为何NotebookLM的Discover Sources不是普通的搜索？

Google NotebookLM的“Discover Sources”（发现来源）设计初衷并非“给你10个链接”，而是从根源上解决知识工作流中最耗时的第一步：高质量信源的筛选与组织。

❶ 是什么 & 为什么：从“搜索”到“Curate”

- 常规流程：先手动搜索，在海量信息中筛选、评估、再导入工具分析，过程繁琐且低效
- Discover Sources 是一种新范式：Automated Curation（评论区有没有好的翻译）
- 它利用Gemini的能力，根据用户的选题，一键获取10个高可信度、高相关性的来源，并附上了摘要
- 背后的技术是检索增强生成 (RAG - Retrieval-Augmented Generation)。与其让AI在巨量互联网内容中广撒网地接触质量参差不齐的信息，不如先构建一个可信、可控的微型知识库，在此之上再进行准确的分析与回答

❷ 优缺点：信源先行 (Source-First) 模式的取舍

- 优点：确定性 (Certainty) 与 深度 (Depth)。 你得到的是一个边界清晰、内容可信的Context。所有AI的输出都有据可查，有益于降低幻觉。同时用户还可以有针对性地部分勾选回答时采用的信源，加强可控性
- 缺点：牺牲了广度 (Breadth) 与 即时性 (Immediacy)。 用户不得不放弃开放式搜索“即问即答”的便捷，这意味着NotebookLM在某些场景下并不是最佳选择

❸ 怎么用：抛弃传统搜索思路

- 从待解决的问题直接开始流程： 直接在Discover Sources界面抛出具体问题（而不是搜索关键词）。例如，用“如何评估SaaS公司的客户流失率”代替“SaaS”，这样算法才会为你匹配解决路径的相关信息，而不是一些概念的集合

Discover Sources的真正价值不在于搜索，而在于信息筛选和整理。它帮助你先建立稳固的基础，然后再进行思考与创作，这是一种更严谨、有条理工作流。

Cursor 中国首场官方meetup 人从众
和Ben连线并在关键时刻掉线
在纪念币上搞点怪东西
#AI的神奇用法

在现场👏

我们究竟在优化AI的思考，还是人类的思考？

我们似乎并不清楚对于智能而言，“效率”是模型自身的推理效率，还是它辅助人类时的信息降噪与路径优化的效率。人类的学习机制依赖试错与反馈，而非单纯的结果导向。

即使目前DS的研究显示PRM效果不好，但是结果奖励机制就像考试分数，虽然量化方便却丢失了最有价值的学习过程。很常见的现象是很多人都觉得DS的推理过程更有价值，而对输出的结果并不满意。此时问题就变成了：推理模型是否该模仿人类学习机制？

回归人类自身，我们进行思考时快慢思维并存。我们使用AI时，实际上是在用自己的"快思维"（直觉、联想）激发模型输出结果，用人的"慢思维"验证结果和校准方向。如果AI自身就能在“直觉”与“理性”间自由切换，会诞生怎样的新范式？

什么是产品？用户不需要懂工程化engineering

lisp but pseudo code? //@j.yellow: 我很好奇提示词里面的函数用的是什么语法……