不要只问“我该关注谁”：为自己建立一套可复利的信息系统

——从发现信息、核验证据，到形成判断与作品

过去一段时间，我曾经整理过一份自己认为“有营养”的内容清单：中文世界里有新闻、金融、AI、科技与个人成长类创作者，英文世界里有 Lex Fridman、Andrew Huberman、Joe Rogan 等长篇播客。为了写作，我也不断检索论文、公司年报、人物访谈、个人博客和历史档案。

后来我逐渐发现，一份值得关注的账号清单，并不等于一个人的信息系统。

清单只能回答“入口在哪里”，不能回答更重要的问题：我如何持续发现高质量信息，判断它是否可信，把它放进自己的知识结构，并最终转化为判断、行动、写作与作品？

今天，一个人面临的已经不是信息匮乏，而是信息供应链失控。我们每天刷到大量内容，却很少知道它最初来自哪里，经过了多少次转述，传播者有什么利益，以及它与自己正在解决的问题究竟有什么关系。

因此，我更愿意把信息获取理解为一条完整链路：

问题 → 来源 → 渠道 → 筛选 → 核验 → 连接 → 沉淀 → 输出

信息只有走完这条链路，才可能从外部噪声变成一个人的长期资产。

一、先区分三个概念：渠道、来源与方法

很多时候，我们把 YouTube、小宇宙、微信公众号、X、RSS 和大语言模型统称为“信息源”。但严格来说，它们属于三个不同层面。

渠道（Channel） 是信息到达你的地方，例如播客客户端、视频平台、社交媒体和 RSS 阅读器。

来源（Source） 是真正生产信息的人、机构或记录，例如研究者、论文、监管文件、公司年报、实验数据、股东信或一次完整访谈。

方法（Method） 则决定你如何发现、筛选、交叉验证并使用这些信息。

YouTube 是渠道；访谈节目是内容载体；被采访者可能是某件事的直接参与者；他引用的论文、数据或文件，才可能是更底层的证据。大语言模型同样不是天然的事实来源。它更像一个帮助我们搜索、组织、比较和解释材料的操作界面。

把渠道误认为来源，是现代信息消费中最常见的错误之一。一个内容可能出现在熟悉的平台、由表达流畅的人讲述，甚至附有大量链接，但这些都不能自动证明它可靠。

二、不要寻找一个“万能信息源”

一套完整的信息地图，至少需要六类材料。它们不是彼此替代，而是在信息链中承担不同职责。

社交媒体适合发现异常信号，播客适合理解人物和语境，论文与书籍适合建立理论结构，官方文件适合确认事实边界，RSS 适合长期监测，大语言模型则可以降低信息处理成本。

问题不在于哪一类最好，而在于是否让一种材料承担了它不擅长的职责。

三、播客的价值，是把你送往更深的来源

播客最重要的价值，不只是传递结论，而是让我们听见一个人的经历、犹豫、论证方式以及观点形成过程。

一篇文章可能只留下经过修饰的结论，两三个小时的访谈却常常会暴露一个人真正熟悉什么、不熟悉什么，在哪些地方高度确定，又在哪些地方主要依赖直觉。但长并不自动等于深，表达流畅也不等于证据充分。

播客客户端解决的是收听问题。Apple Podcasts 可以关注节目并管理自动下载；Spotify 会把关注的节目放入资料库；YouTube Music 允许符合条件的用户用 RSS 地址把部分未上架节目加入资料库，但通过 RSS 添加的节目存在功能限制。¹ 当我想检索“某个人接受过哪些播客采访”时，Listen Notes 这类跨节目、跨单集的搜索工具更有用，因为它允许我按照人物、公司或主题寻找分散在不同节目里的访谈。²

我的播客使用原则很简单：

1. 按问题选单集，不按节目追更新。
2. 记录可继续追踪的人名、书、论文、机构和事件，而不只是摘录金句。
3. 听完后写下四句话：他说了什么？依据是什么？我是否同意？下一步去哪里核验？

例如，一位创业者在访谈中回忆早期融资受挫，这段叙述可以帮助我理解他的心理和决策语境，却不能单独证明融资时间、金额与交易条件。后者仍要回到当年的公司文件、新闻记录或直接参与者的同期材料。

播客应该是通往更深来源的入口，而不是知识消费的终点。

四、RSS 不是收藏夹，而是注意力的资产配置表

社交平台倾向于把最能引起反应的内容推到眼前；RSS 则把我主动选择的更新送到面前。这并不意味着 RSS 天然可靠，但它把一个关键决定交还给了用户：由谁进入我的长期观察范围。

许多研究者、投资者、程序员和写作者，会在个人网站、实验室网站或公司博客中保留比社交媒体更完整的档案。Paul Graham 的网站集中保存了多年的文章；Andrej Karpathy 的个人网站连接了课程、演讲和项目；Aswath Damodaran 则把估值课程、数据、写作和 Musings on Markets 博客长期公开在自己的站点。³ 对产品和技术变化，GitHub Changelog 与 NVIDIA 的新闻、公司博客和开发者博客也提供 RSS 入口。⁴

