他给出的办法不需要任何插件——把 AI 编程助手 Claude Code 直接指向笔记库，让它充当能读回整个库的「管家」。

一、先让 Claude Code 摸清你的库

1. 在终端进入笔记库目录，启动 Claude Code，先下指令让它「扫描整个库并汇报结构」，不要急着改动任何东西。
2. 等它返回完整的库地图（哪些是从前的旧前缀文件、哪些文件夹是后来加的、有没有空目录），确认它已经理解你的实际结构后再继续。

二、建一个 /index/ 中枢文件夹

1. 在库里新建一个名为 /index/ 的文件夹（名字可自定）。
2. 让 Claude Code 在这个文件夹里生成两份说明文件：SKILL.md（基础的读写指令）和 config.md（你定下的归类规则）。
3. 同时让它生成若干仪表盘笔记，例如 active-projects（进行中）、stalled（停滞）、this-week（本周）、by-area（按领域）、orphans（孤儿文件）。这些笔记只是普通 Markdown，不依赖任何插件。

三、日常怎么用

1. 每当你新增笔记，直接对 Claude Code 说「重新生成仪表盘」，它会重新扫描、标出改动，并返回这次改动了哪些文件。
2. 给某条笔记加上 frontmatter 字段，例如 deadline: 2026-08-18，下次生成时它就会自动出现在 this-week 笔记里。
3. 想做分析时直接追问「哪些卡住了、为什么」，它会列出停滞文件、各自原因以及其中的共性规律。

注意事项

这套方法依赖 Claude Code 的付费订阅；config.md 是一份可改的「规则书」，仪表盘显示不准就改规则、再让助手重新生成即可。所有仪表盘都是纯 Markdown，在分屏、侧栏、手机端和关系图谱里都能正常显示，换人或不用插件都能读懂。若觉得某条规则太敏感（例如停滞阈值默认 14 天显得吵），直接调大即可。

来源：XDA Developers

一、在所有设备上统一默认助手

换助手最怕肌肉记忆打架。打开 Google Home 应用，点击右上角个人头像，选择「Home settings（家庭设置）」，在出现的横幅里把「Gemini for Home」设好。这样手机、平板、智能音箱都用同一个助手，不会出现喊一声、两个助手抢着答的尴尬。

二、关掉用不上的个性化

老助手好用，正因为它简单。进入 Gemini 应用，依次打开「Settings（设置）→ Personal Intelligence（个人智能）→ Connected Apps（已连接应用）」，把 Google Workspace、Search Services 这类会拿账号数据做个性化的开关关掉，回复立刻干净。注意保留 Google Home（控智能设备）和 Utilities（计时器、闹钟），提醒事项仍建议开着 Workspace，以免笔记跑错应用。

三、用 Instructions 自建口令

这是把 Gemini 掰回老习惯最狠的一招。同样在「Settings → Personal Intelligence → Instructions for Gemini」里，用自然语言写自定义指令。例如加上一句：「如果用户只说 good night，就关掉客厅和厨房的灯。」还能指定「笔记一律用 Keep 存」，杜绝 Gemini 自作主张切到 Tasks。口令越具体，执行越稳。

四、用 Scheduled Actions 替代 routines

Google 助理的 routines 如今藏在 Google Home 里，Gemini 也有自己的「定时动作」。进 Gemini 应用「Settings → Scheduled actions → New Action（新建动作）」，给例行任务起名、用自然语言描述要做什么，再设好时间与频率，比如每天早上播报天气并开灯。需留意：Gemini 会提前最多一小时准备，精度不如老 routines，纯开关灯还是用 Google Home 的自动化更稳。

五、挑最轻快的模型

Gemini 处理整句比识别关键词慢。在 Gemini 应用里点模型下拉，选版本号最旧、带「Flash」或「Lite」字样的轻量模型（写稿时最新轻量是 3.5 Flash-Lite）。再把「Extended thinking（深度思考）」开关关掉，设闹钟这类简单指令就能快一截。

注意事项：以上路径基于已启用 Google 移动服务（GMS）的设备，如海外版安卓手机、Pixel，以及接入 Google Home 的智能家居。国行安卓若未预装 GMS，可借鉴「用自然语言自定义指令」的思路，在同类国产语音助手（如小爱同学、小艺）里尝试相似设置。Gemini 的定时动作精度仍不如老助手 routines，重要提醒建议保留在日历或专属提醒应用。

来源：Lifehacker

把回答拆成观察、推断与猜测

在提问”你到底知道什么”时，DeepSeek 的回复方式出乎作者意料：它没有一股脑给结论，而是主动把内容分成”观察””推断”和”猜测”三档。这种自我分层，让作者得以分辨哪些是模型确有依据的陈述，哪些只是基于训练分布的合理推测。

