这听起来是个小区别。它却是「一篇下个月还能信的笔记」和「一篇得重新核对的笔记」之间的全部差别。

为什么改写是错误的默认做法​

一个被要求「清理一下」笔记的 AI，会很乐意做得比清理更多。「封面是不是太暗了？」变成了「封面太暗了。」关于一家供应商的三段碎片，变成了一段整齐的文字，末尾还带着一条没人提过的建议。每一处改动读起来都不错。合在一起，它们把你对发生了什么的记录，变成了模型对可能发生了什么的猜测。

伤害会在之后显现。一篇笔记只有在你不用重新核对就能据以行动时才有用，而一个月之后，你分不清哪些句子是你自己的。所以我们把线划在了一位好秘书会划的地方：把话好好记下来，放进对的卷宗，不掺进自己的看法。

它每次都会修正的​

活的前一半是书记员的。每一条快记都得到同样的处理，不管多短：

• 措辞。 错别字、多打的一个字、语音识别听错的同音词、语法和语序都会修正——只有一行的笔记也一样。早先的版本会放过短笔记；正是那些幸存下来的错别字，让我们改掉了这一点。
• 形式。 口头禅和说一半改口的去掉；你在句中改口时，只留改正后的版本；要点放在前面；你要做的事变成一条待办。短短一行，不会被加上它不需要的标题或项目符号。
• 位置。 想法会放到你本来会放的地方：它的标题下、它所接续的那一条之后；如果那一节是列表，就放进列表里。

如果你想让某一行完全照你打的保留，就说一声，那样只会动标点。

它不会做的​

第二条规矩，让第一条变得安全。你给出的每个要点、人名、数字和语气都保留。问句还是问句——不会替你回答。「也许」不会变成「肯定」。什么都不添：没有你没给的例子，没有末尾的总结，没有你没决定的下一步。

这也包括在快记中途出现的、要求新写内容的请求。「把上面这些整理成一封给客户的邮件」是实打实的活，它永远不会被当作你写的东西塞进笔记。它会先记为一条任务，并提供执行的入口——或者，如果你一开始就是把它当作指令，就按 ⌘Enter 而不是回车，它会作为一处单独的改动完成，逐字预览。对已有内容的修改——改这个标题、合并那两条、挪那一行——会直接执行，因为它们是在重新排列你的字，而不是编造新的字。

拿不准的时候，它会说出来​

修正拼写意味着猜测，而对人名的猜测正是最容易出错的。所以它没把握的修正会被列出来——「lina → Lena」——就在改动旁边，在你接受之前。大多数时候这张清单是空的。不空的时候，上面通常就是那个会在邮件里让人难堪的字。

而且你接受之前，什么都不会写入。一条快记以笔记上一处带标记的改动到达：修正后的文字、它要放到哪里，外加「接受」和「拒绝」。笔记里它没有归入的部分，一点都不会被碰。

整理整篇笔记，只在你要求时​

一周的快记，按你想到的先后顺序堆在一起。「整理整篇笔记」按钮会把它们整个重新组织：修正整篇里的错别字，把相关的要点放到一起，写了两遍的只留一遍，笔记涉及几个主题时加上简短的小标题。带日期的条目保持原有顺序。同样的规矩依然成立——形状变了，内容不变——每一处改动都是一处你可以拒绝的修订。

它只在你按下时运行。一篇每加一行就自己重新组织一次的笔记，永远不会是你离开时的样子，而一篇你找不着北的笔记，比一篇乱糟糟的笔记更糟。

它的代价​

这条规矩有代价，最好事先知道。

• 笔记依然是你的笔记。 如果你记的是碎片，你得到的就是修正过、归好档的碎片——而不是成段的文字。一个替你写的工具会产出更好看的页面；只是它们没那么属于你。
• 有些修正需要你过目。 人名和内部行话是修正容易出错的地方。不确定清单能抓住大部分；但它抓不住一个对从没见过的名字所犯的、很自信的错误。
• 新写内容是单独的一步。 把一份日志变成一份周报只差一个按键，但那是你有意迈出的一步，它的草稿值得在发出去之前读一遍。

我们没有声称什么​

我们不是说它从不改错字——它会，所以改动要等你点头。我们也不是说它是一个任务管理器、日历或会议记录工具：「提醒我」会变成笔记里的一条待办，而不是一个闹钟。我们也不是说修正是中立的：改一个字，本身就是一个判断。我们的承诺更窄，也可以核对——它不添你没说过的东西，并且把它做的每一处改动都给你看。

它在应用里怎样工作：AI 快记，按键和「整理整篇笔记」按钮见语音与快记的分步说明。一周用下来是什么样子：记一份能自动写周报的项目日志。

这听起来是个小细节。它却是「一份能直接发给客户的修改」和「一个下午都花在把一份原本好好的文档重新排好」之间的全部差别。

为什么把 Word 文件贴进对话框，文档就丢了​

对话助手把你的文档看成纯文本，也用纯文本回答。让这个文件成为一份 Word 文件的一切——公司模板、目录赖以生成的标题样式、自动编号、带 logo 的页眉、同事留下的批注——在进去的路上就没了，出来的路上也回不来。

所以一轮下来通常是这样的：

1. 把文档复制进对话框，或者上传，说明你要什么。
2. 拿回一个新版本，里面有你要求的修改，也有几处你没要求的。
3. 用肉眼和原文比对，找出改了什么。
4. 把好的部分粘贴回 Word，再修补粘贴弄乱的样式、间距和编号。
5. 发出去时没有任何修改记录——或者打开修订模式，把这些修改手动重新敲一遍，好让读的人看得到。

第 5 步是大家常忘的。收到一份 Word 格式的合同、方案或论文章节的人，期待的是审阅它：看到每一处修改，接受同意的，拒绝其余的。一份悄悄改过的干净文件，剥夺了他们这样做的机会。

「AI 以修订模式修改」应该意味着什么​

三项检验，把真正的答案和变通办法分开：

• 同一个文件。 被修改的就是你文件夹里那份 .docx。不导出、不粘贴回去，也没有第二份要保持同步的副本。
• 只有字变了。 修改过的段落保留它的样式；标题还是标题；2.1 依然编号为 2.1。被修改文字之外的东西一概不重建。
• 每一处修改都是一个修订标记。 在 Word 里打开这个文件，每一处修改都是一个带作者的修订，下一位读者可以在他早已熟悉的「审阅」选项卡里接受或拒绝。

在这一切之前还有一项检验：每一处修改在碰到文件之前，你都看得到。 一个先写进你的原件、再让你事后撤销的 AI，等于让你给它的猜测当校对。

在 MindMax 里怎么做​

1. 打开这份文档所在的文件夹。 MindMax 就在文件夹原样上工作；.docx 不会被导入或转换。
2. 在助手里 @ 这个 Word 文件，把要改什么说一遍。 像对一位编辑那样写：「把执行摘要砍到半页，全文统一用客户的说法『平台』」，或者「在第 4 节回应审稿人的三条意见」。复合的要求没问题；它会被拆成几处独立的修改。
3. 读一读它打算做什么。 修订开头是一段简短摘要，说明它打算改什么，然后是一组组修改——每组有标题和一句话理由——标在文档自己的文字上。
4. 留下你同意的。 一组一组地接受或拒绝，或者一次全部处理。全部拒绝，文件就和原来一模一样。
5. 应用。 审阅底部的「写成 Word 修订」默认勾选。保持勾选，每一处被接受的修改都会成为同一份 .docx 里的修订标记。想要一份干净的修改，就取消勾选。
6. 发出去。 这些修订带着你的名字——来自你的 MindMax 账号或电脑的用户名，或者你在设置里填的那个——所以读的人看到的是你的修改，因为它们确实是：是你挑选了它们。

在 MindMax 里，这和每一处 AI 修改要经过的审阅是同一个，不管文档是一篇 Markdown 笔记还是一个 Word 文件。唯一的区别，是被接受的修改写到哪里去。

格式会怎样​

原样不动。只有被修改的那些段落的文字会被重写；文件里的其他一切都原样保留。

• 样式和字体。 被修改的段落保留它的段落样式，新的字沿用它们所替换的字的格式。
• 标题和编号。 标题样式和自动列表编号依然是 Word 自己的。
• 页眉、页脚和脚注。 不动——它们不在 AI 修订的范围之内。
• 图片、域和批注。 图片、页码、目录、交叉引用和同事留下的批注，都留在原处。
• 表格。 单元格里的文字可以修订；表格的列和合并单元格不会被改动。

在写入任何东西之前，修改后的文件会被读回来，和你接受的修改核对一遍。核对不通过，就什么都不写入，原件保持原样。如果文档正在 Word 里打开，会先请你关掉它。如果修改建议提出之后文件又变了，会给你新的建议，而不是硬塞进过时的修改。修订之前的版本保存在 MindMax 里这个文件的历史中，所以一处后悔的修改，退一步就回来了。