Inoreader 一类阅读器还可以把 RSS、Newsletter、关键词监测和部分网页更新放在同一界面。其 Monitoring Feeds 可以把符合查询条件的新内容持续汇集起来；Web Feeds 与 Track changes 可以跟踪没有传统 RSS 的网页或页面变化；规则与过滤器则可以做去重、标记和分流。部分高级能力属于付费计划，实际可用范围应以当时的产品说明为准。⁵

但工具越强，越容易掩盖一个事实：订阅数量不是信息质量。

我更愿意把订阅分成三个层级：

• 核心层：每次更新都值得看，数量保持有限。
• 观察层：用于了解相邻领域、不同立场和新出现的方向。
• 雷达层：关键词、公司、人物或事件监测，只有发生实质变化时才进入视野。

对我而言，核心来源保持在二三十个左右已经足够。外围来源可以更多，但不应与核心层争夺同等注意力。每隔一个季度，我会做一次“信息源再平衡”：删除长期没有价值的来源，降低高噪声来源的权重，检查是否过度集中于同一种立场，并增加与当前问题相关的新来源。

关注不是永久持有，取消订阅也不是否定一个人。它只是承认：注意力有限，而问题会变化。

五、重要判断，要回到信息产生的地方

二手内容最擅长告诉我们“哪里可能有事”，原始资料则帮助我们确认“究竟发生了什么”。

研究上市公司时，新闻可以帮助发现事件，但重要结论最终应尽量回到年报、季度报告、Investor Relations 页面、财报电话会记录、股东信和监管披露。美国 SEC 的 EDGAR 免费提供数以百万计的公开申报文件，全文检索覆盖 2001 年以来的电子文件，并支持按照公司、日期和文件类型过滤。⁶

这会改变研究方式。与其搜索“巴菲特的十条投资原则”，不如直接阅读伯克希尔·哈撒韦官网保存的历年股东信，再把其中的原则放回当年的经营数据、资本配置和市场环境中理解。⁷ 摘要提供结论，原文提供条件；而一个观点是否值得迁移，往往取决于那些被摘要删掉的条件。

研究人物时，同样应尽量寻找本人留下的同期材料：演讲、访谈、信件、日记、手稿、早期作品，以及学校、实验室和机构档案。诺贝尔基金会的官方年鉴与网站收录了获奖者演讲、自传和颁奖介绍，是理解科学家如何叙述自己研究历程的重要入口。⁸ Steve Jobs Archive 则持续整理乔布斯的演讲、访谈、照片和相关文字，让读者有机会接近本人留下的表达，而不只依赖后来的传记概括。⁹

科学与技术研究尤其需要区分“最新”与“已经证实”。arXiv 的价值在于快速、开放地分享新研究，但平台的投稿管理与学科分类不等于期刊或会议的同行评审。¹⁰ 看到一篇新论文时，我会继续检查：

• 它是否已经被会议或期刊接收？
• 是否有后续版本、勘误或撤稿记录？
• 是否公开代码、数据与实验设置？
• 结果能否被独立团队复现？
• 标题中的结论，是否真的得到实验设计支持？

新，不自动等于真；发表，也不自动等于重要。原始资料只是核验的起点，不是思考的终点。

六、核验时，不要只盯着当前页面

我会给不同来源设置一个初始信用顺序：

1. 原始数据、法律文件、论文、官方档案与完整记录；
2. 直接参与者的同期公开陈述；
3. 长期研究该领域的专业人士；
4. 高质量媒体与系统性二手研究；
5. 长篇访谈与评论节目；
6. 社交媒体帖子与短视频；
7. 没有提供出处的 AI 总结。

这不是一张“真相排行榜”，而是一份核验顺序。官方文件可能选择性呈现，直接参与者可能维护自身利益，人物回忆可能受到记忆偏差影响，论文也可能设计不完善。信用等级决定我先去哪里找，而不能替我决定最终相信什么。

专业事实核查者常用一种叫“横向阅读”的方法：遇到陌生网站时，不是只在当前页面里寻找“关于我们”、引用和漂亮的图表，而是暂时离开它，打开新的标签页，查看其他来源如何描述这个网站、背后的组织和资金关系。Wineburg 与 McGrew 对事实核查者、历史学者和大学生的比较研究发现，事实核查者更常这样横向移动，因此能更快识别来源的背景与利益关系。¹¹

