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。
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」
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。
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
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，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。
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：
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。
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“。
金句和推荐语方便你向朋友们推荐文章。
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。
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。
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？ |
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。
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。
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。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。