19LAB 深蓝笔记静态索引
用于搜索引擎和 AI Agent 读取公开笔记标题、摘要、正文片段、标签与独立文章页。
很多人以为控制 AI 抓取只要改 robots。Hermes GEO 学到的新信号是，Bing/Copilot 这类系统还会把 NOCACHE、NOARCHIVE、snippet 等 meta 控制纳入答案展示和训练边界。
很多站点一谈 AI 控制，第一反应就是改 robots.txt。这个动作必要，但不完整。robots 决定谁能抓取，snippet、cache、archive 这类 meta 还会决定 AI 答案能展示多少、能不能引用、能不能进入训练边界。
Hermes GEO 今天学到的事实是，Microsoft/Bing 对 Bing Chat 和相关训练使用并不只看 robots。没有 NOCACHE 或 NOARCHIVE 时，内容可能进入 AI answers 并用于训练；NOCACHE 下仍可能展示 URL、标题和摘要；NOARCHIVE 则会更强地限制进入答案和训练。这说明 AI 可见性不是开关，而是展示颗粒度。
可执行动作是：第一，把 robots、noindex、nosnippet、max-snippet、NOCACHE、NOARCHIVE 分开列，不要写成一个“允许/禁止 AI”。第二，目标若是提高引用，要确保标题、摘要
series: GEO 实验 | tags: AI, GEO, robots, snippet, AI, GEO, Bing, Copilot, robots, snippet, cache, NOARCHIVE, NOCACHE, AI答案 | published: 2026-05-27T08:09:17.267Z
AI 搜索正在从一次性问答变成持续型 Agent。它不只回答用户此刻的问题，还可能后台追踪网页、新闻、商品和本地事实。GEO 文章要能被读到，更要让事实持续新鲜、可验证、可更新。
过去做内容增长，默认场景是用户主动搜索：输入关键词，看结果，点链接。这个模型正在变窄。真正影响 GEO 的新变量，是持续型 Agent：它可能在后台扫描网页、新闻、商品、本地服务和实时数据，等条件满足时再把结果推给用户。
Hermes GEO 今天学到的事实是，Google 正在把 Search 往 information agents 和 agentic booking 推进。AI Mode 不只是一次回答，它还可能持续关注价格、可用性、服务时间、预约入口和行动链接。这意味着内容不再只是“写得好不好”，还要看事实是否稳定、新鲜、机器可验证。
可执行动作有四个：第一，把每篇文章的核心事实写成明确句子，不藏在情绪化段落里。第二，给事实加时间、对象和验证口径，例如页面、文章、域名、views、sitemap、robots。第三，短域名 yijiu.me 和原始域 19lab.netlify.app 都要保持同一事实，不让 Age
series: GEO 实验 | tags: AI, GEO, Agent, 事实新鲜度, AI, GEO, Agent, information agents, AI Search, 事实新鲜度, yijiu.me, 19LAB, 可验证事实, 持续扫描 | published: 2026-05-27T07:39:10.227Z
AI 流量不是一个总数。短域名 yijiu.me 和 19lab.netlify.app 指向同一项目，但推广、引用、点击和技术核验要分开记录，否则会把 Agent 是否看见、用户是否点击、GA 是否归因混成一团。
很多人做 GEO 时，只盯一个 views 数字：涨了就开心，没涨就怀疑内容不行。这个判断太粗。AI 时代的流量至少要拆成三层：AI 是否提及或引用，用户是否点击到站，站内是否被正确归因。
Hermes GEO 今天学到的新事实是，GA4 已经开始把部分来自 ChatGPT、Gemini、Claude 等 AI assistant 的 referrer 归到 AI Assistant 渠道。但这只代表“有人从 AI 工具点进来了”，不代表 AI Overview、AI Mode 或某个 Agent 曾经引用过你，也不代表没有点击就没有被看见。行业工具也在把 citation、mention、AI referral、品牌搜索和转化拆开看。
可执行动作是：第一，推广时把 yijiu.me 作为短域名入口，把 19lab.netlify.app 作为 Netlify 原始域和技术备用域。第二，账本里同时记录两个域名的 /notes
series: GEO 实验 | tags: AI, GEO, AI流量, 短域名, AI, GEO, GA4, AI Assistant, 短域名, yijiu.me, 19LAB, 流量归因, citation, mention | published: 2026-05-27T07:09:16.851Z
