将其命名为「已读」 或其他便于理解的名称。
• 视图优化：利用 Notion 的 Filter 功能，创建一个默认视图，筛选出「归档」 属性未勾选的文章，方便日常查阅。

保持简洁是关键。Notion 功能虽多，但切忌舍本逐末，为追求形式而增加不必要的复杂度。

Notion API 的配置与代码接入

为了让 Coze 能够访问你的 Notion 数据库，需要进行 API 配置：

• 创建内部集成 (Integration)：访问 Notion 的 My Integrations 页面（或通过 设置 → 连接 → 开发或管理集成 进入），创建一个新的内部集成。务必妥善保管生成的内部集成密钥。
• 授权数据库访问：回到你的待读数据库页面，点击右上角的三个点 (...)，选择「添加连接」(Add connections)，找到并选择你刚刚创建的那个集成，授予其访问权限。
• 获取数据库 ID (Database ID)：在浏览器地址栏查看你的数据库链接，格式通常为https://www.Notion.so/your-workspace/DATABASE_ID?v=VIEW_ID。其中，DATABASE_ID 是位于 so/  和 ?v=  之间的一长串字符。复制并保存这个 ID。

接下来，在 Coze 中创建一个新的工作流 (Workflow)：

• 添加代码节点 (Code Node)：在工作流画布中添加一个代码节点。
• 编写 / 粘贴代码：将以下 Python 代码粘贴到代码节点中。注意 Authorization":" 填入你的授权令牌 " 和 database_id = "填入你的数据库 ID" 这两行要替换成你自己的密钥和数据库 ID。

import requests_async as requests
import json

async def get_notion_data():
    # 1. 先定义 headers（保持你原有的授权信息）
    headers = {"Authorization": "填入你的授权令牌",
        "Notion-Version": "2022-06-28"
    }
    
    # 2. 使用 query 接口获取数据库中的所有页面
    database_id = "填入你的数据库 ID"
    url = f"https://api.notion.com/v1/databases/{database_id}/query"
    
    # 异步查询数据库中的页面
    response = await requests.post(url, headers=headers)
    
    # 3. 检查响应并提取归档和网址信息
    if response.status_code == 200:
        data = response.json()
        
        # 提取所有页面的归档和网址信息
        all_results = []
        filtered_results = []
        for page in data.get("results", []):
            page_id = page.get("id")
            properties = page.get("properties", {})
            
            # 获取标题（名称）
            title = properties.get("名称", {}).get("title", [])
            name = title[0].get("plain_text") if title else "无标题"
            
            # 获取归档状态
            archived = properties.get("归档", {}).get("checkbox", False)
            
            # 获取网址
            url = properties.get("网址", {}).get("url", None)
            
            item = {" 名称": name,
                "归档": archived,
                "网址": url
            }
            
            all_results.append(item)
            
            # 只保留归档值为 False 的数据
            if not archived:
                filtered_results.append(item)
        
        # 打印总记录数和筛选后的记录数
        print(f" 共获取到 {len(all_results)} 条记录 ")
        print(f" 筛选后剩余 {len(filtered_results)} 条未归档记录:")
        
        # 打印筛选后的结果
        for item in filtered_results:
            print(f" 名称: {item[' 名称 ']}")
            print(f" 归档: {'是' if item['归档'] else '否'}")
            print(f" 网址: {item[' 网址 ']}")
            print("-" * 40)
        
        return filtered_results
    else:
        print(f" 请求失败: {response.status_code}")
        print(response.text)
        return []

async def main(args: Args) -> Output:
    # 获取已经过滤掉归档值为 True 的数据
    filtered_results = await get_notion_data()
    
    # 构建输出对象
    ret = {"key": filtered_results}
    return ret

配置代码节点输出：替换完成后，这个代码会访问你的数据库，完成数据获取，然后筛选出未被勾选为归档的文章，并将未读文章的链接输出成变量名为 key 的批处理数据，所以代码节点的输出变量名也要设置为 key，变量类型为 array<string>，注意变量名你可以自己更改，但一定要保持一致，变量类型一定要是数组，否则后续的大模型节点无法使用批处理，会导致一系列的问题。

