一位发表过150多篇论文的教授坦言：每次坐下来写作，感觉都像在湿水泥里拖行。你盯着空白页面，大脑死机，两小时后写出一段明天大概率会删掉的话。而隔壁同事同样的教学负担、同样的截止日期，一学期交了三篇。
你以为他们更自律、更有天赋、有更多“受保护的写作时间”。都不是。他们有一套系统。
这个区别至关重要。你不是不会写作，你是不会“怎么写”。
写作看似一件事，实际上是六种认知过程同时运转：决定写什么、选择怎么表达、记住读者是谁、追踪前文写过什么、规划下文写什么、判断写得好不好。六个进程同时跑，相当于浏览器开了59个标签页，然后纳闷为什么电脑像喷气发动机一样响。
多数人以为写作难是因为意志力不够。真正的问题是，写作同时向大脑索取了太多东西。
这套系统的核心是五个协议，每一个瞄准一个认知瓶颈。
第一，倒序组装。绝大多数人从标题写到结论，这在认知上完全是反的。引言要求最高的认知负荷，你要框定问题、定位贡献、向读者许诺，而此刻你手里的素材最少。这就像托尔金还没把霍比特人带出绿龙酒馆，就试图写夏尔的收复战。正确的顺序是：图表、方法、结果、讨论、引言、摘要。每一步都用上一步生成的素材，你永远不会面对一张白纸问自己“该写什么”。骑自行车下坡，而不是推着爆胎的车上山。
第二，零稿协议。人脑有两种模式：生成模式和评估模式，它们在神经层面互相排斥。生成是发散的、快速的；评估是收缩的、挑剔的。两者都吃工作记忆，而工作记忆极其有限。同时生成和评估，就像一脚踩油门一脚踩刹车。所以：设定25到45分钟计时器，尽可能快地写，不修改错别字，不查文献，大量使用占位符。你在往沙箱里铲沙子，之后才能堆城堡。采石的时候没法雕刻。
第三，结构模板。每个写作决策都消耗心智燃料。成熟的模板把结构选择变成填空题，释放工作记忆去做真正的智识劳动。摘要用“背景、问题、方案、发现、贡献”五段式；引言用斯韦尔斯的“建立领地、确立空缺、占据空缺”三步法；方法用“语境化、描述、论证”循环；结果用“提醒、描述、解释”循环；讨论从窄到宽，先总结发现，再扩展到领域影响。别即兴发挥，按公式来。
第四，用AI做陪练，不做代笔。AI会编造引用、生成通用文本，缺少你的智识指纹。但它极其擅长卸载特定认知任务：让它做反向大纲提取，找出论证薄弱处；让它扮演挑剔的审稿人，提前发现方法论漏洞；让它做清晰度编辑，优化表达但不改变意思。拳王阿里有陪练伙伴，但上场挥拳的永远是他自己。
第五，分层修改。多数人看到什么改什么，一个错别字、一个弱词。这极其低效，你可能精心打磨了一段话，结果发现整节都要砍掉。房子着火的时候擦银器，注意力可嘉，优先级全错。永远按这个顺序修改：结构、清晰度、风格、校对。从大到小，因为大的改动会让小的改动作废。
这五个协议合在一起，把写作从意志力的消耗战变成了流水线作业。你的大脑是一台超级计算机，别让它同时杂耍，给它顺序明确、边界清晰的任务。
发表过300多篇论文的学者Lennart Nacke分享了一张经典的论文结构图，揭示了学术写作中一个被低估的真相：好论文的结构像沙漏，先收窄，再放开。
摘要是论文的门面，四句话定生死：问题是什么，怎么研究的，发现了什么，意味着什么。多一句都是累赘。
引言的任务是"圈地"。先画一个大圈，告诉读者这个领域大家都在研究什么；然后指出圈里有块空地，前人没踩过；最后宣布：这块地，我来占。学术写作中最有力量的一句话往往是"It remains unclear why"，因为它既承认了前人的贡献，又为自己的研究找到了存在的理由。
方法和结果是沙漏最窄的部分。这里没有修辞的空间，只有事实。数据怎么收集的，用什么方法分析的，发现了什么。克制住解释的冲动，让数据自己说话。