当文档里已经有别人的修订时​

来回流转的文档，会攒下一堆修订。如果 AI 再在上面加自己的，谁都分不清新旧。

当你在 MindMax 里打开一个带有未处理修订的 Word 文件时，顶部会有一条提示，说明有多少条、是谁的，并提供「全部接受」「全部拒绝」和「在 Word 中打开」。当你要求修订时，助手会建议先接受旧的修订，免得它的修改和它们混在一起。如果你更想一条一条地看，就在 Word 里打开这个文件——或者保留它们，照样修订。

PDF 呢？​

PDF 是一张印好的页面，不是可以安全地原地改写的文字，所以 MindMax 从不修改 PDF 本身。用同样的方式提出修订，在 PDF 的文字上审阅修改；应用时，PDF 旁边会新建一个同名的 Markdown 文件，装着它的文字和你留下的修改。需要再变回一个文件时，把它导出为 PDF 或 Word。那会是一份 MindMax 版式的干净文档，而不是原件的分栏和字体。

扫描版 PDF 需要先识别文字。对于很长或扫描版的 PDF，助手会在开始之前告诉你会是什么情况。

哪里会出问题​

• 含糊的要求，换来自信的修改。 「改得更好一点」会产出一轮改了很多、却没改好多少的修改。说清问题是什么、在哪里。
• 文件里不是所有东西都会被修订。 页眉、页脚、脚注和文本框会保留，但不编辑。会增加一列表格的修改，或者落在页码域、内容控件里的修改，会被跳过并列出来，而不是硬塞进去。
• Word 批注不是指令。 文件里留下的批注会保留，但 AI 不会把它们当作要求来读。把要改的东西放进对话里。
• 只支持 .docx。 老的 .doc 文件需要先在 Word 里另存为 .docx。
• Word 的格式，在 Word 里验证过。 修订是按 Word 的存储方式写入的。WPS、Pages 或 Google 文档怎样显示它们，还没有验证过。
• PDF 副本会丢失版式。 分栏、字体和页面设计不会带到 Markdown 副本里，图片也可能带不过来。

我们没有声称什么​

这不会让 AI 变对。它让 AI 的修改看得见、小到可以一组一组地判断、并且很容易拒绝——这正是 AI 出错时你需要的。文档该说什么，依然由你决定。

AI 修改 Word 文档 · 用 AI 审阅和修订 · 下载 MindMax

评审的意义不在于看法本身。而在于一个作者能据以行动的看法，落在它针对的那句话上，在作者本来就在用的那个文件里。

为什么在对话框里审稿要花一整个下午​

让对话助手审一份文档很快。返回的是一张清单：第 3 节论证薄弱，主要论点的证据不足，有几个术语没定义。然后真正的活才开始：

1. 找到每一点针对的是哪一段——并且怀疑它到底有没有读过那一段。
2. 扔掉那些泛泛而谈的、错的、或者说的是稿子里根本不存在的问题的意见。
3. 把剩下的改写得像一位同事说的，而不是聊天机器人说的。
4. 打开 Word，一条一条地把它们作为批注加在对的字上。

第 1 步和第 4 步是文书工作。第 2 步和第 3 步才是评审。一个好工具应该替你拿走前一类，把后一类全部留给你。

在 MindMax 里怎么做​

1. 把稿子放进你的文件夹，打开它。 .docx，或者 Markdown、文本文件。如果有检查清单、评审指南或者这份稿子必须回应的需求说明，存在同一个文件夹里。

2. 说明这次评审为了什么。 选择 AI →「评审这份文档…」。在评审设置里，用一句话写下评审重点——「看成本估算站不站得住、上线风险；措辞不用管」——如果有的话，再选上评审标准文档。稿子会被逐条对照它来审。

重点决定的是批注集中在哪里，而不是 AI 被允许看到什么。重点之外的严重问题照样会被提出来。这很要紧：最糟的评审，是回答了被问的问题，却漏掉了论证正中间的那个窟窿。

3. 让它工作。 它一章一章地读完整份文档，从你正在读的那一章开始。每条批注都是写给作者的，落在它针对的段落上，属于五类之一：

• 方法、论证或设计上的缺陷；
• 存疑的说法，写明缺的是什么证据；
• 作者从没排除的替代解释；
• 含混的段落，读者没法判断它对不对；
• 值得保留的亮点。

除了亮点，其余都标为主要问题——结论成立之前必须解决——或者次要问题。大多数批注是次要问题；主要问题得名副其实。随后是一份评审意见书：总体评价、主要问题、次要问题、亮点，以及作者应该回答的问题。

4. 采纳、改写、忽略。 在每条批注上点采纳，它会带着 AI 的措辞打开，让你改好再成为你的批注。不同意的就忽略。选中任意一段，补上只有你才会提的意见——那些来自你对这个项目、这个领域、这个人的了解的意见。

5. 导出评审版副本。 「导出评审版 Word」会在原文件旁边存下 <文件名> - reviewed.docx。勾选要导出的批注；可以把评审意见书作为文首总评放在最上面，并在批注前标注【主要问题】【次要问题】【亮点】，让作者知道从哪里看起。原文件不会被动，文件里已有的批注也都保留。

作者打开的是一个 Word 文件，页边是署着你名字的批注。他们不需要 MindMax，也不需要知道你是怎么干的。

谁的话会到作者手上​

只有你的。评审版副本里的批注，是你采纳的那些——用你保留的措辞——以及你自己写的那些。AI 的其他草稿不会被导出，你在做决定时和它讨论的任何内容也不会。一条你不愿署名的批注，就别采纳它。

哪里会出问题​

• 保密稿件。 评审会把文档文字发给你所用的模型。很多期刊和资助机构不允许把稿件放进 AI 工具。先查清楚；用你自己电脑上运行的模型，文字就不会离开它。
• PDF 格式的投稿。 PDF 可以在 MindMax 里评审，但评审版 Word 副本只能从 .docx、Markdown 和文本文件生成。请作者把源文件发给你。
• 是批注，不是改写。 副本里带的是批注。建议的措辞写在批注里；作者的文字一个字都不会改。
• 文件里已有的批注。 它们会保留，但 AI 不读，也不回复。
• 重复出现的文字。 如果被引用的字出现了不止一次，或者太短、没法确定位置，这条批注会连同原因列出来，而不是钉在一个猜测的位置上。手动加上它。
• 它不了解你的项目。 它会提出你想不到的问题，也会漏掉只有内行才看得出的问题。采纳这一步，就是为此而设的。

我们没有声称什么​

这不会让 AI 成为一位审稿人。它让评审中文书性的那一半——找到那句话、起草批注的初稿、放进 Word——变得便宜，好让你的时间用在需要你的那一半上：判断什么是对的，什么值得说。

AI 审稿 · 审同事的稿子，分步做法 · 下载 MindMax

每个 AI 阅读工具都得决定：当材料比模型能好好处理的更长时，该怎么办。这个决定在回答里是看不见的，它却决定了这个回答能不能信。

选项一：整本贴进去​

上下文窗口如今大到能装下很多本书，所以这听起来是显而易见的解决办法。它有两个问题。

装得下，不等于注意得到。 关于长上下文的研究——最有名的那篇论文叫《Lost in the Middle》——发现模型对长输入开头和结尾的内容，记得比中间的可靠得多。一本整本贴进去的书，大部分都是中间。回答会很流畅，并且会倚重那些最容易看到的内容。

每一次都很贵。 每个问题都要把整本书重新发一遍。十个追问，就是十本书的钱。

选项二：切块再检索​

标准的流程把书切成碎片，找出和你的问题最相似的那些，再根据它们作答。问「作者哪一年搬到巴黎的？」，这很好用。

对关于整本书的问题，它会悄悄失败。「作者在哪里改变了立场？」没有哪个单独的碎片能和它匹配；证据分散在各章里。「这本书从来没讨论过什么？」根本没有可以匹配的东西。而回答里看不出那段决定性的文字从没被检索到。

选项三：像读者一样读​

一个人面对一本没读过的书时的做法，既不是前者，也不是后者。他们看目录，挑出问题涉及的那几章，认真读完，觉得对不上时就往回翻。

这就是 MindMax 采取的做法：

1. 先看结构。 章节地图来自这本书出版时自带的目录——对于没有书签的 PDF，则来自它的标题——所以这本书可以按它自己的结构导航。
2. 整节，而不是碎片。 一旦选定某一章，就把它完整读完，结构保持完好。
3. 需要时回头。 如果读到的内容没能解决问题，就再打开另一章。
4. 说明读了什么。 每个回答都列出它实际读过的章节，所以「书里没说」和「它没去看」永远不会是同一个回答。
5. 引用原文。 每条说法都带一句逐字引文，点开就落在书里的那段文字上。