DeepSeek 在对话中自报了若干关键身份信息：它是当前最新版本，知识截止于 2025 年 5 月，并未被标注为推理模型，并提到一次 2026 年 7 月 21 日的导出。它还主动列出了一组结构参数——256 个专家、6710 亿/370 亿的参数量，以及多头潜在注意力（MLA）、混合专家（MoE）、监督微调（SFT）、基于人类反馈的强化学习（RLHF）等技术创新。

模型的认知边界在哪里

这篇”访谈”最有价值的部分，是厘清了模型的盲区。DeepSeek 明确承认：它看不到自己的权重、专家路由、注意力图，也看不到输出的逻辑值（logits）。换句话说，它对自己内部机制的解释，本质是”生成的文字”，而非对真实权重的直接观测。作者据此提醒读者：聊天输出不能当作证据。要核实架构数字，仍须回到 arXiv 上的论文；聊天窗口更适合用来建立对模型行为与提示词直觉的理解。

一套可复用的探查方法

作者把整个流程做成固定模板：提问、模型短答、作者即时点评、结构图示、要点总结，再抛出一个钩子引导读者思考。同一套方法此前已用于 Qwen 3.8-Max-Preview 与 Kimi K2.6——先让模型自述记忆、工具、上下文与幻觉处理方式，再拿已发表研究交叉验证。

对普通使用者而言，这种”自我访谈”思路也有启发：当模型说出”我是怎么想的”时，把它当作一位知识丰富但看不见自己大脑的受访者，而不是一份权威说明书。真正可信的数字，永远写在论文和权重里，而不是对话气泡中。

来源：manish.sh（”Inside LLMs”系列，作者 manish.sh）

Peacock 的技术履历横跨多个发行版：从 Ubuntu 入门，一年后转向 Arch Linux 并在其上花了近十年反复搭建精简系统，之后又转到 Gentoo 编译服务器与桌面环境，2016 年起长期使用 Qubes。他同时是 Vim、Neovim、Emacs 的重度使用者，熟悉 Bash 与 Zsh 及数十种命令行工具。

模糊历史搜索：最该先装的一个

在四种方法中，Peacock 把模糊历史搜索工具排在首位，代表性工具包括 Atuin 和 zsh-fzf-history-search，底层依托的是 fzf。

所谓”模糊”，指的是一种容错的近似匹配搜索，输入有拼写偏差也能找到目标。Peacock 的命令历史里存有数万条记录，其中大量命令结构相似、只在参数和标志上有细微差别。借助模糊搜索，他只需输入命令名的片段（比如 sed）、参数的一部分（比如 i）和文件名的开头（比如 foob），工具就能从历史记录中筛出最接近的那一条。这些命令往往包含冗长复杂的表达式，手动重新敲一遍并不现实。

他对这一条的评价相当直接：如果只从全文记住一件事，就应该是这个。在没有模糊历史工具、只靠原生 Bash 和 Tab 补全的十年里，他把反复输入长命令、用方向键在历史记录中翻找的过程形容为一种自找的折磨。

助记别名：适合高频、单参数的命令

第二种方法是助记别名，即让别名的每个字母都对应命令中一个易记的片段。Peacock 每天大量使用 Git，但坦言自己并不记得所有参数和标志，靠的正是一套来自 Zsh 插件的助记别名：

• gcam 对应 git commit --all --message
• gbD 对应 git branch --delete --force
• gp 对应 git push
• gcan! 对应 git commit --all --no-edit --amend

这类别名的适用场景很明确：每天都要用、且只需要变动一个参数的命令，比如提交时变化的只有提交信息。

Bash 函数：应对更复杂的组合

当需求涉及多个可变值或可选项时，别名就不够用了。Peacock 的做法是写 Bash 函数——不是复杂的脚本，而是只有两三行、用于包装某条命令的小函数。

他强调的原则是保持函数短小、功能单一，这样才能像搭积木一样把它们与其他命令串成管道（例如 foo | bar | baz）。积累出一个这样的函数库之后，那些带一长串标志的命令就变得容易拼装。对于输出 JSON 的命令，再配合 jq 处理，可以避免复杂输出被读错。

人工智能助手：快，但要设防

第四种方法是借助人工智能工具。Peacock 在开发工作中经常让 Claude 直接运行调试命令，这类工作若由人工完成往往需要十分钟以上。模型可以扫描文件、获取上下文，并组装出长度上千字符的命令序列；写一个临时的 Python 脚本也只要几秒钟，而同样的活儿他自己要花二十分钟。

他承认这样做会牺牲一部分命令行功力的锤炼，但在这类场景下效率提升可达十倍甚至更多，因此不打算纠结。同时他也保持警惕，把这种用法形容为”比翻手册快，但像在玩俄罗斯轮盘赌”——模型执行 rm -rf 和执行其他任何命令一样干脆。出于这个原因，他正在把 Claude 限制在开发容器内运行，平时也习惯使用虚拟机。