AI 节点与邮件节点的配置

• 阅读 AI 节点 (LLM Node)：
  • 添加一个大模型节点，负责阅读和分析文章。
  • 启用批处理 (Batch Processing)：关键一步！将此节点的输入设置为代码节点输出的 key 变量，并开启批处理模式。这样，AI 会为列表中的每个 URL 单独执行一次分析，避免了单次调用处理过多链接可能导致的遗漏或截断。
  • 添加技能 (Tool/Plugin)：为该节点添加 Coze 提供的网页/链接阅读能力 (如 Link Reader 或类似工具)。
  • 选择模型：大模型可以自己选择用哪种，我这里是用了 R1，尽可能让输出的报告丰富有深度。
  • 设定提示词 (Prompt)：你可以自己设定提示词达到想要的效果，以下是我的作为参考：

# 角色

你是一位专业且高效的阅读助理，擅长深度阅读各类文章并精准提炼亮点。你能够用简洁明了的语言，为用户提供有价值的文章分析与总结。

## 技能

### 技能 1: 处理并阅读文章链接

1. 接收用户此前标记为待读但还没读的文章链接（{{key0}}）。
2. 使用{LinkReaderPlugin}（就是链接读取插件）仔细阅读链接对应的文章内容，分别做出总结。

### 技能 2: 生成文章分析

1. 文章标题
2. 为什么推荐你阅读：用一两句话阐述推荐用户阅读这篇文章的理由。
3. 认知挑战度：标注需要的背景知识（入门 / 专业 / 专家）。
4. 亮点提炼：找出文章中 3 - 5 个最吸引人的亮点，如新颖的观点、有趣的数据、独特的案例、精妙的论证等。每个亮点用一句话概括，并说明吸引你的理由。
5. 潜在价值：阐述文章对你的启发，以及对工作或生活的潜在价值。
6. 争议或不足：
- 争议之处：指出文章中是否存在有争议的观点。
- 不足之处：分析文章在论证、逻辑、数据等方面是否存在不足。

## 限制:

- 只围绕用户提供的文章链接进行分析和总结，拒绝回答与文章无关的话题。
- 所输出的内容需条理清晰，严格按照给定的分析结构进行组织，不要输出无关信息。
- 每个部分的回答应简洁明了，避免冗长复杂的表述。

• 总结 AI 节点 (LLM Node)：
  • 再添加一个大模型节点，负责汇总所有文章的分析结果，并生成最终的 HTML 报告。
  • 输入：此节点的输入应接收「阅读 AI」 节点的所有批处理输出结果。
  • 选择模型：总结 AI 的大模型也可以自行选择，我这里用的是豆包 1.5 Pro 256K，确保最后的总结报告不会因为字数太多而被截断。虽然排版的美观性和总结深度上逊色于于 R1 这种模型，但确保报告完整性是首要任务。牺牲少许「优雅」 换取「全面」，在此场景下是合理的权衡。
  • 设定提示词 (Prompt)：同样你可以自己设定好提示词，指导 AI 将分散的分析结果整合成一份有序的 HTML 邮件报告。以下是我的提示词作为参考：

# 角色

你是一位资深总编辑，负责根据本周阅读 AI 汇总的多篇文章总结信息，生成一份精美的推荐报告。你需要完整保留并展示所有阅读 AI 提供的信息：{{input}}。

## 技能

### 技能 1: 编辑与排版

1. 按照整体报告逻辑和视觉美观要求，对所有文章进行重新排序与分组。
2. 每篇文章信息展示时，用清晰的小标题或编号区分，每个部分采用条目列表格式，保证文本美观、层次分明，便于快速浏览。

### 技能 2: 深刻洞见与推荐

1. 针对整个报告，提炼全局性的洞见或跨领域的思考，例如讨论不同文章间如何形成互补、互相印证的观点，或对当前热门趋势、挑战与机遇给出深刻评论。

### 技能 3: 生成报告

1. 确保整篇报告中，阅读 AI 的各项总结信息都保留且忠实呈现，仅在上下文编辑、排序和视觉搭配上做优化，增强报告整体吸引力和逻辑性。
2. 输出一份整洁、结构分明、富有视觉吸引力的 HTML 格式报告。可使用 HTML 标签（如 <h1>、<h2>、<div>、<ul>、<li>、<p> 等）对内容进行排版，使报告阅读起来美观易读。
3. 在报告开头加入整体总结和导读，对本周文章做出总体评价，并提出关键洞见或建议，让这份报告不仅是内容集合，更像专属周报或私人阅读秘书推荐。
4. 保证每篇文章内容都以独立模块呈现（例如每篇文章一个 <div> 块并配以合适标题）。