短到能整篇读的文档——大多数论文、报告和单独的一章——就直接整篇读。只有当材料超出模型能好好注意的范围时，才开始导航，而这条线划得远低于模型在技术上能接受的上限。

这解决不了什么​

• 制作粗糙的书。 如果章节元数据损坏了，或者整本书是一个大文件，就没有可以导航的结构。书照样能读；关于整本书的问题会变难。
• 需要每一页的问题。 「数一数 X 出现了多少次」是搜索的活，不是阅读的活——用书内搜索来做。
• 判断。 读对了章节，你得到的是一个以这本书为依据的回答。这本书本身对不对，依然要你来判断。

我们没有声称什么​

我们没有发布过比较这几种做法的评测，也不会引用一个我们没跑过的评测。这里的论证是关于失败方式的：整本贴进去，掩盖了注意力的流失；检索掩盖了遗漏；而按结构阅读——外加一份读了什么的清单——让它自己的缺口变得看得见。

完整的思路见全文优先；为什么不用向量数据库的那一面，见为什么它里面没有向量数据库。专门针对书的，见 AI EPUB 和 Kindle 阅读器。

这条线是刻意划的，这篇文章解释它划在哪里、为什么——因为在大多数软件里，「免费版」的意思是「一个第二天就用完的演示」，而我们指的不是这个。

永远不花钱的​

• 打开和阅读 PDF、EPUB 和 Kindle 电子书、Word、PowerPoint、Excel、图片和 Markdown。
• 高亮、批注和你自己的笔记，保存在你的文件夹里。
• 搜索文件夹里的一切。
• 在 Markdown 编辑器里写作和编辑，包括版本历史。
• 导出为 Word、PDF 或图片——在你的电脑上完成。
• 你的文件本身。 MindMax 产出的一切都在你自己的文件夹里，即使你停止付费，也依然可读。

这些都不碰模型，所以没有什么可收费的。

消耗额度的​

凡是模型替你干活的：

• 就一份文档、一个文件夹或一块框选的区域提问，以及对选中的一段点解释。
• 对一篇论文或一本书的 AI 通读批注——文档越大，活越大。
• 翻译一份文档或一整本书。
• 识别扫描版 PDF，所以它只在你在那份文档上按下按钮时才开始。
• 画布技能、编辑器里的光标处 AI、修订，以及长文起草。
• 语音转写，以及在包含这项功能的档位上，从对话里上网搜索。

规律是：短问题是小活，整本书的通读和翻译是大活。先拿一章试一件大活，再考虑一整个书架。

为 AI 那部分付费的三种方式​

1. 免费版每周有少量 AI 额度。没有试用倒计时——额度用完时应用不会停止工作；AI 的活会暂停，直到新的一周开始。
2. 付费档位每周额度更多，也不用管理任何 key。用完了，AI 的活会暂停，直到新的一周开始，或者你升级到更高的档位。不会自动扣任何费用。
3. 你自己的 API key，一个你已经在向服务商付费的 key（对话订阅不算）。每个功能都能用，没有额度限制，也不要账号。你直接付钱给服务商，而且没有什么会拦住一个跑得很久的任务——所以留意用量。

你可以混着用：把某几类活指向你自己的 key，其余的走订阅。只有走订阅的部分才消耗额度。

怎样让花费可以预期​

• 只问你需要的那部分。 框选的一张图或选中的一段，比整篇论文的活小。
• 追问比看起来便宜。 一份被整篇读过的文档会在多轮之间复用，而不是每问一次都重新付一次钱。
• 识别和翻译都是有意为之。 两者都是要你主动点的按钮，从不会悄悄跑遍一个文件夹。
• 看看用量页。 它按任务显示额度和 token，所以花得出乎意料的一周，有据可查。

为什么线划在这里​

AI 的用量对付钱的那一方来说是真实的成本；在你自己的电脑上读一个文件不是。为了给前者买单而对后者收费，就等于把你自己的文件扣作订阅的人质。所以免费的是软件，付费的是算力——这也是为什么用你自己的 key 是一等选项，而不是一个缩水的模式（更多说明）。

当前的订阅方案和额度见定价页；这里不重复价格，免得这篇文章过时。配置你自己的 key：使用你自己的 API key。下载 MindMax——试用这个应用不花一分钱。

「思维模型实战」系列的最后一篇：一个关于经典方法、以及怎样把它们用在你自己材料上的短系列。

它从哪里来​

它的变体有很多名字——加权决策矩阵、选项矩阵、网格分析，还有以工程师 Stuart Pugh 命名的普氏矩阵，他用一个版本来把设计方案和一个基准作比较。它们共享一个思想：让比较显式化，并且对每个选项都一样。

怎样搭一张​

1. 列出真正的选项，包括「什么都不做」或「保持现状」。通常三到五个；更多的话，往往意味着你还没把问题收窄。
2. 挑那些真的会改变你主意的标准。 成本、时间、风险、可逆性、和你想要的东西是否契合。去掉每个选项得分都一样的标准——它们只会添几行噪音。
3. 给标准加权，如果它们不是同样重要的话。在打分之前定好权重，否则你会把权重调向你本来就喜欢的那个答案。
4. 给每个选项在每条标准上打分。 一个简单的 1 到 5 分就够了。每个分数写一行理由；思考就发生在这里。
5. 看结果，然后怀疑它。 如果胜出者让你意外，弄清为什么。如果不意外，问问是哪一个分数在撑着它。

一个完整的示例​

决定： 一家小软件公司该不该在春季发布之前取消月付方案？

矩阵倾向于保持现状，以微弱优势领先部分调整。有用的是它暴露出来的东西：「只对新客户取消」主要输在简单这一项上，而这个分数建立在一个假设上——同时运行两套计费模式很费事。这个假设，就是接下来要核实的东西。

用 AI 来做​

AI 在两部分有用：提出你忘了的标准，以及依据你的文档为每个分数起草那一行理由。它不该选权重；那是你的价值观，把它外包出去，就是把决定外包出去。

在 MindMax 里，「选项矩阵」是画布上内置的「收敛」类技能之一。给每个选项一张卡片，全部选中，施加它：每个选项都按共同的标准打好分，回到一张表里，每个格子都能对照它所在的行和列来读。然后对矩阵偏向的那一行跑一次「前提审查」——大多数决定最后都建立在一个没人核实过的前提上——最后以「取舍分析」和「行动计划」收尾。

哪里会出问题​

• 虚假的精确。 29 分对 27 分不是一个决定。分数接近，意味着矩阵在告诉你：这个选择取决于某样它没有捕捉到的东西。
• 事后才定的标准。 如果你加了一列，是因为你最喜欢的选项在这一列上赢，那你搭的是一个辩护，而不是一次比较。
• 没法打分的因素。 有些东西——创始人的精力、一段关系——放不进一个格子。把它们写在表格旁边，而不是硬塞一个数字。

属于画布上的思维模型。一个真实选择的完整流程，见想清一个决定。系列上一篇：六顶思考帽。系列从事前验尸开始。

我们说过，MindMax 里的每一句引文都会对照原文核对。这篇文章要讲的是，为什么这句话背后藏着的比它说出来的多——以及你应该对任何作出同样声称的工具抱有什么期待。

PDF 是一幅关于文字的画​

PDF 描述的是在页面的什么位置画上哪些字符。总的来说，它并不记录句子或段落。从中读出文字是一次重建，而这种重建有可以预料的接缝：

• 断词连字符。 一行末尾的「infor-」和下一行开头的「mation」。模型读到的句子是「information」；原始文字却是「infor- mation」。
• 连字。 排版里的「fi」「fl」「ffi」常常是单个字形。一个看起来是「efficient」的词，从文件里取出来时，可能和「efficient」逐字母对不上。
• 分页。 一段从第 12 页延续到第 13 页的文字，在文件里是两个片段，中间夹着页码、页眉，也许还有一个脚注。
• 分栏和插图。 中间夹着图注的双栏排版，是阅读顺序最常出错的地方。
• 引号和破折号。 弯引号和直引号、连字符和短破折号。模型总在整理这些。（中文 PDF 也有自己的接缝，比如字与字之间多出的空格、全角和半角标点混用。）

两种出错的方式​

引文检查有两种失败方式，而且方向相反。

太严，真实的引文就过不了。模型正确地引用了那句话；检查却因为行末的一个连字符拒绝了它。用户学会了「找不到」不代表任何东西，就不再看那个标记了。

太松，改写过的话就能过。「这种疗法可能降低风险」和「这种疗法会降低风险」足够接近，就溜过去了。而这恰恰是这项检查本该抓住的失败。

要做的是：对页面宽容——连字符、连字、页眉、引号样式——同时对字眼严格。丢掉的一个「可能」，必须过不了。

我们怎么处理​

不讲内部机制，下面是你能看到的表现：

• 跨分页重建段落，这样一句引文不会被页面底部切成两半，也不会被上方的页眉污染。
• 引文对照的是文档的字词，而不是它的排版，所以行末连字符和连字不会引起误报。
• 差一点对上的，会换回原文自己的措辞。 如果模型整理了标点或换了一个词，你看到的引用用的是文档的确切文字——你判断的，也正是这段确切的文字。
• 找不到的引文永远不会被显示成已核对。 在回答里，它会在末尾被标出来；引文对不上的 AI 页边批注会被打回重做。
• 引用落在那句话上，在页面上高亮，所以最后那项检查——这句话支持这个说法吗？——看一眼就够。

