DeepResearch
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
- 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
- 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。