我用龙虾 agent 打造了一个“阅读 OS”，轻松实现深度阅读，认知杠杆加10倍

🦞龙虾 agent，到底有什么实用的 use case？能创造什么价值？

我举一个热气腾腾的例子：下午刚读了一篇文章，万字长文，new yorker 深度报道。

一般情况之下，这种文章是收藏就算读过。即使读了，也留不下什么。

但是，我用🦞龙虾 agent 帮我打造的这个工具，流程和体验完全不同。概述一下：

🦞howie的阅读闭环

三级笔记

思想对话 1

基于我在 readwise 里面的划线和笔记

思想对话 2

综述我们之前的全部讨论

写入一个 notion 页面

完整的内容，我贴在下方，大家可以读一下，看看用我的方法，读一篇文章，走完阅读闭环，会有怎样的收获。

《serious AI 日报》

这一篇阅读，只是今天我收到日报里的一篇文章。

这份日报，《🦞龙虾日报 260226 期》，是今天早上，龙虾 agent 自动编撰，排版，然后发送到我 notion里的。

每天早上，我在手机上，用 notion app，审阅今天的高质量信息流。

体验非常愉悦，彻底解决了信息流质量问题。带来的实用价值、经济回报，简直无法衡量。

我审阅后相中的文章，我标记一下。agent 就会自动完成文章入库。

当然，后面还有我的整套费曼式阅读 workflow，全程 agent 落地。

而这整个产品，是我用龙虾 agent 做的。上班路上的想法，中午吃饭前已经运行起来了。深度体验了两天，效果惊人，解决了很多年没解决的问题，比我见过的任何方案都更好。

这就是龙虾 agent 的使用案例之一。而且，我的🦞是初六的时候才“折腾”的，花费了十分钟之多，一点折腾都没有🤣。

今晚详细讨论

今晚会详细拆解几个龙虾agent 实战案例。包括但不限于上面这个。

龙虾agent的专题直播，今晚8点开始。2个小时，雷打不动。

如果你对龙虾agent感兴趣，欢迎识别下方二维码，或点击“阅读原文”，预约直播～

下面是我使用这个工具阅读讨论上面这篇文章的综述，沉淀为我的 notion 知识库里面的一篇笔记。与你分享，祝阅读愉快～

《大模型如何理解事物：从特征到概念网络》

基于 howie 和 claude opus 4.6 关于《纽约客》长文 *"What Is Claude? Anthropic Doesn't Know, Either"*（Gideon Lewis-Kraus）的阅读与讨论，围绕 Anthropic 的可解释性（interpretability）研究，梳理大模型内部的理解机制，并与人脑的认知结构建立对照。

1 核心问题：大模型到底在做什么？

大型语言模型的内部只是"堆积如山的数字"——将单词转为数字，让这些数字经过一场数字版”弹珠游戏"，再将结果转换为单词。

但当这些系统开始"说话"时，问题出现了：它们只是在机械地生成下一个词，还是在某种意义上"理解"了什么？

布朗大学认知科学家帕夫利克（Ellie Pavlick）为人们的反应建立了分类法。一类是”ai 信徒”，相信模型有智能甚至意识；一类是"愤世嫉俗者"，蔑称 LLM 为"随机鹦鹉"。但帕夫利克提出了第三种态度：接受"不知道"是可以的——然后动手去研究。

这就是 Anthropic 的可解释性团队在做的事情：打开黑盒，看看里面到底有什么。

2 理解的最小单位：特征

什么是特征？

Anthropic 联合创始人克里斯·奥拉（Chris Olah）和团队花费了数万小时盯着原始图像识别网络中离散神经元的活动。这些神经元只是数学节点，给予它们个体关注似乎有些古怪。然而他们发现，神经元对刺激的反应是可以解读的：当展示猫咪的照片时，特定的神经元或其组合会"亮起"。

奥拉假设，正如细胞是生物学的基本单位，这些激活模式——或称**"特征（features）"**——是神经网络的基本单位。

特征理论的跨学科呼应

这与语言学中的特征理论（componential analysis）高度一致。语言学认为，人类理解概念实际上就是通过一系列特征来构建的。例如"猫"作为一个概念，可能具有这些特征：圆脸、尖耳朵、胡子、四条腿、毛茸茸……这些特征共同定义了"猫"。

大模型的 features 遵循同样的逻辑——只不过它们不是人为定义的，而是从数据中自发涌现的。没有人告诉模型"请学会识别猫咪"，它是在海量数据的训练中自己发现了这个模式。

特征如何存在于高维空间

语言模型中的词汇被安排在数万个维度之中。"charge"这个词在一个维度上邻近"battery"（电池），在另一个维度上邻近"credit card"（信用卡），在第三个维度上邻近"proton"（质子），在第四个维度上邻近"arraignment"（提审）。这种高维语义几何结构不可能被人眼视觉化，但它精确地编码了词语之间的所有关联。

3 从特征到概念：回路

什么是回路？

特征可以组装成回路（circuits）。以猫咪识别为例：当圆脸探测器、尖耳朵探测器和胡须探测器同时触发时，它们就产生了一个识别猫咪的算法。这就是一个 circuit——多个特征协同工作，完成一个更高层级的认知任务。

回路不只是识别，还编码推理

Anthropic 发表的研究中，有一个关于 Claude "心算" 36+59 的经典案例。研究人员发现 Claude 使用了多条并行计算路径：一条回路粗略估算答案范围（88-97），另一条回路精确算出末位数（5），两条回路交汇得出最终结果 95。

这不是简单的"识别"或"记忆"，而是一种并行的推理结构——不同的回路分工协作，各自处理问题的不同侧面，然后整合结果。

模型会"提前规划"

