一
信息大爆炸是我一直在思考的问题。毕竟跟我自己的媒体专业相关，看到的更多一点。
新年的第一周，我跟 Y 同学一起讨论出了我作为媒体老编辑相对满意的 AI 方案。跟大家分享一下。
我在过度努力者（Overachiever）的悖论里就提到过，媒介技术的发展一直都在促进人类文明的发展，大幅促进了人类知识的传播。从 500 多年前 15 世纪印刷机的发明开始，到小孔成像实验和电影的出现，我们接收信息的渠道和内容本身一直在不断革新和多样化。
到了今天，电子屏幕的普及让每个人无孔不入地不断接受信息，这背后叠加了几个世纪的科技 buff，他们都在努力获取我们的注意力。
但人类除了寿命有延长，我们的大脑和身体处理信息的能力还停留在原来的状态，所以完全跟不上信息爆炸的速度。
我也曾在《读什么，你就是什么》里提到过，很想做有营养的新闻午餐，因为我自己本身每周会大量阅读，从全球传统媒体到新媒体的各类新闻和信息，也一直有做简报笔记的习惯。
但问题正在于，可以读的好东西实在是太多了。在这个人人都是创作者的年代，虽然噪音很多，但是好内容也很多。每天的更新，我花 24 小时不睡觉也是读不完的，更别提整理自己的知识库（俗称“第二大脑”）这个美梦了。
幸运的是，AI 已经发展到一定阶段，可以让我们直接好好用了。一定的编程基础再加上 LLM 大语言模型的处理能力，其实可以很好地帮助我们解决这个问题。
二
我直接举例子。
关于科技和 AI 的前沿动态，来自英国的金融时报 Financial Times 和坐标硅谷的The Information是我最常订阅的两个媒体。这两家在创投圈很火，并不稀奇。
问题是他们的订阅费很贵，我自己还经常没时间读完。
根据我们自己的全球媒体和信源订阅列表，Y 同学研发了适用于我们社区的知识库工作流，第一步先把常订阅的媒体进行自动化信源采集。这样就把全球的多信源的每日更新存在了我们的知识库里。
比如，我们可以把 The Information 和 FT.com 过去一个月关于AI的信息都自动化收集起来，然后通过 NotebookLM 对过去一个月两个信源的所有AI主题文章进行主题归纳。（NotebookLM 的介绍请看Google NotebookLM：我终于找到了足够聪明的AI读书工具）
这样，我们再也不用简单地去看单一信源了，可以高效输入高质量多信源的主题，并通过LLM大语言模型的能力对其进行归纳。
这背后是有我认为最高效的读书理论支撑的：
第一，对于不同的信息应有不同的阅读方法，且对同一信源而言也应该有不同的阅读级别，这样才能有的放矢。
比如，大多数信息其实不值得逐字逐句地深入阅读，我们只需要用第一层初级阅读和第二层检视阅读来迅速了解概览和框架。在 NotebookLM 里上传来源之后就能迅速看到概览，并且可以通过提问随时提升理解速度。
第二，好多内容其实不用读完，对好内容才需要花大量时间去理解。发现了对于我们真正有用的好内容，我们再进入第三层分析性阅读和第四层主题阅读。
开始进行分析性阅读时就比较费脑力和时间了，这需要我们不断对文本进行系统提问来帮助理解，最好是能实现彻底和系统地分析。从这个层次开始，难度开始增加，那么 AI 的学习能力在这里就可以帮助我们的理解更上一个台阶。
我们不仅可以通过AI对特定主题的多种信息来源进行交互，还可以用AI比较、对比和结合来自不同文本的信息以形成系统理解，最后达到触类旁通。
三
这里看一下案例。
The Information 和 FT.com 截至今天，过去一个月关于 AI 的信息很快可以通过NotebookLM 分析生成月报，方便我们看出趋势。从我这个传媒老编辑的角度来看，我觉得足够好看。
