App内打开
MooreAI: 山寨 Manus 第一步： 任务规划和拆解，抛砖引玉，剩下的靠大家了
日本旅行规划任务分解：
**步骤 1: 确定旅行基本信息**
1: 子任务 1: 确定旅行日期范围 (例如：2024年12月20日 - 2024年12月27日)
2: 子任务 2: 确定旅行时长 (例如：7天)
3: 子任务 3: 确定旅行预算范围 (例如：10000人民币 - 15000人民币)
4: 子任务 4: 确定旅行目的地主要区域或城市 (例如：东京，京都，大阪)
5: 子任务 5: 确定旅行偏好类型 (例如：美食，购物，文化古迹，自然风光)
6: 子任务 6: 使用 Command Line 工具 (例如：记事本或任何文本编辑器) 创建一个文本文件 (例如: `travel_plan.txt`) 记录以上基本信息。
**步骤 2: 使用 Chrome 浏览器进行初步信息收集与关键词提取**
1: 子任务 1: 使用 Chrome 浏览器打开搜索引擎 (例如：Google, 百度)
2: 子任务 2: 使用关键词 (例如： “日本旅行攻略”, “东京必去景点”, “京都美食推荐”, “大阪购物攻略”, “日本交通指南”) 进行搜索
3: 子任务 3: 使用 Chrome 浏览器打开多个旅行攻略网站、博客、论坛 (例如：马蜂窝，穷游网，小红书)
4: 子任务 4: 浏览网页内容，重点关注景点介绍，美食推荐，交通方式，住宿建议，以及其他旅行实用信息
5: 子任务 5: 使用 Chrome 浏览器自带的或插件工具 (例如：OneNote Web Clipper, Evernote Web Clipper) 收集整理有用的网页链接和信息片段。
6: 子任务 6: 在 `travel_plan.txt` 文件中记录初步收集到的信息，包括感兴趣的景点名称，美食名称，交通方式关键词等。
**步骤 3: 使用 Chrome 浏览器进行景点、美食、住宿、交通的详细信息 RPA 自动化收集**
1: 子任务 1: 确定需要进行 RPA 自动化的网站 (例如：景点信息网站，美食点评网站，酒店预订网站，交通查询网站)
2: 子任务 2: 使用 Chrome RPA 工具 (例如：UiPath, Automation Anywhere, 或 Chrome 扩展程序如 Web Automation) 录制或编写 RPA 脚本
3: 子任务 3: RPA 脚本任务 1: 自动化浏览景点信息网站，根据关键词 (例如：东京塔，浅草寺，伏见稻荷大社) 搜索景点，抓取景点名称，地址，开放时间，门票价格，官方网站链接，景点介绍等信息。
4: 子任务 4: RPA 脚本任务 2: 自动化浏览美食点评网站，根据关键词 (例如：拉面，寿司，怀石料理，章鱼烧) 搜索美食，抓取餐厅名称，地址，评分，人均消费，推荐菜品，用户评价等信息。
5: 子任务 5: RPA 脚本任务 3: 自动化浏览酒店预订网站，根据旅行日期和目的地 (例如：东京新宿区，京都站附近) 搜索酒店，抓取酒店名称，价格，评分，酒店设施，用户评价等信息。
6: 子任务 6: RPA 脚本任务 4: 自动化浏览交通查询网站 (例如：日本交通株式会社网站, Google Maps)，查询城市间交通 (例如：新干线，飞机)，城市内交通 (例如：地铁，巴士) 的路线，时间和价格信息。
7: 子任务 7: RPA 脚本任务 5: 将抓取到的所有信息整理并导出为结构化数据文件 (例如：CSV, Excel, JSON)。
8: 子任务 8: 使用 Command Line 工具 (例如：`mv` 命令) 将导出的数据文件移动到指定文件夹，并使用 Command Line 工具 (例如：`rename` 命令) 对文件进行重命名，方便后续管理。
**步骤 4: 使用 Command Line 工具进行数据整理与分析**
1: 子任务 1: 使用 Command Line 工具 (例如：`cd` 命令) 进入数据文件所在目录。
2: 子任务 2: 使用 Command Line 工具 (例如：`grep`, `awk`, `sed` 命令) 对 CSV 或文本数据文件进行初步筛选和清洗 (例如：去除重复数据，筛选特定价格范围的酒店，筛选评分较高的餐厅)。
3: 子任务 3: 使用 Command Line 工具 (例如：`sort` 命令) 对数据进行排序 (例如：按景点人气排序，按餐厅评分排序，按酒店价格排序)。
4: 子任务 4: 使用 Command Line 工具 (例如：`wc -l` 命令) 统计各类数据的数量 (例如：统计收集到的景点数量，餐厅数量，酒店数量)。
5: 子任务 5: 如果数据量较大，可以使用 Command Line 工具结合脚本语言 (例如：Bash, Python) 进行更复杂的数据分析和处理 (例如：计算景点之间的距离，分析不同区域的消费水平)。
6: 子任务 6: 将数据分析结果 (例如：筛选后的景点列表，美食列表，住宿列表) 整理并记录到 `travel_plan.txt` 文件中。
**步骤 5: 制定初步行程计划**
1: 子任务 1: 根据步骤 1 确定的旅行目的地和偏好类型，结合步骤 4 整理的数据分析结果，初步筛选出感兴趣的景点，美食，住宿地点。