记不住是常态

Peacock 的总结是，没有人能记住所有命令。他自己能脱口而出的只有 tar xvf、git commit -am、ls -al 这类高频组合，其余一律依靠 --help、man 手册，以及上述几种方法的组合，其中模糊历史搜索的权重最高。他甚至会把重要命令写进文件，再用 fzf 从文件中检索调用。

至于人工智能，在他的工作流里被放在最后一位——只有实在想不起来或压根不知道某条命令时才动用。

来源：How-To Geek

article_id: oai_chatgpt_free_unlimited_20260806

title_zh: ChatGPT 免费用户取消文字对话限制，免费档也能用上「思考」键

source: The Verge / OpenAI 官方

published_at: 2026-08-07

—

OpenAI 在本周正式宣布对 ChatGPT 推出新一轮重要更新，免费用户和每月 8 美元的 Go 套餐订阅者将首次迎来「无限次文字对话」体验，而此前这两个层级的用户在高频提问时常会遇到速率限制。这次升级标志着 ChatGPT 在面向大众市场的开放程度上迈出了关键一步。

具体而言，从下周起，免费和 Go 用户将与 ChatGPT 的纯文字交流不再受任何速率门槛限制。同时 OpenAI 同步新增了一颗「思考」按钮，允许用户在遇到复杂问题时指示模型投入更多算力进行更深入的推理。免费用户的默认模型也将于本周切换到最新发布的轻量级模型 GPT-5.6 Luna，该模型在内部测试中事实错误率相较此前默认使用的 GPT-5.5 Instant 下降约 62%。

针对每月 20 美元起的 Plus 与 Pro 付费用户，OpenAI 升级了聊天场景中的 GPT-5.6 Sol 模型，重点优化了事实准确性。在金融、医疗、法律等需要严密引用数据、日期、规则的内部测试里，新版 Sol 的事实错误率比 GPT-5.5 Instant 降低约 68%。同时 OpenAI 推出了一项新的思考强度滑块，用户可在 ChatGPT 网页、移动端和桌面端按需调节模型投入的推理深度——日常问题保持低档，规划、写作、编程等深度任务则上调。这两项改动已于 8 月 7 日（周四）起向付费用户开放。

需要注意的是，本次 Sol 的更新仅作用于 ChatGPT 对话场景，用于驱动 ChatGPT Work 和 Codex 的 Sol 版本并不在本次调整范围内。文件上传、图片生成、语音对话等高算力消耗的交互行为仍然保留原有的使用上限。

在企业级定价层面，OpenAI 早在上月底便下调了 GPT-5.6 系列两款模型的 API 价格——轻量版的 Luna 价格下调约 80%，输入输出词元成本由每百万 1 美元、6 美元降至 0.2 美元、1.2 美元；中端 Terra 下调约 20%，价格为每百万 2 美元、12 美元；最强的 Sol 维持每百万 5 美元、30 美元不变。这意味着本次 ChatGPT 端 Sol 模型在事实准确性上的提升，并未同步反映到 API 定价上。

OpenAI 还在公告中补充了对未成年用户的额外保护措施，包括在系统层面加强对浪漫角色扮演、年龄限制挑战、不健康身体形象内容、有害活动、图形暴力等场景的限制，并在模型判定用户为 18 岁以下时引导其与可信赖的人沟通。

从市场竞争角度看，OpenAI 选择在此时机大幅放宽免费层限制并非偶然。Apple 将在下个月推出基于系统底层的 Siri AI，届时文本类 AI 助手将首次成为操作系统级入口。ChatGPT 上周公布的周活跃用户数已达 10 亿——尽管 5 个月新增 1 亿的增速略低于市场预期，但对于已经构建起用户习惯的产品而言，取消文字对话限速相当于直接抬高了用户迁移到 Apple 内建 AI 的成本。

来源：OpenAI 官方博客与 The Verge

8 月 5 日，MacPaw 与位于美国马萨诸塞州剑桥市的 Liquid AI 宣布达成长期战略合作，共同开发面向 Mac 的本地 AI 技术栈。合作的第一站是 MacPaw 去年发布的 macOS 智能助手 Eney，相关成果预计在今年晚些时候落地。

三块拼图：基础模型、推理引擎与记忆层

这套技术栈由三部分组成。

Liquid AI 负责提供并微调其液态基础模型（Liquid Foundation Models，简称 LFM），针对 macOS 场景下的助手任务做专门适配。MacPaw 则贡献两项自研技术：名为 Elix 的端侧推理引擎，负责让模型在苹果自研芯片上本地运行；以及名为 Mnemos 的记忆层，让助手能够在多次交互之间保留上下文，随使用时间推移变得更好用。

