nano banana pro，是2025最让人惊喜的“内容生产引擎”！ --知识铺

nano banana pro 背后的巨大价值，包括经济价值和实用价值，大多数人还没真正意识到。

这不是一个简单的 “ai 作图工具”， 

而是一个强大的视觉内容生产引擎，

其创造价值的能力不亚于一个美术团队。

人脑是多模态学习的，而视觉画面这个模态的信息是占据大量份额的。毕竟，人脑阅读文字不但数量少，而且费劲，所以视觉信息的消费量巨大。

而 nano banana pro 作为“原生多模态模型”，能简单粗暴直接（one-shot） “画”出人类画不出的知识漫画、信息图、PPT……人类需要好好消化这条信息。

上周五ai讲座就是 nano banano pro专题。现在，大纲笔记来啦。还没上课的可以大概了解讲了什么，上过课的可以温故知新。

2025 ai 感悟

ai 主题直播的目标

• 三年里，大家被动输入了海量 ai 信息，但绝大部分人还没把 ai 用到 Pro 级别，没有用“专业人士”的方式把 ai 真正变成创造价值的工具。

• ai 主题直播要做的事：带大家一起“Pro 起来”，把 ai 当成严肃的生产力工具，而不是玩具。

• “愿意为 ai 付多个 20 美金”是一个 Pro 的标志 如果你愿意：同时给好几个 ai 每月各付 20 美金，那几乎可以确定：它们已经在稳稳地给你创造价值。“花钱买 ai”这件事，是价值创造的结果，而不是起点。

2025 年的个人收获：ai 真正落地的一年

• 公众号“小破号”注册了 10 年只有 2 万关注。2025 年，在 ai 的帮助下：从 2 万涨到 5 万，10 个月涨了 150%。

• 体会：用一年时间做到过去 10 年没做到的事，ai 真正在写作、内容生产、工作流层面带来明显增益。

• 直播定位：每周稳定两小时，观众一边休息放松休息、一边学硬核知识，再通过 ai 社群把经验固化为可复用的工作流。

ai 工具观

核心观点：ai 就是那个终极的软件

• 市面上很多“打折 ai 工具”的本质：传统工作流 + 拼一点 ai 功能，让你每年付一两百美金订阅。

• 但如果你：直接用顶级模型 + 自己的 Workflow，反而能获得 更高质量 的结果。

对“xx ai工具”的基本态度

• 不主动用各种专门的“ai 看视频工具”“ai 播客工具”。

• 原因：顶级基座模型 + 好的 Prompt + 自己的 Workflow 已经足够。不需要为每一个子场景再买一个 SaaS。

• 真正关键的是：把“三大顶级 ai 会员”（ChatGPT、Gemini、Claude）用起来，不要被一堆 Wrapper 工具分散精力和预算。

Nano Banana Pro 案例

本场的核心：

• 重点讲 Nano Banana Pro，以及它和 NotebookLM、Gemini 3.0 等工具如何组成Workflow。

• 框架仍然是“道、法、术、器”：不只看工具表面效果，更要理解背后的原理。

核心问题：

• 为什么 Nano Banana Pro（背后是 Gemini 3.0 Pro Image）：在文字渲染、内容理解、逻辑一致性上，相比 DALL-E、Google 旧版 Image、以及早期百度文生图，有这么大的跃迁？本质差异在哪里？

案例1 ai PPT

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• 场景：savage 做客刘润直播，因为时间紧；原始 PPT 内容堆上去了，但形式不 Pro。

• 操作：用 Nano Banana Pro 处理；左边是原始 PPT，右边是 Nano Banana Pro 一次性生成的版本。Prompt 只是大白话：“谁谁谁做了一个 PPT，内容还可以，但形式不咋样，希望你做得更吸引人、更专业一点。”

• 观察：文字量巨大（一个 PPT 里几百个字）：Nano Banana Pro 的汉字渲染、版式、美学，整体都很稳。

• 对比：以前用大模型做 PPT，其实是生成 HTML/CSS/JS，再渲染成画面。

• 启示：现在模型本身就能 One-shot 生成高质量视觉结果，“雕花式”前端实现已经没有意义。

• 原因：Nano Banana Pro 的底层是 Gemini 3.0 Pro Image：一个原生多模态模型，而不是“文字模型 + 图像模块”的拼接。同时具备：世界知识、语言理解、指令跟随、推理能力。处理 PPT 时不是“美术生画图”，而是一个懂内容的模型在做视觉表达。

