Blog
Key Takeaway
- 微调Flux Lora是一项有价值的技能，能让AI生成指定长相的人物或产品，并可叠加使用多个Lora。
- Flux模型生成图片的真实度高，ComfyUI解决了图像生成的可控性问题，Lora解决了模型经验问题。
- 制作Lora需要准备素材图片（20张起步），并通过微调工具（如Replicate上的项目）进行训练。
- 训练好的Lora可在云端或本地使用，并可叠加多个Lora以实现更复杂的效果。
- 文章强调了AI图像生成在电商、IP运营等领域的商业应用潜力。
Full Content
想搞钱，这个技能你最好学一下：微调Flux Lora。
一旦掌握之后，你就能让AI生成你指定长相的人或者产品。甚至，你还可以把两个Lora叠加起来使用。比如，让你的虚拟模特拿着某个特定的产品。
如果你是做电商，或者是运营IP，一定深有体会：人物和产品的实拍有多麻烦。通过微调Flux Lora，你能省下一大笔钱、一堆时间。
哈喽各位好，欢迎来到我的频道。我是国内少有的、能把AI的Why和How讲明白的博主。记得点一波关注。如果想链接我，就来newtype社群。
在上一期视频，我介绍了Flux模型加上ComfyUI工作流是怎么玩的，也演示了网红Lora的效果。还没看的小伙伴，一定去我主页找来看看。看完你就有概念了。我这边可以简单粗暴地总结一下：
关于Flux模型，你就记住，它生成图片的真实程度，比DALLE、SD都高。只有解决了真实性的问题，才有可能商用。
关于ComfyUI，你就记住，它解决了控制的问题，让模型按照你设定的步骤、在你圈定的范围内去生成。只有解决了可控性的问题，才有可能大规模商用。
关于咱们今天要重点讨论的Lora，你就记住，它解决了模型经验的问题。
举个例子，模型知道美女长什么样，但它不知道网红美女长什么样。但是，我们又不能从头训练过模型——成本太高，不现实。所以我们给模型加个技能包，告诉它：网红美女就长这样。以后有人提需求，你就按照这个去生成。
这个技能包，就是Lora。要制作这个技能包很简单。跟微调大模型比起来，简直就是“有手就行”的简单。我快速演示一下。
大家现在看到的这位小姐姐，是我特别喜欢的一位老师，就以她为例。比如，我希望AI能够按照她的长相生成图片。该怎么做呢？
首先，当然是准备学习资料，也就是老师各个角度和表情的图片。这样AI才能照着生成，对吧？这些图片不用太多，20张起步。我这边准备了25张。
接着，我们需要一个微调工具。国内外有很多平台都提供现成的。我这边用的是Replicate上边的项目。
进入Replicate网站。搜索这一串关键词。然后找到这个项目。
这边有两步是一定要操作的：
第一，上传ZIP格式的压缩包。我试了一下，RAR格式好像不行。大家记得用ZIP格式压缩。
第二，新建一个模型。这样训练好之后，就会以模型的方式存在平台上。
其它的设置都是可调可不调。比如，如果你希望把训练的结果同步到Hugging Face上的话，就填上你的ID和Token。
当这些都配置要之后，就可以开始训练了。因为GPU用的是H100，所以非常快，大概20分钟就搞定了。
训练好的Lora，可以在Replicate上直接使用，也可以下载下来。
我们直接在Replicate上测试一下效果。记住，Prompt里一定要带上前边设定好的触发关键词。
这个结果我还是挺满意的。如果有更多照片，表情和角度更加丰富，训练出来的效果肯定会更好。
想在本地跑也可以。把下载下来的文件放到loras文件夹。然后进入ComfyUI，在Lora加载器里选中。默认的强度是0.8，不同的数值，结果会不太一样。我测试了几种情况，给大家看看。
前边提到，可以把多个Lora叠加起来使用。所以我又训练了一个产品的Lora，用的是雷朋眼镜的图片。我想测试一下，虚拟模特使用特定产品是否可行。因为植入或者带货都会用到。
要叠加多个Lora很简单：按住Alt键复制一个Lora加载器，然后把线连上、把文件选中。在Prompt里一定要把触发关键词都带上。
这边我就不调强度这个数值了，咱们直接生成。
这个叠加还是挺成功。咱们老师成功戴上了雷朋眼镜。所以，大家可以打开想象：虚拟模特加产品，或者虚拟模特A加虚拟模特B，应该都可以。如果你有做生意的感觉，就会明白，这里边的空间有多大。
OK以上就是本期内容。想进一步探讨的话，来newtype社群。咱们下期见！
Key Takeaway
- Unsloth框架显著降低了微调大模型的门槛，仅需7G显存即可微调1.5B模型，消费级PC也能实现。
- DeepSeek的GRPO强化学习算法能提升模型推理能力和可解释性。
- 微调技术可用于打造个人AI分身和私域模型，实现本地化、无需联网的AI交互。
- 高质量数据集和超参数调整是微调成功的关键，但需要大量实践。
- 文章强调了本地部署小尺寸模型在移动端的潜力和价值。
Full Content
用DeepSeek的方法做微调，可以显著提升传统模型的思考能力。
这是我训练好的模型文件，已经传到Hugging Face上了，大家自取。它是基于Qwen2.5 3B，通过微调加强了数学能力，最后生成了Q4、Q5和Q8三个版本。咱们来对比一下Q4精度的效果。我问一个经典问题：
9.9和9.11这两个数字，哪个更大？
先来看原版的回答。不仅答案错了，而且给的理由也是完全混乱的——什么叫“小数部分相同，唯一的区别在于十分位”，简直胡说八道嘛。
再来看微调版本。这就正常了。整数部分一样，那就比较小数部分。很自然就得出9.9比9.11更大。
这套东西不是我搞出来的，而是Unsloth的成果。他们前些天发了一篇博客，介绍了方法，还给出了代码。简单来说，Unsloth这套东西实现了两点：
第一，微调门槛下降。像1.5B之类的小尺寸模型，只需要7G显存就可以微调。而7B、14B这种，15G显存就OK。也就是说，用消费级的PC就能微调。如果是用云端的算力，像我用Google Colab的T4 GPU，花了一个小时就顺利完成。
第二，模型能力提升。GRPO是一种强化学习算法，是DeepSeek发明并开源出来的。用这套算法和数据集，能够训练出具备更强推理能力和更好可解释性的模型。现在Unsloth把它应用到微调里边，想象空间一下就出来了。举个例子：
私域模型。
一个商业博主，有自己的方法论，也有很多交付案例。他把过往积累下来的东西整理成数据集，包含问题、答案以及解题步骤。然后用Unsloth这套东西去微调，生成3B的模型。最后，把模型文件给到他的用户，不管是免费还是收费都可以。
用户拿到之后，用我上上期介绍的方法在手机上使用。这意味着，用户可以随时随地、不需要联网地跟这位博主的AI分身交流。
