别自己刷信息流了，让 AI 每天替你读一千条、只挑十条给你

他做了一件什么事

这位创业者叫 Andrew Gardiner，在英国做一个帮小企业接客户咨询的产品，平时靠领英发内容拿客户。前几天 GPT-6 Astra 开放之后，他做了个试验。

以前他要研究领英上什么内容有效，得自己刷几个小时。这次他换了个做法：不接任何接口，就让 Astra 像人一样，进他已经登录好的领英，自己去看。 我们 9 月 4 日那篇讲过 Astra 最大的变化是「学会用电脑了」，这就是一个最日常的用法。

他给 AI 定的流程是四步：

第一步，先读账号，搞清楚「我是谁」。 受众是谁、卖什么、有什么能拿出手的成果、最近在做什么、已经在哪些话题上有积累。这一步不做，后面的筛选就没有标准。

第二步，扫信息流，先扔再挑。 所有付费推广的帖子直接扔掉，可见评论数不到四百条的也扔掉。他给自己定的门槛很高，只看真正有人在讨论的东西。

第三步，留下十条，把评论区读完。 只留十条过了门槛的帖子，把文案和配图存下来，然后重点来了，去读底下的评论。他的原话是：

那里才能看出来，人们是在争论，还是只是在鼓掌。

第四步，逐条打分，满分十分。 五个维度各两分：开头抓不抓人，有没有证据和包装，评论回复质量怎么样，有没有独立信息能佐证，以及最要紧的一条，这东西能不能迁移到自己的业务里。零到四分是弱参考，八到十分才值得拿来当模板做东西。

这就是全部方法。他说了句挺实在的话：四步、一条指令，最后你手里留下一份报告。

最关键的一步，是读评论区

四步里最值得学的，是第三步。

我们平时判断一条内容好不好，看的是点赞、转发这些数字。但数字只说明「有多少人停下来了」，不说明「人们为什么停下来」。一条帖子下面几百条评论，如果都是「写得好」「学到了」，那它大概只是说了一句大家爱听的话；如果评论区在吵、在补充、在举反例，那它才是真的碰到了一个有争议、有价值的问题。

这个判断，人做起来很累，几百条评论谁有耐心读完。但 AI 做起来一点不累。这就是为什么这件事以前只能靠感觉，现在可以变成一套流程。

打分那一步也有讲究。五个维度里前四个都是在评「这条内容本身好不好」，只有最后一个是在问「跟我有什么关系」。他把「能不能迁移到自己业务」单独列成一个维度，等于强迫 AI 站在他的立场上看，而不是站在平台的立场上看。 这一点对咱们特别重要，后面会说。

比方法更大的那个想法

把这个案例转到国内来的博主「药研智能社」说了一段话，我很认同。大意是：这个案例最有意思的地方，根本不是「AI 帮你找爆款」，而是 AI 正在改变我们获取信息的方式。

想想我们现在是怎么获取信息的。每天打开几个平台，一条一条往下刷，本质上是自己在做信息过滤器。一天看几百条，真正有价值的几条。这个活我们干了十几年，习惯到觉得它天经地义。

以后完全可以反过来：让 AI 每天替你读几千条，过滤掉噪音，找出不寻常的信号，把评论和上下文读完，判断哪些重要，最后只把最值得看的十条交给你。

再往前一步，它还能持续替你观察：最近什么话题突然热起来了，谁才是真懂这个领域的人，哪些新公司开始频繁出现，哪些东西正在从小圈子走向主流。

这位博主给这个东西起了个名字，叫「个人情报系统」。他有一句话我抄下来了：

AI 替你写东西，只是节省时间；AI 替你持续观察世界，可能改变的是你的认知速度。

这条笔记在小红书上收藏比点赞还多，说明很多人不是看完就走，是存下来准备照着做的。