案例2 “知识漫画”：哆啦A梦讲解Transformer

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• 项目简介：用 12 页哆啦 A 梦漫画，讲解 Transformer 架构与原理。发布在公众号上，反响一般（大部分人不关心 Transformer），但对真正想懂的人，这套漫画极其兴奋、含金量极高。

• 漫画内容涵盖：Transformer vs RNN 的区别、并行处理的优势、Embedding（把词变成向量）、位置编码、Self-Attention、自注意力机制、Query / Key / Value、Softmax 等。全程用故事和视觉呈现，几乎找不到明显错误。

• 意义：这类“知识漫画”的水平，一看就是：当下最顶级大模型才能完成的作品。把极其抽象的技术，通过故事和视觉变成“可玩”的知识。

案例3 手账风格幻灯片：DeepMind 纪录片

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• 材料：DeepMind 纪录片的内容（长、复杂、信息密度高）。

• 产出：手账风格的幻灯片：文字提炼精准，图画生动，版面美学和结构都达到“人类很难快速做到”的水平。

• 说明：展现出模型可以在极短时间内消化繁杂内容，把知识和审美合在一起输出。

案例4 信息图：中华历史年表 + 朝代歌的信息图’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• 任务：用一个 Prompt 生成“中华五千年历史年表 + 朝代歌”的视觉化呈现。

• 效果：朝代顺序、内容表述、文字渲染都精准。几乎找不到文字错误和知识错误。

• 意义：证明这种工具在生活、教育、工作中，都可以做出非常“惊艳且实用”的内容。

从“炫技”到原则：Idea 与 Taste 是真正的差异

• 两个关键变量：idea 和 taste；

• Idea（想法）：你关注什么问题？你的注意力长期投入在哪些领域？例：跟娃熟读《丁丁历险记》，就会想到用丁丁的历险故事来讲 ai 通识。

• Taste（品味）：市面上大量 ai 内容“品味很低，很假，没有灵魂”。如果没吃过“细糠”，很容易觉得这些内容已经很好。但真正的差距在于：你能不能分辨好坏、有无灵魂。

• 结论：在今天这种模型上限极高的世界里：工具差异正在缩小，真正拉开差距的是：Idea + Taste + Workflow。

本质：“原生多模态时代”

“文生图”的概念与命名：中文圈常说“文生图”（Text-to-Image），本人更喜欢说“ai 作图”或 “Image Generation”。

一切皆 Token

• GPT-3.5 时代的 ChatGPT：本质是“预测下一个 Token”，Token 是文字单位。

• 现在：文字、音频、视频、画面都可以被 Token 化。既然能预测“下一个文字 Token”，那同样可以预测“下一个音频、视频、画面 Token”。

核心转变

• 在 Gemini 3.0 Pro 发布后：我们正式进入“原生多模态模型”的时代。

• 与 GPT-4o 的对比：GPT-4o 已经非常接近原生多模态，但缺少视频输入。Gemini 3.0 Pro 补上了这块，能直接接受视频。

为什么特别看重 Gemini 3.0 Pro

对 Google 的情感与历史贡献

• 个人感情：上大学第一次上网、第一次买电脑、第一批常用的网站都是 Google。

• 学术层面：从 2012 年深度学习革命开始，大部分关键论文都出自 Google（包括 Transformer）。Google 一直 All in ai，十几年如一日。

迟到的“翻身仗”

• 在 ChatGPT 发布之后：外界一直以为 Google 在“憋大招”。

• 现实：Gemini 1.0、1.5、2.0 表现都很烂，非常失败。

• 直到 Gemini 2.5、3.0 才真正赶上甚至部分超越：在 Reason（推理）方面尤其强。

• 观点：Google 这次在模型层面上终于翻身，“Google 在 ai 时代再次伟大”这件事，非常重要。

案例：文生图模型简史

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

从 GAN 到 Diffusion，再到 DiT 与原生多模态

这一部分是通过：ChatGPT 对话 + Deep Research 报告 → 再用“三级笔记”处理后得到的知识框架。

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

早期探索期：GAN 与 Attention’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• GAN（生成对抗网络）：最早的图片生成主力。通过生成器与判别器对抗，让图片越来越像。

• Attention 机制的引入：能对 Prompt 中的特定特征给出更高权重，提升图片的“操控性”：更听得懂指令。

扩散模型（Diffusion Model）的革命阶段

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• 代表作品：2022 年 Openai 的 DALL-E 2、Google 的 Imagen、Stable Diffusion和Midjourney。