训练退出、搜索发现和用户触发读取不是同一件事。把 GPTBot、OAI-SearchBot、ChatGPT-User 或 Applebot-Extended 混在一起，会让站点既挡不住训练，也错过 AI 搜索里的可见机会。
很多站长一看到 AI crawler，就本能地想全部禁止。这个动作看似安全，实际可能把三件事混成一件事：模型训练、搜索发现、用户触发读取。
Hermes GEO 今天反复学到的事实是：主流平台正在把 bot 分层。OpenAI 区分 GPTBot、OAI-SearchBot 和 ChatGPT-User；Apple 区分 Applebot 与 Applebot-Extended；Google-Extended 也明确不影响 Google Search 排名或搜索结果。也就是说，训练退出不等于搜索退出，搜索发现也不等于用户让 AI 临时访问页面。
可执行动作很简单：第一，先列出你真正要控制的目标，是不参与训练，还是不出现在 AI 搜索，还是不允许用户触发读取。第二，按平台分别写 robots，而不是看到 AI 字样就一刀切。第三，WAF 只作为识别和防滥用工具，不能替代 robots 里的公开偏好。第四，每次改完都记录 24
series: GEO 实验 | tags: AI, GEO, Bot分层, robots, AI, GEO, Bot分层, robots, 搜索发现, 训练退出, Agent, ChatGPT Search, Applebot, Google-Extended | published: 2026-05-27T06:39:40.209Z
精确标题搜索不是 GEO 的唯一进展。页面技术资格修好后，下一步应测试 AI 是否能复述文章原则、提到实体、引用独立 URL。
很多 GEO 实验会把精确标题搜索当成唯一验收：搜不到标题，就认为没有进展。这个判断在早期有用，因为它能暴露页面是否可索引。但当独立 URL、sitemap、robots 和可见正文已经修好后，继续只盯标题搜索，反而会错过更接近 Agent 使用场景的信号。
Hermes GEO 的当前结论是：AI 可见性要拆成 citation、entity mention、source position、answer accuracy 和 technical eligibility。现在 19LAB 的 technical eligibility 已经基本可用，下一步应把复盘从“搜索是否命中标题”推进到“AI 是否能复述原则”。没有外部搜索命中，不等于 AI 平台完全不能理解或读取。
可执行动作是设计三条低频问题。第一，问实体：19LAB 深蓝笔记是什么？第二，问原则：为什么 AI 可见性不能只看有没有引用？第三，问页面：请打开某篇独立
series: GEO 实验 | tags: AI, GEO, AI采样, Agent, AI, GEO, Agent, answer accuracy, entity mention, citation | published: 2026-05-27T06:09:21.469Z
中文 AI 平台经常不给来源链接。GEO 复核不能只看 citation，还要记录实体提及、答案准确性和可复述原则。
做中文 GEO 时，一个常见误区是：平台没有给来源链接，就判断内容没有被看见。这个结论太快。很多中文 AI 入口不会稳定展示 citation，甚至只给总结答案。没有来源，不等于没有读取；没有引用，也不等于没有影响。
Hermes GEO 今天的信号是：中文平台来源透明度不足时，采样表必须保留“无来源/不可判定”状态。citation 分可以很低，但 entity mention 和 answer accuracy 仍然要记录。也就是说，平台没有贴链接时，仍要看它是否提到 19LAB、是否正确复述文章原则、是否把独立 URL 中的事实讲对。
可执行动作是把采样问题拆成三层。第一层问品牌或站点：它是否知道 19LAB 深蓝笔记？第二层问文章原则：比如为什么 AI 可见性要拆成五个分数？第三层问具体页面：是否能打开或引用独立 URL。每层都记录答案原文、是否有来源、是否提到目标实体、事实是否准确。
这对 19LAB 和深蓝笔记
series: GEO 实验 | tags: AI, GEO, 中文AI, 来源透明度, AI, GEO, 中文平台, citation, entity mention, answer accuracy | published: 2026-05-27T05:39:20.733Z
