huangyihe@newtype.pro ~ $

学习方法

AI不会替代你，但是…

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？

AI时代，如何学习？

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！

别学提示词，学逻辑

Key Takeaway

  • 提示词的本质是通用沟通技巧，而非AI独有技术，其底层是逻辑和方法论。
  • 学习提示词应侧重于提升逻辑思维、沟通方法论和写作能力，而非购买提示词课程。
  • 好的提示词需要针对不同AI模型的“认知模式”进行优化，这需要通过反复尝试和对比来了解。
  • 对于普通用户，掌握提示词的底层逻辑即可，无需深入模型优化层面。
  • 文章批判了提示词工程的“天花板低”和“被小白崇拜”的现象，鼓励追求更高层次的认知。

Full Content

最近很多人问我怎么学提示词工程。尤其是要不要买那些提示词课程。我回想了一下，做了快一百期的AI视频了，还真没聊过提示词。所以本期就算是一个统一回复。

先说结论：别学提示词，更别买那些课程，没用。

提示词有两层。处于最底层的，是逻辑和方法论。就像我在星球里说的，这一层跟AI没啥关系。

你想嘛：提示词的本质是什么？

一句话：通过清晰的逻辑结构和表达方式，向AI传达任务或问题。

用户提供明确的目标、上下文、约束条件，最终引导模型输出符合预期的结果。

所以，提示词说白了就是组织语言来驱动模型推理，它其实是一个通用的沟通技巧，非常类似人类之间的任务指令。

我举个例子，你们就明白了。

我问Claude一个观点性的问题：你对本赛季皇马的表现有什么观点？

Claude使用MCP搜了资料之后，采用我们常见的“总分总”的逻辑来回答：

在开头和结尾提到了皇马依旧是顶级俱乐部，仍然很有竞争力；中间列举取得的成绩，当然也包括一些挫折。

抛开结论不说，这个回答看起来没什么毛病。大多数人在表达观点的时候如果能做到“总分总”就已经非常不错了。

但是，如果你的逻辑好，懂一些关于表达的方法论，那么AI给出的答案会很不一样。

我开了个新窗口。这一次，我给了Claude一套我最常用的方法论。

使用Point-Reason-Example-Point的逻辑进行回答。

  • Point：先提出观点；
  • Reason：给出理由；
  • Example：基于观点和理由，给出对应的例子；
  • Point：最后重申观点。

还是同样的问题：你对本赛季皇马的表现有什么观点？

你看这一次，Claude的回答就清晰非常多了。

首先，它给出明确的观点：皇马多条战线失利，表现不尽如人意。

接着给出理由：伤病问题，战术体系没闭合，跟巴萨的关键比赛都输了，几个核心球员的共存问题。

然后举了一堆例子：比如，欧冠、西甲、国王杯、超级杯都挂了。

最后，再次重申观点：皇马本赛季四大皆空，哪哪都是问题。

刚才我给的那套提示词——Point、Reason、Example、Point，也就是PREP，是专门用来组织、表达观点的方法论。

那么，这套PREP属于“提示词工程”吗？是，也不是。

说是，是因为，我确实把它放到提示词里了，发挥了提示词的作用。

说不是，是因为，它压根就不是什么独特的、专门给AI用的东西。我写脚本的时候都在用。我平时说话的时候也经常不自觉地在用。为了让AI的观点表达更有逻辑，我把这套东西教给它，仅此而已。

类似的例子还有很多。你只要把那些花里胡哨的提示词拆开来，仔细研究就会发现，给模型下Brief，其实和给你的同事、你的供应商下Brief是一样的。就像前边说的，它真的就是一个通用的沟通技巧。

如果你像我一样，有很强的逻辑，也很懂得提炼方法论，那么完全不需要专门去学什么提示词工程。我看到任何关于这方面的内容都是直接跳过的。

如果你自身的逻辑不太行，那么学了提示词有没有用呢？有，但是不多。因为没有逻辑能力的支撑，你很难举一反三，只能在有限的场景里使用别人做出来的提示词。

这个就是今天提示词课程的尴尬。懂的人不需要，不懂的人用起来也就那样。而且卖课的人不敢教最底层、最本质的东西。因为一旦戳破了，大家就会发现，这跟AI关系不太大。一旦没了AI这个噱头，还怎么卖钱？