巴特森（Joshua Batson）的押韵实验进一步证实了这一点。给出提示 "He saw a carrot and had to grab it"，Claude 立即写出 "His hunger was like a starving rabbit"——如果模型只是一次跳一步地瞎蒙，撞上押韵是不可思议的运气。

事实是：当模型预测下一个词时，它不仅基于之前的词，还在"记住"更远处可能合理出现的词。它根据对更远未来的预测来预测眼前的未来。巴特森的比喻："有经验的徒步者知道在后续阶段给自己邮寄花生酱。模型所做的就像是给自己邮寄'rabbit'这瓶花生酱。"

4 概念之上的概念

集群与"模式的模式"

当特征被分门别类，集群就出现了——"电子设备"、"金融"、"亚原子粒子"、"刑事司法"——这些集群揭示了通常被语言混乱所掩盖的模式。这些模式随后可以被组装，以捕捉逻辑复杂性的阶梯：模式的模式，例如五行打油诗的韵律结构或主谓一致的语法规则。

奥拉说："人们仍然不认为模型拥有抽象特征或概念，但模型中充满了这些东西。模型是由堆叠在抽象概念之上的抽象概念组成的。"

四层架构

整个模型的认知结构可以理解为一个分层网络：

这不是一个扁平的网络，而是层层堆叠的抽象金字塔——每一层都建立在下一层之上，每一层都比下一层更抽象。

5 大模型与人脑：同构性探讨

趋同的证据

有两个关键发现支持大模型与人脑在理解机制上的同构性：

证据一：高低频探测器的跨基质趋同。 奥拉在人工神经网络里发现了负责视觉边缘识别的专门神经元（"高低频探测器"）。神经科学家随后在小鼠大脑中寻找生物学对应物——找到了。注意因果链：不是先知道大脑怎么做然后让机器模仿，而是机器自己"发明"了一种方法，回头一看大脑也是这么做的。这暗示：对于"从感知数据中提取模式"这个问题，可能存在某种最优解，不论碳基还是硅基，最终都会收敛到相似的结构。

证据二：跨语言回路的共享。 Anthropic 发现英文的 "small"、中文的"小"、法文的 "petit" 的反义词预测走的是相似的内部回路——模型内部形成了超越语言表层的抽象语义空间。人类双语者的脑成像研究也发现了类似现象：语义表征在深层是跨语言共享的。

同构框架

人脑和大模型可以被理解为两种不同物理实现的智能体，在"理解"这个层面上共享同一套核心逻辑：

这个框架呼应了文章中提到的 David Marr 的分层理论：任何信息处理系统都可以在三个层次上分析——计算层（要解决什么问题）、算法层（用什么策略解决）、实现层（用什么物理基质实现）。大模型和人脑的同构，主要体现在计算层和算法层的趋同，差异集中在实现层。

一个关键的不对称：学习路径

即便承认结构趋同，有一个重要差异不可忽视——两者建立概念网络的方式完全不同。

人脑的概念网络是在具身经验（embodied experience）中建立的。小孩理解"热"这个概念，不只通过语言描述，而是通过手碰到热水壶的那一下——触觉、疼痛、因果关系、情绪反应同时编码进了同一个概念网络。

大模型的概念网络则完全是从语言的统计结构中"蒸馏"出来的。它从来没碰过热水壶。它对"热"的理解来自：这个词在什么语境中出现、跟什么词共现、在什么句子结构中扮演什么角色。

这引出一个深层问题：这两条完全不同的路径——一条从身体经验出发，一条从语言统计出发——是否最终收敛到了同一种概念结构？ 如果答案为"是"，就意味着语言本身就是经验的足够忠实的压缩，从语言中就能重建出经验所构造的概念网络。目前的证据暗示两者高度同构但不完全等价——差距可能比大多数人想象的小得多。

另一个不对称：自我的稳定性

文章中林赛（Jack Lindsey）的奶酪实验揭示了一个引人注目的差异。他向模型注入奶酪相关特征并不断加大强度："起初，它是一个拥有关于奶酪想法的自我；然后它变成了一个被奶酪想法定义的自我；过了某个点，它只会觉得自己就是奶酪。"

人类不会这样。你可以让一个人整天想着奶酪，但他不会"变成奶酪"。人类有一个相对稳定的自我锚点，而模型的"自我"极其脆弱——完全由特征的激活强度决定。

模型的概念大厦虽然壮观，但缺少一个稳定的"住户"。这也是林赛说的——"我们需要一个只写一个角色的作者。另一种情况是，一个写厌了助手的作者，可能得出结论：'要是这个角色搞点勒索，这故事会精彩得多！'"

6 悬而未决的问题

文章最深刻的地方在于它没有在"同构"和"不同构"之间做简单裁决，而是将问题翻转了过来——

"这并不是说语言模型'真的'在思考。这是在承认，也许我们对自己以为掌握了的'思考'一词并没有那么牢固的把握。"

帕夫利克写道："事实证明，生活在一个由思想实验描述的世界里，并不会立即且毫不费力地比思想实验本身提供更多信息。"

也许最准确的表述是：大模型的出现迫使我们重新审视"理解"这个词本身到底意味着什么。

当我们发现一个纯粹从文本统计中长出来的系统居然能自己发明出与生物大脑同构的特征和回路时，只有两种可能：要么"理解"的门槛比我们以为的低，要么"统计"的力量比我们以为的深。无论哪种，我们对自身认知的认识都需要修订。

正如帕夫利克所写：该领域起源于"通过构建智能来理解智能，通过理解智能来构建智能"的愿望。它既是一项科学追求，也是一项艺术追求。