• 百度文生图模型“夫妻肺片 / 车水马龙”翻车案例的本质：基于英文的某个开源 Stable Diffusion 模型，中文 Prompt 被粗糙翻译为 Car / Water / Horse / Dragon，再丢给 Diffusion 模型画图，自然笑掉大牙。暴露出：文本理解差、翻译粗糙、模型质量一般。

向 DiT（Diffusion Transformer）与 Transformer 迁移’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• Sora 的出现：Sora 使用的是 DiT（Diffusion Transformer）。把 Transformer 引入扩散过程， 使视频生成能力上了一个维度。

• 范式变化的外在标志：命名。Openai：从 DALL-E 1/2/3 → GPT-4o Image（Ghibli）。不再把它当成一个“只会画图的窄 ai”，而是 GPT 模型的一种输出能力。Google：从 Imagen 1/2/3 → Nano Banana / Gemini 3 Pro Image。表明底层模型范式已变，不再是单一的“图像模型”。

最新一代：原生多模态 + 超强推理的“清华美院生”’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• GPT-4o / O3 画图：不再是“低智商美术生”。而是：拥有超人语言理解、世界知识、推理能力，同时具备专业美术能力的模型。

• Nano Banana Pro 的定位：与之类似，既是画师，也是懂内容的“老师 + 设计师”。这就是为什么：处理文字密集的 PPT、复杂的漫画脚本、信息图时，它的表现是“降维打击”的。

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

Nano Banana Pro 工作流

从“文生图简史”到高质量 PPT：三级笔记 + Deep Research + NotebookLM + Nano Banana 的工作流

为何不能指望“一键生成神 PPT”

• NotebookLM 直接生成 PPT 的问题：中文字体渲染问题；结构质量一般；深层内容质量不够好。

• 正确思路：拆分 Workflow

• 把“构思内容骨架”和“视觉呈现”分开处理。

• 让文生图模型只做“画图”这一件事。

• 用最强的语言模型负责：信息搜集、Deep Research、结构提炼、PPT 文本设计。

通用高质量内容工作流（以“文生图模型简史”为例）

• 第一步：信息获取 & Deep Research 在 ChatGPT / Gemini 里发一个 Deep Research Prompt：仅搜索英文资料，用中文写报告。生成几万字的“文生图模型简史”报告。

• 第二步：结构提炼——“三级笔记” 把 Deep Research 报告全文扔进“三级笔记” Prompt。用 GPT-5.1 Thinking 处理，得到一份结构极清晰、信息浓缩、关键词完整的“树状大纲”。这份大纲：本质上就是 PPT 的“终极文字版”。

• 第三步：知识管理与复用 把三级笔记复制粘贴到 Logseq，作为长期知识库的一部分。从此，任何相关主题，都可以从这棵“知识树”出发。

• 第四步：PPT 生成（NotebookLM） 在 NotebookLM 里新建一个 Notebook：只导入这份 Markdown 版的三级笔记。用 NotebookLM 生成 PPT（上限 15 页）：内容结构清晰，是“人类 PPT 的文字版极致提炼”。

• 第五步：视觉强化（Nano Banana Pro） 针对 PPT 中关键页面，用 Nano Banana Pro 生成信息图 / 插画 / 漫画。最后组合成一套，同时具备深度知识与高质量审美的演示文稿。

• 结果：任意一个普通人，学会这套 Workflow，都可以在很短的时间内，做出过去要付成千上万块才能请人做出的 PPT。

“知识漫画”的专用工作流：哆啦 A 梦讲 Transformer

• Step 1：确定模板 & Idea 一个通用的“漫画学习” Prompt 模板：主角是谁（哆啦 A 梦 / 炭治郎 / 海贼王人物 ……）；要讲的知识是什么（Transformer, C++, 排列组合, 线性代数 ……）。

• Step 2：用 Gemini 3.0 Pro 做分镜与脚本 Gemini 3.0 Pro 负责：全局结构设计（每一页讲什么）。每一页拆分为多个 Panel（画格）的详细脚本。难度：这是人类“极难自己完成”的脑力活，需要同时懂技术、懂故事、懂教学。

• Step 3：用 Nano Banana Pro 作画 Prompt 非常朴素：“我要画一套漫画，竖排、彩色、有页码，用中文，下面是第 X 页的脚本，请画出来。” 每次粘贴一页脚本，生成一张图。模型会自动在内部进行 Reasoning，保证画面和脚本一致。

• Step 4：导出与规格 下载 4K 原图：分辨率 1792 × 2400（3:4）。单张图约 6MB。直接达到“出版级别”质量。

• 思维方式 不追求“一口气生成 12 页漫画”。而是：把创作拆成多个环节，每个环节用当前最强的模型做到最好。

2年来首次推荐 NotebookLM

ai 时代的知识管理工具，但不能替代个人笔记系统

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

为什么以前从不推荐 NotebookLM，而现在可以严肃对待?