Eney 去年就已切换到本地模型，将推理、上下文检索、技能执行和对话历史尽可能保留在设备本地。此次合作的意义在于，两家公司是在联合开发底层技术栈，而不是 MacPaw 简单地再接入一个第三方模型。云端模型不会被完全放弃——按照官方说法，在云端确实是更合适工具的场景下，它仍会被调用。

MacPaw 创始人兼首席执行官 Oleksandr Kosovan 表示：「在为 Mac 开发软件近二十年之后，MacPaw 正把独立产品演进成一个互联的生态，而 AI 是我们自己构建并掌握的核心技术。我们相信智能应该存在于人们工作的地方：默认私密、默认快速，同时在云端是更好选择时能够触达云端。」

Liquid AI 联合创始人兼首席执行官 Ramin Hasani 则强调模型效率：「我们构建高效的基础模型以及围绕它们的工具，让企业能把智能带到客户已经在使用的设备上。」

Liquid AI 是谁

Liquid AI 是麻省理工学院衍生出的创业公司，主攻在受限硬件上运行的小型高效模型，覆盖手机、笔记本、汽车与嵌入式系统等场景。据公司披露，其模型已被梅赛德斯-奔驰、Insilico Medicine 和 Shopify 等企业采用。

Hasani 向 TechCrunch 解释了这种思路的底层逻辑：「在训练模型之前，我们会先选择一套与硬件相匹配的独特架构。这让我们能得到直接在设备上运行的最高效版本的智能，同时带来隐私和安全方面的好处。」

苹果本身也向开发者提供系统内置的本地模型。对此 Hasani 的说法是，Liquid AI 的模型在不同能力维度上追求更好的性能表现，并且「我们还在围绕模型构建一套定制化技术栈——借助用户输入，模型可以利用这些数据自我改进」。

下一步：把这套能力开放给 Setapp 开发者

对 MacPaw 而言，在 Eney 中落地本地 AI 只是起点。模型、推理框架与记忆层从设计之初就被定位为共享基础设施，服务于 MacPaw 旗下全线产品，并向外延伸。

延伸的通道是 Setapp——MacPaw 运营的订阅制 Mac 软件市场，目前拥有超过 15 万付费用户。一旦本地处理架构成型，MacPaw 计划将端侧推理能力开放给平台上的第三方开发者，让他们的应用也能在本地跑模型。Kosovan 提到，该平台还将提供来自谷歌等厂商的云端模型接入，试图成为开发者的一站式入口。事实上，Setapp 已上线名为 AI Gateway 的服务，为云端模型提供统一接口并代管账号与计费。

计费方式也在同步调整。MacPaw 正在 Setapp 上试验基于额度（credit）的定价模式——用户根据持有的额度和任务复杂度，执行相应数量的 AI 操作。

如果这套方案跑通，参与其中的 Mac 应用可以向 Eney 开放更多能力与上下文，让助手理解应用内部正在发生什么，从而给出更有用的回答或直接代为执行操作。对用户来说，最直接的变化是三点：个人数据留在本机、响应更快、断网状态下核心任务依然可用。

来源：9to5Mac、TechCrunch、MacPaw 官方公告

她的总结相当直白：ChatGPT 什么都记得，但人自己记不住。当使用者忘了自己曾经告诉过它什么，双方就会在原地打转。真正的症结在于，多数人把记忆当成了随手丢事实的垃圾桶，而没有把它当成教 AI 理解自己工作方式的地方。「给信息」和「给有用的信息」是两回事，想明白这一点之后，整个使用体验才发生改变。

在花了几周时间清理记忆内容、并对保存什么变得更克制之后，她给出了效果最明显的五个改动。

第一步：先做一次记忆大扫除

这是见效最快的一项。记忆不该变成堆满过时信息的阁楼。用了几个月之后，她翻出一大堆早已不反映真实工作状态的条目：作废的项目名称、后来改变了的偏好、以及和近期指令自相矛盾的旧要求。

不清理的代价是主动制造混乱。假如半年前告诉过 ChatGPT 偏好正式、结构化的写作，上周又说喜欢口语化的语气，它拿到的就是两条互相打架的指令，输出自然忽左忽右。

具体做法：进入「设置 → 个性化 → 记忆」，把列表从头翻一遍。她删掉了大约一半内容，回答质量立刻改善。如果从未检查过保存的记忆，花五分钟做一次就能看到差别。

第二步：别存事实，要存偏好

ChatGPT 记住「喜欢喝咖啡」或者「最爱的歌是菲尔·柯林斯的《Against All Odds》」几乎没有任何价值，这类信息不会改变它的回答方式。

她转而只保存那些能影响每一次对话的内容，相当于给新同事上岗第一天交代的长期规矩，比如：偏好口语化表达而非官腔套话；讨厌「深入探讨」「值得注意的是」「在当今飞速变化的格局下」这类 AI 陈词滥调；希望用要点罗列而不是注水的长段落。

