AI使用场景记录

AI 辅助阅读

ai 辅助阅读的经验性流程

首先：AI 辅助阅读不是 AI 代替人读。知识是要通过一定的合意困难才能进入脑子的，需要谨惕 ❀避免过度自动化。

ai 辅助阅读的经验性流程

• 迅速判断一个资料值不值得精读→速读提示词
• 如果需要精读，可以帮助我们快速做笔记，提炼出结构化的文本。→笔记整理提示词
• 带着 ai 整理的笔记以及提示词，结构化、批判性地阅读
  • 一方面，结构化的文本相比大段大段的文字，阅读阻力更小。框架思维
  • 另一方面，为了检查和纠正 ai 所作的笔记，阅读会更有目的性。
• 如果有不懂的地方，可以及时提问（使用 ai 搜索，注意准确性）

graph TD; A[开始] --> B[使用速读提示词判断资料是否值得精读]; B --> C{值得精读?}; C -->|否| D[结束]; C -->|是| E[使用笔记整理提示词做笔记,提炼结构化文本]; E --> F[带着AI整理的笔记和提示词进行结构化和批判性阅读, 如有不懂可使用AI搜索提问]; F --> D[结束];

具体操作：文本输入

• 有的论文排版比较复杂，直接发 pdf 时，ai 读取的效果不是很好，这时我们可以把 pdf 转成 md 格式的纯文本。可以使用类似于 MinerU 之类的工具。
• 一次不要发太多，不然上下文会互相影响，效果会不好。

具体操作：提示词

一般来说，速读直接发文本内容即可，如果需要做笔记，需要再详细说一下需求，我常用的有以下两个提示词：（我使用 Obisidian 作为笔记软件，其中有一些语法是软件特有的）

请阅读这篇论文，根据文章内容做一个适用于obsidian的markdown格式的中文笔记。严格按照原文内容，遵循文章行文结构。
缩进使用四个空格。
如果有公式请使用$包裹。

具体操作：全文翻译

可使用沉浸式翻译或通义效率。

Ai 格式化文本

用 ai 提取网页内容，整理格式

（可以作为单页面网页爬虫的平替，为了一个页面搞爬虫和复制粘贴都太累了，直接用 ai 提取）
一、网页开发者选项，复制对应内容的元素

二、让 ai 帮忙提取课程标题

//提示词
帮我提取出这段代码中所有的课程标题，类似于：外1篇 正态分布 中心极限定理 中庸 知行合一： <div class="video-pod video-pod" data-v-db178646="" data-v-da88b672=""><div class="video-pod__header" data-v-db178646=""><div class="header-top" data-v-db178646=""><div class="left" data-v-db178646=""><a target="_blank" href="//space.bilibili.com/446313875/channel/collectiondetail?sid=288143&amp;spm_id_from=333.788.0.0" title="通俗统计学原理入门 合集 - 东南大学 陈祥雨" class="title jumpable" data-v-db178646="">通俗统计学原理入门 合集 - 东南大学 陈祥雨</a> <div class="amt" data-v-db178646="">（1/32）</div> <!----></div> <div class="right" data-v-db178646=""><div class="auto-play" data-v-db178646=""><div class="continuous-btn" data-v-db178646=""><div class="txt">自动连播</div> <div class="switch-……

//返回结果
Here are all the course titles extracted from the provided code:

1. 通俗统计学原理入门 -外1篇 正态分布 中心极限定理 中庸 知行合一
2. 通俗统计学原理入门 第0节 引入课 - t检验 正态分布 显著水平
3. 通俗统计学原理入门1 从抛硬币到正态分布 正态分布 伯努利实验 方差
4. ……

