如何用AI进行古老的细读艺术
TL;DR · AI 摘要
文章提出将大语言模型（LLM）应用于传统文本细读方法，通过实时提问、上下文关联和个性化学习提升阅读深度，结合fast.ai的SolveIt平台与fastanki工具实现知识留存，显著增强理解与记忆。
核心要点
- 使用LLM在阅读时可实时提问，如‘这个术语是什么意思？’或‘这如何与前文连接？’
- 通过LLM探索文本中的深层联系，例如发现CEO与Jack Welch的13名 mentees 中4人曾在波音任职
- 利用fastanki库在阅读对话中生成Anki闪卡，实现知识的间隔重复记忆
结构提纲
按章节快速跳转。
细读是一种注重语言、结构和内容的文本分析技术，是文明中最古老且强大的沟通方式之一。
大语言模型可用于在阅读过程中暂停并提出澄清性问题，帮助识别文本的外部联系。
Jeremy用LLM阅读Eric Ries的《Incorruptible》一书，Johno Whitaker用LLM解析Yann LeCun的学术论文。
LLM支持深入探索、个性化解释和反例验证，提升对复杂概念的理解。
SolveIt平台整合了阅读、提问、笔记和记忆功能，支持高效的知识构建过程。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- AI辅助细读
- 细读定义
- 文本分析
- 语言/结构/内容关注
- LLM应用
- 实时提问
- 外部联系识别
- 实践案例
- 书籍阅读
- 学术论文解析
- 优势
- 深入探索
- 个性化解释
- 知识留存
- Anki闪卡
- 间隔重复
金句 / Highlights
值得收藏与分享的关键句。
“close reading is one of our civilization’s oldest and most powerful technologies for trying to communicate the gestalt of a thing...”
LLMs can provide a useful tool for identifying these outward connections in text.
Jeremy discovered that 4 of Jack Welch's 13 mentees served as CEOs at Boeing during its safety scandals.
The fastanki library allows creating Anki cards within a reading dialog, syncing across devices.
密切阅读的古老艺术[](https://www.fast.ai/posts/2026-01-21-reading-LLMs/#the-ancient-art-of-close-reading)
密切阅读 是一种对文本进行仔细分析的技术，注重文本的确切语言、结构和内容。正如埃里克·里斯（Eric Ries）所描述的：“_密切阅读是我们文明中最古老、最强大的技术之一，用于尝试传达事物的整体感，即对其更全面的整体理解，而不仅仅是语言所能传达的内容，因为语言是如此有限。_” 这种方法曾被许多古代文化和主要宗教实践过（在某些情况下至今仍在使用）。
一些学者将 密切阅读描述为“‘从文本中读出’而非‘向文本中读入’”，强调了建立与更广泛背景的外部联系的重要性。大型语言模型（LLMs）可以提供一个有用的工具来识别这些外部联系。
可能会令人惊讶的是，这种与悠久历史相关的技术如今正借助大型语言模型（LLMs）迎来复兴。使用 LLM，你可以在一段文字后暂停，提出澄清性问题，例如“这个术语是什么意思？”或“这如何与之前的内容相关联？”
使用 LLM 阅读的两个示例[](https://www.fast.ai/posts/2026-01-21-reading-LLMs/#two-examples-of-reading-with-an-llm)
观看下面的视频将为你提供最清晰的例子，展示如何使用 LLM 进行阅读。不过，我将尽力总结我们的发现。这些视频摘自最新的 fast.ai 课程 如何用代码解决问题。
杰里米（Jeremy）阅读了埃里克·里斯新书《Incorruptible》的早期版本。他与埃里克讨论了他的方法，展示了他是如何管理上下文、分享他的发现，并且他们共同反思了这一经历。
第二个演示不是针对一本书，而是针对一篇密集的学术论文。约翰·惠特克（Johno Whitaker）以杨立昆（Yann LeCun）的一篇前沿论文（LeJEPA）为例。他讲解了如何准备工作空间，研究论文中的数学和代码，并创建一个简单的可视化交互，以建立直觉。