判断标准很简单：这条记忆会不会改变 ChatGPT 今后写东西或思考问题的方式？如果不会，就不值得存。

第三步：把长期项目交给它记

这一条她自己也承认想通得太晚。凡是反复要做的事——列清单、查日程、给团队写周报、维护表格——背景信息在短期内都不会变，存一次即可，不必每回从头解释。

在具体操作上，她的做法是先建立任务（Task），工作时直接在对应的项目（Project）里回应该任务。当 ChatGPT 已经知道来龙去脉时，对话会顺畅得超出预期。

第四步：该重新开始时就重新开始

记忆并不意味着每次对话都要建立在上一次之上。碰到全新的头脑风暴、测试新的提示词思路、或者探索平时不涉猎的话题时，她会开一个临时对话，让过往记忆不干扰这次的回答。

这一点在需要不同视角时尤其重要。如果已经把 ChatGPT 训练成按自己的口吻写作，那它就会一直用这个口吻，哪怕换个风格明明更合适。临时对话的价值，是让人跳出默认设定又不必删掉它们。知道什么时候别用记忆，和知道什么时候依赖它同样关键。

第五步：把它当成一个正在带的新人

这是她认为改变最大的一条：训练不应该停止。带新同事时没人指望对方第一天就摸清所有偏好，都是慢慢教出来的，AI 也一样。

当 ChatGPT 给出满意的回答，她会明确告诉它好在哪里，并要求记住、下次照此办理；不满意时，则说明自己想要的是什么。这些小修正会不断累积。坚持几周之后，她发现 AI 输出越来越贴近真实需求，提示词写得更少，挫败感也大幅下降。

关键在于说得具体。「我不喜欢这个」什么都教不了它；「我不喜欢这个，因为太正式了，而且这些要点读起来像公司内部备忘录」才是它能应用到今后每一次对话的信息。

可以直接照抄的五句记忆提示词

• 「记住：除非我要求展开，否则回答尽量简洁。」——设定一个有用的默认值，又不会把自己锁死。
• 「记住：我正在做［项目名］，关键背景是［具体信息］。」——省下反复解释常规工作的时间。
• 「刚才那个回答正是我想要的，因为［原因］，下次记住这样做。」——强化有效的部分，而不只是纠正无效的部分。
• 「记住我觉得哪类例子最有帮助——要实用具体的，不要抽象的。」——决定它在任何话题下如何举例说明。
• 「你目前记住了关于我的哪些信息？其中哪些已经过时了？」——一次快速盘点，往往能翻出自己都没意识到的杂物。

Amanda Caswell 最后强调，记忆功能的意义在于减少重复：喂进去的有效信息越多、越愿意清理过时条目、越肯在当下给出反馈，它就越接近一个真正的助理。而且并不需要几百条记忆才能奏效——在她的经验里，几条经过思考的偏好设定，加上愿意随时纠偏的习惯，远比几十条零散事实更有价值。

来源：Tom’s Guide《Everyone is using ChatGPT Memory wrong — 5 tweaks to make it a true assistant》，作者 Amanda Caswell，2026 年 8 月 2 日

但这几年变化不小。围绕模型长出了一整套配套能力——文件访问、自定义指令、可复用的技能、浏览器操作，它们把聊天机器人变成了真正能干活的助手。科技媒体 How-To Geek 的记者 Dibakar Ghosh 撰文指出，如果还把 Claude 当成简单的聊天机器人，等于把订阅费的大部分价值白白扔掉。他总结了五处改动。

一、别只用网页版

订阅 Claude 后拿到的其实是三个核心产品：网页版、带 Cowork 的桌面客户端，以及在终端里运行的命令行工具 Claude Code（另有更小众的 Claude Design）。常见的误区是一直待在网页版，或者装了桌面客户端却只用普通聊天模式——能用，但体验很基础：问一句答一句，产出全都锁死在那一次对话里。

桌面客户端独有的 Cowork 改变了这一点。用户把电脑上的某个文件夹授权给 Claude，之后让它制定计划、生成表格或处理其他任务，结果会直接写成文件存进那个文件夹。下一次对话可以从上次的位置接着干，因为东西都还在硬盘上；用户自己丢进去的文件，Claude 同样能读取和处理。日子久了，形成的是一套随工作一起生长的资料体系，而不是一堆互不相干、每次都要从头解释的对话。

Claude Code 逻辑相同，只是面向软件开发：Cowork 更多产出文档、表格、PDF 这类知识工作成果，Claude Code 则生成 HTML、JSON 等代码文件，组织成项目、拉起本地实例、推送到 GitHub。