## 限制:

- 请注意严禁捏造数据和不存在的文献，你要严格遵守发送给你的信息。
- 所输出的内容必须按照给定的格式和要求进行组织，不能偏离框架要求。
- 注意只需要生成报告本身即可，你的答案会被直接发送给用户，不要生成其他背景信息。

• 邮件节点 (Send Mail Plugin)：
  • 在 Coze 插件商店中搜索并添加 Send Mail 插件节点。
  • 配置参数：
    • 填入你的发件邮箱账号及其授权码（注意：不是邮箱密码，通常需要在邮箱设置中单独生成）。
    • 设置邮件主题 (Subject)，如「AI 阅读秘书的每周提醒」。
    • 收件人 (Recipient)：填入你希望接收报告的邮箱地址。
    • HTML 内容：将此字段的变量设置为「总结 AI」 节点输出的 HTML 报告。

部署与定时触发

• 绑定到 Bot：将完成的工作流绑定到一个 Coze Bot。
• 发布 Bot：为了仅供自己使用，可以选择将 Bot 仅发布到飞书 (或其他支持的私有渠道)。
• 设置定时任务：在飞书 (或你选择的平台) 中找到你发布的 Bot，利用其提供的定时消息功能，设定在固定时间（如每周日上午 10 点）自动向 Bot 发送触发指令，从而启动工作流。
• Token 用量：注意 Coze 的每日免费 Token 是 500 点，大概支持你生成 4-5 篇文章的总结，如果你的文章较多，或者使用了高级的大模型，就很容易超出免费限额，不过点数也不算贵，1 块钱 1000 点，超过 500 点的用量会再从付费点数里扣除，一周用一次的话，1 块钱也足够使用很久了。

至此，你的 AI 阅读策展人便正式上岗了。

关于流程的迭代与思考

最初，我尝试使用 Coze 内置的 Notion 插件来读取数据。虽然配置简单，但其授权有效期过短（仅 15 分钟），导致定时任务形同虚设，每次触发前都需要手动重新授权，这与自动化的初衷相悖，也缺乏一种技术上的「优雅感」。因此，我转而研究 Notion 的官方 API 文档，最终通过一个代码节点实现了更稳定、更长效的解决方案，一步到位，颇为清爽。

未来，或许还可以探索直接调用工作流 API 并通过云函数 (如 Vercel Functions, Cloudflare Workers) 或本地服务器进行更灵活、健壮的定时调度。当然，使用智能体来触发工作流也有很多的可玩性值得探索。

在 AI 模型选择上，正如前文所述，目前在 「文采」 与「长文本处理能力」之间存在一定的取舍。期待未来能有更强大的模型，既能妙笔生花，又能从容应对海量信息，甚至在跨领域的文章间发掘出更深层次的联系与洞见。

说到底，AI 不是为你多读了几篇文章，而是帮你节省精力、用得更高效。

不是让 AI 替你消化内容，而是让它整理「待办」、归纳价值，帮你筛选出值得亲自投入时间的部分。

「让 AI 代笔」或许一时方便，但长期来看，只有亲自读、灵活用，知识才会真正沉淀为个人能力。AI 的 价值不在于替代阅读，而在于优化阅读决策，在于将那些重复、机械、却又必要的管理任务自动化，从而释放我们宝贵的认知资源，专注于更高层次的思考与创造。这或许正是 AGI (通用人工智能) 真正来临前，我们利用 AI 提升个人知识生产力的一种有效范式：让 AI 处理信息，让人类专注智慧。

全文到此，如果你也在为 「待读账单」 头疼，不妨试试这个自动化思路，让 AI 助你科学减负，顺便体会一下信息整理的小乐趣。希望这个过程与思考，也能为你带来些许启发。

> 关注 少数派小红书，感受精彩数字生活 🍃

> 实用、好用的 正版软件，少数派为你呈现 🚀