AI深度学习方法论
用"引文网络提纯 + 多AI交叉质询"的方法，系统化深度学习任意领域。
适用场景
- 系统性了解一个细分领域/概念/技术
- 构建某个领域的结构化知识体系
- 准备深度专业讨论或报告
- 需要超越"AI幻觉"的可靠知识
核心理念
顺着大师的目光看世界，是成本最低的捷径。
三个关键原则：
- 引文网络 = 知识骨架：被反复引用的经典文献就是这个领域最核心的思想演进图
- NotebookLM = 无幻觉知识库：只基于你投喂的资料回答，切断互联网垃圾信息
- 多AI交叉质询 = 认知螺旋：不同AI的视角差异能帮你发现盲区和逻辑漏洞
三步工作流
第一步：顺藤摸瓜（找文献）⏱️ 15分钟
目标：找到该领域的"定海神针"级文献
操作：
- 锁定权威人物和文献：
- 提问："在[某领域]中，哪三位是公认的奠基人？他们最具影响力的1-3篇经典文献是什么？"
- 可同时问多个AI（GPT/Claude/Gemini），取交集
- 下载一阶文献（"今生"）：
- 直接下载AI推荐的核心文献全文
- 提炼二阶文献（"前世"）：
- 查看核心文献的参考文献列表
- 交叉比对，筛选被引用频率最高的Top 5
- 这些是该领域数十年来最核心的思想源头
文献来源优先级：
- Google Scholar（scholar.google.com）
- arXiv（arxiv.org）
- 知网（cnki.net）—— 中文领域
- 项目官网/GitHub —— 技术领域
第二步：搭建知识库（喂数据）⏱️ 15分钟
目标：建立纯粹、高度聚焦的领域知识库
操作：
- 将所有文献上传至 NotebookLM（或类似RAG工具）
- 一个知识库建议控制在 300 篇以内
- 按子主题分 folder（如"理论基础""技术实现""应用场景"）
为什么用 NotebookLM：
- 只基于你投喂的资料回答，不会编造
- 自动生成文献摘要和关键概念提取
- 支持追问时给出具体来源引用
第三步：多AI交叉质询（深度理解）⏱️ 1-3.5小时
目标：通过不同AI的视角差异，形成自己的结构化认知
操作流程（循环执行 3-5 轮）：
轮次 1：找锚点
├── 问通用AI → "这个领域的核心争议和底层框架是什么？"
├── 带着问题 → 回知识库验证
└── 记录新的认知和疑问
轮次 2：闭环叩问
├── 带争议问题 → 回知识库问"大师们怎么解答的？"
├── 要求 → 给出具体文献来源和推演逻辑
└── 记录核心论点和证据链
轮次 3：降维审视
├── 把知识库的严谨回答 → 扔给通用AI做批判性审视
├── 指令 → "以批判性思维审视，指出逻辑漏洞、时代局限性、盲区"
├── 追问 → "我应该继续追问哪3个更深层次的问题？"
└── 记录新的漏洞和问题
轮次 N：螺旋上升
├── 拿着新发现的漏洞 → 回知识库寻求解答
├── 重复上述循环...
└── 直到能梳理出自己的思维导图
最终验证（可选）：
- 让知识库出一套考题测试理解程度
- 尝试用自己的话向别人解释这个领域（费曼学习法）
输出模板
每轮学习后，生成结构化知识卡片：
## [领域名称] 知识体系
### 一、核心概念
- 概念1：定义 + 关键特征
- 概念2：...
### 二、发展脉络
- 时期1：关键人物 → 核心贡献 → 代表文献
- 时期2：...
### 三、核心争议
- 争议A：正方观点 vs 反方观点 → 我的判断
- 争议B：...
### 四、应用场景
- 场景1：怎么用 + 局限性
- 场景2：...
### 五、待深入问题
- [ ] 问题1
- [ ] 问题2
### 六、核心文献清单
| 文献 | 作者 | 年份 | 核心贡献 | 被引次数 |
|------|------|------|----------|----------|
| ... | ... | ... | ... | ... |
与 AI Agent 的配合方式
当用户要求深度学习某个领域时，Agent 可以分工协作：
- 搜索 Agent：负责搜索权威文献、下载论文、提取参考文献列表
- 主 Agent：负责搭建知识库、执行多轮交叉质询、生成知识体系文档
- 产出：结构化知识卡片 + 核心文献清单 + 个人知识库（可保存为笔记）
注意事项
- 这套方法论适合深度系统学习，不适合快速了解概念（后者直接问AI即可）
- 每个领域建议投入 2-5 小时，不要贪多
- 知识库要持续更新，新论文/新观点定期补充
- 多AI质询时，不同AI的强项不同：Claude强逻辑、Gemini强多模态、GPT强通用