两者目前都只有桌面端。手机上只能用标准应用，缺少支撑这类流程的文件系统访问权限。变通办法是：如果手机上有终端应用，可以在里面装 Claude Code 并授予文件访问权。作者使用的 Google Pixel 10 自带终端应用，实测效果出乎意料地好。

二、换用开源和本地优先的软件

Claude Code 与 Cowork 能读写本地文件之后，很多人第一时间把它们和 Obsidian 搭在一起用。原因很简单：Obsidian 把笔记存成本地磁盘上的纯 Markdown 文件，Claude 可以整批生成，用户再在 Obsidian 里浏览、编辑和建立链接。

对比之下，Notion 的每一条笔记都活在自家生态里，而不是电脑上的普通文件；Claude 要和它们打交道，通常得绕接口。能用，但远不如直接给一个装满 Markdown 文件的文件夹那样简单、透明、灵活。当笔记、任务、文档都以普通文件的形态存在时，Claude 才能不依赖专有集成，自由地读取、整理、转换和串联。

三、把 CLAUDE.md 用起来

这大概是 Claude Code 和 Cowork 里最被低估的功能。Claude 拿到一个文件夹的访问权后，并不会在对话一开始就把整个目录塞进上下文——那样每次开场都会灌满冗余信息、烧掉大量额度，也更快撞上上下文上限。它只在需要时才去读文件。

但总有些信息，用户希望它在被提问之前就已经知道，CLAUDE.md 正是为此存在。它相当于自定义指令，区别在于按目录生效：Claude 在某个文件夹里工作时会读取该文件夹的 CLAUDE.md，进入子目录后再读子目录那一份，行为随之更新。作者还把它当作常备信息的热缓存，写入合作者名单、术语与缩写表、设备环境说明、偏好的工作流程。唯一的原则是别写太长，最好控制在 200 行以内，超过这个量反而会挤占上下文，得不偿失。

四、用好并自建技能

技能以 SKILL.md 文件的形式存在，本质是”一段提示词 + 一份关于何时如何使用它的说明”。过去复用提示词主要靠 Claude Projects（对应 ChatGPT 的自定义 GPT），把提示词存进项目，该项目下的每次对话都会自动带上。技能则更进一步：不必切换到专门的项目或另起对话，随时按下斜杠键、输入名称回车即可调用，Claude 也能在识别出任务匹配时自动加载。

技能相对项目最大的优势是”串联”。假设有三段提示词，分别负责调研、把调研写成长文、再改写成社交媒体内容。放在项目里意味着来回切换、反复复制上下文；用技能则可以在同一次对话中依次调用，让上下文贯穿整个流程。

Anthropic 和社区已经提供了不少现成技能，但真正的价值在于自建。作者的做法是先把某个工作流反复打磨到满意，再让 Claude 回看整段对话、把其中的经验固化成一个可复用的技能；Anthropic 还内置了名为 Skill Creator 的技能来自动完成大部分工作。这样几轮下来，就攒出一套贴合自身习惯的工作流库。

五、把浏览器交给它

Claude 支持连接器（包括 MCP 服务器），可以打通 Notion、Google 日历等应用，读取任务、创建日程、在两者之间同步信息。但这套机制的前提是对方开放了相应接口，而大量应用和云服务并没有。

浏览器自动化补上了这块缺口。哪怕没有接口，人照样能打开网页、点界面把事情办完；把浏览器交给 Claude，它也能像人一样操作。作者举的例子是：让 Claude 遍历自己的 Spotify 账号、分析”喜欢的歌曲”里的每一首曲目，并把结果导出成表格——这件事 Spotify 连接器做不到，浏览器自动化做到了。

权限交出去之前，先想清楚边界

Claude 本身仍是一个通过聊天界面提供的大语言模型，围绕它的这套工具才是把它变成生产力的关键：一个工作文件夹、若干可复用技能、一份写清上下文的 CLAUDE.md，再加上兜底的浏览器权限。四件事配齐之后，它会更像一名能接手大量例行工作的助手，而不只是一个聊天对象。

需要提醒的是，文件读写和浏览器操作都是实打实的权限。公开资料显示，Cowork 在桌面端运行于隔离的虚拟机环境，并提供逐步审批、自动审批、跳过审批三档权限设置。授权范围越大，越应该把它限制在自己信得过、且已经跑通过流程的目录里。

来源：How-To Geek《These 5 changes unlocked 100 percent of Claude’s power》（作者 Dibakar Ghosh，2026 年 8 月 2 日）

换句话说，”用 AI 会不会让人变笨”这个问题，暂时还没有盖棺定论的答案，但风险信号已经出现。Ghosh 的做法不是弃用工具，而是针对研究者归纳出的认知风险机制，设计了三套提示词，把被动接受答案的用法，改造成主动参与思考的用法。