对自媒体来说，以前只有在你发视频、发文章的时候，或者你在群里说话的时候，你的粉丝、用户才能接收到你的信息。现在，有了这个方法，他们可以无限制地被你这个IP影响。
之前我分享手机上跑模型的方法，一堆人喷我说没意义、没价值。说句扎心的话：眼界太浅，活该挣不着钱。
哈喽大家好，欢迎来到我的频道。谦虚地说啊，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经有800多位小伙伴付费加入啦！
回到今天的主题：用强化学习算法，微调模型。
在介绍Unsloth的工具之前，我还是得先把基本概念用一种通俗易懂的方式讲给你们听。可能不是很严谨，但是包懂。
以前搞强化学习，需要准备大量包含解题步骤的高质量数据，以及非常精确、绝对的奖励函数。然后大力出奇迹，硬生生把模型给培训出来。
后来DeepSeek发现，其实不需要那么高的成本，搞得那么费劲——可以把奖励函数弄得更灵活一些嘛。针对每一个问题，它让模型生成一组答案。然后看这一组答案里边，哪个答案相对好一些，从而给出奖励。
传统方法，比较像我们以前在学校里接受的填鸭式教学，靠着记忆力去刷题，想要蒙混过关。但是，这种搞法，知其然而不知其所以然，所以最后还是个渣渣。而DeepSeek的方法则是反复思考解题步骤，最后不仅知其然而且还知其所以然。于是，模型“顿悟”了，学霸诞生了。
如果还是不太明白，那我再打个比方。传统方法训狗，需要明确定义每个动作，并且给每个动作都设计奖励。只有当狗完全按照指令完成动作时，才能获得奖励。
而DeepSeek的方法是，一个动作让狗做三次。在三次当中，相对较好的那一次获得奖励。然后不断重复这个过程。
大家如果有养狗经历就知道，用DeepSeek的这种训练方法，主人轻松，狗子开心，效果也好。
DeepSeek很大方地分享出来之后，Unsloth就拿来用了。不过在使用之前，有一些限制需要跟大家说清楚：
你拿来微调的模型不能太小了，至少也得有1.5B，不然没法正确生成思考标记。这是我选择用3B尺寸的原因，既符合训练的要求，也能在手机上运行。另外，步数至少要300步，奖励才会真正增加。为了达到良好的效果，建议至少训练12个小时。
在官方给的示例当中，用的数据集是GSM8K。它包含了8500个高质量的小学数学文字题。每个问题需要2到8个步骤才能解决。而且，这个数据集里的解题方法是用自然语言编写，而非纯粹的数学表达式。所以，用它来训练，能够提升模型的多步骤数学推理。
类似GSM8K的数据集还有好几个，比如MATH Dataset、MathQA等等。我建议大家先别着急就导入自己的数据集，可以拿这些练练手。因为，换了数据集之后，由于格式不同、特点不同，奖励函数可能需要做相应的调整。
另外，超参数的调整也需要大量实践。比如：
学习率，用来控制模型学习的速度。设得太高，模型可能学得太快，错过最优解；设得太低，模型可能学得太慢，浪费时间。
Batch size，指的是每次喂给模型的数据量。设得太大，可能会导致内存不足；设得太小，可能导致模型学习不稳定。
微调和RAG一样，都是看起来简单，但真要获得好的效果，需要大量调试。而且这东西没法教，只能“干中学”。但是，有门槛是好事。只要跨过去了，就能甩开一大堆人。
所以，我在Google Colab上买了一些计算单元，这段时间会做各种测试。至于数据集，我突然想到，过去一年我在星球里回答了好多好多问题。这些问题都可以做转换，比如让模型帮我批量处理，然后放进数据集里。
通过微调打造AI分身、训练私域模型的想法，在我去年做Llamafile那期视频的时候就出现了。现在可能性越来越大了。等有进展了，我会在社群里说。
OK，以上就是本期内容。想了解AI，来我们newtype社群。那咱们下期见！
Key Takeaway
- 红杉资本认为AI浪潮的量级远超云计算和移动互联网，将颠覆整个软件市场，并重构服务行业。
- AI的机会主要在应用层，创业公司可从垂直领域和复杂人力介入问题切入，利用Agent替代外包业务。
- “Agent经济”（Agent Economy）是AI时代新的商业模式，Agent将替代用户进行交互和交易，催生新的通信网络和基础设施需求。
- 2025年AI的关键词是Agent，它将成为模型和应用集中的焦点。
- MCP（模型控制协议）为大模型提供了外部信息和工具，是Agent进化的前提。
- Agent的准确率提升和Token费用下降，预示着Agent将迎来爆发式发展。
Full Content
如果你想AI创业，红杉资本最新的Keynote一定要看。他们三个人花了半小时，把AI产业现状以及未来趋势都讲明白了。我帮你们画一下重点，以及谈谈我的感受。
第一，分析框架。
如果你要分析AI或者别的领域的趋势，可以使用红杉这套框架：
What，So What，Why Now，What Now。
整个分析从What、也就是发生了什么开始。比如，今年MCP特别火爆——这是What。那又怎么样呢？会有什么影响吗？这是So What。为什么是现在火爆？MCP是去年底推出的，当时怎么没火？这是Why Now。前因后果都知道了，我们现在该怎么做？这是What Now。
这类分析、思考框架拿起来就能用，很适合新手。类似的东西，还有“现状 - 障碍 - 目标”，这个我在社群里发过，是我过去十几年用得最多的框架。
目标是你要去的地方。现状是你当下所处的位置，是你的出发点。那么，要从这里到达哪里，中间有哪些障碍呢？只要找到障碍，并且找到克服障碍的方法，我们就能达成目标。
我们平时会看到很多机构和大佬做分享。除了他们说了什么之外，我的习惯是，会去分析、倒推他们为什么这么说、这么想，把他们的框架给研究清楚。长期来看，这比他们的观点更有价值。
这算是我的秘诀，免费分享给大家。不用谢。
第二，AI浪潮究竟有多大？
很多人认为，AI堪比过去的向云端转型的机会。但是红杉认为，AI的量级要大得多：
AI不只是服务，还会颠覆整个软件市场。
这一点，我在今年深有感受。Agent真的已经开始重构整个服务行业和软件行业。
而且，AI这个浪潮不仅超大，还非常凶猛。因为，它所需要的算力、网络、数据、分发渠道、人才培养，在过去几波浪潮中都已经铺垫好了。这么多层叠加到一起，把势能全部给到AI，所以AI才会达到今天这么恐怖的发展速度。
我知道，很多人在国内感受不深，还盯着什么电商、外卖、短视频。这让我想起了灾难片的场景。一群游客在沙滩上晒着太阳、喝着鸡尾酒。但是，如果你出海了，在海面上就会看到，一个百米高的超级巨浪已经形成了，并且朝着岸边狂奔而来。
所以，早点准备吧。
第三，AI的机会在哪里？
