我现在的 Todo 工具，主要是每年一个文本文件，大概长这个样子：
–
# 2025 Todo
## todo
- 整理笔记里所有跟写书相关内容
- 测试 Substack
## 20250504
- 早上和 erin 到公园溜达，走了五公里，仍然是返回后星巴克小坐，挺愉快的
- 这几天重读《微信背后的产品观》，还是很喜欢
- 将创业笔记等文件传到 KBHub & NotebookLM & ChatGPT，尝试用于分析
- 发朋友圈 & 写公众号：创业一定要多记录
每天睡前，我会看一眼这个文件：
1. 整理今天完成的事。可能有计划未完成，有未计划单临时插入事项没记，有些感触顺手记句话权当日记
2. 考虑明天想做的是。想一想有哪些事情重要，也可以从 todo 清单里捞一些
当然，我还会使用日历和笔记——日历记邀约，笔记记零散内容，都有可能再整理到文本 Todo 里。
看起来很简单，记录久了，力量就能浮现（可惜，大多数人还是做不到）。
在选要做的产品时，除了常规的分析，我自己往往还会琢磨两件事。
一是产品能做出什么不一样——我不想只是抄，也不想仅仅做了“又一个某某”。
二是我愿不愿意长期做，以及它能不能有长期的迭代进化空间。
就 Slax Note 这个小产品，最初来自自己的需求：我希望能快速记录灵感，并且快速产出可用的内容。
但真的开始做之前，我其实意识到这会是个很卷的市场，比如：
- 传统笔记产品像 Evernote、Notion 都会叠加上语音能力和 AI 能力。
- 新生笔记产品又会觉得这是个可能弯道超车的机会。
- 操作系统内置的笔记——比如 Apple Notes 的能力增强。
- 还有各种会议记录产品、模型公司的全能 ChatBot 对笔记市场的侵蚀。
我当时想的不一样是：
- 简单可靠。就只有一个最核心的能力：语音转文字。让用户打开就会用。且稳定可靠。
- 共创。不同用户对语音转文字会有不同的玩法，做一个广场，让用户玩起来，让用户教用户。
- 连接。创作出来的内容，可以方便地分享到各个地方——我脑子里的想法，应该是从朋友圈、小红书到 Linkedin 都可以一键快速分享。
最近，共创这个功能有了初步的样子，推荐给朋友们。第一个版本还只是一个广场，慢慢会鼓励用户提交自己的玩法。
最新版本很快上架，支持 iOS 和 Android，欢迎下载试试（长按识别下图二维码可以下载），欢迎付费 :)
上周找 Fenng 跟二爷吃饭，想请他们帮忙推荐“敲敲打卡“。大辉二爷以他们亲身体验的付费打卡建议：钱有可能让打卡人认真对待，长期坚持。
后来聊到公益，二爷提到：是不是可以结合公益，用户付费参与打卡，完成后直接以小组名义捐款给公益组织，“敲敲打卡“可以一比一配捐。
但是，用户付费，还得折腾研发，干脆先试试打卡一起捐吧。
请你任意参加下面三个打卡，这三个打卡里，我承诺：
1. 每增加一次打卡，“敲敲打卡“捐出一元钱到腾讯公益。
2. 每月统计和捐款一次，并贴图到打卡小组。
3. 截止 2025-12-31。
打卡一：英语 - 对话或阅读 25 分钟
口语听力，有练有差。一周五次，还不如天天坚持行之有效。坚持一年，应该可以大变样吧？如果特殊原因无法口语，可以用翻倍的听/阅读来换。
打卡二：向 AI 提问
高质量回答的前提是高质量问题。每天解决一个问题，让自己变厉害。
打卡三：夸奖一个人
找机会称赞一个人，亲人、朋友、同事甚至陌生人。面对面、发消息或者朋友圈。让世界充满真诚的夸夸 :)
注：以打卡小组右上角的每月打卡数为准，月末减月初，得到本小组当月打卡总数。
另外：如果有朋友也想组织这样的打卡一起捐，可以在“敲敲打卡“ App 第三个 Tab，“我的“下面进入“吐个槽“，在里面联系我们。我们很愿意支持这样的活动。
欢迎一起打卡一起捐。
看过且有些收获的 pdf：
草率地看过但收获不大的是：
推荐的有：
用 AI 帮助思考。这是 AI 越来越聪明之后，我最主要的用法。至于效果，前段时间，我和同事们交流，我略带兴奋地告诉他们：我觉得我变聪明了。
但是我也观察到有人掉进陷阱，主要有这么几种情况：
1. 一句话询问。把 AI 当成可以理解语义的搜索引擎。
2. 只用 AI 解决问题。忘记了我们有丰富的工具。
3. 问过当作已消化吸收。比如 AI 做的 Deep Research 报告，我猜很多人只是快速扫一眼，就“放着以后看“，实际上永远不看了。
昨天合伙人 Shotgun 在公司的知识星球里发了篇文章——大语言模型说：我可以提供“高质量的回答“，前提是有“高质量的问题“。他举了好些例子帮助理解：
原则：
- 原则一：第一次提问要尽可能开放，只说需求，不说具体解决方案。
- 原则二：通过问题链，通过学习大语言模型的回答，让自己的提问越来越专业，越来越细致，从而得到更高水平的答案。
- 原则三：通过事实检查和双重检查，核实推理过程和回答的准确性。
原因：
- 大语言模型，我理解其本质是一个预测器：根据用户输入的内容，来从概率上预测随后的内容，由于通用的大语言模型使用大量的文本进行训练，文本质量良莠不齐，所以输出内容质量非常依赖于输入的内容质量，用户输入的内容越专业、越准确，大语言模型预测出来的内容就越“聪明“。
- 反驳或者让大语言模型重新认真构造答案，本质上是给之前的普通回答进行降权，而给专业回答进行提权，类似于对大语言模型说：“我不希望你用一些科普的东西糊弄我，我希望看到专业的回答”、“你是一名通讯行业的专家，从你专业的角度来看：”，这时大语言模型检索的重点就会进入专业领域，而非科普，当然就更容易得到高质量的回答。
- 问题链则是更精确进入专业领域的方式，通过提问-学习-再次追问的模式，由提问者和大语言模型共同思考、讨论，来得出更高质量的答案。
- 问题链能起作用的另一个原因是：很多复杂问题并不存在现成的答案，虽然推理模型一定程度上，也可以组合内容来得到复杂问题的答案，但如果通过分解问题来让提问跟现存的答案更接近，显然可以提高回答的速度和质量。
祝你能在 AI 的帮助下变得更聪明。
–