2: 子任务 2: 使用 Chrome 浏览器打开地图工具 (例如：Google Maps)，标记筛选出的景点和美食地点。
3: 子任务 3: 在地图工具上规划景点之间的交通路线，预估交通时间。
4: 子任务 4: 根据每日游玩时间，景点之间的距离和交通时间，初步安排每日的行程 (例如：上午：景点 A，中午：餐厅 B，下午：景点 C)。
5: 子任务 5: 将初步行程计划记录到 `travel_plan.txt` 文件中，包括每日的景点，美食，交通方式等。
**步骤 6: 使用 Chrome 浏览器进行机票和酒店预订**
1: 子任务 1: 使用 Chrome 浏览器打开机票预订网站 (例如：携程，去哪儿，航空公司官网)。
2: 子任务 2: 根据步骤 1 确定的旅行日期和目的地，搜索机票，比较不同航班的价格和时间。
3: 子任务 3: 使用 Chrome RPA 工具 (如果需要) 自动化填写机票预订信息，完成机票预订和支付。
4: 子任务 4: 使用 Chrome 浏览器打开酒店预订网站 (例如：Booking.com, Agoda, Airbnb)。
5: 子任务 5: 根据步骤 1 确定的旅行日期和目的地，以及步骤 4 筛选的酒店信息，搜索酒店，比较不同酒店的价格和评分。
6: 子任务 6: 使用 Chrome RPA 工具 (如果需要) 自动化填写酒店预订信息，完成酒店预订和支付。
7: 子任务 7: 将机票和酒店预订信息 (例如：航班号，酒店名称，预订确认号) 记录到 `travel_plan.txt` 文件中。
**步骤 7: 完善行程细节与准备其他旅行事项**
1: 子任务 1: 使用 Chrome 浏览器查询景点和餐厅的详细信息 (例如：更精确的开放时间，预约方式，特殊活动)。
2: 子任务 2: 根据实际情况调整行程计划，优化每日行程的合理性。
3: 子任务 3: 使用 Chrome 浏览器查询日本当地交通卡信息 (例如：Suica, Pasmo, Japan Rail Pass)，并考虑是否需要购买。
4: 子任务 4: 使用 Chrome 浏览器查询日本签证政策，准备签证所需材料 (如果需要)。
5: 子任务 5: 使用 Chrome 浏览器购买旅行保险。
6: 子任务 6: 使用 Command Line 工具 (例如：`zip` 命令) 将 `travel_plan.txt` 文件以及其他旅行相关文件 (例如：机票预订单，酒店预订单，签证材料扫描件) 压缩打包，方便整理和备份。
7: 子任务 7: 使用 Command Line 工具 (例如：`scp` 或 `adb push` 命令) 将最终的旅行计划文件同步到手机或其他移动设备，方便旅行期间查看。
直线叫陈星: 最简单的 AI➕卢曼卡片盒笔记 实践:
- 工具: 飞书新版多维表格
- 支撑点:
- 子记录形成树形大纲, 进行思维链路CoT存储
- 保留卢曼卡片盒笔记法中的卡片编号, 单独一个字段存储
- AI对话, 支持对整个表格进行RAG, 知识库问答
- 流程:
- 写了新卡后, 直接在AI对话中寻找可能的关联点
- 找到合适的思维链路作为拓展点, 对新卡进行id编号, 存储
- AI对话, 给出一个主题, 在所有卡片中寻找关联点
- 根据关联点, 找到所在整条思维链路, 扩展思考
- 要点:
- AI帮我找关联点, 但真正要找回的是所在思维链路, 也就是回到过去思考的现场
- 卢曼卡片盒笔记法的价值在于: 存储思考而不仅仅是知识
- 利用AI召回的便捷, 多做主动回忆, 而主动回忆是学习的良方
- 善用多维表格, 每一条卡片都可以是结构化多字段存储, 破除卢曼卡片只能做"文科"笔记的妄论
- 图片和视频都能关联存储, 向前看, 不再拘泥手写, 搞antinet这种原教旨没有意义
卢曼卡片盒笔记的抽象要点:
- 存储: 思维链路CoT(chain of thinking不是大模型的专属)存储, 通过编号,形成树形大纲
写卡 --recall--> 取卡/堆 --编号--> 插卡
- 取用: 知识库对话, 与"过去的我"交谈
主题 --recall--> 取卡/堆 --> 对话
recall召回逻辑链路是重中之重:
- CoT模式存储的数据, 不通过静态分类来查找
- 可能的技巧:
- 实体卡片,实体抽屉激活海马体的位置细胞,增强记忆,类似记忆宫殿
- 频繁使用, 高频触发, 类似主动回忆
- 卢曼自身记忆天赋
- 巨大门槛: 卡片多到一定数量, 回想卡片在什么位置, 相当受挫
大模型加持下recall似乎不是难题, 但有新的问题:
- RAG过于容易 --> 放弃知识体系组织管理 --> 随意存储碎片知识 --> 忽视自我思考模型训练
AI+卢曼卡片盒笔记法的思路:
- 必须数字化, 纸笔可以作为加深记忆的手段, 拍照后作为附件
- 认真写卡片, 独立原子化, 语义明确丰满, 便于RAG
- 坚持逻辑关联存储, 新知识之所以被存储, 是因其拓展了已有的思维线索
- AI的价值在于找到已有链路的可能关联点
- 顺着AI找到的点, 取回整条思维链路, 进入深度思考, 可以称之为"顺瓜摸藤", "瓜"不是最大的价值, "藤"还能继续生长