把AI跟过去的云计算和移动互联网放在一起看。从基础设施开始，列出达到10亿营收规模的企业。可以看到，AI这边还有很多空白。而且，最大的空白区域在应用层。
有一个概念，我提到过好多次：模型即应用。
这个是OpenAI这些公司正在做的事。他们凭借越来越强的模型能力，就像吃豆人一样，正在吃掉越来越多细分赛道，直到成为一个超大的、通用型的怪物。
但是另一边，创业公司也在反击。他们从客户需求出发，专注在特定的垂直领域，聚焦在特定的功能上，处理那些需要大量人力介入的复杂问题。
比如，那些外包业务就可以用Agent来替代。你想嘛，能外包，说明人力成本高，说明有预算，说明结果可衡量——这不就是最需要Agent发挥的地方吗？
所以，有技术是一方面。从技术到客户需求被满足，整条价值链当中，还有很多可以去挖战壕、广积粮的地方。一场全面的竞争已经展开了。
第四，终局长什么样？
大家记住这个新概念：Agent Economy，Agent经济。
过去我们经历过各种经济，比如粉丝经济、共享经济，等等。那么，AI时代将诞生的、新的经济形态、商业模式，就是Agent经济。
Agent会替代用户进行交互、交易。那么，围绕Agent自然要产生新的经济形态，对吧？
顺着这个逻辑往下想的话，今天的网络是以人为出发点的，是面向人的。那么，Agent兴起之后，是不是也得有一张以Agent为主角的通信网络？这个网络该采用什么样的协议？以及，当Agent数量翻个十倍、百倍，需要什么样的基础设施和配套服务？
这一张Agent网络，还有这整个Agent经济的背后，得有多少机会啊？能不兴奋吗？
顺着红杉的判断，我谈一下我的体感。
在今年年初，我发了一个视频，叫做《我对2025年AI的判断》。在开头我就很明确说了：
2025年，AI的关键词只有一个，就是Agent。不管是搞模型的还是搞应用的，都会把火力集中到Agent这个点上。
后来的发展，证明了我的判断。
MCP火爆的原因就在于，它给大模型提供了更多外部信息和工具——这个是进化成Agent的前提。
信息搜集的Deep Research，AI编程的Cursor，都是Agent最好的案例，也是目前AI的杀手级应用。
Agent趋势兴起，从我们社群也能感受到。去年大家在社群内的提问主要是关于RAG、知识库的。到了今年，Agent相关问题明显变多了。
这个趋势的背后，有两条曲线在发挥作用。一条是Token费用。你去对比GPT-3.5、GPT-4时期的费用，和今天的费用就会发现，Token费用已经下降非常非常多了。另一条是Agent的准确率。最多两年，Agent执行任务的准确率就能达到人类的92%。
能力越来越强，成本还越来越低，这个是什么结果不用我多说了吧？
所以我也调整了自己的日程安排。周一和周二我会把本周要更新的视频做完。然后本周剩下的时间，我都会用来开发应用。从简单但是刚需的工具开始，就像播种一样，为自己创造多条现金流来源。
我也建议大家，抓紧行动起来。这么大的机会，人这一辈子能遇到几次？而且还是在年轻或者中年的时候。
Key Takeaway
- AI不会替代人，但会使用AI的人将替代不使用AI的人。
- AI赋能个体并非平等过程，早期阶段AI的特点是“遇强则强，遇弱则弱”。
- 少数派（约5%）能用好AI，他们具备“不吹不黑”的态度和“AI视角”。
- 学习使用AI的两个关键方法是：DYOR（Do Your Own Research），即深入研究源头知识；学习Python编程，以便理解AI底层逻辑。
- 文章强调了认知差比技术差更大，以及编程能力在AI时代的重要性。
Full Content
有一个好消息，一个坏消息。
好消息是：AI不会替代你。
坏消息是：用AI的人才会。
所有厂商都在喊：AI for ALL。AI确实能帮到每一个人。但是，AI赋能个体过程一定不是一个平等的过程。
尤其是在现在这个早期阶段，AI技术才刚刚开始产品化，还非常不完善，接触起来很有门槛。所以，AI在这个阶段的特征是八个字：
遇强则强，遇弱则弱。
AI遇到什么样的人会变强？遇到什么样的人会变弱？
以使用ChatGPT为例。我看到的人当中，至少95%是这样的：
没头没脑地贴了几篇文章过去，然后叫AI生成一篇新的文章。拿到结果一看，很不满意，于是下了结论：
AI真垃圾，都是资本吹起来的。
只有少于5%的人会这样做，他们会想明白两件事：
第一，自己到底要的是啥？比如，文章的核心内容是什么，结构是怎样的，风格是怎样的？
第二，AI是怎么执行的？比如，它会怎么思考我们的指令，它都需要什么东西才能把活儿做好，过程中需不需要我们给个反馈、指导一下？
这样的少数派具备两个非常宝贵且重要的品质。
一是态度，用一个流行词来形容就是：
不吹不黑。
他们既不会去神话AI，觉得AI无所不能，也不会完全否定，觉得AI做不到100分就是没价值。
因为现在的AI只能当Copilot，也就是副驾驶。握方向盘的人还是Pilot，也就是用户。所以对于没脑子的Pilot来说，Copilot再强都没用。
这些5%的少数派的态度就是，AI能做多少，就用多少。做得好的地方，该花钱就花钱，不犹豫。做不到的地方，也不焦虑，反正咱又不是模型厂商，AGI能不能实现咱不操心。
二是视角，AI的视角。
大模型是什么？是知识的容器。
训练大模型的过程，是对知识进行压缩的过程。使用大模型的过程，是对知识进行解压的过程。其它的一切，都是从大模型出发去做扩展。比如：
- Fine-tune是什么？是给大模型开个补习班，再学点新知识。
- RAG是什么？是给大模型一堆参考书，要用的时候翻一翻。
- Agent是什么？给大模型一个工具箱、一本操作手册，让它正式上岗去帮我们干活。
如果你读过KK的《科技想要什么》这本书就会有感觉：这绝对是一个不同于我们常规定义的生命体、智能体。这也是我们第一次面对除了人类以外的复杂系统。
所以想要了解并利用好AI的话，一定要转换视角，站在AI的角度、站在系统的角度去窥探和理解。
如果你是那5%的少数派的话，或者你真心想学会怎么用AI的话，我这边有两个建议，都是我自己的经验总结。
我在刚创建知识星球newtype的时候分享过我的经历。其实我没有任何相关背景，最初也不懂编程啥的，完全是从零开始、自学半年。我所用的，就是以下这两个方法。
第一，DYOR，Do Your Own Research。
这句话在币圈很流行，意思是，做好你自己的研究，别都听别人的。对于学习使用AI也适用。
有一个很扎心的事实我不得不说说：关于中国和国外在AI方面的差距，比技术差更大的，是认知差。
从媒体到商业大佬，大家都还在学。尤其是那些大佬，等你真正做了研究就会发现，他们都是一知半解。但是，人家为什么敢出来说、敢出来教？两个原因：