使用 LLM 进行密切阅读的好处[](https://www.fast.ai/posts/2026-01-21-reading-LLMs/#benefits-of-close-reading-with-an-llm)
以下是一些来自杰里米体验的突出例子，这些例子让我意识到使用 LLM 阅读的好处：他能够深入探索感兴趣的主题，提出澄清性问题，并个性化材料。
埃里克书中的一章讨论了一位灾难性的首席执行官，他从 3M 转到波音公司，导致两家公司在其专注于成本削减时出现问题。他获得了“年度首席执行官”的称号，但后来却监督了波音 737 MAX 的开发，该机型后来发生了致命事故。杰里米对此感到好奇，并搜索了更多信息，发现这位首席执行官是杰克·韦尔奇（Jack Welch）的13名不成功的门徒之一。在一系列后续问题中，他了解到这13名门徒中有4人在波音公司安全丑闻和衰落时期担任过首席执行官！
当杰里米对某个概念感到困惑时，他会要求更多的背景解释。有一次，他对埃里克的论点持怀疑态度，并寻求反例。杰里米让 LLM 将书中的原则应用于 Answer.ai 的治理结构，以实现个性化。这些都是 LLM 非常适合回答的问题。
为了保留你在阅读过程中学到的新信息，间隔重复 是一种有用的技术，通常通过 Anki 卡片 实现。fastanki 库 提供了一种在阅读对话中创建新 Anki 卡片的方法。你可以阅读、书写并同步到你在手机和台式机上使用的同一套 Anki 卡片，以便日后方便地学习这些卡片。
在章节结束时，杰里米生成了对话的摘要（包括他自己的问题和深入探讨），这将在他开始下一章时为 LLM 提供有用的上下文。回顾这次经历，杰里米充满热情地说：“_这是我有过的最棒的阅读体验之一！_” 埃里克也发现看到一位读者如此积极地参与他的书是一种回报。
SolveIt 流程[](https://www.fast.ai/posts/2026-01-21-reading-LLMs/#the-solveit-process)
我们使用了 SolveIt 平台，它结合了 ChatGPT、Jupyter、Claude Code 和 Cursor 的元素。SolveIt 的设计原则是鼓励人们以小的、渐进的步骤工作，并获得即时反馈。目标不仅是找出答案，更是加深对问题的理解。
以下是杰里米在阅读过程中遵循的流程概述：
- 将 PDF 转换为 Markdown（一种可被 LLM 轻松读取的简单文本格式）
- 为每个章节生成摘要，用作 LLM 的上下文
- 指示 LLM 不要剧透
- 读者在阅读完整本书的过程中提出问题
- 在每章结束时，生成读者与 LLM 之间对话的概览，作为下一章的进一步上下文
- 可选：让 LLM 提出问题以检查读者的理解
- 可选：在阅读对话中使用 fastanki 创建 Anki 卡片
使用 LLM 阅读的障碍[](https://www.fast.ai/posts/2026-01-21-reading-LLMs/#obstacles-to-reading-with-an-llm)
目前，利用 LLM 进行精读的工具还处于早期阶段。为 LLM 提供上下文而创建章节摘要的过程有些繁琐。目前，SolveIt 的 PDF 转 Markdown 工具和 Anki 集成工具需要编程能力才能设置。我们正在努力进一步简化这一过程，使其更易于使用。
在使用 LLM 时，一个主要担忧是它们会生成听起来合理但实际上不准确的文本，这种问题被称为“幻觉”。Jeremy 和 Johno 并未遇到这个问题，这很可能是因为他们的方法充分利用了上下文锚定（即问题的答案存在于 LLM 的上下文中），以及让 LLM 利用外部网络搜索。
一项正在进行的工作[](https://www.fast.ai/posts/2026-01-21-reading-LLMs/#a-work-in-progress)
希望上述想法和视频能为如何在阅读中使用 LLM 提供一些启发。Jeremy 和 Johno 的一个关键发现是，提前设置好环境的上下文非常有价值。“_这就像建筑师在磨铅笔，或者 Jeremy 在准备画布。然后下次你去那里时，你的桌子已经布置好了。你知道，你已经有了所有这些部分。而前期的这点投入，使得它与原始情况完全不同，”Johno 描述了这种准备工作。
上面包含的视频摘自 fast.ai《如何用代码解决问题》课程的第 9 课。完整课程涵盖了如何使用人工智能不是为了外包你的思考，而是为了加深你的理解力和解决问题的能力。课程内容广泛，包括构建你自己的 AI 代理、网页开发、远程服务器管理、经典算法等。你可以在此处了解更多关于该课程以及如何报名的信息 here。
_感谢 Eric、Rens 和 Jeremy 对本文早期草稿的反馈。_