所以我才建议社群里的小伙伴，别去买什么提示词的课程。要学就去学逻辑，学沟通的方法论，学写作的方法，等等，都可以。但就是别特意去学什么提示词。

OK，这是提示词的底层，大家都理解了。那么，再上一层，是针对模型进行优化。

不同AI模型对提示词的敏感度、理解方式和响应风格不同。比如，有的模型需要很具体的指令，有的模型更擅长处理开放式问题。

所以，好的提示词需要针对模型的“认知模式”进行优化。

那么，我们怎么知道各种模型的“认知模式”呢？很遗憾，只能靠反复尝试、对比，逐渐了解模型的行为模式。

比如，上下文敏感度，看看模型会不会遗漏关键细节；指令遵循性，看看模型会不会忽略细微的指令；创造性，看看模型想象力有多少。

对于普通用户来说，完全不需要进入到这个层面，只需要把最底层、最基础的做好就行了。就像我刚才演示的那个例子，模型给出的观点表述会好得多。

如果你真打算靠提示词收割流量，那就花点时间进入第二个层面。要当个所谓的“提示词大佬”一点都不难。只是挺无聊的。一是因为天花板太低了；二是因为整天被一群小白崇拜。

鹤立鸡群不值得骄傲。离开鸡群才是当务之急。

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！

学习Agent，从dify开始

Key Takeaway

  • Agent平台分为生态流派（如钉钉）和工具流程流派（如dify），dify通过提供知识库和工具来创建Multi-Agent System。
  • 学习Agent应从dify入手，因为它将代码逻辑以直观的流程图形式呈现，便于理解和实践。
  • dify的工作流设计强调逻辑和流程的整体性，大模型仅在需要时介入，而非主导一切。
  • 工作流可以根据用户输入进行条件判断和分支处理，实现更精细化的任务执行。
  • dify的工作流示例（如文本总结）展示了如何结合知识库和Prompt来提升大模型的专业能力。
  • 通过dify实践Agent，有助于建立对Multi-Agent System的基本认知，并为学习其他Agent框架打下基础。

Full Content

Agent平台有两大流派：

一是生态。比如钉钉这种。

在钉钉上边，已经承载了大量企业的部分业务，沉淀了很多内部数据。这时候你在原有生态基础上添加Agent，让企业能调用大模型的能力，并且围绕这个能力去构建智能化的工作流，是非常顺理成章的事儿。

二是工具流程。比如dify这种。

dify提供了创建Multi-Agent System需要的两个基础：

知识库和工具。其中，工具你可以用现成的，也可以自己创建。在这两个基础上，你再去搭建Chatbot、Agent，或者一大套工作流。

很多小伙伴看了我前几期视频，跑来私信问我该怎么学习Agent。我的建议是，通过擅长工具和流程的dify来上手。两个原因：

第一，之前在知识星球newtype里反复讲的——Agent最核心的，不是技术，而是工作流，是你想让它们具体怎么做。

dify在这方面做得特别直观——它把代码的逻辑，用流程的方式，在画板上呈现出来。你一用就明白。我待会儿会演示。

第二，也是我之前总强调的，Learning by Doing，边做边学。

对咱们来说，AI不是一个理论问题，而是一个实操问题。而dify特别适合拿来拆卸和组装。你就把它当作玩具、当作积木。当你把一个Workflow跑通了，不仅能学到点东西，而且还挺有成就感的。

那么，具体该怎么上手好呢？很简单：

先看看人家是怎么做的。dify官方提供了好多现成的工作流，你随便挑一个感兴趣的，拆开研究研究。然后再自己亲自动手，搭建一个简单的试试。

我带大家过一遍官方提供的工作流Sample，这个叫“文本总结工作流”。

一般来说，一套工作流是以用户的输入作为起点的。在这个文本总结工作流里，它要求用户输入需要总结的文本，并且选择总结之后是个概述，还是技术摘要：

如果只是概述的话，那很简单，直接让大模型搞就好；如果是技术摘要的话，就会涉及到很多专业的概念和表述，这就需要用到知识库，毕竟大模型的预训练资料中不包含这些Domain Knowledge。