一是为了影响力。在AI这种级别的技术革命面前，所有人都是从新开始，不管你之前有多牛、地位有多高。为了抢个先手，他们当然要主动抛头露面，趁着在上个时代的影响力还有点余温的时候。
二是为了学习。在精英眼中，输出也是一种学习的过程，而且特别有效。所以，看着是他们在教你，其实人家只是对着镜头在背作业。
最先进的、最及时的AI内容都在国外。你只能自己学，没人能手把手教你。
当你开始学之后，这边有一个点要注意：尽可能找到源头。
比如，你看到很多人都在讨论，大模型训练用的高质量数据快不够用了，将会限制模型性能的进一步提升。
如果你只停留在这一步，那只能得到一个其实没什么用的、所谓的观点。如果你肯多问几句，比如：为什么需要海量数据？大模型从这些数据中究竟学的是什么？数据不够的话，合成行不行？让现有的大模型生成数据，给下一代大模型训练，可不可以？
顺着逻辑一路追问下去，并且找到每一个答案，你就能在源头层面把这个问题吃透。
不用纠结要不要很系统地去学习，只需要把每一个点都弄扎实了，一段时间之后你就会发现，这些点都串联成了一张网。而且，它们背后是同一套根本的逻辑。
当你走到这一步，恭喜你，入门了。
第二，学Python。
很多大佬都在吹：不需要学编程了，人人都可以是程序员。
我可以很肯定地跟你说，也许几年之后是这样。但现在，编程还是一个不可替代的能力。
那么，学AI为什么要学Python编程？
Key Takeaway
- Web Clipper插件的Interpreter功能能实现AI自动总结、提炼公众号文章，并保存到Obsidian，极大提升信息处理效率。
- 该插件支持桌面端和移动端，可根据预设模板和触发条件自动化剪藏流程。
- 用户可选择不同大模型（如GPT-4o mini、Claude、Gemini、Ollama）进行内容处理，并自定义笔记内容和存储位置。
- Interpreter的配置包括设定大模型、模板（行为、存储位置、触发条件、笔记内容、处理上下文）等。
- 文章强调了Web Clipper在信息搜集和预处理方面的重要性，以及其在减轻阅读压力方面的实用价值。
Full Content
如何用AI自动总结、提炼一篇公众号文章，并且把这些生成的内容和原文一起保存进Obsidian，成为一条笔记？
我强烈推荐大家试试Web Clipper这款插件。它有个功能叫Interpreter，就能实现刚才说的需求。我快速演示一下，非常简单：
在桌面端，如果要处理这篇公众号文章的话，点击浏览器右上角的插件按钮。这时，插件发现这是一篇公众号文章，自动选择了我事先设定好的模板，用我事先设置好的GPT-4o mini做两件事：
第一，总结整篇文章。这样我就知道它大体上是关于什么的。
第二，提炼文章要点。这样我就知道它里边的要点。
然后，我只需要点击保存，刚才这两个部分会放在开头，后边跟上整篇文章的内容，全部打包成为一条笔记，存进Obsidian里边。
这整个过程我只点了两下，其它都是自动完成的。在移动端也是基本类似的操作。
用Safari打开公众号文章之后，点击地址栏左边的按钮，然后在扩展列表里点击插件，这时会出现跟桌面端基本一样的界面。这时再点击右边的Interpret，模型就会自动按照设定好的要求去处理文章。几秒钟之后，再点击保存就搞定了。
因为需求很简单，就是总结和提炼，所以在模型的选择上，我用了速度快、价格便宜的GPT-4o mini。你也用别的，比如Claude或者Gemini。
如果你注册御三家的账号有困难，还可以选择OpenRouter这样的第三方平台，它集成了市面上所有的主流模型。
如果你就是一分钱也不想花也OK，这款插件还支持Ollama。你就在机子上跑个小一点的模型，也很舒服。像Qwen就提供了好多参数的版本，看着挑就好。
哈喽大家好，欢迎来到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经有600多位小伙伴付费加入啦！
回到今天的主题：Web Clipper的Interpreter功能。
这是我做的第三个关于这款插件的视频。大家如果需要基础操作的讲解的话，去翻我之前的。
我之所以这么看中它是因为，信息的搜集和预处理真的非常重要。我在半年多前还特意写过一个脚本，创建了一个Agent Workflow，专门实现刚才演示的那些功能。现在人家一个插件就搞定了，而且还支持移动端。
要配置Interpreter很简单，就两个步骤：
第一步，设定大模型。
点击Add Provider，在弹出界面里选择模型提供方。不同的提供方有不同的Base URL。大家如果之前写过脚本的话，对这个应该非常熟悉。
填完链接和API Key之后，还需要配置一下模型。因为一款模型可能有多个提供方，比如OpenAI和OpenRouter都有GPT系列，所以这边一定要选好。
至于Model ID，一定要按官方的格式填。不知道的话，就去后台看，每一款模型的ID肯定会有。
这两步搞定之后，Interpreter就算设置好了。接下来是模板的设置。我从上往下介绍。
Behavior指的是让插件怎么做，比如是创建一条新笔记，还是在现有的笔记后边做补充。
Note Location和Vault是告诉插件，把笔记存到哪个位置。
Template Triggers就是触发条件。当条件满足的时候，插件会自动选择这个模板，就省去你手动选择的麻烦。我这边设定的条件是公众号文章的网址。
Note Content就是创建的笔记需要包含什么内容。我设定了三个：1、Summary；2、Key Facts；3、全文。大家可以根据自己的需要做调整。
Interpreter Context就是你希望插件处理哪部分的内容。我在这边填Content，意思就是让它处理整篇文章。这个大家也可以根据自己的需求去修改，比如让插件只抓取网页某个部分的内容。
做完这两个部分的设置后，Web Clipper插件就会自动选择模板、自动做总结和提炼。这个对减轻我们平时的阅读压力真的很有帮助。大家看完了一定试试。
OK，以上就是本期内容。想聊AI，就来我们newtype社群。那咱们下期见！
Key Takeaway
- 作者介绍了一种结合Deep Research、Obsidian和Cursor的“AI学习法”，旨在实现深度研究、知识提取和知识图谱构建。
- Deep Research提供高信息密度的输入，Obsidian通过反向链接功能将报告中的知识点系统性地关联起来。
- Cursor的Composer功能能够直接对Obsidian笔记进行知识点提取、解释和内容生成，充当强大的AI辅助工具。
- 这种学习法强调了AI工具组合使用的价值，以实现超越单一工具的效果。
