1. 当AI 周报变成每周固定动作我到底在追踪什么每周五下午四点我会雷打不动地打开一个空白文档开始写一份给自己看的AI 周报。这个习惯从 2024 年延续到现在中间断过两次一次是因为出差一次是因为实在觉得这周没什么大事。但后来我发现恰恰是那些看起来没什么大事的周事后回看往往藏着最值得琢磨的变化。所以从 2025 年开始我把写周报这件事从有灵感才写改成了每周必写哪怕只写三行字。这份 2026 年 10 月第一周的周报就是在这个背景下产出的。它不是给老板看的汇报也不是给客户看的简报而是一个在一线做 AI 应用落地的人对自己信息摄入、判断校准和方向感维护的一次系统性整理。说白了它解决的是三个问题这周我看到了什么、这些东西之间有什么关联、下周我该把注意力放在哪里。如果你也是那种每天刷大量信息、但到了周末却觉得好像什么都没记住的人这份周报的写法可能对你有用。它不追求覆盖所有新闻也不追求预测未来它只做一件事——把碎片化的信息压缩成可复用的判断。下面我会把这周周报的完整结构、每部分的写作逻辑、以及我在实际操作中总结出来的几个关键技巧全部拆开来讲。2. 周报的骨架为什么我放弃了按时间排序的写法2.1 从流水账到主题聚类的转变最早写周报的时候我的做法很朴素周一看到什么就记什么周二看到什么就补什么最后按时间顺序排下来。这样写出来的东西读起来像一份日志但问题是——它没有观点。你看到的是某模型发布了新版本某工具更新了功能某篇论文提出了新方法但这些信息之间是孤立的你没法从中得出任何有价值的判断。后来我改成了主题聚类的写法。具体做法是先把这周收集到的所有信息点列出来然后问自己一个问题——如果只能保留三个主题我会保留哪三个这三个主题就是周报的骨架。每个主题下面再挂上相关的信息点、我的分析、以及一个下周关注的钩子。这个转变带来的最大好处是周报从记录变成了思考。你不再是被动地接收信息而是主动地筛选和关联。而且因为每周只聚焦三个主题你的注意力不会被分散写起来也不会觉得累。2.2 三个主题的筛选标准那怎么判断哪些主题值得保留我自己的标准是三条按优先级排序第一条是否影响我的当前项目。如果某个信息直接关系到我正在做的产品、正在用的工具链、正在服务的场景那它必须进周报。这是最硬的标准没有商量余地。第二条是否改变了我对某个方向的判断。比如我之前一直认为某个技术路线是可行的但这周看到了一个反例或者看到了一个之前没注意到的限制条件那这个信息就值得记下来。它不一定马上有用但它会影响我未来的决策。第三条是否出现了重复信号。如果同一个方向的信息这周出现了三次以上哪怕每次都不大我也会把它列为一个主题。因为重复出现往往意味着某种趋势正在形成而趋势比单点事件更重要。这三条标准的好处是它们都是以我为主的。你不是在追热点而是在追对我有用的热点。这样一来周报的篇幅可控信息密度也高。2.3 每个主题下的固定结构确定了三个主题之后每个主题下面我会按固定的结构来写。这个结构是事实层这周发生了什么用最简洁的语言描述不超过三句话。分析层这件事为什么重要它和我之前知道的信息有什么关联它可能意味着什么。行动层我下周需要做什么是继续观察、还是动手验证、还是调整方向。这个结构看起来简单但实际操作中最难的是分析层。因为事实层是客观的行动层是主观的但分析层需要你把客观和主观连接起来这需要你对这个领域有足够的积累。我的经验是如果某个主题你写不出分析层那说明你对这个方向还不够熟悉或者这个信息本身价值不大可以考虑删掉。3. 2026 年 10 月第一周三个主题的完整拆解3.1 主题一端侧推理的能效比正在成为新的竞争焦点这周我注意到一个比较明显的信号多个技术社区和产品更新都在强调同一个方向——不是模型有多大而是模型在端侧跑起来有多省电、多省内存。这个信号其实从 2025 年下半年就开始出现了但这周特别集中。具体来说我看到了三类信息。第一类是某开源社区发布了一个新的量化方案号称在保持精度的前提下把内存占用又压低了百分之十几。