📱信息消费

社交媒体。Meta 上周正式发布了对标 Twitter 的社交应用 Threads，全球超过 100 个国家的用户可以通过 App Store 或 Google Play Store 快速下载安装该应用。

这款应用发布之际，正值 Twitter 一系列令人匪夷所思的操作持续发酵之际，从而也在全球引发一股「迁移潮」。基础功能层面，Threads 允许用户免费发布长内容（500 字）、最多可以一次性发布 10 张照片。

不过，网页版缺失、无法再编辑内容、没有标签、无法完整支持 GIF 图片等情况也是现实问题。另一点让我无法忍受的是其主页默认采用算法推荐机制，而且没有任何选择的余地，这意味着，用户只有长时间重度使用，才有可能将个人主页调教成自己喜欢的信息流内容。

与 Threads 同时引发媒体关注的还有一款名为「Bluesky」的社交应用，这款应用主打去中心化，采用开源框架 AT Protocol。

2019 年的时候，时任 Twitter CEO 的 Jack Dorsey 首次披露了「bluesky」，原计划是作为 Twitter 的一项补充或可能的发展方向，但随着 Twitter 管理层的动荡，这项计划也被搁浅，该产品最终被 Jack Dorsey 拥有，并通过复杂的「利益切割」，如今已经和 Twitter 没有任何关系。

目前 Bluesky 的体验、使用门槛还比较高，需要邀请才能使用；功能层面类似于 Mastodon，用户的数据与社交关系不会被特定服务器所绑定；一个有趣的功能创新是，该应用未来将开放算法自定义功能，用户可以根据自己的需求，自定义诸如首页如何显示、搜索结果顺序等功能。

付费搜索的兴起。过往很长一段时间里，搜索引擎产品的选择无外乎 Google、Bing、百度三个产品，虽然 DuckDuckGo 也能够通过主打「隐私保护」获得一定的市场份额，不过整个市场的格局并没有本质的变化。

但进入 2023 年，我们使用搜索引擎有了新的选择，在 ChatGPT 和 GPT-4 的加持下，微软 Bing 吸引到一大波流量和关注度，即便用户增长和留存率不佳，但已经足以撼动 Google 此前看似稳固的统治地位，并且也「逼迫」Google 推出基于对话模式的新搜索产品。

另一方面，一些过往边缘的搜索产品也在紧紧抓住 GPT 带来的红利，通过引入 GPT-4 的技术，优化原有搜索体验，并延伸出付费产品，两款新搜索产品近期都发布付费版本：

• Perplexity：每月 20 美元，可以获得 GPT-4 的访问权限，每天最多调取 300 次对话能力；
• You.com：每月 14.9 美元（限时 9.99 美元），每月可调取 1000 次 GPT-4（超过后将限速），支持对话检索或内容生成；

这类产品本质上都是「GPT-4 基础模型+联网能力」的落地实践，也是接下来搜索产品的发展方向，势必也会影响到用户发现、消费信息的习惯，用户不再需要从各类链接里查找内容，而是直接获取到由大模型根据特定网页所生成的内容，由此也带来一系列潜在的影响：

• 不同搜索引擎里如何判断读取哪些网页？又如何阅读和处理？此前 Google 新搜索就引发诸多争议；
• 对用户来说，当诸如 GPT-4 之类的大模型可以快速提供搜索答案之后，我们还有必要再去查看原链接吗？

短期来看，针对数据或特定信息的场景，这些基于大模型的搜索工具出现「幻觉」的频次随机且频繁，很容易把用户带到沟里。现阶段，搜索依然是一个需要重度人工参与的工作，机器所能做的，更多还是停留在如何优化数据库搜索体验的阶段，人类还需要花费大量时间筛选、过滤、判断，请不要轻易放弃自己思考与选择的权利。

📁 信息加工

笔记工具。老牌笔记工具 Evernote 上周曝出「老员工全部裁员」的消息，引发现有用户或过往用户——包括我——的关注。不过需要提醒的是，目前除了 HackNews 上的这个帖子，还未有其他消息源跟进，因此，我们也不能武断地认为 Evernote 即将关闭。

但作为笔记工具，无论是数据隐私还是产品持续性，Evernote 的确已经很难再获得用户的信任，如果你现在还在使用这款工具，我的第一建议就是尽快迁移，比起所谓价格、功能或自己的习惯，数据的重要性应该放在第一位。

Evernote 的替代品有很多，比如我之前推荐的 Upnotes，拥有跨越多个平台的原生应用、支持笔记本/标签管理、优秀的网页摘录能力以及丰富的导出格式等，都让 Upnote 拥有了和 Evernote 一较高低的能力。