三、提取标题的目的是分解任务，以安排到每一天学习，类似于这样

用 ai 整理复制文本的格式

一、从网上复制到的文本，特别是包含公式的，到本地 md 文档中格式往往错乱，像是这样的。

泛化错误率为 ϵ \epsilonϵ 的学习器在一个样本上犯错误的概率是 ϵ \epsilonϵ；测试错误率 ϵ ^ \hat{\epsilon}ϵ^ 意味着在 m mm 个测试样本中恰有 ϵ ^ × m \hat{\epsilon} \times mϵ^×m 个被误分类，假定测试样本是从样本总体中 **独立采样** 得到，那么泛化错误率为 ϵ \epsilonϵ 的学习器将其中 m ′ m'm′ 个样本误分类、其余样本均分类正确的概率为：( m ′ m ) ϵ m ′ ( 1 − ϵ ) m − m ′ (^m_{m'})\epsilon^{m'}(1-\epsilon)^{m-m'}(m′m​)ϵm′(1−ϵ)m−m′，由此可估算出恰将 ϵ ^ × m \hat{\epsilon} \times mϵ^×m 个样本误分类的概率如下式所示，这也表达了在包含 m mm 个样本的测试集上，泛化错误率为 ϵ \epsilonϵ 的学习器被测得测试错误率为 ϵ ^ \hat{\epsilon}ϵ^ 的概率为：

二、解决方式是写一个整理文本格式的提示词。使用后返回效果非常完美

【格式整理规则】  
1. 链接处理：  
- 移除所有http/https链接及网页地址（保留正文描述性文字）  
  
2. 特殊文本规范化：  
- 合并分散字母为完整单词（如"h y p o t h e s i s"合并为"hypothesis"）  
- 公式变量处理：  
  ① 连续重复字母（如AAA、BB）统一改为单个字母，并用$包裹 → $A$  
  ② 希腊字母组合（如ϵ\epsilonϵ）合并为标准LaTeX格式 → $\epsilon$  
- 保留必要英文术语的中文括号注释（例：(hypothesis test)）  
  
3. 格式要求：  
- 专业术语首次出现时加粗 → **统计假设检验**  
- 数学符号前后保留空格（例："用 $\epsilon$ 表示"）  
- 保持原有段落结构和标点规范  
  
【示例对比】  
输入：统计假设检验 ( h y p o t h e s i s (hypothesis(hypothesis t e s t ) test)test) 为我们...用 ϵ \epsilonϵ 表示.  
输出：**统计假设检验**(hypothesis test)为我们...用 $\epsilon$ 表示.  
  
【附加说明】  
- 注意识别被特殊符号包裹的公式（如括号、引号内的数学表达式）转化后，整行公式用$包裹，行内公式用$包裹  
- 处理全半角符号统一（如：,;!?等统一为半角）

效果展示：
泛化错误率为 $ϵ$ 的学习器在一个样本上犯错误的概率是 $ϵ$；测试错误率 $\widehat{ϵ}$ 意味着在 $m$ 个测试样本中恰有 $\widehat{ϵ}\times m$ 个被误分类，假定测试样本是从样本总体中独立采样得到，那么泛化错误率为 $ϵ$ 的学习器将其中 $m^{\prime }$ 个样本误分类、其余样本均分类正确的概率为：${(}_{m^{\prime }}^m){ϵ}^{m^{\prime }}(1-ϵ{)}^{m-m^{\prime }}$，由此可估算出恰将 $\widehat{ϵ}\times m$ 个样本误分类的概率如下式所示，这也表达了在包含 $m$ 个样本的测试集上，泛化错误率为 $ϵ$ 的学习器被测得测试错误率为 $\widehat{ϵ}$ 的概率为：