第二类是某硬件厂商在开发者文档里更新了一组数据展示了不同推理框架在同等功耗下的吞吐差异。第三类是一些做端侧应用的人在讨论续航焦虑——用户不在乎你模型多强只在乎手机烫不烫、电掉得快不快。这三类信息放在一起我的分析是端侧推理的竞争已经从能不能跑进入了跑得好不好的阶段。前两年大家比的是我把模型塞进去了现在比的是我塞进去之后用户体验有没有下降。这个转变意味着做端侧应用的人不能再只盯着模型精度了能效比、内存占用、发热控制这些指标会越来越成为产品差异化的关键。我下周的行动计划是把手上一个端侧 Demo 的推理框架换掉实测一下新方案在同等任务下的功耗表现。如果确实有提升就把这个方案固化到项目模板里。3.2 主题二多模态交互的输入方式正在悄悄变化第二个主题是关于交互的。这周我看到几个不太起眼但很有意思的更新都指向同一个方向多模态的输入方式正在从你主动选择模态变成系统自动判断模态。举个例子。以前你用语音助手你得先说我要说话然后再说内容。现在有些产品开始做无感切换——你直接说话系统自动判断你是要语音输入还是要文字输入甚至能判断你是在对设备说话还是在和别人说话。这个变化看起来很小但它对交互设计的影响很大。我看到的几类信息包括某平台更新了它的输入法 SDK增加了场景感知的能力某开源项目发布了一个新的语音活动检测方案误触发率降到了很低的水平还有一些开发者在讨论多模态融合时不再强调支持多少种模态而是强调切换有多自然。我的分析是多模态交互的瓶颈已经从技术能不能实现转移到了体验顺不顺滑。用户不关心你用了什么模型只关心我说话的时候它别乱插嘴我打字的时候它别突然弹语音。这个方向对做交互的人来说意味着你需要把更多的精力放在边界判断上而不是功能堆叠上。下周我打算做一件事把手上一个语音交互的 Demo 加上场景判断的逻辑看看能不能减少误触发。具体做法是先收集一批真实场景的音频然后手动标注哪些是对设备说话、哪些是背景人声再用这些数据去调阈值。3.3 主题三AI 应用的评估体系开始从学术走向工程第三个主题可能听起来有点抽象但它其实很具体。这周我注意到越来越多的工程团队开始公开讨论我们怎么评估一个 AI 功能好不好用而不是只讨论我们的模型在某个榜单上排第几。这个变化的意义在于学术界的评估标准比如准确率、召回率、F1 值和工程界的评估标准比如用户留存、任务完成率、投诉率之间一直存在一条鸿沟。以前大家各说各话但这周我看到几个团队开始尝试把两者打通。比如有人提出了一套分层评估的方法底层看模型指标中层看任务指标顶层看业务指标。还有人分享了他们怎么把用户反馈自动转化成评估数据。我的分析是AI 应用正在从炫技阶段进入运营阶段。以前你做一个 AI 功能只要能跑通就有人叫好现在你做一个 AI 功能用户会问它到底帮我省了多少时间它出错的时候我怎么办。这意味着做 AI 产品的人需要补上评估这一课而且不能只补学术的那一半还要补工程的那一半。下周我准备做一个小实验给我负责的一个 AI 功能加上任务完成率的埋点看看用户实际用这个功能完成任务的概率是多少。这个数据可能不好看但我觉得有必要先把它测出来。4. 写周报时最容易踩的三个坑4.1 坑一把信息收集当成信息消化这是我最早写周报时最大的问题。我每天会刷很多信息源看到觉得有用的就丢进收藏夹然后周末写周报的时候把收藏夹里的东西复制粘贴一遍就算写完了。这样写出来的周报看起来内容很多但实际上没有任何消化的过程。后来我意识到收集和消化是两件事。收集是我看到了一百条信息消化是我从这一百条信息里提炼出了三个判断。前者是体力活后者是脑力活。如果你只做前者那周报就变成了一个信息仓库而不是一个思考工具。我的改进方法是在写周报之前先花二十分钟把收藏夹清空。不是真的删掉而是快速过一遍把那些当时觉得有用但现在想不起来为什么有用的信息直接删掉。剩下的那些才是真正值得写进周报的。这个动作看起来很粗暴但它能帮你过滤掉百分之八十的噪音。4.2 坑二追求全面覆盖导致重点模糊第二个坑是什么都想写。