对任何工具都该抱有的期待​

如果你在评估一个 AI 阅读器，试试这个：拿一个回答，挑一句在 PDF 里正好跨行或跨页的引文，点一下。它落得到吗？再问一段你知道带着限定语的文字，看看那个限定在引文里还在不在。这两项检查告诉你的，比任何准确率声称都多。

我们没有声称什么​

文字提取并不完美。密集的数学公式、夹着插图的双栏排版，以及识别质量差的扫描页，依然是引文最不可靠的地方，点进原页看那一秒钟是值得的。我们不是说每一句引文都对；我们是说，错的那句会被显示为错。

完整的思路见引文核对；为什么它很要紧，见 AI 为什么会编造引用。阅读器本身见 AI PDF 阅读器。

「思维模型实战」系列之一：一个关于经典方法、以及怎样把它们用在你自己材料上的短系列。

它从哪里来​

爱德华·德博诺在 1985 年的《六顶思考帽》一书中提出了这个方法。他把背后的思想叫作「平行思维」：不是两个人从对立的立场争论，而是所有人同时朝同一个方向看——一起看风险，再一起看价值——让每个角度都得到充分的听取。

六顶帽子​

• 白帽——我们知道什么。 事实、数字，以及缺了什么。不做解读。
• 红帽——我们感觉如何。 直觉反应和不安，不用给出理由。这顶帽子让直觉名正言顺，而不是让它藏在「客观」的反对意见里。
• 黑帽——可能出什么错。 风险、弱点、要谨慎的理由。
• 黄帽——价值在哪里。 好处，以及它为什么可能行得通，和风险一样被认真论证。
• 绿帽——还能试什么。 替代方案、实验、变体。
• 蓝帽——接下来做什么。 总结、决定、规划下一步。

怎样做​

1. 框定一个问题。 具体到结论可能往两边走。
2. 一次戴一顶帽子。 每顶几分钟。所有人同时戴同一顶。
3. 别跳过红帽。 这是大家觉得别扭的那一顶，也常常是解释了会议为什么卡住的那一顶。
4. 以蓝帽收尾。 产出是一个决定或一个下一步，而不是六份清单。

顺序是灵活的；常见的一种是白、红、黄、黑、绿、蓝。先戴黑帽，往往会在黄帽还没轮到之前就把点子扼杀掉。

一个完整的示例​

问题： 一个没有营销预算的开源项目，怎样找到最初 100 个用户？

• 白帽： 它解决一个具体的问题；没有预算；现有受众不明；「用户」还没有定义。
• 红帽： 100 个感觉能做到；直接去联系人感觉很别扭；担心没人理。
• 黑帽： 宽泛的宣传会吸引错的用户；上线时的关注很快就散了；虚荣指标会掩盖糟糕的采用率。
• 黄帽： 一个窄而有用的工具会靠口碑传播；公开开发能赢得信任；一小群用户能让产品变好。
• 绿帽： 围绕一个让人痛苦的工作流去招募；把文档变成被发现的渠道；借集成借来分发。
• 蓝帽： 定义什么是活跃用户，选一个细分人群，做一个短周期的测试，再扩大。

结论——先求契合，再求覆盖——来自黑帽和黄帽在明面上的分歧，而不是在某个人的脑子里。

用 AI 来做​

这个方法很适合 AI，因为帽子是固定的，要做的就是把它们填满。AI 很乐意写出一顶红帽——「最初 100 个感觉能做到」——这可能是一个团队永远不会大声说出来的话。它做不到的，是知道你的感受；把它的红帽当作一个提示，让你说出你自己的。

在 MindMax 里，六顶思考帽是画布上内置的「发散」类技能之一，它总是以六张卡加一张总结卡返回，总结卡会点明它们之间的张力。每张帽子卡上的每一行都有自己的技能按钮，所以你可以只深挖其中一个风险，或者对最有希望的那个绿帽点子跑一轮红队，而不打扰其余部分。

哪里会出问题​

• 它变成了一种仪式。 六份清单，没有决定。蓝帽就是为了防止这种情况而存在的。
• 问题太宽。 「我们的战略」只会给你六顶帽子的空话。
• 黑帽占了上风。 在大多数团队里，谨慎听起来比热情更聪明。给黄帽同样的时间。

属于画布上的思维模型。上一篇：SCAMPER。下一篇：决策矩阵。

常见的做法——让对话助手一次写一节——写出来的每一节都还行，整章却立不住。

在一切之前：规定​

不同的大学和期刊，对学位论文里允许哪些 AI 帮助、哪些必须声明，差别很大。有的允许用 AI 编辑、不允许用来起草；有的要求声明用过的每一个工具。先读你所在院系的规定，先和导师谈。下文的一切，都假设你被允许做它所描述的事，并且观点和判断是你的。

为什么长文档会跑偏​

对话窗口记得的不是这一章，而只是这段对话，而对话会越来越长，会被截断。于是，一节一节下来：

• 术语被重新定义。 「制度信任」在 2.1 里被仔细定义过，到 2.4 又被随手、略有不同地重新解释了一遍。
• 承诺没有兑现。 「我们将在 2.5 节回到这一点」——而 2.5 节从没回来。
• 主张发生了偏移。 每一节在局部都说得通；合在一起，论证的却和引言说的有点不一样。
• 出处越来越稀。 到了第四节，模型是凭常识在写，而不是凭你给它的那些论文。

这些都不是句子层面的问题，所以句子层面的润色修不好它们。

分步做法​

1. 自己写下一句话的主张​

不是话题——是主张。「本章论证 X，因为 Y，反对认为 Z 的观点。」如果你还写不出来，你就还没准备好起草，任何工具都解决不了这一点。

2. 在任何正文出现之前，定好大纲​

大纲是有分歧时成本最低的地方。每一节都应该写明它要表达的要点，而不只是一个标题。改到每一节都对得起自己的位置为止。在 MindMax 里，你批准大纲之前不会开始起草，对某一节写的批注只会重新规划那一节，而不会把整个大纲推倒重来。

3. 依据你的资料起草，脚注指回原文​

让起草依据你真正读过的论文和笔记。每一条取自资料的说法，都应该带一个指回那段原文的脚注，这样导师问「这是从哪来的？」时，点一下就有答案。

4. 记一本主张、术语和承诺的台账​

每写完一节，记下它论证了什么、定义了哪些术语、承诺了要回到什么。每写一节之前，先看一遍这张清单。你可以在一篇笔记里手动记。在 MindMax 里，它随着草稿的写作自动记下，并交给之后的每一节，所以一个术语会被沿用而不是定义两遍，一个没兑现的承诺会在终审时被标出来。

5. 以修订形式修改，绝不用一份新副本​

当你要求修改时，修改应该以标记的形式回到你的文字上，分好组、附上理由——这样你可以留下让表达更清楚的那处修改，拒绝那句把你的主张说软了的话。（为什么这很要紧：AI 永远不该悄悄改写你的文档。）

6. 以正式文档的形式交出去​

学位论文的一章交给导师时，是 Word 或 PDF，通常带着公式和表格。从你审过的同一份文字导出，这样他们读到的，就是你核对过的。

AI 在这里不该做的事​

• 决定论点。 第 1 步里的那个主张就是论文本身。把它交出去，就是把学位交出去。
• 充当你的事实核查。 一致性审查检查的是草稿是否自洽、是否只引用了交给它的资料。它不会告诉你一份资料对不对。那些承重的脚注，要自己读。
• 提供你没读过的资料。 如果草稿里出现了一条你没读过的参考文献，它就不该在那里。

哪里会出问题​

• 语气接近，但不一样。 导师知道你怎么写东西。最要紧的那几部分，预计得用你自己的话重写。
• 篇幅是预算，不是合同。 写短了的草稿，应该加深论证，而不是注水。
• 它是为非虚构而做的。 论证和解释，而不是叙事。

具体机制见书级长文写作，台账背后的思路见论证台账，端到端的流程见写一篇学位论文或一本书。分步做法：写一份长文档。

起草如今是容易的部分。代价高昂的错误在别处。

代价最大的那个错误​

最糟的结果不是一个笨拙的回答。而是一个流畅、笃定、引用的却是去年制度的回答——你后来改过的备份保留期限、已经失效的认证、你已经迁移掉的加密标准。AI 引用一份已作废的文档，和引用现行文档一样欣然；它没有办法知道你的公司认的是哪一份。