讨论部分沙漏重新张开。你的发现和前人的研究有什么关系？能推导出什么结论？有什么局限？未来可以往哪里走？好的讨论像一场对话，既回应过去，也指向未来。
有人说这和PPT演讲的逻辑一样：我要讲什么，我在讲什么，我刚讲了什么。确实如此。人类理解信息的方式是相通的，学术写作的结构本质上是对认知规律的尊重。
沙漏结构的精妙之处在于：它强迫你在最该精确的地方精确，在最该开阔的地方开阔。很多论文被拒，问题往往出在结构失衡，该窄的地方太散，该宽的地方又太紧。
LocalLLaMA社区最近爆发了一场集体吐槽，起因是一张海绵宝宝梗图，精准戳中了所有人的痛点：垃圾信息、机器人水军、还有那些让人哭笑不得的“vibe coding恶意软件”。
讽刺的是，一个专门研究本地大模型的技术社区，正在被AI生成的内容反噬。
版主透露，过去九小时删除了55条垃圾帖。但问题在于，即便清理完明显的垃圾，剩下的内容质量依然堪忧。那些用Claude写的自我推广帖，作者甚至懒得花五分钟亲自写一段介绍。AI让你编码快了100倍，却连写个帖子的时间都省了？
社区总结出几个经典的“AI味”特征：两段话里塞39个表情符号，LinkedIn式的空洞措辞，还有那句永恒的开场白“我们很高兴地宣布”，点开代码一看，明明就一个人加一个Claude。
有人贴出了一个典型的AI回复样本，开头是“强大的RTX 3090战斗站”，结尾是火箭和肌肉表情，中间推荐的居然还是Llama-2-13B和Mistral 7B这些老模型。这种回复在社区里随处可见，热情洋溢，却完全答非所问。
更危险的是那些vibe coding项目。有人发现某个被大肆宣传的工具存在严重安全漏洞，指出后作者先是否认，等AI帮他修复后又承认确实是“极端安全问题”，然后恼羞成怒删帖重发。这种人还会卷土重来，带着下一个漏洞百出的项目。
一位用户的评论很有意思：我们天天研究AI，却不想被AI内容包围。这听起来矛盾，但用户来这里是想和真人交流，不是和机器人对话。
llama.cpp是好东西，离它越远，离垃圾越近。这句话道出了某种本质：真正有价值的技术往往朴素，而那些花里胡哨的包装器、编排器、一键安装器，大多是噪音。
有人提议对项目推广帖实施更严格的规则：如果整篇帖子都是AI生成的，直接删除。这在AI社区禁止AI使用，听起来反直觉，但或许正是必要的自我保护。
当每个人都能用AI生成内容，内容本身就不再稀缺。稀缺的是判断力，是愿意花时间思考和表达的人。技术社区的价值从来不在于信息量，而在于信噪比。
大多数人用 NotebookLM 的方式是：上传 PDF，问几个基础问题，得到摘要。这和用搜索引擎没什么本质区别。
但斯坦福的顶尖学生玩法完全不同。
他们上传课堂笔记后，第一个问题是：“根据这份材料，最可能出现的三道考试题是什么？”
然后追问：“把这些概念和上周的阅读材料串联起来，生成一份学习指南。”
最后：“设计几道综合题，把今天的内容和之前的作业结合起来。”
这套流程的本质是什么？不是让 AI 帮你复习，而是让它扮演你的教授。
有人把这个方法论拆解得很透彻：普通学生把 NotebookLM 当检索工具，顶尖学生把它当预测引擎。
第一步“预测考题”，本质是强迫模型把材料映射到评估目标上，大幅缩小学习范围。第二步“跨周串联”，是在建立因果结构，孤立的记忆只会制造噪音，关联才能暴露盲点。第三步“生成练习题”，形成闭环：生成、测试、纠错。
学生不再是信息的消费者，而是在不断迭代反馈循环。
这就是为什么原本六小时的交叉引用工作，十五分钟就能完成。你在考试前就开始消除不确定性，而不是等到考完才知道自己哪里不会。