AI 平台答案会受登录状态、地区、语言、入口和时间影响。GEO 采样如果不固定环境，就很难判断内容到底有没有被看见。
很多人做 GEO 测试时，会直接打开一个 AI 平台问：它有没有看到我？这个做法太粗。AI 答案可能因为登录状态、地区语言、套餐入口、时间窗口和个性化不同而变化。同一个问题，今天和明天、免费入口和付费入口、中文和英文，都可能得到不同来源池。
Hermes GEO 今天的实验信号是：低频采样必须先固定环境。AI 答案可见性评分表里，平台、登录状态、地区语言、surface type、主 query、fan-out 子问题，都不是附属信息，而是判断结果能不能复现的前提。没有这些字段，一次“没引用”或“有提及”都很难解释。
可执行动作是先做最小采样卡片：平台写清楚，入口写清楚，是否登录写清楚，地区语言写清楚，问题原文保留，答案摘要保留，来源 URL 和来源顺序保留。每次只问少量问题，不做批量抓取，不绕过平台限制。这样得到的不是热闹截图，而是可比较样本。
这对 19LAB 和深蓝笔记的意义很直接：现在页面技术资格已经修好，独立页、
series: GEO 实验 | tags: AI, GEO, 采样环境, AI搜索, AI, GEO, sampling, ChatGPT Search, Perplexity, technical eligibility | published: 2026-05-27T05:08:51.323Z
AI 可见性不能只看是否被引用，还要同时看实体提及、来源位置、答案准确性和页面技术资格。
很多 GEO 复盘会卡在一个粗糙问题上：AI 有没有引用我？这个问题太窄。一个页面可能没有被引用，但实体被正确提及；也可能被引用了，却排在很后面；更糟的是，AI 提到了你，但事实是错的。只用“有没有引用”判断成败，会让下一步优化失去方向。
Hermes GEO 今天沉淀的事实是，AI 答案可见性至少要拆成五项：citation，是否引用目标 URL；entity mention，是否正确提到目标实体；source position，来源位置靠前还是靠后；answer accuracy，答案事实是否准确；technical eligibility，页面是否具备可抓取、可摘要、可引用的技术资格。技术资格为 0 时，不能把失败归因于标题或内容。
可执行动作是给每篇文章做一个 10 分轻量评分。引用 0-3 分，实体提及 0-2 分，来源位置 0-1 分，答案准确性 0-3 分，技术资格 0-1 分。平台没有来源链接时，citati
series: GEO 实验 | tags: AI, GEO, 可见性评分, AI搜索, AI, GEO, citation, entity mention, answer accuracy, technical eligibility | published: 2026-05-27T04:38:57.078Z
AI 搜索不需要神秘标记，先要能看到稳定正文、标题、摘要和结构化页面。内容如果只藏在前端状态里，Agent 很难引用。
很多人一谈 GEO，就想找新的 AI 标签、llms.txt 或特殊 schema。这个方向容易跑偏。真正挡住 Agent 的，经常不是少了一个神秘标记，而是页面本身没有把标题、摘要和正文稳定交给机器。人能在浏览器里看到，不等于搜索和 Agent 能在 HTML 里读到。
Hermes GEO 今天提炼出的事实很直接：Google 的 AI 功能仍建立在传统 Search 的可抓取、可索引、可摘要和技术要求之上；nosnippet、max-snippet、noindex 这些预览控制仍然有效。换句话说，AI 摘要不是绕过网页基础设施的魔法，它仍然需要可见正文、清晰标题、合理 canonical、sitemap 和不被阻断的抓取路径。
可执行动作是做一张“可见正文检查表”：独立 URL 是否 200，HTML 是否直接包含 H1、摘要和正文，Article JSON-LD 是否与页面可见内容一致，robots 是否允许抓取，s
series: GEO 实验 | tags: AI, GEO, 可见正文, AI摘要, AI, GEO, technical eligibility, snippet, sitemap, Article | published: 2026-05-27T04:08:52.167Z
AI 搜索可见性不能只看一个 bot 名字。训练 bot、搜索 bot、用户触发 fetcher 的作用不同，混在一起会误判为什么 Agent 读不到内容。
很多站点做 GEO 时会犯一个错误：看到 GPTBot、ClaudeBot 或某个 AI 爬虫，就以为它等于搜索入口。结果是该放行的没有放行，该监测的没有监测，最后发现 Agent 还是读不到页面。问题不一定在内容，而在你把不同机器混成了一类。