其次，相比于 Evernote 固执地采用自己的特有文件格式，Upnote 支持多种格式的内容导出，如下图所示，从 Markdown 到 PDF，一应俱全，用户不必担心被特定格式锁定：

目前 Upnote 「基础功能免费+高级功能付费升级」的选择，拥有两种付费方式

• 月度订阅：0.99 美元
• 一次性买断：24.99 美元

这是一个非常聪明的价格设计，通过极低的价格让用户体验该应用的高级功能，并为用户接下来的使用提供了足够灵活的选择——继续以极低的价格订阅或者一次性买断。

你可以在该应用的官网免费下载 Upnote，免费体验之后再决定是否成为付费用户。

由 Evernote 所引发的讨论也让我想到一个议题：在选择一款记录类应用——比如笔记工具的时候，我们更应该关注这些工具的数据组织形式。

本质上说，所有应用都是一种数据组织形式，把同样的数据分别「输入」到任务管理应用或笔记应用里，用户最终体验到的，可能是两个截然不同的服务，不妨想一想，我们在 Things 或 Omnifocus 管理的项目或任务，难道不是文本数据吗？

在数据组织过程里，应用开发者基于各自的考量，会采用不同的方法，以笔记工具为例，大概包括以下几种：

• 笔记数据或私有或开放格式，但与应用功能绑定在一起：典型的如 Evernote，它使用 Enex 格式组织数据，这意味着只有 Evernote 应用才能高效处理这种格式的数据，其他应用必须转换格式才能使用数据，另外诸如笔记工具 Bear，也将笔记数据封装到特定数据库里，并只能在 Bear 应用里使用；
• 笔记数据开放存放，与应用功能弱相关：这一类笔记应用通常以 Markdown 或 txt 文件作为数据存储的方式，借助一定的功能，高效管理这些数据，典型的应用如 Obsidian，它的数据组织形态本质上就是一个个 Markdown 文档；

我们不能简单地判断哪一个方法更好，毕竟，用户需求与应用场景的多样性，会让众多应用拥有自己的用武之地，但从过去几年大量记录类应用——从各类笔记到写作应用——的盛衰历史来看，我建议各位朋友采用更通用的笔记数据格式进行记录，并且尽量减少对特定应用的依赖。

原因也不难理解，不管是日记、笔记还是创作的文章、书稿，这些都是用户自己的「私人财产」，理应可以随时而且是无缝迁移，这其中的一个重要选择就是纯文本。

纯文本是一种最简单也是最强大的数据组织形式。其简单在于可以在任意设备、任意应用里读写，不必被特定应用锁定；而强大的地方则是因为，通过赋予其一定的规则，就使得这些纯文本文件拥有更多拓展的空间：

在纯文本中使用 Markdown 规则，一个纯文本文件就变成一种小巧（一般都在 KB 大小）、可读性强、可灵活转换格式、适合多设备的文件。而通过 Taskpaper 规则，纯文本文件也可以摇身一变为兼具灵活性与功能性的任务管理工具。

更进一步去看，上述这些场景里的纯文本文件像极了数字生活最底层的「源代码」，它可以足够灵活地迁移或组合（复制粘贴），又足够强大，可以基于其他场景需求转化为其他形式的文件。

所以，不妨重新审视纯文本的价值，相比任何应用，这种格式的文件更具生命力。

大模型应用。ChatGPT 正在变得不再流行。

一方面，ChatGPT 在 App Store 下载量大幅下降，与此同时，Web 端的访问量也在减少，这意味着，ChatGPT 在获取新用户和维持老用户方面都进入到一个平缓的阶段。

另一方面，正如我在之前几期会员通讯里所言，ChatGPT 是一个看似简单、但门槛极高的产品。它的界面设计与交互足够简单，但如何高效使用这个产品，却是一门不小的学问，也因此，那些第一波尝试使用甚至付费订阅的用户，趁着热度快速尝试之后，却发现还需要花费更多时间与精力才能用好大模型，很容易放弃使用或退订。

如果你还想继续挖掘 ChatGPT 的潜力，以下是我的一些建议：

• 不要迷恋提示工程，而是要用清晰具体的命令，让 ChatGPT 理解你的需求，感兴趣的朋友可以看看吴恩达与 OpenAI 此前发布的一门在线课程；
• 为任何一段对话提供背景内容，使用「提示词命令+背景资料」的输入格式是调取大模型能力的最佳实践之一，各位不妨一试；
• 通过「持续对话」与大模型建立相互了解的关系，「持续对话」可以将上下文情景引入其中，使得交互不再局限在「用户输入一段话——模型输出一段话」的简单阶段，能够让大模型更好了解甚至「记住你」；
• 多尝试 ChatGPT Plus 的插件，通过插件可以让 GPT-4 的输出更有针对性（减少「幻觉」），比如你完全可以在启用插件的情况下，与 GPT-4 进行「正常对话」；