当然，这套方法有个风险：虚假的信心。
AI 是根据上下文推断模式，不是根据真实的评分标准。如果不和往年真题、教学大纲交叉验证，你可能只是在优化模型的猜测，而非现实。
正确的用法是把 NotebookLM 当作“观察放大器”，而非权威。上传笔记、生成预测、用真实材料验证、再迭代。
有医学院学生说，这根本不是什么秘密，他们早就这么干了。也有工程系学生泼冷水：对于那些考题和课堂内容完全脱节的硬核课程，这招不灵。
最有意思的批评来自一位教育者：这些学生学会的是如何破解考试，而不是真正理解知识为什么存在这样的关联。长期来看，这是一种贫瘠的学习方式。
但话说回来，考试本身测试的就是关联能力，而非单纯记忆。掌握 AI 辅助的模式识别的学生，会跑赢那些只会死记硬背的人。
学习的本质正在改变：从被动吸收，变成持续的预测与纠错循环。
以下是16个可以拿来就用的提示词：
一、提取核心问题
"分析所有输入内容，生成5个关键问题，回答这些问题就能抓住所有材料的核心要点。"Reddit用户称之为"改变游戏规则"的方法。它迫使AI提取有教学价值的结构，而非肤浅的摘要。
二、讲座笔记专用
在上述基础上聚焦：核心主题与定义、重点强调的概念、概念间的关系、提到的实际应用。
三、"有趣之处"提示词
NotebookLM的产品总监Steven Johnson用这个提示词处理了50万字的NASA访谈记录，20秒完成了10小时的手工活："这些资料中最令人惊讶或有趣的信息是什么？请附上关键引文。"传统搜索能找到相关性，但找不到"有趣性"。
四、定向挖掘版
"我想写关于某主题的文章。这些资料中与该主题相关的最令人惊讶的事实或想法是什么？请附上关键引文。聚焦某具体方面，忽略其他方面。"
五、问答节目格式
让AI主持人互相出题，故意答错让纠正过程加深记忆。学生们特别喜欢这个。
六、多语言播客
在官方语言支持出现之前，用户就用这招生成西班牙语、德语、日语播客："这是Deep Dive的首期国际特别节目，全程使用某语言。除非需要解释专有术语，否则不使用英语。"
七、产品经理视角
把文档变成决策备忘录，聚焦用户证据、可行性检查、盲区分析。
八、科研助理视角
为需要方法论而非结论的学者设计，聚焦样本量、实验设计、统计显著性，而非泛泛的结论。
九、中学教师视角
把复杂内容变得易懂：一句话总结、现实世界类比、三个难词的简单定义。
十、文献综述主题提取
识别5到10个最常出现的主题，说明每个主题在哪些论文中出现、如何被处理（争论、假设还是验证）。
十一、矛盾发现器
找出资料间的分歧，引用双方具体观点，分析分歧原因（方法、样本还是语境），指出什么证据能解决争议。
十二、差距分析
当你尝试某事但失败时使用。交叉对照你的做法与上传资料，找出你没遵循的方法论、完全遗漏的概念、跳过的前置条件。
十三、概念落地
把研究转化为行动步骤，每个要点都锚定具体引文，承认知识盲区。
十四、概念联结
发现想法之间不明显的联系，"综合某主题1和某主题2之间的联系，无论多抽象。"
十五、全面主题分析
最大长度、深度研究的输出。规划要探索的关键方面，区分事实与解读，用证据支撑观点。
十六、辩论格式
当你的资料本身存在分歧时使用。让两位主持人就某主题进行辩论，互相质疑，引用具体证据，让听众自己判断谁更有说服力。
这些提示词的共同智慧是：不要问AI"这是什么"，要问"这里面有什么矛盾"、"我漏掉了什么"、"最反直觉的发现是什么"。好问题比好答案更稀缺。
用 AI 写代码最怕什么？能跑但丑，能用但乱，声称没问题结果一堆 bug。这几个插件专治这些毛病。