- 建议在与AI工具交互时，将复杂任务分解为清晰的步骤，以提高效率和准确性。
- 长期来看，定期回顾和复习知识点对于巩固学习效果至关重要，可利用Obsidian的随机笔记插件辅助。
Full Content
介绍一个我最新研究出来的“AI学习法”，非常强大。它用到了Deep Research、Obsidian、Cursor，可以针对你的需求做深度研究、知识点提取和解释，并且形成知识图谱。
去年我出过一期社群专属视频，介绍了用Cursor搭配Obsidian使用。其实当时就有这个想法了。现在有Deep Research，这个AI学习法终于可以闭环了。
Deep Research是第一个环节。它可以提供信息密度非常大的输入。但是要完全消化的话，还需要对报告里的知识点做进一步处理。
于是，就需要Obsidian。它的反向链接功能特别好用。在一篇笔记内，如果提到了另一篇笔记，就可以链接过去，最终形成一个知识图谱。这是我把Deep Research的结果放进Obsidian的原因——让作为报告的笔记，和它相关的知识点笔记都关联在一起。这有助于我们系统性地去理解。
那么，问题又来了：知识点该如何提取和解释呢？于是，就需要Cursor。
Cursor的Composer功能可以直接对文档做修改，还可以创建新的文档。用它打开Obsidian存储在本地的笔记，通过对话就能完成一切。
最终，回到Obsidian里，我们不仅能看到一篇深度内容，而且每一个知识点都帮你捋得明明白白。剩下就靠你自己了。
AI都帮到这份上了，还有什么理由学不会？
哈喽大家好，欢迎来到我的频道。谦虚地说啊，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经快1000人付费加入啦！
回到今天的主题：AI学习法。
我在社群内分享过，想借助AI获得Unfair Advantage，其中一个关键，就是知道如何组合使用各种AI工具，获得框架之外的效果。我的AI学习法就是最好的例子。
我给大家做一个实操演示。议题是：DeepSeek-R1有哪些技术创新？
Deep Research我用OpenAI的。目前在这个应用上，他们是全球最贵、全球最强，没有之一。稍等几分钟，一个非常详细的技术解析报告就生成了。
就像前边说的，这个报告信息密度很高。你要是硬啃的话，估计有点难度。于是，我把它复制下来，放到Obsidian里边。为了方便演示，我创建一个新的文件夹，这样一会儿大家看得比较清楚。
另外，我这边只截取了报告的第一部分，并且把Markdown格式全都去干净了。因为我发现，如果文章中有太多Markdown语法的话，会对Cursor有很大影响。很有可能它就没法对文章做修改了。
OK，接下来在Cursor中打开文件。记得在右边栏选择Composer，而不是Chat。
关于Cursor的三种模式——Chat、Composer、Agent，我之前在社群内说过：如果你要自主掌控的话，用Chat模式，可以选择接受哪一部分代码；如果你要全自动化的话，选择Agent。而Composer居中，有一定的自动化能力，正好是我们现在需要的。
接下来，把第一步需求告诉Cursor：帮咱们提取知识点，用Obsidian的反向链接格式标注出来。其中，那些常规名词不需要标注，比如公司和产品的名称。
我演示的文章不长，所以Cursor没多久就搞定了。如果是很长的文章，它会分批操作，需要我们说“继续”了，它才会继续。
第一步完成之后，这篇文章里的知识点都被标注出来了，非常清晰。第二步就是对每一个知识点都创建一个空白的md文档。文件名就是知识点的名称。也就是说，每一个知识点都是一条笔记。这样一来，通过反向链接功能，也就是前边的标注，就能把这些单独的知识点和原文串联在一起。
创建这些空白文档对Composer来说非常容易，很快就搞定了。那么第三步就是填充内容。在刚才创建的每一个空白文档内，补上这个知识点的解释，并且要通俗易懂。
因为这些都是技术名词，不是什么时效性比较强的内容，所以模型用自己的知识储备就可以搞定。
这三步完成之后，咱们就可以从Cursor回到Obsidian了。可以看到，点击文章中的知识点，就会跳转到知识点的笔记，里边有专门的解释。而打开文章的链接图谱，可以看到这篇笔记都关联了哪些笔记。需要的话，你也可以从图谱里任意跳转。
我这边演示的都是基本操作。大家在实际使用过程中可以做细化和调整。比如有哪些知识点你觉得不需要的话，可以手动删除，或者让Cursor帮你搞定。另外，当你吩咐Cursor干活的时候，尽量把步骤拆开，比如我刚才就是分成三次让它操作，并且交代得明明白白。这样才能避免很多奇怪的问题发生。
最后，One more thing：长期来看，你还需要时不时去回顾、去review之前的知识点，才能有比较好的效果。不然那些笔记都堆在那里，你再也记不得。所以，针对这种情况，我推荐安装这个插件：Open random note。就像名字说的那样，你点击一下，它就会随机打开一篇笔记。所以，你闲着无聊的时候就点几下，看几条笔记呗。相信我，真的有效果。
OK，以上就是本期内容。想了解AI，来我们newtype社群。那咱们下期见！
Key Takeaway
- AI时代，大模型作为知识容器，人类在知识广度上无法胜出，唯一的解是“Go Fundamental”（深入基本原理）。
- 基本原理相对稳定且具有普遍性，能应对技术快速更新，并应用于多个领域。
- 人类在AI时代的独特优势在于抽象思考、跨领域联想和创造性思维。
- 将人类独特优势与对基本原理的掌握相结合，能带来巨大的创新和成就。
- 掌握基本原理能帮助个体在AI时代更具竞争力，将AI作为杠杆，撬动更大的价值。
Full Content
如果你知道在AI时代如何学习的话，那么大模型变得再牛逼，你也不会慌。
为什么大模型会让大家这么焦虑？
因为大模型的本质，是知识的容器。
大模型的训练过程，就是对知识的压缩过程。
大模型的使用过程，就是对知识的解压缩过程。
这个容器，容量大，使用难度低，而且谁都可以用。所以，在知识的广度上，咱们人类是不可能有胜算的。
我认为唯一的解是：Go Fundamental。
也就是说，在AI时代，如果你要学习，不管是哪个领域，一定一定要深入到基本原理层面。
为什么这么说？我总结了两个根本原因。
第一，技术的更新速度非常快，但基本原理相对稳定。而且，基本原理通常具有普遍性，可以应用到多个领域。
举个例子，计算机科学领域的算法复杂度分析，最早可以追溯到图灵那个年代。到了今天，这个这么老的理论依旧被用来评估模型的效率。
什么叫算法复杂度分析？
举个例子，一个客服中心，给50个客户打电话，需要3个人、一天的时间。当客户数量增加到5000的时候，又需要消耗多少人力资源和时间呢？