不再流行的 ChatGPT 还在继续提供新的可能，上周，OpenAI 有两项重要发布：

• 面向开发者：GPT-4 全面可用，如果是之前的 API 付费用户，可直接获取 GPT-4 访问权限；
• 面向消费者：增加 Code Interpreter 功能，该功能以插件的形式集成在 GPT-4 里，供 ChatGPT Plus 订阅用户使用；

这其中，Code Interpreter 带给普通用户的感知会比较明显，一个最简单理解 Code Interpreter 的角度：通过自然语言的形式运行 Python。

用户无需了解 Python 代码，甚至不要知道什么是 Python，只需要用自己熟悉的语言，像聊天对话一样告诉 ChatGPT 自己的需求，剩下的事情就由 ChatGPT 自己完成。

分享两个使用 Code Interpreter 的教程：

• 数据分析的案例教学，这是王树义老师两个月前分享的一篇教程。
• 沃顿商学院教授 Ethan Mollick 撰写的上手评测；

✍️ 信息创造

探索基于大语言模型的内容创作流程。八个月前的 12 月 6 日，我在尝试了一周 ChatGPT 之后分享了其对内容创作者（特别是文字内容创作者）的价值，我在当时的会员通讯里写道：

在过去十几年里，键盘与输入法解决了我快速写下来的难题，各类优秀的笔记工具帮我攻克高效写下去的困境，从现在开始，以 GPT-3 为代表的各类语言大模型，可能会给我——以及更多爱好写东西人——带来一次范式革新：

• 人类负责思考，写出关键词；
• 语言大模型负责呈现这些思考，输出文本；
• 人类校对这些输出的文本（或者，让另一个模型校对？）；

过去半年多的时间里，各类大语言模型持续进化，而包括我在内的内容创作者也在探索基于这些模型的内容创造流程，从思考助理到写作助理，从通用大模型到个人专属模型，大语言模型已经成为我的内容生产流程的「关键先生（或女士）」。

比如，大模型可以快速处理新闻线索，以确定这些线索之间有哪些潜在的或者我无法意识到的关系。此前我需要利用思维导图或 Workflowy 之类的大纲工具进行整理和思考，现在我的工作流程是：

• 将新闻线索整理成简洁表达的文本；
• 将这些文本交给 ChatGPT 之类的大模型；
• 使用「分析这些线索之间的关系」之类的提示词；
• 结合输出的结果，再输入一些背景资料，进一步优化这些关系；

下图展示的是与 Claude+ 模型互动：

再比如撰写某一类风格的内容，我个人很喜欢读《金融时报》的 Lex 评论专栏，这个专栏篇幅短小精悍，观点鲜明，有时候我希望让大模型帮助我模仿 Lex 专栏的风格，评论一些产业动态，整个流程包括：

• 将一篇 Lex 专栏文章复制粘贴，发送给大模型（比如 Cladude+ 或 GPT-4），让大模型了解它接下来需要模仿的文章风格是什么；
• 整理要撰写评论的素材，包括事件简要描述、相关数据以及希望生成的观点类型（积极或消极）；
• 根据大模型的输出，重新调整或修订；

下图是一个示例：

第三，使用自己的专属模型，让大模型分析我曾经创作的内容，提供内容创作的新灵感。比如利用微软 Edge 浏览器与 Bing 的组合，首先使用 Edge 浏览器直接读取一份过往邮件通讯的文本存档，然后借助 Bing 结合文档内容，创作新的内容：

Edge 浏览器每次只能处理一个文档，而且无法「记住」过往的文档内容，于是，我使用 Dify 构建了一个专属写作灵感应用，首先把过往所有创作内容变成「数据集」，然后使用 OpenAI API 进行对话：

Dify 有趣的地方在于，你可以灵活调整模型对于内容的处理方式，包括系统提示词的设置、模型选择以及调参等，如下图所示，能够让这个应用的输出不断优化，更符合我的需求：

当然，上述三个方面仅仅是我个人基于自身习惯构建的流程，如果你还有新颖的使用流程，欢迎回复这封邮件与更多朋友分享。另一方面，我也相信随着大模型能力的持续发展以及调用模型的价格、技术门槛持续下降，未来我们会有更多使用大模型优化内容创作的方式与方法。