• 早期的问题 底层模型是 Gemini 1.0 Pro 或 Flash（蒸馏模型）；类比为，“让你跟学历不高、专业能力有限的人谈高深问题”。在 ai 使用上，我不会使用“劣质模型、劣质智能、蒸馏版模型”做严肃工作。因此过去一年多都不推荐 NotebookLM，认为它“挺浪费时间和注意力”。

• 关键变化 一周前，Nano Banana Pro 能力整合进来。意味着，NotebookLM 才刚刚达到“可以严肃讨论”的门槛。

• 未来展望：如果顶级模型升级到 Gemini 3.0 Pro、配合 1.5 Pro 多模态能力，单单 NotebookLM 一个产品，每月就值 20 美金。

NotebookLM 的核心功能与定位

• 作为“ai 时代的知识管理工具”，与 Google 的使命“组织全人类的信息”一致，也自然要帮助你组织“你自己的所有信息”。

功能概览

• 可导入多种格式：PDF、Markdown、TXT、MP3、网站链接、YouTube 视频等；把这些材料按主题组织成一个 Notebook；

• 基于这些材料，可以：Chat with 文档、生成 Podcast、生成视频讲解、生成思维导图、生成报告、生成 Flashcard、Quiz、信息图、生成 PPT（目前限制 15 页）。

• 使用场景 围绕一个主题（如“红楼梦”“某历史时期”），收集大量资料 → 用 NotebookLM 做深度研究与衍生内容。

为什么它不能替代 Logseq / Obsidian：个人笔记是前提

个人知识管理的底层逻辑

• “知识管理”的本质：对学习过程和结果进行科学管理，让“凡努力必可积累，凡积累必可迭代”。

• 任何有意义的阅读、思考、划线与笔记：都应该进入你的个人知识库，再与 ai 模型打通。

Logseq/Obsidian 的角色

• 以“概念/知识组块”为基本单位。

• 本地 Markdown 文件管理上万个笔记。

• 用云盘（Google Drive 等）同步。

• 与 ChatGPT、Gemini 等顶级模型直接打通。

• 好处：实现 10 倍以上的指数级效果。

• 结论：个人笔记 → 个人知识管理 → ai 知识管理 → 私人 GPT。

• NotebookLM 属于“ai 知识管理层”的工具，但前面两层（笔记 + 知识管理）必须自己打好地基。

Readwise Reader：互联网阅读的关键一环

• 功能：把 Twitter、YouTube、网页、微信文章等统一放进一个 Reader。在“阅读层”上高亮、做笔记。所有划线与笔记一秒后同步到 Google Drive、Notion，并和 ChatGPT、Gemini、Claude 打通。

• 立场：本人已使用两三年，多次推荐。对发展中国家用户：可以给官方发邮件申请优惠，大概 300 多一年。不收任何推广利益，自己付费。认为其价值“再怎么强调都不为过”。

案例：Ilya Sutskever 长播客

新阅读范式与“情绪经济”的思考

Ilya 播客内容概览（90 分钟）’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• 核心观点：Ilya 认为，大语言模型已经从“Scaling Era（扩展时代）”回到“Research Era（研究时代）”。

• 涉及概念：Scaling Laws（扩展规律）、强化学习（Reinforcement Learning）、从预训练 Scaling → RL Scaling、Alignment（对齐）、“It factor”（人类学习的某种关键品质）、World Model（世界模型）。

如何用三级笔记 + ai 阅读工作流处理这类长内容

• 操作流程：

• 获取视频 transcript（逐字稿）；

• 全文丢进“三级笔记” Prompt，生成树状大纲；

• 把大纲丢进 Logseq，成为“Reads 系列”中的一条记录。

• 体验差异：相比“线性逐字阅读”：先看到树状结构，再决定哪里值得深读。阅读体验完全不同。你可以：在树状结构上标记思考、扩展笔记，结合自己的问题和知识背景，进行深度联想。

从 World Model 到“情绪经济”的联想

• 泛化能力与人脑：人类大脑具有极强的泛化能力，与其背后的 World Model 有关。

• Openai 在 GPT-5 上的问题：为了疯狂 Scale RL，可能导致模型出现某些能力上的简化或 Bug。

• 情绪与 RL 的类比：Ilya 把“情绪”类比为 RL 中的 Value（价值方向），情绪为人类行为提供“价值函数”，算法只要抓住这一点，就能对人类行为施加巨大影响。