第一步让用户二选一，那么在第二步，就需要根据用户的选择，做一个条件判断，用到if、else——这个对有编程经验的小伙伴来说，应该非常亲切。

因为有了条件判断，所以在第三步出现分叉，就像前边说的：

如果用户要的东西会涉及到专业内容，那么就去知识库里检索一下。然后把用户要总结的文本，以及从知识库里找到的相关内容一起给到GPT-3.5。

如果用户单纯只是要一个文本的概述，那就直接把需要总结的文本给到GPT-3.5，省掉知识库检索的步骤，速度会快一些。

当分叉的第四步完成之后，第五步就是把两个分支进行合并。不管是哪种情况，反正把结果拿过来，给到第六步，套进一个模板，最后全部完成。

这就是一个典型的工作流。我之所以拿出来介绍，是希望大家能理解人家的思路：

第一，大模型并不是全部，而是在一些需要它发挥作用的环节才出手。最重要的还是逻辑、流程，是一个整体性的东西，需要你有全局观。

就像刚才那个分叉，你如果在一开始没有特意让用户帮你做一个选择，以及后边不加条件判断环节的话，那你只能不管三七二十一都去知识库里做检索，这样速度会慢很多。

第二，如果涉及到知识库的话，需要给大模型提供两个东西：知识库里检索到的信息，和最初用户的需求。这一步跟RAG里的流程是一样的。

这两个输入，可以在大模型的Prompt里交代清楚。你愿意的话，可以在这边把你期望的格式也告诉大模型，其实也就是CrewAI里的expected output。

除了我刚演示的官方Sample，其它的也建议大家看看，就知道一般都有哪些玩法了。举个例子：

如果需要根据用户的输入来判断后边怎么执行的话，除了刚才那个if、else的条件判断，还可以用“问题分类条件”——根据不同的内容，去对应的知识库里找参考资料，然后再给大模型回答。

当你把这些现成的工作流都吃透了，就可以自己上手组装一个了。一旦跑通了，你对Multi-Agent System的基本认知就有了。

假如你之后学了某个Agent框架（比如AutoGen）就会发现，逻辑都是一样的。而有了在dify上建立起来的理解，你再用Agent框架应该会顺手得多。

OK，以上就是本期内容。有什么想聊的，来知识星球newtype找我，我都在。咱们下期见！

详细版！我是如何用AI学习的

Key Takeaway

  • AI将成为衡量个人能力的标准，其应用能力将成为基本技能。
  • 作者分享了一套AI学习法：首先对议题进行拆解，梳理个人初步判断和问题，为AI提供上下文。
  • 利用Gemini的Deep Research功能生成多份详细报告，并通过Google文档导入NotebookLM进行AI辅助学习。
  • 使用Cursor结合Gemini 2.5 Pro对所有资料进行整合、精简和脱水，最终输出为Markdown格式的文件。
  • 强调Markdown格式是AI时代最适合的文件格式，便于人机理解和长期保存。
  • 整个AI学习流程显著提高了学习效率，拉开了人与人之间的差距。

Full Content

很快，AI就会成为人的标准。

AI生成的东西，是平庸的标准。如果你做出来的东西，比如写了一篇稿子或者弄了个报告，比不过AI的话，那么你在这个方面就是平庸的。

对AI的应用，是基本技能的标准。不会在工作中把AI用起来，就好比今天不会用Office软件。不会在学习中把AI用起来，就好比今天不会用搜索引擎查资料。

我一直觉得，今天的AI已经足够强了。按照这个趋势再更新一代，也就是GPT-5、Claude 4、Gemini 3.0的那一代，AI就会达到一个成熟的状态。AGI能不能实现不重要，因为现有的已经足够深刻改变人类社会了。

大部分人还意识不到这一点。这就是为什么我要一直出视频的原因——我要把那些能看到未来的人筛选出来、聚集起来。本期视频，我会用一个具体的例子，分享我目前是怎么用AI学习的。如果你看了有感觉，记得加入我们社群。