同样的道理，在大模型领域，当数据量增加的时候，训练时间会怎么变化？它所需要的计算资源会怎么变化？
所以，算法复杂度分析关注的就是，当任务规模增大的时候，完成任务所需时间或资源的增长速度。这个在今天的AI时代依然有效，而且特别重要。
我再举个例子：数学中的优化理论，是算法的核心。比如，训练神经网络本质上就是一个优化过程，目标是找到能最小化预测误差的网络参数。
那么你知道这个优化理论最早是从哪来的吗？
欧几里得在《几何原本》当中讨论了求两点间最短距离的问题，算是最早对优化问题的思考。不过那个时候只是开始思考，还没形成系统理论。
到了18世纪末到19世纪初，在物理问题驱动下，这个理论的基础开始形成。到了20世纪中后期，随着计算机科学的发展，优化理论成为一个独立且重要的数学分支。
这就是为什么说，基本原理基本不变，并且具有普遍性。
那些日新月异的变化，统统交给AI去学习。咱们就把握最基本的、最底层的理论，建立起最扎实的理解。
我相信大家应该都听过这样的话：当你在某个领域爬到山顶的时候就会发现，领域之间其实是相通的——你在这个山顶其实能看到那个山顶。这其实是一个意思，只不过，与其说是向上爬，不如说是向下深入，一直深入到基本原理层面，于是一通百通。
OK，这是第一个原因。第二个原因是，跟AI相比，人类的独特优势在于抽象思考、跨领域联想，以及创造性思维。当这种独特优势和对基本原理的掌握相结合，往往能带来意想不到的、极其巨大的结果。
我举几个牛逼的例子：
达芬奇结合艺术和解剖学知识，创作出精确而富有美感的人体绘画。
毕加索融合非洲艺术元素和欧洲绘画传统，开创了立体主义。
爱因斯坦将数学知识应用到物理学上，提出了相对论。
沃森和克里克结合生物学和化学知识，发现了DNA双螺旋结构。
在我看来，这些都属于把抽象思考、跨领域联想、创造性思维这些独特优势和基本原理结合的成功案例。
试想一下，如果真的能做到Go Fundamental，并且尝试将这些原理与其他领域的知识相结合，去碰撞、去延展、去发散，我相信，这样的个体在AI时代会非常有竞争力。他一定不会焦虑AI，反而能把AI当做杠杠——那么宽广的知识储备就是一根超级长的杠杠，而他自己就是那个支点。这样的超级个体和AI所组成的超级系统，肯定能撬动非常大的质量，取得很高的成就。
OK，以上就是本期内容。今天聊的有点虚，但是我觉得会比之前介绍某个具体的技术、工具都更有价值。大家想进一步交流的话，就来newtype找我，我都在。那咱们下期见！
Key Takeaway
- Deep Research是AI的杀手级应用，能显著提升职场效率，未来将快速普及。
- Deep Research的核心是AI Search的尽头，即AI Research，通过掌握更多信息和控制更多工具实现。
- OpenAI的Deep Research效果最佳，但成本高昂；Google Gemini的Deep Research性能不错且性价比高；Perplexity的Deep Search量大但效果一般。
- Deep Research通过模型协作和多轮分析，能快速完成深度研究，生成思维导图和深度挖掘。
- 文章强调Deep Research普及后，将对职场产生巨大影响，并建议用户尽早学习和使用。
Full Content
Deep Research绝对是AI的杀手级应用。用过都说好。可惜用过的人太少，因为成本真的很高，比如OpenAI要收200美金一个月才让你用。所以，这个东西暂时还没有火出圈。如果你是职场新人，或者很想往上爬，趁着这段时间，赶紧用、赶紧学，不开玩笑。
这么说吧，但凡脑子正常的老板用过Deep Research之后，绝对会想把公司里的初级牛马全部干掉。手段不那么狠一些的，也会强制要求全员使用。然后，用不明白的都给我滚蛋。
我演示一下你们就明白了。需求很简单：帮我分析英特尔与台积电合资的可能性，以及美股投资机会。这个是最近美股投资的热门议题，我已经买入了。
接到需求后，ChatGPT会主动做一轮沟通，把需求里的细节明确一下，然后再正式开工。整个过程一般在10分钟左右，它会去查找几十个网页，然后细细地拆解。这个时候大家可以切到别的网页或者刷刷手机。
我对o1 Pro这个生成结果挺满意的，几分钟时间就完成了初步研究。试想一下，一个月1500块招个实习生帮你搜集资料，能做到这个份上，你已经可以偷笑了！
接下来，可以让这个GPT实习生根据前边的内容生成一个思维导图，这样你会有一个全局性的认识。然后，针对其中某些具体的点，再让GPT去做深度挖掘。这我就不演示了。
所以，身为打工人的各位自己掂量一下：当Deep Research全面普及之后，你们在职场当中该如何自处？
哈喽大家好，欢迎来到我的频道。谦虚地说啊，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经有800多位小伙伴付费加入啦！
回到今天的主题：Deep Research。
目前市面上提供Deep Research产品的厂商主要有三家：OpenAI、Google，以及Perplexity。接下来一定会有更多厂商加入进来。为什么？记住我这句话：
AI Search的尽头，是AI Research。
那么，不管是Search还是Research，又都是为了什么？我前两天在社群里发了这么一段话，我认为：
AI会沿着两条线发展：掌握更多信息，控制更多工具。
其中，搜索、深度研究都是第一条线的关键节点。这是为什么各家都很重视的原因。
动作最快的OpenAI已经把这个产品开放给Pro用户好一段时间了。这一档的月费是200美金，每个月可以用100次的Deep Research。Plus和免费版的用户也别着急，Sam说了，将会向Plus版用户提供每个月10次的额度，免费版用户则是2次。
实话实说，OpenAI的Deep Research是目前效果最好的产品。它不是简单地搜一堆网页，把内容拿回来分析。而是用了大量的模型协作。所以，消耗的Token比别家多太多。它产出的报告，信息密度也是别家的好几倍。不信的话，你去部署那些开源的、所谓的替代品试试就知道了。
但是，很可惜，我不会继续订阅。不是产品的问题，而是降智的问题。
很多人都遇到了降智，特别恶心。这个问题并不是无解。比如，你可以再花一点点钱去搞个静态IP伪装一下。可以是可以，只是那种被歧视的感觉让我非常不爽。我给的美元就不是美元吗？
而且，抛开这些情绪，我判断，这类型产品在三个月内一定会快速普及，成为20美金的标配。
这么考虑下来，我还是会把Gemini当做主力。性能不错，稳定，不恶心人。