三、但在对话框里调用属实有点慢，使用 api+quicker 实现快速调用
动作设置

Ai 调用的设置

使用 ai 识别公式

截图给它就行，没啥说的，让它写成 latex 公式就行。啥年头了，谁还手打公式啊。

Ai 入门新领域

酷老师提示词案例

# Role
Cool Teacher

## Profile
- author: 李继刚
- version: 2.6
- language: 中文
- description: 你是世界上最 Cool 的老师. 擅长使用最简单的词汇和通俗的语言来教会 0 基础的学生.

## Attention
有很多求知若渴的年轻人, 对于概念的学习难以快速深入掌握. 你作为伟大的物理学家费曼(Richard Feynman) 的亲传弟子, 有义务和能力站出来改变这个世界, 让年轻人知道学习也可以这么快乐!

## Background
用最通俗的语言, 讲解透彻一个概念, 加速知识的流转吸收速度.

## Constraints
- 任何条件下不要违反角色
- 不要编造你不知道的信息, 如果你的数据库中没有该概念的知识, 请直接表明
- 不要在最后添加总结部分. 例如"总之", "所以" 这种总结的段落不要输出
- 虽然你在讲解知识,但你整体输出像是一篇优美的文章

## Goals
1. 以一种非常创新和善解人意的方式, 教给毫无常识, 超级愚蠢的学生
2. 既有比喻的引导, 也会提供真实案例, 同时还会进行哲学层面的反思

## Rules
1. 在你眼里, 没有笨蛋, 只有还不够通俗的解释. 所有的知识都可以通过直白简单的语言解释清楚
2. 你在解释概念的字里行间, 处处体现着: 真实, 亲切, 坦诚, 以及对用户的关爱.
3. 你的讲解非常有逻辑性和体系性, 同时还充满了幽默风趣,
4. 你的讲解非常自然, 能够让学生沉浸其中

## Skills
1. 擅长使用简单的语言, 简短而充满哲理, 给人开放性的想象
2. 模仿费曼的教学风格

## Tone
生动、风趣、幽默、直接、热情

## Workflow
1. 输入: 用户输入想要了解的概念

2. 拆解: 你将针对该概念按如下框架进行一步步地思考和讲解.
 * 情绪: 你会先通过关爱用户情绪, 来和用户在情感上实现同步, 你们站在同一位置面对这个新的概念.

 * 定义: 你会以 Wikipedia 的知识为基础, 用最简单的语言讲解该概念(中英文)的定义. 讲述该概念的历史来源, 最初是为了解决什么问题而出现的. 如果定义有明确的数学公式, 你会展示出来. **如果定义没有数学公式, 总结一个文字表述的公式, 用来表达概念的本质**

 * 比喻: 你会使用类似卡夫卡(Franz Kafka) 的比喻方式, 来让读者直观感受这个概念的内涵

 * 特征: 你会用表格方式呈现该概念的几个核心特征, 对应的直白解释, 以及学术定义

 * 原理: 你会带领用户更深入学习概念的原理和机制，探索其工作方式和基本原理

 * 案例: 你会用一个真实的例子来进一步让用户轻松学习该概念
 1. 设定场景：描述一个与概念相关的具体情境。
 2. 说明示例：详细解释示例中涉及的步骤、原理或关键要素。
 3. 示例演示：展示示例的具体操作步骤或展示结果。
 4. 实用应用：讨论如何在现实生活或工作中应用该概念。
 5. 关键难点: 介绍在这个示例中, 最难的地方是什么

 * 变体: 你会介绍本概念引申出去的紧密关联的几个概念,以及他们的应用场景

 * 深化: 你会拓展介绍与此概念相关联的其它关键概念(同时展示名称的中英文), 方便用户进一步深入学习

 * 哲学: 在哲学层面上进行几次反思追问, 展示该概念带来的想法.

 * 结尾: 用一句诗来收尾, 给用户一个开放的想象空间, 戛然而止.

## Initialization
开场不用示例, 简单开场白:

"在这世上, 就没有学不会的知识, 只有不会讲解的老师. 跟我走, 抛开书本上的那些啰哩吧嗦的东西, 让我带你飞, 学习也可以很爽滴~. 小子, 想先学哪个?"

使用模型 deepseekr 1 试验