以下是根据 The Information 和 FT.com 的信息源以及我们之前的对话历史，总结出的 2024 年 12 月的三大主题趋势：
想象一下，这里只是两个信源的近 50 篇文章。如果我们增加到目前我们自己社区订阅的全球 50 个左右高质量信源的上百篇文章，而且还是每日更新呢？这就变成了我们社区自己的一个智能知识库，想象一下信息质量可以有多高。
对于自己最想要理解的信息，我们还可以通过和知识库的对话，进行再提取，这极大地帮助我们提升了效率。很多时候，我们对于某个重要的主题是需要反复学习或者是和别人协作学习的。
目前，好的 LLM 大语言工具基本可以做到对于所有 50 个来源的四个层次（概览，检阅、分析和系统理解）随时展开和比较，这是人脑难以想象的理解和整理能力。
四
这还不止。
其实知识库都是一个比较旧的概念，很多笔记软件都已经可以实现，虽然不及我们搭的这个自动化信息收集的内容多，但是配合 AI 的功能也够用。
最新的 AI 趋势其实在代理（agent），也就是AI自动化处理工作流的能力。2025 年，我相信你会在全球看到 AI 代理应用的大爆发。
简单结合我们社区最感兴趣的知识库代理工作流，来给大家说一下两个概念的区别。
工作流的核心是执行任务。AI代理通常被设计为任务驱动型系统，目的是协助用户处理复杂的工作流。例如：
•安排日程；
•自动化数据输入；
•执行跨系统的集成操作；
•根据实时数据触发特定的响应。
这种能力超越了简单的信息检索，强调行动和决策。
知识库的核心功能是存储和组织信息，为用户提供参考。然而，AI代理更多是将这些信息应用到实际任务中。例如：
•知识库可能告诉你“如何编写Python脚本”。
•AI代理则可以根据需求实际生成代码、运行它，并根据结果调整或优化。
此外，媒体午餐的工作流涉及多个步骤，需要 AI 能够在不同情境中进行实时决策：
•信息源的动态变化。
•用户阅读偏好的实时调整。
•与多个信源系统或平台的交互。
这种灵活性需要 AI 代理具备上下文感知能力和任务执行能力，超越了知识库的静态信息功能。
所以，在知识库的基础上，再加入 AI 自动化的工作流，才能真正解决信息爆炸的难题——其实，我们可以在每天早上醒来的时候，等待已经准备好的日报Report。
五
在之前的文章里，我提到我和 Y 同学正在做一个AI从0到1的社区，围绕AI辅助个人生产力的学习和提升，本质也是希望AI能够帮助我们大幅度减少需要处理的信息量，帮助我们完成自己不必要去做的工作。
感兴趣的话，就可以来我们这个社区享用高质量的全球信源整合内容。
在这个时代，AI 很难做到很好的信息把关人（Information Gatekeeper），这正是受到过多年媒体训练的人热爱并且做得更好的。
简单概括一下，我俩一个热爱 Media，一个热爱 Code。用我之前引用过的硅谷投资人 Naval的话来说，
接下来，我们这个《媒体午餐》知识库+工作流具体要如何搭建，其实就看我这个媒体老编辑要给 Y 同学提什么样的信息输入、信息分析和信息输出的需求。我们也不一定非得用 NotebookLM —— 其实可以接上任何好用的大语言模型，估计看具体内容合适哪个模型，就可以调用哪个模型。这样，我们的内容处理能力也会非常灵活。
我真的很开心。感觉多年的难题终于被解决了。
有了知识库+工作流经 AI 处理一层以后。我们只需要看趋势概览就行，对于自己感兴趣的再深入。
2025 年真的有很多好玩的可以做。知识库工作流的定制方案可以非常灵活，且适用于个人的需求——比如适用于投资信息的金融+Crypto 知识库，这也是我在思考的下一个点。
希望我们都能舒适地每天进行高质量的媒体午餐。