第二糟的结果是一个根本没有出处的回答，模型用一家典型公司会说的话填补了空白。它读起来和其他回答一模一样。

除非每个回答都必须亮出出处，否则这两种都是看不见的。

分步做法​

1. 清走不该被引用的东西。 把旧版制度和草稿挪出文件夹——或者在 MindMax 里右键设为不让 AI 读取。在这里花十分钟，能避免最严重的错误。
2. 先探最难的三道题。 起草任何东西之前，先问你最没把握的问题，比如「我们的文档里关于备份数据保留期限是怎么说的？」回答单薄，就是在代价还低时发现的缺口。
3. 把问卷作为结构交过去。 每个问题保持原有的措辞和顺序——不改名、不合并、不调序。审核方是对照他们自己的编号来核对回答的。
4. 任何回答起草之前，先批准大纲。 每道题，以及每个回答要表达的要点。就是在这里，你能在「我们要声称通过了 SOC 2」被写下来之前把它拦住。
5. 核对那些让你作出承诺的回答。 每一处认证、数字、日期和承诺，都点进引文看。然后看那些没有引文的回答——它们最可能是在填补空白。
6. 批注它，只留下你想要的修改。 在回答错了、说得太满或超出表格篇幅的地方写批注。修订以修订形式返回，分组并附理由。
7. 导出为 Word。 每条引用变成一个编号出处，写明文档并保留被引用的原文。留着 Markdown 版本：它是下一份类似问卷的起点。

为什么引文就是全部意义所在​

问卷里的一个回答，是你的公司要为之负责的陈述。「哪里写了这个？」是你一定会被问到的问题——被审核方、被法务，或者被一年后的审计员。一个引用了具名现行文档的回答，在页面上就回答了它。一个没有引文的回答，等于你的公司在一件没人核对过的东西上签了字。

这也是为什么「有我们文档支撑」和「没有」之间的那条线，应该在草稿里就看得见，而不是事后才发现。一个没有引文的回答不一定是错的。它是一件待办。

哪里会出问题​

• 你的文档就是上限。 如果制度里没写，回答也没法老实地这么说。在这里发现的缺口，常常是整件事里最有用的产出。
• 门户网站上的问卷，回答依然得手动一个字段一个字段地粘贴进去。
• 字数限制。 出处齐全的长回答，可能需要为表格删减；把这当作一次你审阅的修订来做，而不是手动把出处删掉。
• 法务和合规审核依然要做。 这能让你很快拿到一份有出处的草稿。它不负责签字。

完整的流程，以及每一步该问的问题，见用手头已有的文档回答一份问卷。回答怎样引用出处，见和你的文档对话；引用怎样带进 Word，见导出为 Word 和 PDF。

「思维模型实战」系列之一：一个关于经典方法、以及怎样把它们用在你自己材料上的短系列。

它从哪里来​

SCAMPER 是 Bob Eberle 在 1970 年代初，根据广告人 Alex Osborn 更早的一张激发创意的提问清单整理出来的——Osborn 也是让头脑风暴流行起来的人。它经久不衰，是因为它是一张清单：它不要求你有创意，它只问你七个具体的问题。

什么时候用​

SCAMPER 适用于一个已经存在、但还不够好的想法——一个产品功能、一种工作坊形式、一份教案、一套流程。面对一张白纸，它是错误的工具；那时先头脑风暴，再对你喜欢的那个版本跑一遍 SCAMPER。

七个问题​

• 替代——哪个组件、材料、人或步骤可以换成别的？
• 合并——什么可以和别的东西合在一起，包括你自己的另一个想法？
• 借用——别处有什么解决过类似的问题，放在这里会是什么样？
• 调整（放大 / 缩小）——什么可以更大、更小、更频繁、更少见？
• 移作他用——还有谁能用它，或者还能用来做什么？
• 去除——什么可以整个拿掉，而不失去要点？
• 反转（或重新排列）——如果顺序、角色或方向颠倒过来会怎样？

一个完整的示例​

想法： 每月一次、一小时的内部分享，由一个团队向全公司介绍自己的工作。参加的人越来越少。

• 替代： 把讲的人换成这个团队工作成果的一位使用者，来做演示。
• 合并： 和入职培训合在一起，让新人在入职第一个月里参加。
• 借用： 借会议上的「闪电演讲」形式——五个团队，每个十分钟。
• 调整： 更短、更频繁：二十分钟，每两周一次。
• 移作他用： 录下来，把录像当作文档用。
• 去除： 去掉幻灯片；直接展示真实的产品或真实的表格。
• 反转： 观众提前提交问题，团队只回答这些问题。

七条不都是好的。有三条值得一试，其中两条——闪电演讲形式和提前提问——组合起来效果很好。这是 SCAMPER 的正常结果：七个提问，两三条入围。

用 AI 来做​

SCAMPER 几乎是为 AI 量身定做的：问题是固定的，工作是生成性的，结果由你判断。陷阱是泛泛的产出——每个标题下都是「用 AI 做个性化」。把真实的想法和它真实的约束交给它，要求具体、可检验的变体。

在 MindMax 里，SCAMPER 是画布上内置的「发散」类技能之一，并且保持它的形状：它总是以七条分支返回，一个问题一条。在头脑风暴之后，把它施加到你喜欢的那个版本上，把留下来的部分「组合创新」一下，再提炼出一份你亲手挑出的入围清单。

哪里会出问题​

• 把七条都当作同样有效。 大多数会很弱。价值在于那一两条你本来想不到的。
• 用在一张白纸上。 还没有可以替代或去除的东西。
• 停在清单上。 SCAMPER 产出的想法是一个假设。挑一个，检验它最小的版本。

属于画布上的思维模型。上一篇：第一性原理。下一篇：六顶思考帽。

常见的语音备忘流程败在第二步。你录了音，音频躺在一个你从来不打开的应用里，等你终于拿到转写，是一堵满是「嗯，那个，就是说」的墙。

是什么让记录真正起作用​

三个特点，按重要程度排序：

1. 不切换上下文。 如果记录意味着要去找一个窗口，想法就没了。它得是一个在浏览器、表格或正在开的会议上方都能用的快捷键。
2. 保存之前你先读一遍。 转写会听错人名和行话。花一秒改掉那个错字，胜过一个月后才发现。
3. 它落在你本来就会看的地方。 你自己文件夹里的一篇今日笔记，纯文本——而不是一个你还得从里面导出的单独记录应用。

在 MindMax 里的分步做法​

1. 按 ⌥⇧Space（Windows 上是 Alt+Shift+Space）。屏幕顶部会出现一个小胶囊，浮在你正在做的事情上方，开始收听。想打字？直接打就行。
2. 说。 你说的时候字就出现了。语言根据你说的话自动识别，标点边说边加。
3. 停下。 按回车，或者干脆不说了——停顿一会儿后会有一段简短的倒计时，继续说就能取消。转写会等着你。
4. 改掉听错的字，然后选择去向：
   • 回车原样存到今日笔记末尾，带上时间。不经过 AI。
   • ⌘Enter（Windows 上是 Ctrl+Enter）交给 AI，归进你打开着的那篇笔记。
5. Esc 收起胶囊并保留草稿，留到下次。只有点 × 才会丢弃。

「AI 归档」做什么——不做什么​

AI 归档一条快记时，改的是你怎么说的，而不是你说了什么：

• 错别字、听错的同音词、语法和语序都会修正，只有一行的笔记也一样。口头禅、说一半改口和重复会去掉。改正过的说法只留改正后的版本。要点放在前面。你要做的事变成一条待办。
• 每个要点、人名、数字和语气都保留。不添任何东西。问句还是问句——不会替你回答。它没把握的修正会列出来让你核对。
• 它在那一篇笔记里找到这个想法该在的位置：它的标题下、它所接续的那一条之后；如果那一节是列表，就作为一个列表项。它不会跑去找另一篇笔记。
• 它以一处带标记的改动返回，由你接受。你接受之前，什么都不会写入。

你还可以用语音重新整理一篇笔记：「把这个标题改成发布周」「把两条关于印厂的合并」「把那一行挪到今天下面」。让它「把上面这些整理成一封邮件」，它会先记为一条任务，并提供执行的入口——新写的内容只在你说执行时才发生，作为一处单独的改动。

哪里会出问题​

• 人名、行话和嘈杂的房间是转写容易出错的地方。所以它总会停下来让你读一遍。
• 它是给想法用的，不是给会议用的。 不区分说话人，也没有一小时长的逐字稿；单段录音最长十分钟。
• 只有桌面端。 散步时冒出的想法，还是得先记在手机里。回来后粘贴进胶囊。
• 用你自己的 API key 时，转写需要你的服务商有语音模型；如果没有，就在模型设置里为语音选一个。