• “情绪经济”的判断：认为中国某些平台已经做到从算法层面理解并操纵情绪，让整个经济运行变成“情绪驱动”的机制。用户表面没付钱，实际上是把人生、情感、注意力、时间“卖给了平台”。

• 结论：如果不用 ai 阅读工作流，只是被动听 90 分钟播客，很难产生这些系统性思考。ai 并没有让思考变浅，而是让思考更聚焦、更高维。

信息消费范式的转变

一手信息、Agency-based Learning 与多模态“丰富模式”

不再是“为获取信息而阅读”

• 在 2025 年，如果你想了解任何主题，只需一个 Prompt：“联网搜索综述某主题”，几秒内就能获得高质量结构化信息。

• 因此：现在读书、读文章，不再是为了获取信息，真正的目标是为了思考、为了创造、为了解决问题。

一手信息与信息源选择

• 一手信息的两类来源：自己的第一手实践（如本场分享，就属于一手）。各领域专家与官方发布的原始材料。

• 英文世界的重要性：英文博客、网站、YouTube、Twitter，是获取一手信息的主战场。以前读英文累脑子，现在有 ai 阅读工作流：语言不再是障碍。

• 对“多手信息”的态度：各种二手、三手、自媒体“加工品”，很多是垃圾信息、碎片噪音；如果在 2025 年还沉迷这些，已经不能怪平台，是自己不愿改变。

“丰富模式”与多模态学习

• 来自《内驱式学习》的“丰富模式”启发：材料要丰富，质量要高。形式可以多样、生动、有趣。

• 多模态学习的例子：让哆啦 A 梦讲 Transformer、讲 C++、讲线性代数。只要质量够好，形式可爱一点完全没问题。

• 结论：在多模态时代，最重要的仍然是“质量”，形式可以尽情丰富。

社群与“第四层大脑”

ai 社群的定位

• 主要提供：所有 ai 相关直播的文字稿 ai 知识库、各种核心 Prompt（三级笔记、500 字费曼、Leibniz 等）、WeChat 社群交流。

• 与 ai 自媒体的区别：不拿厂商的钱，不卖用户注意力；不“隔三差五震惊”，只分享自己真正在用的工作流；用户不是“流量池”，而是真正的学习者。

“第四层大脑”：ai 赋能的学习观’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

• 人类三层大脑的老说法：爬行脑（本能）、动物脑（情绪、边缘系统）、新皮质（理性思考、逻辑推理）。

• 过去的限制：个人的认知上限受限于第三层大脑的处理能力。很多费曼式学习、深度阅读方法，对大多数人来说“心有余而力不足”。

• 现在的变化：有了 ChatGPT-5（预期）、Gemini 3.0、Claude 3.5 等顶级模型：你相当于在新皮质外面多了一层“外脑皮层”。你的大脑：正在进入一种 Super Mode（超级模式）。

• 意义：无论过去认知短板有多大，只要掌握正确使用 ai 的方法，都有机会补上。对我的个人使命（“让任何人都能学会如何学习”）而言：ai 是真正让方法落地的“元工具”与“终极工具”。

结语：一个清澈透明的世界

通过 Deep Research、三级笔记、Logseq、NotebookLM、Nano Banana Pro 等工具串起来的 Workflow：可以让任何长内容从“难以下口的硬骨头”，变成结构清晰、图文并茂、可反复复用的知识资产。

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

当你进入这种“清澈透明的世界”：任何复杂主题，都能看到它的框架、血肉与运行方式；真正限制你的，不再是信息、不再是工具，而是 Idea、Taste 和你愿不愿意动脑，搭建自己的 Workflow。

讲座回看&下期预告

加入”做中学·ai社群“，即可获得以下全部权益：

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

chatgpt发布三年来，我首次招募ai社群，就是因为现在是 ai 最可以也最应该落地的时刻。

首次招募，拼团只需365 元，还赠送 129 元《内驱式学习》签名书。数量有限，先到先得。

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)

点击链接🔗，或者”阅读原文“，现在加入社群。

此外，本周五晚8点，借着 chatgpt 三周年的机会，我们复盘一下这天翻地覆的三年。识别二维码，预约直播。

’ fill=’%23FFFFFF’%3E%3Crect x=‘249’ y=‘126’ width=‘1’ height=‘1’%3E%3C/rect%3E%3C/g%3E%3C/g%3E%3C/svg%3E)