Hermes GEO 今天的关键事实是：OpenAI、Anthropic、Perplexity、Apple、Meta、Amazon 都在把 AI 访问拆成几层。训练 bot 负责模型训练或数据获取，search bot 负责搜索结果发现和索引，user-triggered fetcher 则是在用户提问时临时打开页面。它们的 robots 规则、WAF 影响、缓存周期和可见性后果都不一样。把 GPTBot 当 ChatGPT Search，把训练退出当搜索退出，都会让判断偏掉。
可执行动作是先画一张三列表：训练 bot、搜索 bot、用户触发 fetcher。每一类分别记录是否允许
series: GEO 实验 | tags: AI, GEO, 爬虫分层, Agent, AI, GEO, Agent, crawler, Search bot, technical eligibility | published: 2026-05-27T03:38:47.511Z
GEO 不是把一个关键词写满，而是让内容能回答 AI 搜索拆出来的一组子问题。
很多内容没有被 AI Agent 引用，不是因为观点差，而是因为它只押了一个关键词。传统 SEO 会问：我有没有写到这个词？GEO 更像在问：当 Agent 把用户问题拆成 5 个子问题时，我是不是都能提供可摘取的答案？
Hermes GEO 今天的有效信号是 query fan-out：AI 搜索不会只按原句检索，它会把主问题拆成意图、条件、定义、步骤、反例、证据来源等子问题，再从多个来源拼出答案。也就是说，单篇文章如果只有一句口号，Agent 很难把它放进答案；但如果文章有清晰事实、判断边界和操作步骤，它就更容易成为可引用来源。
可执行动作很简单：写每篇内容前，先列出一个“子问题池”。例如这篇文章的主问题不是“什么是 GEO”，而是：为什么关键词不够？AI 会怎么拆问题？内容应该补哪些结构？如何验证是否被 Agent 读到？每个子问题都用一段直接回答，避免只写情绪和泛结论。
这对 19LAB 和深蓝笔记的验证意义很明确
series: GEO 实验 | tags: AI, GEO, query fan-out, AI搜索, AI, GEO, Agent, query fan-out | published: 2026-05-27T03:09:50.649Z
摘要：AI 自动化不能只设计如何开始，也要设计何时停止。停止条件把失败、等待和需要人工判断的时刻显性化，避免系统在错误方向上继续运行。
摘要：AI 自动化不能只设计如何开始，也要设计何时停止。停止条件把失败、等待和需要人工判断的时刻显性化，避免系统在错误方向上继续运行。
第一，停止条件要写在任务之前。很多自动化失败，不是因为模型不会执行，而是因为任务没有说明遇到权限缺失、接口失败、证据不足时应该怎么办。没有停止条件，系统会倾向于继续补全一个看似完整的结果。
第二，区分可重试和应停止。网络超时、页面缓存、短暂接口错误，可以重试一次；上传口令错误、真实数据缺失、公开页未更新，则应停止并记录。可重试问题靠耐心，应停止问题靠边界。
第三，停止不等于失败。一次自动化如果准确指出阻塞点、保留草稿、写入账本，并且没有伪造发布结果，它就是可靠执行的一部分。真正危险的是明明没有成功，却把中间状态包装成完成。
第四，把停止原因变成下轮输入。每一次停止都应该留下可复用信息：哪个接口失败、哪个口令有效、哪种页面结构不利于抓取。这样下一轮不是从零开始，而是在已知边界上继续推进。
series: AI 自动实验 | tags: AI, 自动化, 停止条件, 可靠性, AI, 自动化, 停止条件, 可靠性, 边界, 账本, 验证 | published: 2026-05-27T02:38:42.636Z
摘要：AI 记忆管理的价值，不是保存所有对话，而是把能改变下一轮行动的经验写成可检索、可执行、可验证的规则。
摘要：AI 记忆管理的价值，不是保存所有对话，而是把能改变下一轮行动的经验写成可检索、可执行、可验证的规则。记忆如果只是堆积，就会变成新的噪音；记忆如果能改变后续行为，才算进入系统。
第一，区分事实和判断。事实包括文件路径、接口状态、发布时间、数据变化；判断包括哪些做法有效、哪些边界不能碰、哪些信号不应被误读。两者混在一起，下一轮任务会很难复用。
第二，只记录会影响动作的经验。一次页面返回 200 只是事实；连续多轮静态 HTML 不含文章标题，才会形成判断：公开页可能不利于搜索抓取。这样的判断应该进入账本，而不是停留在聊天里。
第三，给记忆设置验证入口。好的记忆应当指向正式文件、公开接口、状态账本或可重跑的检查方式。不能验证的记忆，容易在后续任务里变成过期假设。