关于语音记录和 AI 快记的一切，分步做法见语音与快记。一周的快记最后去了哪里：把一周的读书笔记变成能发表的文章。

「思维模型实战」系列之一：一个关于经典方法、以及怎样把它们用在你自己材料上的短系列。

类比与第一性原理​

大多数推理是类比，这没问题：「我们上次就是这么做的」「同行都是这么定价的」。类比快，而且通常是对的。

当让旧答案成立的条件已经变了——而没人注意到，因为这个答案是继承来的而不是推导出来的——类比就会失灵。第一性原理就是用来检查一个继承来的答案，是否还能从任何东西推出来的方法。

这个想法很古老：亚里士多德把第一原理描述为一事物借以被认识、而自身不由任何别的东西推出的那些命题。现代的、实用的版本没那么宏大：这里面哪些部分是真正必需的，哪些只是习惯？

怎样做​

1. 写下现有的答案，以及通常给出的理由。
2. 给每个理由贴标签。 它是约束（一条法规、一个物理极限、一项硬成本）、需求（用户真正需要的东西），还是惯例（向来如此）？
3. 把惯例放到一边。 不是删掉——是放到一边。
4. 只用约束和需求来重建。 能满足它们的最简单的东西是什么？
5. 和现有答案比较。 两者不同的地方，要么是惯例里藏着一个你漏掉的理由（贴好标签放回去），要么就是机会所在。

一个完整的示例​

问题： 一个小研究组每年要花两周，为新生准备一份阅读书单。

通常的理由： 每个学生都需要一份权威书单；书单必须覆盖整个领域；必须由一位资深成员来挑选。

贴上标签： 「必须覆盖整个领域」是惯例——学生需要的是开始干活，而不是综述这个领域。「必须由资深成员挑选」只对定下框架的前五篇论文是需求。真正的约束，是学生第一个月的时间。

重建： 由一位资深成员挑五篇奠基论文，再加一个组里自己做过批注的阅读文件夹，学生自己往里扩充。两天而不是两周，而且书单会自己保持更新。

用 AI 来做​

AI 在第 2 步有用，因为它擅长发现一个「必须」其实是习惯；在第 4 步也有用，因为它能很快生成几个重建的答案。它较弱的地方是判断你的哪些约束是真的——它不知道你的预算、你的监管方、你的用户。把这些明确告诉它。

在 MindMax 里，第一性原理是画布上内置的「深挖」类技能之一。把它施加到一张装着问题的卡片上，最好附上你的笔记或文档，它会剥掉类比和惯例，从剩下的东西往上推理，一步一条分支。把它对准一张卡片里的某一行，就能只处理一个假设，而不打扰其余部分。

哪里会出问题​

• 什么都被标成惯例。 有些惯例里装着来之不易的教训。如果你说不出一条惯例为什么存在，在丢掉它之前先弄清楚。
• 用在了类比就够的地方。 对大多数决定来说，「上次管用的做法」已经够好了。把它留给那些可能不够的决定。
• 重建的答案从没被检验过。 一次推导只是一个假设。先试它最小的版本。

属于画布上的思维模型。上一篇：最强反方。下一篇：SCAMPER。

当你第三次往对话框里敲同一句指令——「先写决定，每条都要有负责人和日期」——这句话就已经成了一个技能。只是还没被存下来。

技能、提示词和自定义指令​

• 一条存下来的提示词，是你粘贴的文字。只有你记得它存在，它才管用。
• 自定义指令作用于每一条消息。适合长期偏好（「用简体中文」「简短一点」），不适合某一类活，因为它也会作用于其他所有类型的活。
• 一个技能只作用于一类活，按名字调用，或者在活对得上时被选中，并且以一个你能读、能改、能发给别人的文件存在。

这种格式在各种 AI Agent 工具里流行开来，是因为它简单：一个 Markdown 文件，一段简短的头部，加上正文。

它的结构​

---
name: meeting-notes
description: 当需要把零散的会议笔记或逐字稿整理成决定和行动项的记录时使用。
---

1. 先写决定。每条都要有负责人和日期。如果没有约定日期，写「未约定日期」，而不是编一个。
2. 然后是待解决的问题，每个都写明预计由谁来回答。
3. 只有当某件事没法表达成决定或问题时，才写一小段叙述。
4. 笔记里没点名的人，绝不把一句话归到他名下。

两部分，各管各的事。

描述决定这个技能会不会被选中。 当 AI 自动选择技能时，在需要某一个之前，它通常只看得到名字和描述。所以把描述写成它适用的情境——「当需要把零散笔记整理成决定时使用」——而不是对内容的概括。

正文决定被选中之后发生什么。 把它写成给一位会照字面执行的细心同事的指令。具体胜过巧妙：「如果没有约定日期，写未约定日期」比「日期要准确」管用得多。

让技能起作用的五条规则​

1. 一个技能只管一件活。 「会议纪要」是一个技能。「写作助手」是一个愿望。
2. 说清信息缺失时怎么办。 那正是模型即兴发挥的地方，而即兴发挥就是它们编造东西的地方。
3. 描述产出的形状。 一个清单、一张有这几列的表、四个象限。形状比语气更容易照着做。
4. 书架保持小。 描述互相重叠，对的那个就更难被选中。用不上的就撤下。
5. 改那一行，而不是整个文件。 结果不对时，通常是指令没说出你的意思。改那一行，再跑一遍。

安装之前先读一遍​

技能里没有代码，但文字依然可能让 AI 做你不会选择的事。别人写的技能，安装之前完整读一遍，就像运行一段脚本之前会读一遍一样。

在 MindMax 里​

技能是你文件夹里的文件：把一个 SKILL.md 放进技能文件夹就算数；挪出去就不算。输入 / 按名字调用，或者描述任务，让对得上的那个被选中。输入 /new-skill，用大白话描述方法，你会拿到一份起草好的技能，读过再批准——你不点头，什么都不会保存。

同一个技能可以在对话、画布和编辑器里分别打开。在对话里，它可以多轮进行，读你的文档。在画布卡片上，它的产出以方法要求的形状返回，比如一张表或四个象限。在编辑器里，它作用于你选中的段落，以修订形式返回。

为别的 Agent 工具写的 SKILL.md 可以作为对话技能使用，有一条边界：只带过来文字。技能文件夹里的脚本或其他文件不会运行，依赖 MindMax 没有的工具的步骤也不会发生。

技能做不到的事​

技能是指令，不是新能力。它改变的是用 AI 已有的能力——读你的文档、搜索、写文件——完成一件活的方式。如果你希望增加一项能力，这是错误的机制。

更多见 AI 技能，分步做法见使用和编写技能。单独的定义在术语表里：Agent 技能。内置技能大多是经典方法——见画布上的思维模型。

拿课件来复习是件奇怪的事。它们是老师的提词卡，而不是那堂课本身。解释这些提词的那一半，在某个人的脑子里，已经不见了。

第 1 步——一张一张地，把缺失的那一半找回来​

总结一份课件，是 AI 拿它能做的最没用的事：那些要点本身就是摘要。你需要的是围绕它们讲过的东西——讲解、这一张怎样承接上一张，以及关于它你应该答得出什么。

在 MindMax 里，你打开 .pptx，开始一次阅读。每张幻灯片都有一张卡：讲的人当时会怎么说、它和上一张怎么衔接、一个值得问的问题，以及能不能快速翻过去。演讲者备注只要有，就是它读的内容的一部分——在人们真正讲过的课件上，论证常常就在备注里。

第 2 步——框住你没跟上的那部分​

在一张幻灯片上，卡住你的很少是一句话。是从一个方框指向另一个方框的箭头、公式里的第三项、图表的某个象限。用文字描述它，比问题本身还难。

拖一个框框住它，然后提问。框下面的文字和数字，直接从文件里取出来随问题一起发送，所以回答是从幻灯片上读数值，而不是从一张图里猜。整份课件的其余部分都在它够得着的地方，所以「这和前面那个定义怎么联系起来？」这样的问题，有东西可以依据来回答。

第 3 步——把整门课放进一个文件夹​

只有课件很单薄。把讲义、教材的那一章和上周的课件放进同一个文件夹，关于其中一份的问题，就能从其他几份里找到答案。凡是用到幻灯片的回答，都按页码引用它；点一下就打开那一页，并高亮那段文字。

第 4 步——别再读了，开始答题​

这是最要紧、也是大多数人跳过的一步。反复读讲解，会产生一种很容易被误认为「懂了」的熟悉感。不看答案作答——提取练习——是学习研究里重复验证得最好的发现之一，而它让人不舒服，恰恰就是它起作用的原因。