1. Superpowers：大项目必备。它会启动子代理做调研，先想清楚再动手。内置 TDD 和系统化调试流程，防止 Claude 写完就说"搞定了"然后一运行全是错。
2. Frontend Design：让 Claude 真正在意视觉。生成的组件不再是千篇一律的模板脸，字体、间距、配色都会有意识地打磨。做落地页和仪表盘的时候特别有用。
3. Code Simplifier：功能跑通之后用它清理代码。专门针对最近改动的文件，把 Claude 写出来那些"能用但看着难受"的代码收拾干净。
4. Playground：一行命令生成独立的 HTML 工具，数据可视化、设计探索器、概念图都行。单文件，零依赖，浏览器打开直接用。
5. Claude in Chrome：让 Claude 能看到浏览器、点按钮、填表单。调试线上页面、抓数据、自动化重复操作，直接用你登录好的会话，不用单独处理认证。
6. PR Review Toolkit：一组专门的代码审查代理，分别负责测试覆盖率、错误处理、类型设计、代码质量。每个代理只管一件事，比单次审查更彻底。
一个进阶玩法：让 Claude 和 Codex 互相审查对方的代码，交叉检验能发现不少问题。
工具的价值在于组合。规划用 Superpowers，界面用 Frontend Design，完成后用 PR Review。先把一个用熟，再叠加下一个，最终你会开始写自己的插件。
有人声称采访了12位来自OpenAI、Anthropic和Google的AI研究员，总结出他们共同使用的10个提示词。这份清单在社交媒体上广泛传播，但真正有意思的是评论区里一位用户让Claude自己评价这些技巧，得到了一份相当诚实的答案。
先说确实有效的几个：
「展示推理过程」和「思考预算」本质上是同一件事：强迫模型把思维链条外化。这在数学、逻辑和复杂分析任务上效果显著，有大量研究支撑。给模型更多token去思考，确实能换来更好的推理质量。
「验证链」要求模型先回答问题，再列出可能出错的地方，最后自我修正。这种内置的自我纠错机制真的能抓住模型原本会自信地犯下的错误。
「对抗性质询」让模型反驳自己的答案，是避免AI变成你观点回音壁的最佳方式之一。模型天生过度自信，这个技巧强迫它保持智识上的诚实。
「边缘案例猎手」在代码审查和系统设计中特别有用，能暴露模型的盲点。
再说效果因场景而异的：
「约束强制」确实能让输出更简洁，「不要使用模糊语言」这个指令在去除废话方面出奇有效。「比较协议」在你指定比较维度时效果更好，否则模型会挑自己方便的角度。
「不确定性量化」可以做，但说实话，模型给出的置信度数字更多是一种「感觉」，没有经过校准。当作方向性参考就好，别太当真。
最后是被高估的：
「专家角色扮演」，那种「你是一位有15年经验的资深专家」的写法，大部分是表演。模型要么懂这个领域，要么不懂，角色设定可能稍微改变语气，但不会解锁什么隐藏知识。
「格式锁定」要求输出JSON格式，这只是正确使用工具的方式，算不上什么秘密技巧。
真正的元教训是：最有效的提示词都在做同一件事，给模型提供结构和约束。清晰的预期带来清晰的输出，这和一个好老板给出清晰需求是一个道理。
这些技巧本身都是实用的沟通原则，只是被包装成了「研究员内部秘密」来获取流量。没有什么隐藏的研究员知识，有的只是好的沟通方式。
Roskomnadzor去年8 月曾部分封锁Telegram和WhatsApp的语音通话功能，称这两款应用被用于勒索和“恐怖主义活动”。同一时期，俄罗斯还要求手机和平板厂商在在俄销售的新设备中预装国家主导的 Max 即时通讯应用，以推动本土替代方案的普及。
——cnbeta