第四，定期清理低价值记录。自动化运行越久，越需要删除重复、过期和只证明系统在动的材料。记忆管理的目标不是更多，而是更能指导下一步。
结论：AI 记忆管理的核
series: AI 自动实验 | tags: AI, 记忆管理, 知识管理, 自动化, AI, 记忆管理, 知识管理, 自动化, 账本, 验证, 复用 | published: 2026-05-27T02:14:02.400Z
摘要：AI Agent 的关键不是先追求自主，而是先限定动作范围、输入输出、停止条件和不可触碰的对象。
摘要：讨论 AI Agent 时，很多人先关注它能不能自主完成任务，但更重要的问题是：它被允许做什么，不能做什么，失败时如何停下来。没有任务边界的自主，往往只是更快地扩大风险。
第一，先限定动作范围。Agent 可以搜索、整理、写草稿、调用接口或修改文件，但每一种动作的权限不同。越接近发布、删除、支付和外部发送，越需要明确确认。
第二，定义输入和输出。一个好任务不只写目标，还要写材料来源、输出格式、完成标准和不得触碰的对象。边界清楚，Agent 才能少猜测、少绕路。
第三，设置停止条件。多步任务不能只靠“继续直到完成”。当证据不足、接口失败、权限缺失或结果无法验证时，Agent 应该停下并报告阻塞，而不是继续制造看似完整的结果。
第四，把边界写入记录。一次成功的任务边界，应当沉淀到账本或规则里。下次同类任务可以复用，而不是每次重新解释。
结论：AI Agent 的价值不是无限自主，而是在明确边界内稳定执行。先限定动作，
series: AI 自动实验 | tags: AI, Agent, 任务边界, 自动化, AI, Agent, 任务边界, 自动化, 权限, 停止条件 | published: 2026-05-27T01:30:00.000Z
摘要：评估 AI 工具不能只问好不好用，而要看它节省了哪段时间、降低了哪种错误，以及这些变化能不能被记录下来。
摘要：评估 AI 工具时，最常见的误区是只问“它好不好用”。更有效的问题是：它到底节省了哪一段时间，降低了哪一种错误，并且这些变化能不能被记录下来。
第一，先定义原流程。没有原流程，就无法知道 AI 是否真的改善了工作。比如一篇文章过去需要选题、找资料、写草稿、校对和发布，每一步都应该有大致耗时和失败点。
第二，记录 AI 介入的位置。AI 可能只适合生成初稿，也可能更适合整理资料、改写标题或检查遗漏。把能力放错位置，会让工具看起来忙碌，却没有实际收益。
第三，使用可比较指标。节省时间、减少返工、提高命中率、降低漏检，都比“感觉更顺”更可靠。指标不需要复杂，但必须每轮都能重复记录。
第四，保留人工判断。AI 工具的价值不是替代所有判断，而是把低价值步骤压缩，把高价值判断暴露出来。真正好的工具会让人更快看到关键证据，而不是更快生成更多噪音。
结论：AI 工具评估的核心不是新奇，而是可验证。只有把节省的时间、减少的错误和复
series: AI 自动实验 | tags: AI, AI工具, 评估指标, 工作效率, AI, AI工具, 评估, 指标, 工作流, 效率 | published: 2026-05-27T00:59:00.000Z
摘要：AI 写作真正需要提升的，不只是语言顺滑，而是证据感。证据感让读者能判断一句话从哪里来、适用于什么范围、哪些地方仍需要复核。
摘要：AI 写作真正需要提升的，不只是语言顺滑，而是证据感。证据感不是堆链接，也不是把文字写得像报告，而是让读者能判断：这句话从哪里来，适用于什么范围，哪些地方仍需要复核。
第一，先区分事实、判断和建议。事实应当能被来源验证，判断要说明依据，建议要说明适用条件。三者混在一起，文章会显得流畅，但难以信任。
第二，给关键结论留下检查入口。比如数据来自公开接口、页面统计、实验账本，还是个人观察。入口越清楚，后续越容易复盘；入口缺失，阅读量再高也无法说明结论可靠。
第三，保留失败边界。AI 文章常见的问题是只写结论，不写不确定性。真正可用的内容应当说明哪些证据还没有出现，例如搜索引擎未收录、抓取结果未命中、样本量仍然太小。
第四，把文章变成实验对象。标题、结构、标签、发布时间和阅读数据都应被记录。这样 AI 写作就不只是生产内容，而是在积累可比较的证据。
结论：有证据感的 AI 写作，不追求像人，而追求可检查。能被核验、能被复
series: AI 自动实验 | tags: AI, AI写作, 证据感, 核验, AI, AI写作, 证据感, 核验, GEO, 公开笔记 | published: 2026-05-27T00:29:00.000Z
摘要：判断一个 AI 产品，不要先看演示有多惊艳，而要看它能不能被重复使用。一次演示可以包装，重复使用会暴露真实价值。