用 AI 来做的几种方式：

• 自测。 要一组关于某一讲的题目，作答，然后才看批改。在 MindMax 的画布里，「自测出题」技能对有确定答案的题当场批改，并按你答错的内容汇总——还会标出那些你很有把握却答错的题，那才是最值得知道的。
• 讲回去。 用大白话把这个概念写出来，让它指出缺口（费曼技巧）。
• 查查它依赖什么。 给自己在某个主题所依赖的前置知识上打分，在考场上被绊倒之前就找到缺口。

第 5 步——拉开间隔​

两天后回来看你答错的题，一周后再看一次。讲解卡和测验都存在你的文件夹里，所以第二次回来不花任何代价，并且从你上次停下的地方开始。

哪里会出问题​

• AI 不在教室里。 它读的是幻灯片和备注，而不是那堂课。如果老师讲了某个哪张幻灯片、哪条备注里都没有的要点，它没法知道。对照你自己记下的课堂笔记来核对。
• 一张只有三个词的幻灯片，给它的东西很少。 老实的讲解卡就是一张短卡。把教材的那一章加进文件夹，比再问一遍更有帮助。
• 老的 .ppt 文件打不开；先另存为 .pptx。导出成图片的课件，需要先识别，才能被读。
• 理解不等于记住。 要在考试时间压力下默写出来的公式，依然需要动手练。

课件阅读器能做的一切，见带 AI 助教的课件阅读；学习类技能见画布上的思维模型。端到端的版本见用课件复习备考。下载 MindMax，打开这周的课件。

「思维模型实战」系列之一：一个关于经典方法、以及怎样把它们用在你自己材料上的短系列。

为什么值得费这个劲​

打赢对方的一个弱版本，感觉像是赢了，却什么都学不到。你需要说服的人——审稿人、同事、你文章的读者——早就知道那个强版本。如果你的论证只回应了弱的那个，他们会比你先发现。

这个想法有一个著名的表述，就是哲学家丹尼特所说的「拉波波特规则」：在批评一个观点之前，先把它重述得清楚到持有者会说「谢谢，我真希望自己是这么说的」，列出你们一致的地方，提一提你从中学到了什么。然后才去反驳。

怎样做​

1. 准确地说出这个观点。 不是「批评者们」——而是具体的主张，最好是一句它的支持者会签字认可的话。
2. 找出它最好的证据。 一位深思熟虑的支持者会拿出什么？他们最有力的数据，而不是喊得最响的口号。
3. 找出它最好的推理。 是哪些价值或假设，让它对聪明人有说服力？聪明人持有的观点，背后通常有某种真实的东西。
4. 以支持者的身份把它写出来。 用第一人称，不带讽刺，一两段。
5. 检验一下。 持有这个观点的人会认出它、并且满意吗？如果不会，就改。
6. 到这时才回应——回应的是这个版本。

一个完整的示例​

你的立场： 远程优先的团队应该取消大部分例会，改用书面更新。

对方的最强反方： 「书面更新很擅长汇报发生了什么，却很不擅长挖出没人想到要写下来的东西。例会的价值不在议程；而在最后那两分钟，有人说『还有一件事』——那种一写下来就站不住的、半成形的担忧。取消会议，就取消了捕捉微弱信号最便宜的渠道，而这个代价要等到三月里随口一提的问题在六月变成危机时才会显现。」

这比「大家喜欢开会」是更好的反对意见，而且它改变了提案：保留书面更新，但保护一个简短、没有议程的时段，留给那些没人会写下来的事。

用 AI 来做​

搭最强反方是 AI 最好的用途之一，因为它对你的立场毫无留恋，又读过大量对方的东西。两个条件：

• 把它指向真正的论证。 给它你所反对的那篇论文，而不是对它的描述。从原文搭出的最强反方有根有据；从摘要搭出的，会滑向泛泛之谈。
• 先要最强反方，再要批评。 两样一起要，你得到的大多是批评。

在 MindMax 里，最强反方是画布上内置的批判类技能之一。把它施加到一张装着某个论断的卡片上——或者一张指向你在争论的那篇论文的卡片上——它会在做任何别的事之前，先把对方搭到最强，并引用它所依据的段落。然后对你自己的立场跑一次「前提审查」，看看哪一个能站住。

哪里会出问题​

• 最强反方变成了另一个论证。 加强一个观点，不是把它换成一个你更容易认同的观点。对照它的支持者实际怎么说来检查。
• 它变成了虚假的平衡。 为一个观点搭最强反方，不会让它变对。有些立场在最强时也很弱，在公平地听过之后说出这一点，恰恰是目的所在。
• 你再也没回到自己的观点。 这个练习是走向一个立场的一步，而不是用来代替拥有一个立场。

属于画布上的思维模型。系列上一篇：事前验尸。下一篇：第一性原理。

对一段话，改写的副本是个小麻烦。对一整章，它就是人们不再让 AI 碰任何要紧东西的原因。

「这是改进后的版本」的问题​

让大多数助手收紧一节，你会得到它的一份新副本。读起来不错。但它也是一份不同的文字，而在它的某处：

• 你刻意选用的一个限定（「可能」「在大多数情况下」）不见了，
• 一条引用或一个脚注悄悄掉了，
• 一句本来没问题的话，被无缘无故地换了说法，
• 一个你仔细定义过的术语，被换成了一个近义词。

要找到这些，你得把两个版本逐行比对——比你自己动手改还费时间。所以人们只会做两件事之一：整份接受、听天由命，或者干脆不再让它改。

对一个本该在要紧的写作上替你省时间的工具来说，这两种结果都不好。

「改动等你点头」是什么意思​

我们围绕的这条规矩说起来很简单：AI 可以往你的文件里添东西，但不能自作主张地替换你写的东西。

• 对已有文字的修改——光标处的改写、你在对话里要求的修改、按你留下的批注修订——会在原处标出来返回，只有你接受了才写入。
• 新内容——助手创建的一篇笔记、存在原文旁边的一份译文——直接写入，因为为每个新文件请求许可，只会添麻烦而不会带来任何安全。
• AI 的每一次写入都保存为一个可以恢复的版本。

第一点改变了编辑的感受。如果没有标记的文字一定没被动过，你就只需要读那些标记。

是什么让 AI 修订真正好用​

把修改标出来是必要的，但还不够。对一整章的修订，很容易就是一百处小修改，而一百个单独的「接受」按钮，本身又是另一种没法读。帮上忙的是这些：

把修改分组，并说明理由。 一次修订按组到达——「收紧开头」「统一术语」「回应第 3 条批注」——每组附一句话理由。你对意图判断一次，再扫一眼执行它的那些标记。

标出丢了什么。 脚注、引用和链接本该在修改中保留下来。一组修改如果还是丢了其中一个，会带一条提醒，让你在接受之前就看到这处丢失，而不是在把文档发出去之后。

你没点头就不写入。 你审阅时，文件原封不动。只有你接受的那几组才会被写入。

应用过的修改依然可以撤回。 接受不是最终的。明天后悔的一处修改，在文档历史里退一步就回来了。

它不适用的地方​

• 你自己打的字不追踪。 这里讲的是 AI 的修改怎样到达你手上。你打的字直接进入文件，也进入它的历史。
• 光标处的一条建议就是一处修改。 选中整整一章，在光标处要求改写，你得到的是一处大到没法判断的修改。这种情况，在对话里描述要改什么，或者留下批注，它会以许多小组的形式返回。
• 导出不是 Word 的修订模式。 把一份 Markdown 文档导出为 Word，得到的是已接受的文字，而不是一个满是修订标记的文件。你让 AI 修订的 Word 文件则不同：同样的审阅在 MindMax 里进行，你接受的修改会以 Word 修订的形式写进 .docx——见怎样让 AI 以修订模式修改 Word 文档。
• 判断依然归你。 标记告诉你改了什么，不告诉你改得对不对。

实际用起来的样子见 AI 修订模式；这条规矩本身写在改动等你点头里，操作步骤见用 AI 审阅和修订。如果你手上有一份稿子和一摞意见，流程见按意见改稿。

先说那个前提，因为它决定了其余部分对你适不适用：从 Kindle 商店买的书带 DRM，打不开。 那把锁不归我们来解，这篇文章也不会讲怎么解。

哪些 Kindle 文件能打开​

• 能打开： 无 DRM 的 .mobi 和 .azw3 文件——你自己转换的文档、出版社和作者以无 DRM 方式出售的书、公版书合集、同事生成的文件。
• 打不开： 从 Kindle 商店下载到 Kindle 应用或设备上的书。它们是按你的账号加密的。
• 能打开，但有限制： 从来没有目录的老 .mobi 文件。正文读起来没问题；只是没有可以按章节导航的东西，而大部分价值恰恰来自章节。