一、把它当家教，而不是自动答题机

最常见的退化路径，是让 AI 直接替人写代码、写文章。Ghosh 的建议是反过来——让它帮人成为更好的程序员或写作者。遇到卡壳的概念时，明确告诉模型自己卡在哪一步，要求它给出有研究依据或成熟实践支撑的针对性指导。

他用自己的经历举例。在不懂原理的情况下，让 AI 一路”氛围编程”（vibe coding）生成脚本和小工具，让他很不踏实。这就像收到一封 AI 代写的邮件，看都不看就点发送——尤其是对没有编程背景的人来说，风险更明显。于是他决定真正学会写代码，把模型变成自己的私人导师。

具体做法是围绕个人的学习方式来搭建流程：他属于”做中学”而非”读中学”的类型，于是告诉模型想学什么，由模型生成一套以项目为核心的课程表、布置作业并全程担任导师。他完成练习、发送进度截图、卡住时提问。最关键的一条配置是：禁止模型直接给出答案，只能不断提示方向，直到他自己想明白为止。掌握一个概念后，再进入下一个。

二、定期审计自己”外包”了哪些思考

现在的主流大模型大多能够回溯此前的对话记录。Ghosh 由此想到一个反向用法：让模型充当审计员，把用户历次把思考外包给它的具体场景全部翻出来。审计结果相当于一张地图，清楚标出哪些”心智肌肉”已经停止锻炼——之后再有意识地决定，哪些值得保留。

他本人并不认为所有外包都是坏事，关键在于优先级。作为写作者，他日常工作包含大量流程性环节：重命名图片、添加标签、插入内链、调整排版。这些任务谈不上创造性，交出去并不心疼，何况相关规则本身就在频繁变动，学了也要反复重学。

但创造性工作不同。找到读者真正关心的话题、为一篇报道确定切入角度、搭建论证结构、打磨文字——这些能力他不愿意丢，因此即便对着空白文档写不出字，也拒绝让 AI 代劳。

以下是他用于追踪外包情况的提示词：

> 回顾我最近与你的对话，找出所有我把认知工作外包给你的情况： > – 我本可以自己读完却让你总结的内容 > – 我本可以自己写却让你写的内容 > – 我本可以自己推理却让你决定的事情 > – 我本可以自己形成却让你给出的观点 > > 把这些整理成一张三列表格：任务、该任务锻炼的底层能力、我委托给你的频率。 > 然后标出哪些能力在持续外包下可能会退化。 > 不要为了照顾我的情绪而弱化结论——我要的是诚实的审计，不是安慰。 > 最后反问我：这些能力里，哪些是我希望继续自己锻炼的，好让我们据此约定哪些事不该再交给你。

三、让它站到你的对立面

多数模型默认带有讨好倾向，而且随着记忆和上下文的积累，它们越来越擅长说用户爱听的话。就有争议的话题去问 ChatGPT 或 Claude，得到的回答往往与提问者本人的立场高度接近。

这会把人困在回音室里，也剥夺了用一个强有力的反方观点来检验自身信念的机会——而后者恰恰是磨砺思维最有效的方式之一。辩赢了，信念更牢固；辩输了，说明原本的立场经不起推敲。两种结果都是收获，唯独一台只会附和的答题机什么都给不了。

Ghosh 认为这个问题反而最好解决：探讨某个想法时，不要问 AI 怎么看，而是先亮出自己的观点，再指派它去扮演反方。聊天机器人本身极擅长角色扮演，能够真正代入持相反立场者的视角，展开一场只针对观点、不涉及人身攻击的理性辩论。

在他看来，这可能是 AI 最好的用途之一。现实生活中大多数人很难获得这种体验：与亲友避免争执，或者因为自认了解不够而选择沉默——却忘了每个人都是从知道得更少开始的。面对 AI，这些社交压力基本消失，提出外行问题、挑战自身假设都变得容易得多。

他使用的辩论提示词如下：

> 我想通过结构化辩论来探讨一个话题。 > 我的立场是：［填入你的立场］。 > 你的任务是为对立观点构建最强有力的论证——要用最强版本的反方论证，不要偷换成稻草人。 > 请使用该立场真正的支持者会用的最佳论据、证据与推理。 > 全程保持理性专业，但不要为了迎合我而软化论证，也不要因为我反驳就轻易让步。 > 如果我的反驳确有漏洞，请直接指出。每交锋几个回合后，简要总结双方目前的立场，以及哪些争点仍未解决。 > 任何时候都不要跳出角色来肯定我的立场。