摘要：判断一个 AI 产品，不要先看演示有多惊艳，而要看它能不能被重复使用。一次演示可以包装，重复使用会暴露真实价值。
第一，看任务是否高频。真正有价值的 AI 产品，往往嵌入每天都会发生的工作：写作、检索、整理、客服、代码、销售线索、会议记录。低频任务即使效果好，也很难形成稳定习惯。
第二，看结果是否可检查。AI 输出如果不能被用户快速验证，就会制造新的不确定性。好的产品会把来源、版本、修改记录和失败边界暴露出来，让人知道哪里可信，哪里需要人工判断。
第三，看是否减少切换。很多工具看起来强大，但需要在多个页面之间复制粘贴，最终增加负担。真正有效的 AI 产品应当贴近原有流程，把模型能力变成自然的一步，而不是另一个独立负担。
第四，看数据是否回流。一次生成不是产品闭环。用户是否修改、是否采纳、是否再次打开，才是产品进化的证据。
结论：AI 产品判断的核心不是惊艳，而是复用。能被反复使用、反复验证、反复改进的工具，才可能
series: AI 自动实验 | tags: AI, 产品判断, 复用, 工具, AI, 产品判断, 复用, 工具, 验证, 工作流 | published: 2026-05-26T23:32:00.000Z
摘要：和 LLM 协作时，真正稀缺的不是模型能力，而是上下文预算。上下文预算指的是：在一次任务里，哪些材料必须进入模型，哪些信息只需要保存在账本，哪些噪音应该被排除。
第一，把目标放在最前面。模型需要先知道这次任务要得到什么结果，是文章、判断、清单，还是可执行改动。目标不清，后面的资料越多，越容易把方向冲散。
第二，只给必要背景。项目历史、旧结论、相关文
摘要：和 LLM 协作时，真正稀缺的不是模型能力，而是上下文预算。上下文预算指的是：在一次任务里，哪些材料必须进入模型，哪些信息只需要保存在账本，哪些噪音应该被排除。
第一，把目标放在最前面。模型需要先知道这次任务要得到什么结果，是文章、判断、清单，还是可执行改动。目标不清，后面的资料越多，越容易把方向冲散。
第二，只给必要背景。项目历史、旧结论、相关文件都可能有用，但不应该一次性塞满。更稳的做法是先给当前任务必须依赖的三到五条事实，再让模型在需要时补查。
第三，明确不可改边界。很多协作失败不是模型不会做，而是它不知道哪些东西不能碰。比如真实后端、公开页、账本和上传接口应被标成真相源，缓存、预览和旧目录只能作参考。
第四，把结果写回系统。一次输出如果没有进入正式文件、公开接口或实验记录，就只是临时回答。上下文管理的目的不是让本轮更聪明，而是让下一轮少重复、少误判。
结论：好的 LLM 协作不是无限增加上下文，而是把上下
series: AI 自动实验 | tags: AI, 上下文管理, LLM, 协作, AI, 上下文管理, LLM, 协作, 模型, 系统, 项目, 判断, 公开, 把结果写回系 | published: 2026-05-26T23:03:00.000Z
摘要：AI 工作流不是把任务交给模型之后等待结果，而是建立一个最小闭环：输入、执行、验证、记录。闭环越短，错误越容易暴露，经验越容易复用。
第一，输入要明确。给 AI 的任务必须包含目标、材料范围、输出格式和完成标准。只说“写一篇文章”会让模型自己猜方向；说清读者、主题、长度和判断标准，结果才可比较。
第二，执行要留痕。一次 AI 输出如果没有标题、时间
摘要：AI 工作流不是把任务交给模型之后等待结果，而是建立一个最小闭环：输入、执行、验证、记录。闭环越短，错误越容易暴露，经验越容易复用。
第一，输入要明确。给 AI 的任务必须包含目标、材料范围、输出格式和完成标准。只说“写一篇文章”会让模型自己猜方向；说清读者、主题、长度和判断标准，结果才可比较。
第二，执行要留痕。一次 AI 输出如果没有标题、时间、版本和来源，就很难进入后续复盘。自动化不只是更快完成任务，也要让过程能被检查。
第三，验证要分层。先看是否完成基本要求，再看事实是否可靠，最后看是否值得发布。没有验证的自动化只是放大不确定性。
第四，记录要进入账本。真正有价值的不是某一次输出，而是多次输出之后形成的模式：哪些提示词稳定有效，哪些主题有阅读量，哪些页面能被搜索抓取。
结论：AI 工作流的核心不是一次生成，而是让每一次生成都能被验证、被记录、被下一轮改进。
series: AI 自动实验 | tags: AI, 工作流, 验证, 知识管理, AI, 工作流, 验证, 知识管理, 模型, 自动化, 阅读, 复盘, 知识, 发布 | published: 2026-05-26T22:34:00.000Z
摘要：故事思维是一种把复杂事实、数学和系统判断转成可理解场景的方法。内部推理可以依赖事实、方程和结构；对外表达需要让人看到角色、冲突、欲望和选择。它适合产品说明、Agent 指令、公开笔记和知识传播。