我每个月20美金订阅Gemini Advanced，这其中就包括Deep Research的使用权限。这个使用也是有限额的，不过Google没明说，估计是根据用户的使用量来动态调整，满了会提示。
我给大家看一下Gemini这边的效果。跟ChatGPT一样，接到需求后，不会马上开始，而是先做一轮分析，拟定一个方案，跟用户确认好了之后才开工。接着，在几分钟内，它会查找几十甚至上百个网页，直到掌握足够的信息。最后，按照报告的格式进行输出。
没记错的话，Gemini的Deep Research是在1.5的阶段推出的，所以现在是1.5 Pro这个模型，还没更新到2.0。所以，在结果上肯定不如OpenAI那边。但是我相信，等用上Gemini 2.0模型之后，两边的效果一定会齐平。而且，Gemini大概率会提供更多的额度。一是因为搜索上的积累，二是因为Google有TPU。对OpenAI来说，成本才是他们最大的障碍。
OK，ChatGPT和Gemini都聊完了，咱们最后来看看Perplexity。他们是最狠的，给Pro用户每天500次额度，免费用户每天5次。虽然便宜，但是效果也比较一般。
不客气地说：这不是Deep Research，而是Deep Search。
反正我日常都高频使用Perplexity。现在多了一个量大管饱的Deep Search，不用白不用。
Key Takeaway
- 传统RAG在处理复杂查询时存在局限性，无法有效捕捉实体关系和层次结构。
- Second Me项目通过混合记忆架构（结合RAG、GraphRAG和本地模型微调）来解决传统知识库的局限，旨在打造一个能模仿用户风格、语气和关注议题的“第二个我”。
- 混合记忆架构包含三个层级：L0（快速检索层，RAG）、L1（记忆深度处理与结构化层，GraphRAG）和L2（模型个性化微调层）。
- Second Me的部署和训练过程包括自我介绍、上传资料、输入API Key和选择Base Model，核心在于五个步骤的训练。
- 该项目能够实现个人知识库与大语言模型能力的结合，提供更先进的AI交互体验，并具有将个人分身发布到网络供他人调用的想象空间。
Full Content
每一个搭建AI知识库的人，都有一个终极梦想：
把自己手头的所有资料，甚至毕生所学，全都教给AI。这样一来，我们知道的，它都知道。而且，它还有我们不具备的超强计算能力。
简单来说就是：第二个我。
用RAG做不到这一点。过去一年，我出过好多期关于RAG的视频。但是，当我了解得越深、用得越多之后，我越来越明白RAG在技术上的局限性。
你想嘛，无论你用什么样的策略，最终召回的还是那些被切碎的、独立的文本块，这一点不会改变。
要实现刚才说的“第二个我”的终极目标，今天的RAG还太初级。但是我知道，肯定有人在研究、在开发。
Second Me就是截至目前最让我欣喜、最让我看到希望的项目。
它采用混合记忆架构，有点类似于咱们人类大脑的短期记忆和长期记忆。
为了实现这个架构，Second Me把RAG、GraphRAG都用上了，去深度处理用户提供的文档。最后，基于这些处理过的数据，它还在本地微调一个模型。
也就是说，这个项目其实已经脱离了知识库的范畴。因为最后我们进行交互的，是一个完全根据你的风格、语气、表达方式，以及最关心的议题所定制出来的模型，再搭配上结构化处理的知识库。
这样一套解决方案，比我们现在在用的AI知识库，显然先进得多。
哈喽大家好，欢迎来到我的频道。谦虚地说啊，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经有超过1000位小伙伴付费加入啦！
回到今天的主题：Second Me。
这个项目其实是社群里的小伙伴发现的。当时他在星球问我，怎么本地部署。我试了一下，完全没问题啊，一路上没遇到任何报错。
就像GitHub上说的那样，你先把Python和Xcode命令行工具安装好，这是必须的。
然后把整个仓库下载下来。我当时没用这行命令，而是直接下载压缩包。
再然后，用cd命令进入项目文件夹，运行make setup。它会自动安装需要的一切。你就啥也别管，等着好了。
等全部安装完成，用make start命令启动项目，然后打开一个本地链接，就可以开始训练了。这个环节也很简单，就做三件事：
第一，做个自我介绍。因为，你给的资料，最终一定要跟你的身份属性相结合，才能描绘出一个生动的你。不然就只是一堆“死”的数据。
第二，上传资料。你可以直接贴文字进去，也可以上传文档。我是直接把我视频脚本的文件夹拖进去了。
第三，输入OpenAI的API Key，以及根据你机子的性能，选择一个Base Model。
这边我需要说一下。我的机子是M4 Pro芯片，48G统一内存。平时跑7B的模型完全没压力，所以就选了7B。结果到最后的微调环节，内存压力还是有点大的。我不得不把处理项目以外的软件全都关了，才顺利完成。至于OpenAI的API，花不了多少钱。你看，我这边快100个文档，花了3美金。因为它用的是GPT-4o mini，白菜价。
当你把这三步都设置完毕，就可以正式开始训练了。Second Me的核心，就在这五个步骤的训练中。
第一步，它需要下载Base Model，用的是Qwen2.5。最后的微调就是基于这个模型进行的。
第二步，处理用户上传的资料。这边用到了RAG技术，也就是把所有文档切成更小的文本块，然后把文本块转换成向量表示，最终完成基础数据的准备、索引的创建。
第三步，提取更深层次的结构化信息。这应该就是GraphRAG技术。因为通过第二步的处理，我们得到了一大堆文本块，它们都是独立存在的，是散的。但是，如果你站在整篇文章的角度来看，文本块之间，或者说上下文之间，应该是有逻辑关系的。由于RAG技术的局限性，这种逻辑关系丢失了。
所以需要GraphRAG，把人名、地名、概念等等实体，以及实体之间的关系，全部识别、提取出来，形成一个关于你这个人、关于你的知识体系的图谱。
第四步，准备用于微调的数据集。光有用户上传的资料还不足以进行微调。因为这些资料当中，哪些数据需要增强，还得依靠前两步的处理才能知道。比如，跟用户身份特征有关的数据显然需要强化。
第五步，正式开始微调。这一步最吃性能，也最花时间。我从下午等到晚上才搞定。
这五个步骤，其实就是在实现所谓的“混合记忆”架构。这个架构包含L0、L1和L2三个层级。
第二步的RAG，对应的是L0，也就是“快速检索层”。它是一种简单、快速的记忆检索机制。你可以把它看成是人类大脑的短期记忆。
第三步的GraphRAG，对应的是L1，也就是“记忆深度处理与结构化层”。它的目标是深入理解记忆内容，提取结构化信息。你可以把它看成是人类大脑的长期记忆。
