Solo Unicorn我的 AI 学习系统 — 每天 30 分钟跟上 AI 行业
我的 AI 学习系统 — 每天 30 分钟跟上 AI 行业
2025 年一整年，AI 行业发生了多少事？
粗略统计：Anthropic 发了 Claude 4 系列，OpenAI 推了 GPT-5 和 o3，Google 出了 Gemini 2.5，Meta 开源了 Llama 4。Agent 框架从概念变成产品——AutoGen、CrewAI、LangGraph 都进入了生产环境。多模态成了标配，推理模型成了新赛道。
如果你在 AI 行业工作或者用 AI 做生意，跟不上这些变化意味着你在用过时的工具解决今天的问题。但跟上这些变化的传统方式——每天花 2-3 小时读论文、刷 Twitter、看博客——对一人公司的创始人来说时间成本太高了。
我的解法：搭一套 AI 辅助的学习系统，把信息收集和初步筛选自动化，我只负责最后的"吸收和决策"环节。每天 30 分钟，从不遗漏关键信息。
背景：信息焦虑是怎么产生的
2024 年，我还在大厂的时候，跟进 AI 行业靠的是三个渠道：Twitter 刷信息流、订阅 10 个 Newsletter、偶尔看论文。问题是：
信息量在指数增长，但我的时间是线性的。 2024 年初，我每天花 1 小时就能覆盖关键信息。到年底，同样的覆盖度需要 2.5 小时。到 2025 年中，我开始有选择性地跳过某些领域——然后在一次客户对话中被问到一个我完全不知道的新工具，非常尴尬。
刷信息流 ≠ 学习。 我发现自己每天刷了 50 条推文，但第二天能记住的不到 5 条。信息流过脑子但没留下来。原因很简单：刷的时候没有主动加工，只是被动接收。
2025 年 6 月，我决定重新设计自己的学习系统。核心思路：让 AI 负责"收集、筛选、摘要"，我只负责"理解、关联、应用"。
核心方法：三层过滤
第一层：自动收集——让信息主动来找我
我不再主动刷 Twitter 和博客。取而代之的是一套自动化信息收集管道：
RSS 订阅 + n8n 自动化：我用 Feedly 订阅了 47 个信息源——包括 Arxiv 的 cs.AI 和 cs.CL 分类、主要 AI 公司的博客（Anthropic、OpenAI、Google DeepMind、Meta AI）、6 个高质量 Newsletter、以及 15 个我信任的独立博主。n8n 每天早上 6 点自动抓取所有更新，通常是 80-120 条内容。
Claude API 做初步筛选：80-120 条全看不现实。n8n 工作流调用 Claude Haiku 对每条内容做快速分类：高相关（和我的业务或技术栈直接相关）、中相关（行业趋势类）、低相关（噪音）。Prompt 里我定义了明确的规则——什么算高相关、什么算低相关。筛选后通常留下 15-25 条高中相关内容。
输出到 Notion：筛选结果自动写入 Notion 的"每日信息流"数据库，按日期排列，包含标题、摘要（Claude 自动生成的 2-3 句话）、原文链接、相关度标签。
这一层完全自动化，零人工投入。
第二层：深度消化——30 分钟的主动学习
每天早上 8:30，我打开 Notion 的"每日信息流"，花 30 分钟做三件事：
快速扫描（5 分钟）：看所有高中相关条目的标题和摘要。大部分内容看摘要就够了——"OpenAI 发布了 XX 功能"、"Anthropic 更新了 XX API"。这些信息我需要知道，但不需要深入读原文。
深度阅读（15 分钟）：从中挑 2-3 篇需要认真读的。判断标准只有一个：这篇内容是否会影响我未来一个月的产品决策或技术选型。符合这个标准的，打开原文仔细读。
论文处理（10 分钟）：如果有相关论文，我用 NotebookLM 处理。把 PDF 上传到 NotebookLM，让它生成摘要和关键发现。NotebookLM 的 Audio Overview 功能特别好用——它会把论文内容变成一段 10-15 分钟的"播客式讲解"。我通常在午饭或运动时听，利用碎片时间消化。
对于特别复杂的论文，我会用 Claude 做交互式阅读。把论文丢进去，然后逐段提问："这个方法和 XX 的区别是什么？"、"这个结论在什么条件下成立？"、"这对我正在做的 XX 有什么启发？"。这种对话式阅读比自己从头到尾读一遍效率高 3-5 倍。
第三层：知识沉淀——从"知道了"到"能用了"
读过不等于学到了。最关键的一步是把新信息和自己的知识体系关联起来。
我的做法是每周五花 20 分钟写一篇"周度学习笔记"——不是对这周信息的摘要（那是 AI 做的），而是回答三个问题：
- 这周最重要的一个变化是什么？
- 这个变化对我的业务/产品有什么具体影响？
- 我是否需要因此调整任何决策？
这篇笔记写给自己看，通常 300-500 字。重点不在于写得多好，在于强迫自己做"信息 → 判断"的转化。被动吸收信息不产生价值，主动用信息做决策才产生价值。
这些笔记积累下来，也成了一人独角兽俱乐部月度分享的素材来源——很多成员告诉我，我的行业洞察分享是他们加入社群的主要原因之一。
工具栈详解
| 场景 | 工具 | 月费 | 为什么选 |
|---|---|---|---|
| RSS 订阅 | Feedly Pro | $6 | AI 辅助分类，Board 功能方便整理 |
| 工作流自动化 | n8n（自托管） | $8 | 跑在 VPS 上，串联 RSS → Claude → Notion |
| 初步筛选 | Claude Haiku API | ~$3 | 每天处理 100 条，Haiku 便宜（$0.25/M 输入）且速度快 |