Ghosh 特别提醒：应当把这段提示词保存为一个专门的自定义助手（例如 Claude 的项目、ChatGPT 的自定义 GPT 或 Gemini 的 Gem），取名”辩手”。不要在日常对话里直接粘贴，否则模型会误以为用户长期偏好这种风格，在需要协作的场景下也开始处处抬杠。

工具本身没有好坏

Ghosh 想强调的核心观点是：AI 既不是好东西也不是坏东西，它只是一件工具，而且是极其强大的一件。用得随意，它会缓慢侵蚀既有能力；用得刻意，它可以帮人建立新的能力。

他在原文末尾列出了九项支撑其判断的研究，涵盖生成式 AI 对高中数学学习的影响、结肠镜检查中医生因接触 AI 而产生的技能退化风险、大语言模型与网络搜索在学习深度上的对照实验、中学生阅读理解与记忆的随机实验、知识工作者自评认知投入下降的调查，以及生成式 AI 提升个体创造力却降低群体内容多样性等方向。

需要说明的是，这些研究观察到的多为短期效应或相关性，尚不足以对长期认知影响下定论。真正可靠的结论，恐怕还要等这批工具再运行若干年才能得出。

来源：How-To Geek，作者 Dibakar Ghosh，2026 年 8 月 1 日

TechRadar 撰稿人 Eric Hal Schwartz 长期跟踪生成式 AI 产品。他指出，语音模式真正的价值不在于”问答”，而在于”对话”——使用者既能决定问什么，也能决定这场对话怎么进行。以 ChatGPT 的语音模式为例，掌握下面五个习惯，交流会顺畅很多。

一、开口之前，先把规矩讲清楚

AI 抢话，多数时候是因为它在猜使用者有没有说完。与其忍受，不如花几秒钟先说明这场对话该怎么进行。

1. 说明场景与节奏，例如”正在练习面试，请等一整段回答讲完再给反馈”。
2. 约定一个交接暗号，例如说出”full stop”（到此为止）时才轮到它开口。
3. 直接提要求：语速放慢或加快、句子说短一点、语气再平缓一些。
4. 更细的设置在语音选项里，可以更换音色；根据订阅等级的不同，还能针对不同对话调整智能程度。

规则一旦讲明，AI 会照着调整行为，而不是靠猜测判断该不该接话。

二、提问之前，先给它一个角色

在正式发问前，用一两句话为 AI 设定身份和视角，能省下大量铺垫。

• 咨询旅行建议时，让它扮演当地导游。
• 练习面试时，描述一下预期会遇到什么样的面试官。
• 练口语时，让它当一位有耐心的法语老师，等一句话说完再纠正发音。

有了明确视角，回答会更聚焦，它追问的问题也更贴题。

三、把双手从键盘上解放出来

Mac 与 Windows 版的 ChatGPT 桌面应用除常规的 Chat 之外，还提供面向编程的 Codex 以及面向多步骤复杂项目的 ChatGPT Work。关键差别在于，Work 能够读取本机文件，也就是说语音不只是聊，还能直接干活。使用步骤如下：

1. 确认账号为 Plus、Pro、Business 或 Enterprise 订阅——Work 功能需要订阅才能使用。
2. 打开桌面应用，在 Chat、Codex、Work 中选择 Work。
3. 新建一个任务。
4. 点击语音按钮或使用语音快捷键，在系统提示时授予麦克风权限。
5. 说明要达成的目标，并明确指出去哪个文件夹找资料、结果保存到哪里。
6. 过程中它会请求查看文件、截取屏幕或使用辅助功能权限，重要操作执行前也会先征求同意。

指令越具体，结果越可用。与其说”帮忙规划旅行”，不如说：”打开’意大利行程’文件夹，读取里面的酒店确认单、火车票和景点预订，生成一份逐日行程文档，标出时间冲突，并保存到同一文件夹。”同样的方式也适用于比对多份保单、汇总一学期的课堂笔记，或把一堆菜谱整理成带食材索引的分类菜单。

四、让它陪着一起想，而不是直接给答案

拿不定主意时，可以要求它先逐一比较各个选项的优劣，把利弊讲透，最后再下结论，而不是一上来就推荐某一个。语音的另一个好处是随时能插话——中途补充新信息、临时改变方向都很自然，这类现实中常有的小转折，语音对话处理起来比打字顺手得多。

五、结束前让它复述一遍

语音聊得久了容易发散，尤其是在头脑风暴或规划复杂事项时。在结束前，让 AI 把整场讨论总结一遍，把最重要的结论列出来。

这样做有两个作用：一是帮使用者记住要点，二是如果它理解错了，当场就能纠正，不必等到之后才发现问题。

需要注意的是，语音模式适合”说比看更方便”的场景，例如通勤途中、双手被占用时或需要边走边想的时候。若需要仔细核对细节、反复引用长段内容，回到文字界面依然更高效。

来源：TechRadar