什么是 李继刚？

电力具有同质性，而 token 具有异质性，这种差异导致 token 更易形成供给瓶颈。

AI 评估应关注问题是否被解决，而非 Token 消耗量或账单。

AI 时代可借助工具读出书籍背后的‘影子之书’，通过实时调用 AI 分析作者未言明的前提、反对观点与思想传承，实现深度阅读。

书籍选择如同训练数据，质量重于数量，影响思维结构。畅销书可能引入噪声，经典著作塑造深层认知。

AI 在广度上具有天然优势，能高效连接跨学科知识；而深度思考可能仍是人类的相对优势领域，未来人机协作将围绕这一维度展开。

提问的质量反映了个人的认知路径和思维深度，高质量的问题往往源于对系统性结构的洞察。

李继刚在X平台上发表了一篇关于AI生成内容的文章，他指出AI可以轻松生成详尽的长文甚至书籍，但这种内容的泛滥导致了人们对这类内容的生理抗拒。他不主张完全拒绝AI内容，而是希望人们在与AI交流后，能够结合自己的思考和整理，产出既有AI洞察又有人性化的综合表达。他认为这不仅仅是去除AI痕迹的问题，更是人机协作的态度问题。

LLM应用架构正分化为原子化技能包与组件化最佳实践两条路径，前者拆解个人能力供灵活调用，后者封装场景Workflow提升交付效率。

AI 可通过媒介、梯度和创造三个角度提升儿童学习效果，具体方法包括多媒介教学、个性化题目生成和创造实践。

过度使用设计模板会导致审美疲劳，应注重内在独特性以保持美感。

通过自动化脚本消除复制粘贴的场景切换摩擦，提升工作效率。

近期全球科技领域看似平静，但AI模型公司的股价却出现非理性上涨，反映出市场对人工智能产业的强烈预期。

J-space 被提出作为 LLM 的白板，但文章缺乏具体技术细节和论证。

深度使用AI模型会潜移默化影响人的语言风格，类似「claude味儿」「deepseek味儿」，大脑神经网络对context高度敏感。

主题阅读有助于深入理解学科地图和视角，但文章缺乏具体方法和案例。

理解事物的本质在于找到其最短描述，这一观点虽具哲学启发性，但缺乏技术细节、实证或可操作方法，难以指导工程实践。

文章强调高手在解决问题时具有更高的分辨率，但内容缺乏具体技术细节和实用价值。

文章强调思考问题的重要性，而非单纯与自己相处。

文章探讨了人在与事融合时无需思考意义，但割裂时易陷入意义之惑。

文章探讨了数字世界中「点赞」行为的重要性，但缺乏技术深度和实用价值。

创业者的核心关注点应是用户需求与问题解决，而非单纯追求用户数量。

文章提出人类在寻找一种具有确定边界和内部不确定性的结构，但内容缺乏技术深度和具体案例。

微信读书 skill 正在探索为 agent 提供 markdown 格式书籍内容。

文章强调环境对个人成长的重要性，主张通过选择环境而非改变自己来提升自身。

文章探讨了AI技术对人类幸福的双重影响，但缺乏具体技术细节和实用价值。

这是一条社交媒体上的个人观点，强调情感共鸣在打动他人中的重要性，但缺乏技术深度和实用价值。

文章提出规则最终会因习惯而消失，但缺乏技术深度和具体案例，信息密度低。

李继刚提出AI技能包下一代形态可能是浏览器扩展机制，以解决封装、传播与商业化难题，但该内容仅为提问式探讨，缺乏具体论证、技术细节或实践案例，信息密度极低。

李继刚推出了 /ljg-book 工具，用于提取一本书的「取景框」。

李继刚在X平台上发起了一项关于LLM（大型语言模型）的投票，询问用户认为LLM是技术、特性还是产品，并提供了35票和22小时的投票期限。