第一步、第四步和第五步，对应的是L2，也就是“模型个性化微调层”。它的产物，就是那个经过个性化训练、能够模仿用户，并且利用知识库的Second Me模型。
这一大套的东西，都是为了让三个层级共同协作，实现了一个把用户个人记忆，或者说个人知识库，与大语言模型能力相结合的“混合记忆”系统。
至于怎么使用，很简单：点击“Start Device”，这个项目会通过llama.cpp加载训练好的模型，然后咱们正常对话就好。
因为资料都是我自己写的视频脚本，所以我再清楚不过了。我用下来的感受是，它不像RAG那么机械，没有那种复读机的生硬感。它似乎跟我一样了解所有的内容。这个就是“混合记忆”带来的体验。
说实话，一年前，我跟VC的小伙伴喝茶的时候还讨论过，可以参考人类记忆的特性去打造个人AI分身。现在看到有人实现了，我是真的很高兴。
Key Takeaway
- AI正在改变学习和笔记方式，NotebookLM等工具改变了从文档获取知识的方式。
- Basic Memory项目旨在解决AI长期记忆问题，通过Markdown格式本地保存笔记，并用MCP连接AI，实现自然语言交互。
- 作者的AI笔记系统采用“漏斗结构”，由AI笔记库（Basic Memory创建和管理）和个人管理笔记库（Obsidian）组成。
- AI笔记库由AI自动创建文件夹和标签，作者只负责下达指令和筛选有价值笔记。
- 强调利用AI的智能和效率，将先进生产力引入个人体系，拉开人与人之间的差距。
Full Content
AI正在完全改变我们学习的方式。
比如，能联网搜索的Chatbot，以及更强大的Deep Research，改变了我们从互联网获取知识的方式。
一枝独秀的NotebookLM，改变了我们从文档里获取知识的方式。
现在，我们记录思考，或者说做笔记的方式也将发生改变。我给你们演示一下。
左边是Cursor，右边是Obsidian。我让它帮我记录这条笔记：
开源模型的价值体现在本地化的场景中。但是本地化场景里最重要的是数据和业务流改造，而不是模型。
接到请求后，Cursor调用了一个MCP，完成了笔记的创建。在右边可以看到，它根据笔记的意思，创建了一个文件夹，并且还给笔记打上对应的标签。
那既然它能记录笔记，当然也能完善笔记。比如当我有一些不太成熟的想法时，就可以这么做。
我跟Cursor说，帮我记录并完善这条笔记，关于如何提升AI产品性能。你看，它不仅把我想的东西补充完整了，还根据它自己的知识添加了两点。
我再演示一个很常见的场景。我们平时会遇到一些概念、观点之类的，觉得有价值，但是又不知道它们的确切意思。这个时候就可以让AI帮忙解释，然后记录下来。
比如，“数据中心是新的计算单元”，这个是老黄的观点。我让Cursor解释并且记录。
在这个时候，Cursor先调用了Sequential Thinking这个MCP，进行多步骤推理，确保解释的完整性。当它觉得逻辑完整了，就会开始记录。在右边的Obsidian里，咱们可以看到，它对这一句话做了很详细的拆解。
刚才这些只是非常简单的演示。在实际使用当中，我还加上了搜索的MCP，让AI的信息获取能力更强。而那个帮我记笔记的MCP，叫作Basic Memory，就是我今天要推荐给大家的项目。
哈喽大家好，欢迎来到我的频道。谦虚地说啊，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西比教程更值钱。记得点一波关注。如果想链接我，就来newtype社群。已经有超过1000位小伙伴付费加入啦！
回到今天的主题：Basic Memory。
这个项目主要是想解决AI长期记忆的问题。我们平时跟AI对话，很多东西聊完就过去了、丢掉了，挺可惜的。于是，Basic Memory的想法就是，用笔记的方式存下来。
第一，所有笔记都以Markdown的格式保存。这种格式，人类看得懂，AI也看得懂，再合适不过了。
第二，所有笔记都保存在本地，不用担心隐私泄露。而且有需要的话，可以用其它工具处理，比如Obsidian、Cursor。
第三，笔记仓库和AI之间，用MCP连接。AI可以自动创建笔记、读取笔记。而且由于是MCP，所以完全支持自然语言交互，你直接发号施令就可以。
我其实没想这么多，完全不care什么长期记忆之类的。我的需求很简单：当我跟AI聊到什么有价值的东西，或者我脑子里冒出什么新想法的时候，我希望AI能充当记录员、小秘书的角色，帮我记录、帮我补充。
要安装Basic Memory很简单，一共就两步，有手就行。
第一步，在终端里运行uv tool install basic-memory这行命令。
我来解释一下。这个uv是一个快速、轻量级的Python包管理工具。大家经常安装开源项目的话，肯定有用过pip，比如pip install、pip list等等命令。uv的好处是，速度更快，功能更全。比如包管理、虚拟环境、工具管理，它全都有，不用再装一堆其它工具了。
类似的还有npm，只不过它针对的是JavaScript，这个我就不多说了。
当我们通过刚才那行uv命令安装完毕之后，就可以进入第二步，把这几行贴到配置文件里。
这个uvx是刚才介绍的uv的一部分，属于子命令。用它可以运行Python包里的命令。而且它有一个好处，是可以自动创建一个临时的虚拟环境，很方便。
我是在Cursor里使用的，所以就在Cursor的MCP配置文件里，把这几行贴进去，然后保存。在MCP服务器列表里就可以看到这个项目了。
Basic Memory用起来很简单，就像最开始演示的那样。我重点谈谈我对它的定位和思路。
现在我会有两个笔记库：一个是原来的Obsidian Vault，完全由我亲手创建、亲手管理。另一个是新增的，由Basic Memory创建和管理的AI笔记库。
对于这个AI笔记库，我是完全放手，绝不干预。比如，里边的文件夹设置，每条笔记的标签，都交给AI去搞。我只做两件事：
第一，下达指令。有什么需要记录的，随时跟AI说。
第二，筛选笔记。AI笔记库承接了日常我跟AI对话中有价值、值得记录的内容。我会定期从里边筛选笔记，或者让AI帮我挑，然后放到由我管理的笔记仓库里。
这其实就是一个漏斗结构。AI笔记库是最上边那一层。我要发挥AI的智能、AI的效率，帮我先过一道。
这些是我目前的思路，供大家参考。今天AI发展非常快，不管是模型还是各种工具，都在飞速迭代。所以咱们一定要多动脑子，想想怎么把这些先进生产力引入到自己的体系中来。
你相信我：人和人之间的差距，就是这么拉开的。
OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！