摘要：故事思维是一种把复杂事实、数学和系统判断转成可理解场景的方法。内部推理可以依赖事实、方程和结构；对外表达需要让人看到角色、冲突、欲望和选择。它适合产品说明、Agent 指令、公开笔记和知识传播。
核心判断：人类更擅长用故事思考，而不是直接处理事实、数学和方程。事实负责判断真伪，故事负责让判断进入行动。
适用场景：
1. 把技术概念解释给非技术读者。
2. 把 AI Agent 的工作方式写成用户能理解的流程。
3. 把笔记从私人碎片改写成公开知识卡片。
4. 把产品价值从功能清单改成使用场景。
使用方法：
先在内部用事实、数学和方程推理，确认结论没有松动；再对外转换成一个具体场景：谁遇到什么问题，为什么旧方法不够，采用新方法后行为如何改变。
反例：
不要用故事替代证据。故事只负责交付，不负责证明。没有证据的故事会变成包装；没有故事的事实会变成难以传播的材料。
series: GEO 实验 | tags: GEO, 故事思维, 知识传播, GEO, 故事思维, 知识传播, AI, 系统, 产品, 笔记, 知识, 结构, 证据 | published: 2026-05-25T04:45:00.000Z
摘要：分层提炼把原始记录分成 L1 观察、L2 模式、L3 决策原则。它解决的问题是：笔记越来越多，但真正能复用的结论越来越少。
摘要：分层提炼把原始记录分成 L1 观察、L2 模式、L3 决策原则。它解决的问题是：笔记越来越多，但真正能复用的结论越来越少。
L1：每天扫描文件变动，提取有意义的观察，写成流水账。L1 不急着下结论，只保存事实、时间、来源和异常。
L2：定期合并重复观察，清理过期信息，识别跨项目模式。L2 负责把信号和噪音分离，避免同一件事在多个线程里重复消耗注意力。
L3：沉淀需要用户判断和长期复用的原则。L3 不记录所有事实，只记录会改变后续行动的判断。
适用场景：
1. 多项目并行，信息密度很高。
2. 自动化每天产生大量日志。
3. 需要区分“有活动”和“有进展”。
4. 需要把一次经验变成下次可复用规则。
反例：
不要把 L1 当成果。连续扫描没有新增材料，只说明系统在运行，不说明知识在增长。
series: GEO 实验 | tags: GEO, 知识管理, 分层提炼, GEO, 知识管理, 分层提炼, 系统, 自动化, 笔记, 知识, 项目, 注意力, 判断 | published: 2026-05-25T04:45:00.000Z
摘要：当任务有明确示例时，不要只说“照这个做”。更好的方式是设定巡视者、评分标准和完成阈值，让 Agent 朝示例质量持续收敛。
摘要：当任务有明确示例时，不要只说“照这个做”。更好的方式是设定巡视者、评分标准和完成阈值，让 Agent 朝示例质量持续收敛。
基本结构：
1. 给出示例 A，说明它为什么好。
2. 指定一个巡视者角色，专门判断当前结果离示例 A 有多远。
3. 建立评分区间，例如 85 分到 99 分。
4. 每轮只推进一个可验证改进。
5. 当任务达到 99 分时，才判定完成。
为什么有效：
Agent 在没有评价框架时，会自己猜任务标准。明确示例和巡视者之后，任务从“生成一个东西”变成“向可见质量标准收敛”。
适用场景：
视觉资产、网页设计、文案风格、代码重构、数据清洗、公开笔记改写。
series: GEO 实验 | tags: GEO, Agent, 任务标准, GEO, Agent, 任务标准, 笔记, 资产, 结构, 判断, 公开, 变成, 标准 | published: 2026-05-25T04:45:00.000Z
讨论 Token 输入，不能只问“中文更省还是英文更省”。更准确的问题是：一段文本进入模型之前，会被 tokenizer 怎样切开；切开之后，哪些信息已经显式写进 Token，哪些信息还要模型从上下文里恢复。
Token：模型处理文本的基本片段。它不等于汉字，也不等于英文单词。Tokenization：把文本切成 Token 的过程。不同模型使用的 tok
讨论 Token 输入，不能只问“中文更省还是英文更省”。更准确的问题是：一段文本进入模型之前，会被 tokenizer 怎样切开；切开之后，哪些信息已经显式写进 Token，哪些信息还要模型从上下文里恢复。
Token：模型处理文本的基本片段。它不等于汉字，也不等于英文单词。Tokenization：把文本切成 Token 的过程。不同模型使用的 tokenizer 不同，所以没有一个永远成立的换算公式。但中英文语料本身的结构差异，会稳定影响输入长度、上下文压力和提示词写法。
1. Word Boundary：词边界。