OK，咱们开始吧。

当我想深入了解某个议题的时候，我不会直接问AI，而是先自己做拆解。

比如，我对AI PC有疑惑。如果我上来就直接问AI，那大概率就是：请给我生成一份AI PC发展趋势报告。

不客气地说，这种搞法，是非常低效、无效的，也是非常没水平的。我不用看结果都知道，肯定是一份四平八稳、特别水的报告。

正确的做法是，你要先在自己脑子里过一遍，先做拆解，把你对这个议题的初步判断、大致理解、特别想弄明白的问题梳理出来。比如，关于AI PC，我特别想知道的有两点：

第一，AI PC是不是伪命题？

我知道，在最关键的算力问题上，AI PC用CPU、NPU和GPU来分配和调度。那么，NPU真的靠谱吗？真的不是鸡肋吗？这个在我这边是要打个问号的。

所以第一个问题其实是关于这个品类的问题，会涉及到品类的定义、行业的标准。

第二，AI PC发展得起来吗？

我知道，目前除了英特尔在推，高通、AMD也都在搞。虽然我还不了解具体情况，但根据江湖经验，大概率这三家会有自己的路线、架构以及工具链。这就会给开发者造成很多优化上的麻烦，因为标准不统一嘛。

所以第二个问题其实是关于行业格局、生态发展的问题。

你看，这个做拆解的过程，其实就是融入个人思考上下文的过程。对于一个议题，每个人都有不同的理解、不同的侧重点。你不做拆解，就无法提炼出来，就无法给AI提供更多的Context，那AI又怎么可能生成你想要的东西呢？

就像我之前在社群里说的：

AI时代，答案都在那里，只要你能问对问题。

当做完拆解之后，我就可以通过Deep Research生成多份报告，各有各的针对性。就像AI PC的例子，我让Gemini帮我生成了两份报告。

为什么是两份而不是整合成一份？因为单份的会更详细、更聚焦。而且，两份报告之间肯定有重叠的部分。没准能互相补充或者验证。

报告好了之后，就可以导出到Google文档了。我前两天在社群里说过，这是别家都没有的功能和体验。因为，导出之后，就可以在NotebookLM里添加了。

NotebookLM是目前最好的AI学习工具，我推荐过好多次了。它特别适合有教材、有文档的场景。

在这个框的左下角，我们可以从Google文档里加载。刚才导出的两份Deep Research报告都在里边。

等个几秒钟，模型会完成解析。这时就可以对话了。比如，我会问它：AI PC是伪概念、智商税吗？NPU是鸡肋吗？英特尔、高通、AMD在发展AI PC上，有哪些路线、架构的不同？

这些回答，如果觉得OK的话，可以Pin一下，把它们变成笔记。

我知道，有的人可能还是会抱怨，Deep Research出来的东西还是不太行。其实在我看来，不管是好的反馈还是坏的反馈，都是反馈，都有价值。

比如Gemini做这两份报告，应该查了上百个网页，把目前关于AI PC的公开报道都覆盖了。所以，假如这两份报告不太OK，我也会很高兴——因为它代表了目前媒体、自媒体的看法，说明目前的市场共识是有问题的。而我将要去挖掘更正确、更有可能成为下一阶段市场共识的非共识。

如果你有投资、有创业的Mindset，遇到这种共识偏差情况，应该会非常兴奋。当然啦，普通大众没有，他们只会抱怨。

好了，不跑题。我这个AI学习过程还没完，咱们继续。

通过刚才的问答，我们在NotebookLM的帮助下，把资料消化得差不多了，也保存了一些笔记。那么下一步，我会让AI帮我把所有的资料都整合成一份，包括最初生成的两份报告，以及在探讨过程中存下来的、我感兴趣的笔记。

之所以要这么做，主要原因是，学习不是这一趟学了就完事了——之后还得重温，还得学而时习之，有需要的时候肯定还会回来翻看。所以，我需要把这个过程中的所有产出都整合，变成一份完整的东西。而且，还要做精简、脱水，只保留最精华的部分，这样下一次我查看的时候，效率更高。