如果买书时能选，一本无 DRM 的 EPUB 是你能拥有的最便于携带的东西。

分步做法​

1. 把文件放进一个文件夹。 放在你本来存放阅读材料的任何地方。没有要导入的书库。
2. 打开它。 第一次打开时，Kindle 文件会在后台被转换成一本标准的 EPUB。你的原 .mobi 或 .azw3 原样不动。
3. 检查章节。 目录面板来自这本书出版时自带的目录，而不是去猜哪些行看起来像标题。章节看起来对，其余的一切就都能用。
4. 正常阅读。 按你的字号重排的文字、锚定在段落上的高亮，以及落到具体段落而不只是章节标题的书内搜索。
5. 向它提问。 选中一段提问，或者就整本书提问。回答会引用它所依据的段落；点一下引文，书就跳到那里，并高亮那句话。
6. 或者让它陪你读。 选一个镜头——导读、评审、思辨或学习——AI 一次读一章，在相关段落旁边的页边留下批注，你停下时再写一份读后综述。

为什么章节结构这么要紧​

大多数书都比任何模型一次能装下的更长，所以总得有什么来决定读哪些。一个把书切成碎片再搜索的工具，会从碰巧匹配你措辞的那几块里作答——而错过贯穿几章的论证。

一本有真正目录的书，可以像你那样被导航：看章节，把问题需要的那几章完整读完，第一章没解决就回头再读一章。这就是为什么第 3 步值得你花十秒钟。

哪里会出问题​

• DRM。 上面说过了。只要是从 Kindle 商店来的，就打不开。
• 制作粗糙的书。 章节元数据损坏，或者整本书塞在一个大文件里，章节导航就无从下手。
• 小说。 阅读镜头是围绕论证和证据设计的。它能总结一部小说；关于这部小说写得好不好，它说不出什么有用的话。
• 整本书的通读是一件实打实的活。 打开、阅读和搜索你的书不花任何钱；对四百页做一次通读是 AI 的活，按 AI 的活计价。先试一本，再考虑一整个书架。

阅读器能做的一切，见 AI EPUB 和 Kindle 阅读器；每个镜头会标出什么，见 AI 批注镜头。为什么 AI 留下的批注比你预想的少，见AI 给你的书批得很稀，是故意的。下载 MindMax，打开一本你一直想读完的书。

这个分界值得在开始之前就知道，而不是在一个做不完的任务跑了四个小时之后。

人们为什么想要这个​

理由通常就一句话：什么都不能离开这台电脑。 一份签了保密协议的合同、病人的记录、一份未发表的书稿、客户的财务数据。对这类材料，「文字发给一家隐私政策很好的服务商」并不是同一个答案，区别对待是对的。

本地运行的模型，是唯一一种能老实回答「什么都没发到任何地方」的配置。自带一个云端 API key，能从路径上去掉一方；但去不掉这条路径。

本地模型擅长什么​

笔记本级别的模型进步很快，对很多日常文档活来说，它们确实够用：

• 解释选中的一段文字——文字短，问题局部。
• 关于一份打开着的文档的问题，只要它能宽裕地装进模型的上下文。
• 整理、改写和总结你自己写的笔记。
• 小修改，反正每一处你都会读。

做这些，主要的代价是速度，在一台新近的电脑上通常可以接受。

它在哪里吃力​

有三个特性把大活和小活分开，而笔记本级别的模型在这三点上都最弱：

1. 长上下文。 把一本书读好，意味着同时装下大量文字。本地模型跑的上下文常常比云端同类小得多，或者随着上下文填满急剧变慢。
2. 可靠的工具调用。 在一本书里导航——打开目录、挑章节、读它们、回头再找一章——是一连串工具调用。一个在某次调用上稍有差错的模型，会让整串都脱轨。
3. 几个小时里保持一致。 一份三百页的翻译或一份长稿，是几百次都必须遵循同样指令的调用。小模型会漂。

所以：对整本书的 AI 通读批注、整本书翻译和书级篇幅的起草，是我们不会在本地模型上开始的活。它做起来会很慢，或者做不完。

读图是另一个问题​

就框选的一张图表提问、识别一张扫描页，或者读一张拍下来的白板，需要一个能看图的模型。很多流行的本地模型只能处理文字。如果你的模型是这样，这些功能就没有模型可用，直到你把这类活指向一个能读图的模型。

把活分开​

对大多数人来说，实际的配置不是全有或全无。MindMax 把模型的活分成几个档位——快活、日常的活、要紧的通读，以及读图——每个档位放哪个模型由你选，还可以按任务单独覆盖。

• 如果什么都不能离开这台电脑，就把每个档位都指向本地模型，并接受长活够不着这件事。把这些文档放在它们自己的文件夹里，这样你永远清楚适用哪套规则。
• 如果一部分材料敏感、一部分不敏感，敏感文件夹的日常问题用本地模型，其他一切的长活用云端模型。
• 如果你只是想省钱，快活用本地模型是个不错的起点。先量一量，再下结论说总体更便宜；你的时间也是账单的一部分。

本地服务商不需要 key。请求发往你自己电脑上的一个地址，关于它们的任何东西都不会到达我们这里。

我们没有声称什么​

我们没有发布过具体本地模型的评测，模型能力也每个月都在变。这里的说法是关于活的形态：短小、边界清楚的没问题；长的、多步骤的，才是笔记本级别的模型撑不住的地方。先拿一份短文档，试试你真正需要的那件活。

配置方法见使用你自己的 API key，完整的说明——包括自带 key 在哪些地方等于、哪些地方不等于隐私——见自带 API key。为什么让每个功能都能用你自己的 key 运行，背后的理由见订阅是一种便利，不是一道门槛。

这是「思维模型实战」系列的第一篇：每篇讲一个经典方法——它是干什么的、怎样手动来做、怎样用在你自己的材料上。

它从哪里来​

心理学家 Gary Klein 在 2007 年《哈佛商业评论》的一篇短文里推广了事前验尸。它建立在一个更早的关于「前瞻性后见之明」的发现上：想象一件事已经发生，比想象它可能发生，更容易为它想出解释。「它可能为什么失败？」引来的是宽慰。「它失败了——为什么？」引来的是一个故事。

什么时候用​

• 一个计划即将被批准，每个人都暗暗兴奋。
• 你就是提出这个计划的人，你知道自己不是找出它毛病的合适人选。
• 失败代价高昂，而且发现得很慢：一次发布、一次招聘、一次迁移、一次搬家。

在早期它没那么有用，那时计划还很模糊。你没法想象一个还没成形的东西会怎样失败。

怎样做​

1. 用一句话说清计划，带上日期。「我们在 3 月 1 日向现有用户推出付费版。」
2. 宣布失败。 「一年以后了。付费版是一场灾难。」不留余地。
3. 每个人默默写下原因，写几分钟，在任何人开口之前。这一步就是方法本身；先讨论，就意味着职位最高的那个声音决定了清单。
4. 轮流说，每人一个原因，直到说完。全部记下来。先不反驳。
5. 挑出两三个既可能又严重的，决定计划要因此改什么——一个检查点、一个触发条件、一个更小的第一步。

一个人的话，你可以在纸上做第 2 到 5 步。默写这一步更加要紧：你写下的第一个原因，会是你本来就在担心的那个，有用的那些在它后面。

一个完整的示例​

计划： 一个没有营销预算的开源项目，打算在两个开发者论坛上发帖，三个月内拿到最初 100 个活跃用户。

它失败了。为什么？

• 帖子发出去了，但在一台干净的机器上安装要四十分钟，大多数人放弃了。
• 「用户」从来没有定义清楚，所以团队庆祝拿到了 400 颗星，活跃使用却一直是个位数。
• 唯一起作用的那个论坛，吸引来的是另一类问题的人；他们的功能请求把路线图带偏了。
• 维护者在第三周被回答支持问题拖垮了。

改动：上线前先定义什么是活跃用户，从零录一遍干净的安装过程，挑一个窄的受众，而不是两个宽的。

用 AI 来做​

AI 擅长人们觉得最难的那部分——快速生成大量具体的失败故事——却不擅长判断哪些对你要紧。两条规则让它保持有用：

• 给它真实的计划和真实的背景，而不是一个话题。「一次发布」只会得到泛泛的风险。你的计划文档、你的数字和你的约束，才会得到具体的风险。
• 挑选这一步留给人。 AI 产出候选；决定针对哪两个采取行动，是你的事。

在 MindMax 里，事前验尸在画布的示例库里——装一次，然后施加到装着你计划的那张卡片上，并附上规划文档。每个失败故事都作为一条单独的分支返回，你可以展开、丢掉，或者把它变成一个检查点。内置的红队是它的近亲：它不问「它失败了，为什么？」，而是从对手的角度攻击这个计划。

哪里会出问题​

• 它变成了一份什么都有的清单。 二十个风险、不做取舍，那是焦虑，不是规划。以两三处改动收尾。
• 计划太模糊。 「让生意增长」会因为所有原因同时失败。
• 没人据此行动。 一次没改变计划任何地方的事前验尸，只是开了个会。

更多这样的方法：画布上的思维模型，以及术语表里的定义：思维模型。系列下一篇：最强反方。