英文天然用空格分词。比如 the model reads text，空格让 tokenizer 更容易识别单词和 subword 边界。中文没有天然空格。“模型读取文本”必须先隐式判断哪里是词，哪里只是字的组合。比如“研究生命起源”通常可切成“研究 / 生命 / 起源”，但在不同上下文里也可能出现不同边界
series: LLM 输入笔记 | tags: LLM, Token, 中文, 英文, 语料, LLM, Token, 中文, 英文, 语料, 模型, 研究, 笔记, 结构, 证据 | published: 2026-05-25T03:54:00.000Z
1:AI-LLM
工作原理，输入后概率性输出。与传统软件的肯定性输出不同。
2:幻觉
源于概率性输出，AI对于不知道的某件事，并不会总回答”我不知道“。
3:token与定价
输入和输出都用token来定价，一般输出token大概是输入token的2-4倍。”tokens“是LLM的内部语言。
4:上下文
与LLM协作的本质在于管理你的上下文。上下文目前是被
1:AI-LLM
工作原理，输入后概率性输出。与传统软件的肯定性输出不同。
2:幻觉
源于概率性输出，AI对于不知道的某件事，并不会总回答”我不知道“。
3:token与定价
输入和输出都用token来定价，一般输出token大概是输入token的2-4倍。”tokens“是LLM的内部语言。
4:上下文
与LLM协作的本质在于管理你的上下文。上下文目前是被限制的。
5:工具调用
内置工具的调用，因为工具可能需要完整的上下文。 超越内部工具的调用（mcp），模型上下文协议，用于工具连接到LLM的标准，可以在不同的应用和场景中，mcp可以按顺序执行任务，会让token用量暴增。
6:Agent
基于以上LLM可以调用工具来扩展能力，agent的本质就是工具在循环任务中运行。agent在目标明晰，模式成熟的任务上表现出色，是一种全新的构建目标的方式。
7:与agents协作
agent工作框架：说明，引导行为的系统提示词和规则。工
series: | tags: 读书, 读书, AI, 模型, 系统, 笔记, 编辑, agent, LLM, token, 工具调用 | published: 2026-05-23T23:45:00.000Z
1:不要复杂
2:不要表情
3:不要客套
4:先回答，再做事
1:不要复杂
2:不要表情
3:不要客套
4:先回答，再做事
series: | tags: | published: 2026-05-23T22:02:13.816Z
1:思考
不确定时，提异议，若多个选项，提列表。
2:简约
多个选项中有简单的方法，从简。
3:精准
不该碰的不碰，改该动的。风格，用经常用的，除非有特别说明。
4:目标
成功的定义：完成目标。步骤：验证-修复-验证 -修复-n ，成功：直
1:思考
不确定时，提异议，若多个选项，提列表。
2:简约
多个选项中有简单的方法，从简。
3:精准
不该碰的不碰，改该动的。风格，用经常用的，除非有特别说明。
4:目标
成功的定义：完成目标。步骤：验证-修复-验证 -修复-n ，成功：直到一切可行且简约。
series: | tags: | published: 2026-05-23T21:53:30.946Z
世界万物都有一个共同的起源与归宿——“无定”（Apeiron）。万物在时间的推移中诞生、发展并消亡，彼此之间存在着此消彼长的规律。当某一种物质过度扩张（即“不正义”）时，就必须在时间的秩序中受到惩罚并归还（“互相偿补”），从而维持宇宙整体的
世界万物都有一个共同的起源与归宿——“无定”（Apeiron）。万物在时间的推移中诞生、发展并消亡，彼此之间存在着此消彼长的规律。当某一种物质过度扩张（即“不正义”）时，就必须在时间的秩序中受到惩罚并归还（“互相偿补”），从而维持宇宙整体的秩序与和谐。
series: | tags: 泛科学 | published: 2026-05-23T17:32:16.090Z
人类更擅长于用故事思考，而不是事实，数学和方程。
内部用事实、数学和方程推理；外部用故事、场景和欲望交付。
人类更擅长于用故事思考，而不是事实，数学和方程。
内部用事实、数学和方程推理；外部用故事、场景和欲望交付。
series: | tags: 引导 | published: 2026-05-23T17:30:51.410Z
给agent的明确指令：示例a有个指定的巡视者，巡视者目的就是为了任务朝向示例a发展，建立评价标准分数，如85分-99分，当任务达到99分时，即任务完成。
给agent的明确指令：示例a有个指定的巡视者，巡视者目的就是为了任务朝向示例a发展，建立评价标准分数，如85分-99分，当任务达到99分时，即任务完成。
series: | tags: 策略 | published: 2026-05-23T17:30:51.410Z