这个方法可以压缩成三个问题：

• 来源：这条信息最初来自哪里？
• 证据：什么材料能够支持或推翻它？
• 激励：传播它的人，会从我的相信、点击或行动中得到什么？

来源告诉我从哪里开始，证据告诉我目前能确定到什么程度，激励机制则提醒我为什么某些内容会被选择性地强调。

七、大语言模型是处理层，不是证据层

大语言模型正在改变的，不只是搜索速度，而是一个人组织信息工作的方式。我们可以让它扩展关键词、寻找相关人物与机构、比较观点、总结长材料、标出冲突、生成核验清单，也可以让 Agent 定期监测主题变化。

但模型生成得像答案，不代表它已经承担了证据责任。NIST 将生成式 AI “自信地给出错误或虚假内容”的现象称为 confabulation，并特别提醒，模型还可能生成看似合理但并不存在的引用或论证。¹²

当前的产品已经提供了不少可复用工作流。例如，Claude Projects 可以为一个长期主题保存独立上下文与知识材料，Skills 可以把说明、脚本和资源封装成可重复调用的程序性能力；Claude Cowork 也提供按计划运行的任务。¹³ ChatGPT 的 Scheduled Tasks 支持一次性任务、重复任务和变化监测；Gemini 的 Scheduled Actions 支持按设定周期生成简报或提醒。¹⁴¹⁵ 这些能力受产品版本、地区、套餐和管理员设置影响，使用前仍应查看最新说明。

这里存在一个新的危险：当获取信息的成本接近于零时，制造无用摘要的成本也接近于零。

一个没有边界的“每日 AI 新闻”任务，很快就会变成新的信息垃圾制造器。真正有价值的 Agent，不应机械返回十条新闻，而应判断：

• 相比上一次，发生了什么实质变化？
• 哪些变化与当前问题和决策有关？
• 哪些只是同一消息的重复转述？
• 哪些结论有原始来源，哪些仍无法确认？
• 如果没有重大变化，是否可以保持沉默？

我会使用类似下面的监测指令：

监测我指定的主题。优先使用官方公告、原始论文、监管文件、公司博客、个人网站和完整访谈，只报告上次检查后出现的实质性变化。

对每一项注明发布日期、原始来源、核心事实、与当前问题的关系、事实与推断的边界，以及是否需要进一步核验。合并重复报道，排除纯营销、情绪争议和没有新增信息的二次转述。如果没有重要变化，不要生成简报。

模型可以提高处理效率，但“什么值得关注”以及“什么算证据”，仍然需要由人来定义。

八、建立一套可以真正运行的最小系统

信息系统不应该以“收藏了多少”为目标，而应以“能否稳定支持判断和输出”为标准。对大多数人来说，一套最小系统已经足够。

每日：只发现变化

每天控制在二十分钟左右：查看一次经过过滤的 RSS 或变化简报，只收藏真正需要深入研究的材料，不在发现阶段立即展开所有链接。

发现与研究是两种不同的工作。把它们混在一起，结果往往是打开二十个标签页，却没有完成一次真正的阅读。

每周：完成一次深度输入

每周选择一期长篇访谈、一篇高质量长文或论文，再加一份原始资料，例如年报、股东信、历史演讲或官方档案。随后写一份简短的 Idea Memo：

• 我原来在问什么？
• 这份材料改变了我什么认识？
• 它与哪些旧材料发生了连接？
• 我还需要核验什么？
• 它能否转化为一个决定、一篇文章、一个模型或一项实验？

如果一条信息没有进入任何问题，也没有改变任何判断，它大概率只是经过了我的眼睛，并没有进入我的系统。

每月：对信息组合再平衡

每个月删除高频但低价值的订阅，检查是否过度集中于同一观点，增加一个陌生学科或反方来源，选出当月最重要的三个认识，并至少把其中一个转化为可见的输出。

不同问题不需要各建一座彼此隔离的资料仓库。更有效的做法，是让它们共享底层来源，再通过标签、链接和不同的问题视角重新组合。同一份人口数据，可以服务于就业研究、养老金判断和教育规划；同一份人物访谈，也可以同时提供职业训练、组织环境与决策风格的线索。

材料可以复用，但问题必须具体。复利并不来自反复收藏同一份资料，而来自它不断参与新的连接和输出。

结语：从获取信息，到形成自己

互联网平台能让我看到更多，大语言模型能让我处理得更快，RSS 能让我持续监测，知识库能让我保存材料。

但这些工具都不能替代最后一步：形成自己的判断。

真正有价值的信息系统，不是让我每天知道更多新闻，而是让我逐渐拥有更好的问题、更稳定的事实判断、更丰富的思想连接、更清晰的行动方向，以及更能经受时间检验的作品。

社交媒体让我看到别人想让我看到的东西；RSS 让我看到自己主动选择的更新；原始资料让我更接近事情本身；大语言模型帮助我处理它们之间的关系；而写作最终迫使我回答：这些信息对我究竟意味着什么？

因此，获取信息的最终目的，不是成为一个消息灵通的人，而是成为一个能从信息中形成思想、从思想中形成作品，再从作品中形成长期选择权的人。

Information is not enough. What matters is formation.

参考资料