| 论文消化 | NotebookLM Plus | $20 | 论文摘要 + Audio Overview。含在 Google One AI Premium 里 |
| 深度问答 | Claude Pro | $20（已在用） | 交互式论文阅读、技术问题分析 |
| 快速搜索 | Perplexity Pro | $20 | 需要查某个具体信息时用。实时联网 + 引用来源 |
| 知识库 | Notion（个人计划） | $0 | 每日信息流 + 周度笔记 |
| 合计 | 约 $40/月（不计已在用的 Claude Pro 和 Perplexity Pro） | 核心新增成本仅 Feedly + n8n + Haiku API = $17 |
注意：Claude Pro（$20）和 Perplexity Pro（$20）我做其他事情也在用，不是专门为学习系统订阅的。如果只算学习系统的增量成本，其实只有 $17/月。
实际数据
系统运行 9 个月的数据（2025.6 - 2026.2）：
| 指标 | 搭系统前 | 搭系统后 |
|---|---|---|
| 每天信息跟进时间 | 2-2.5 小时 | 30 分钟 |
| 每周深度阅读论文数 | 1-2 篇 | 4-5 篇 |
| 错过关键行业事件次数（月） | 2-3 次 | 0 次 |
| 信息源覆盖数 | 15 个 | 47 个 |
| 知识利用率（读过后用到的比例） | ~10% | ~35% |
最后一个指标"知识利用率"怎么算的：每月底我回顾当月做的产品决策和客户对话，数一下有多少次是因为之前学到的东西直接帮助了我。搭系统前大约 10%——读了很多但用到的很少。搭系统后提升到 35%，核心原因是第三层"周度学习笔记"强迫我把信息和业务关联起来了。
一个具体的例子：2025 年 11 月，我的信息流里抓到了一篇关于 Anthropic 推出 Tool Use 功能的博客。我读完后立刻意识到这个功能可以替代 JewelFlow 里我自己写的一个复杂的 function calling 模块。第二周我就做了迁移，代码量减少 40%，稳定性提升明显。如果没有这套系统，我可能两三周后才从 Twitter 上偶然看到。
踩坑经验
坑一：信息源加得太多，噪音比信号大
最初我订阅了 80 多个 RSS 源。结果每天 200+ 条更新，Claude 筛出来的"高相关"有 40-50 条——根本看不完。
我花了一周做信息源审计：把每个源过去一个月的内容质量打分，砍掉了得分低于 60 分的 35 个源。现在 47 个源，每天 80-120 条更新，筛选后 15-25 条。量级对了才可执行。
教训：信息源的质量 > 数量。10 个高质量源好过 50 个平庸的源。
坑二：Claude 的筛选 prompt 需要持续调教
最初的筛选 prompt 太粗糙——"与 AI 行业相关"这个标准太宽泛，几乎所有内容都被标为高相关。
后来我把规则细化了：高相关必须满足三个条件中的至少一个——a) 与我正在使用的技术栈（Python、FastAPI、Claude API、Vercel）直接相关；b) 影响超过 10,000 名开发者的平台级变化；c) 我所在的垂直领域（珠宝零售、奢侈品）的 AI 应用案例。
规则细化后，高相关的准确率从 55% 提升到 82%。
坑三：NotebookLM 的 Audio Overview 有时候漏掉关键细节
Audio Overview 非常方便，但它是摘要性质的，对论文里的技术细节（数学公式、实验设置）覆盖不够。我有过一次在和客户讨论技术方案时引用了 Audio Overview 里的结论，但忽略了原论文中一个重要的限制条件，差点误导了方案设计。
教训：Audio Overview 适合快速了解论文大意，但如果要用论文的结论做决策，必须回去读原文的实验部分和 limitations 部分。
给想开始的人的建议
第一步：确定你的"信息目标"。
你跟进行业信息是为了什么？做产品决策？找新商机？避免技术栈过时？不同的目标决定不同的信息源和筛选规则。没有明确目标的信息收集等于在 Twitter 上无目的地刷——花了时间但没有收获。
第二步：从 Perplexity + NotebookLM 开始，不需要搭自动化。
最简版本：每天早上打开 Perplexity，问它"过去 24 小时 AI 行业最重要的 3 件事是什么"。有感兴趣的论文就丢进 NotebookLM。这两个工具加起来月成本 $20（只要 Perplexity Pro），就已经能覆盖 60% 的需求。自动化管道是进阶玩法，先确认你能坚持每天 30 分钟再搭。
第三步：写周度笔记，不要只是消费信息。
这一步看起来最不重要，实际上是最重要的。不写笔记的信息收集就像不做笔记的听课——当时觉得都听懂了，一周后忘得干干净净。300 字就够，关键是回答"这对我有什么用"。
写在最后
每天 30 分钟，$40/月，覆盖 47 个信息源，深度消化 4-5 篇论文/周，零遗漏关键信息。
这套系统的核心不是工具有多先进，是一个认知转变：学习的瓶颈不是信息获取，是信息处理。 AI 行业的信息量已经超过了任何人手动处理的上限。用 AI 帮你做"收集和筛选"，把你有限的脑力用在"理解和应用"上——这才是高杠杆的学习方式。
一人独角兽俱乐部里我做过一次"AI 学习系统工作坊"，分享了这套方法。会后有十几个成员搭了自己的版本，其中一位做跨境电商的成员告诉我，他用类似的系统跟进供应链和平台政策变化，每天节省了 1.5 小时。场景不同，方法通用。
你现在每天花多少时间跟进行业信息？如果超过 1 小时，可能是时候让 AI 帮你做前置工作了。