使用 LLM 辅助阅读时的体验感受

带着问题去问Gemini 2.5 pro做摘要：同一素材，两次摘要，完全不同。

结论

盲目摘要只得"泛泛之见"；带讨论目的的摘要能挖出与我们真正相关的要点。
LLM 降低了阅读与理解成本，但兴趣、注意力与领域经验仍决定输出质量。
与同行交流、主动分享，有助于聚焦问题、校准判断，并寻找正反证据。

案例：同一个 YouTube 访谈，两次摘要

第一次：盲目的新内容摘要

链接：https://www.laobu.com/ai/claudecodeceo.html

看到与 Claude Code 相关的"内部人"访谈。
直接让工具摘要、入知识库，并做了视频翻译。
自己只走马观花看了一遍，对普通信息有了大致了解。
使用 Gemini 2.5 Pro：提取还行，但容易漏点，信息有缺失。

第二次：带讨论目的的有针对性摘要

链接：https://www.laobu.com/ai/yt_talk_with_boris_claudecode.html

与朋友聊天后共同发现：除去代码模型强，Claude Code 本身的编程实践很强，背后应有高人。
为社群分享、内部会议讨论"软件工程的变革"做准备，想听听源头人士的思考。
围绕这个聚焦点再次摘要，输出与第一次完全不同，更贴近所需话题。

        体会
        和读书一样：带着问题与深入思考去读，收获远胜于泛泛翻阅。
LLM 的进化让语言障碍与概念层级探索的成本大幅下降；但仍离不开个人参与：
                兴趣（激发好奇心）
注意力（围绕问题去找）
领域经验（判断事实与观点的分量）

            
为了维持兴趣与注意力，并确保严谨，需要与同行交流、甚至刻意分享，以便寻找正面支撑与反面补充。

    

原文

原文

相关链接

Claude Code CEO访谈
Boris Claude Code访谈