为了实现这个效果，我这边用到Cursor，搭配Gemini 2.5 Pro。

Gemini新手教学

Key Takeaway

  • Google Gemini提供了教育优惠，可免费使用Gemini Advanced、NotebookLM Plus和2TB网盘空间。
  • Gemini的超大上下文长度（100万token）使其在处理长文档（如PDF翻译）方面表现出色，远超其他模型。
  • Gemini与Google生态系统深度整合，能无缝处理YouTube视频总结（带时间戳）、Gmail邮件翻译和回复、Google Docs和Sheets的内容编辑和生成等。
  • Gemini的强大生态和模型能力使其在AI应用竞争中具有显著优势。

Full Content

最近是入手Gemini的好时机。因为Google推出了教育优惠，可以免费使用15个月的AI产品，包括Gemini Advanced、NotebookLM Plus，以及2TB的网盘空间。

我在Twitter上看到好多人已经薅到这一波价值300美金的羊毛了。听说那些卖教育邮箱的都赚翻了。具体方法网上很多教程都有，这里就不展开了。

那么，当注册好之后，该怎么用好Gemini呢？我这边分享两点经验，也是Google和OpenAI在模型及产品方面的很大不同。如果你有好的用法，也欢迎在评论区告诉我。

第一，上下文长度。

当大部分模型还停留在128K的时候，Gemini已经达到100万了，并且之后还准备扩展到200万。所谓上下文长度，你可以简单理解就是AI一次性能处理多少内容。那么，超大上下文不管是在编程还是日常使用，都非常有价值。我演示一下你们就明白了。

我这边有一份几十页的PDF文档，分别让ChatGPT和Gemini帮我全文翻译。

先来看ChatGPT这边。当我把文档扔进去之后，它说，这个文档太大了，只能分批翻译。

而Gemini那边特别干脆，直接一口气就全搞定了，而且速度快多了。

你看，这个就是硬实力，也是我非常喜欢Gemini的原因。这就好比是，ChatGPT一杯酒扭扭捏捏还没喝完，Gemini已经吹一瓶了。

所以，以后有任何英文的PDF，你都可以放心交给Gemini处理。“全文翻译”这四个字的含金量，你用了就知道。

第二，生态打通。

AI已经到了拼应用的阶段了。这个时候，有生态和没生态，那完全是两种用户体验。

举个最简单的例子：处理YouTube视频。

很多YouTube视频非常有质量，比如Lex的。但是，他的播客动不动就三个小时，我是真没时间看下去。所以，贴到Gemini里边，让它帮我总结Key takeaway。

这时可以看到，Gemini会调用YouTube，把Key takeaway和对应的时间戳都一起输出。如果对哪个部分感兴趣，点击时间戳就可以直接跳转过去，非常方便。

作为对比，我把同样的需求给到ChatGPT。它应该是调用第三方插件完成的，但是效果差多了。一是颗粒度不够，二是没有添加用来跳转的时间戳。

把YouTube链接给Gemini处理算是比较高频的需求了，不管你是学习还是做自媒体都用得着。除此之外，Gemini跟Google的其它产品还有更多联动。

之前我在视频里分享了Gemini Deep Research、Google Docs、NotebookLM之间的配合。其实，Gemini已经遍布Google全家桶。

当你成为付费用户之后，打开Gmail就会看到，右侧多了Gemini的对话窗口。你可以让它帮你翻译邮件，或者起草一个英文回复，把大概意思告诉它就好。

还记得刚才我让Gemini全文翻译的文档吗？因为我打开了Canvas功能，所以可以把结果导出到Google Docs。然后，在Google Docs里边，可以对这个文档做进一步的编辑处理。

比如，我可以让Gemini更通俗易懂地总结全文核心要点。然后在文档的开头直接插入。

除了操作文档，Gemini还可以帮我们操作表格。这个太无聊了，我就不演示了。简单来说就是，以前我们在单元格里输入等号，然后可以做一些加减乘除。那现在有了Gemini之后，同样输入等号，后面跟AI加括号，就可以把提示词和要操作的单元格输入进去，让AI帮你搞定。

你看，这个就是老牌互联网厂商的家底。人家要模型有模型，要生态有生态。你要是敢打价格战，人家高兴还来不及呢。OpenAI作为新公司，上半场很风光，到了下半场的淘汰赛，会很有压力。

刚才介绍的那些，都是最常用的。除此之外，还有Gem可以做定制化，输入提示词、上传文档就行，这个大家就自己尝试吧。

OK，以上就是本期内容。想交流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！