我有一段时间的周报每个主题下面挂了十几条信息读起来像一份行业简报。但问题是信息越多重点越模糊。你写的时候觉得这些都重要但读的时候会发现好像什么都没记住。后来我给自己定了一个硬规矩每个主题下面最多挂三条信息。如果超过三条就说明这个主题太大了需要拆成两个主题或者说明我还没想清楚这个主题的核心是什么。这个规矩的好处是它逼着你去排序。你会问自己这三条信息里哪一条最重要然后你会把最重要的那条放在最前面把次要的放在后面。这样一来周报的层次感就出来了。4.3 坑三只写是什么不写所以呢第三个坑是最隐蔽的也是最致命的。很多人写周报只写这周发生了什么但不写所以呢。比如某模型发布了新版本这是是什么但这个新版本对我正在做的项目意味着什么这是所以呢。前者是新闻后者是判断。我自己的经验是如果某个主题你写不出所以呢那这个主题就不应该出现在周报里。因为周报的价值不在于你知道了什么而在于你知道了之后打算做什么。没有行动指向的信息只是噪音。为了逼自己写所以呢我会在每个主题的最后加一个下周行动的小节。这个行动可以很小比如去读一下那篇论文的附录也可以很大比如重新评估整个技术路线。但必须有。没有行动的周报是不完整的。5. 让周报真正产生复利我的三个长期习惯5.1 习惯一每月做一次主题回溯每周写周报是一个点的动作但如果你只做这个动作你看到的永远是孤立的点。为了把这些点连成线我每个月会做一次主题回溯。具体做法是把这个月四周的周报翻出来看看哪些主题反复出现哪些主题只出现了一次就消失了。反复出现的主题往往是你真正需要关注的方向。比如端侧推理这个主题我翻了一下过去四周的周报发现它出现了三次而且每次的角度都不一样。这说明它不是一个短期热点而是一个持续演进的趋势。只出现一次就消失的主题可能是噪音也可能是你还没看懂的机会需要单独标记出来下个月再回头看。这个回溯动作我一般放在月底的最后一个周五花一个小时就能做完。但它带来的价值很大——它让你从每周看树变成每月看林。5.2 习惯二把周报当成决策日志来写很多人写周报是为了记录但我更愿意把它当成决策日志。什么意思呢就是你在周报里写的每一个判断都要能被未来的你验证。比如你这周写我认为端侧推理的能效比会成为竞争焦点那三个月后你可以回来看这个判断是对的还是错的。这个习惯的好处是它会逼着你把判断写得更具体、更可验证。你不会写我觉得这个方向有前景而会写我认为在六个月内端侧推理的功耗会成为用户选择产品的前三个因素之一。后者是可以被验证的前者不行。而且当你养成了写可验证判断的习惯之后你会发现自己的判断力在慢慢提升。因为你会不自觉地想我上次的判断错了错在哪里是信息不够还是逻辑有问题这种反思是任何信息摄入都无法替代的。5.3 习惯三定期清理信息源最后一个习惯可能听起来和写周报没关系但它其实很关键。我每季度会做一次信息源清理把那些看了之后没有任何收获的账号、频道、邮件列表全部取消关注。这个动作的逻辑很简单你的注意力是有限的如果信息源太多你就没有时间消化。而且很多信息源的内容是重复的你关注了十个账号可能其中八个都在说同一件事。与其这样不如只留两三个真正有独特视角的。清理的标准也很简单如果某个信息源连续一个月没有让你产生这个我要记下来的冲动那就取消关注。不要觉得可惜因为真正有价值的信息源你取消之后还会再找回来。6. 这周周报里我没写进去的东西最后说一个我觉得挺重要的点周报里不写什么和写什么一样重要。这周我刻意没有写进去的东西有三类。第一类是纯融资新闻。某公司融了多少钱、估值多少这类信息我看到了但没有写进周报。因为融资新闻对做产品的人来说参考价值很低。你不需要知道谁拿了钱你需要知道谁做出了好东西。第二类是纯榜单排名。某模型在某个榜单上超过了另一个模型这类信息我也看到了但同样没写。因为榜单的评估标准和实际使用场景往往差距很大排名第一的模型不一定适合你的场景。第三类是纯观点输出。某大佬说了什么、某分析师预测了什么这类信息我会看但不会写进周报。因为观点是别人的判断得自己做。周报是你自己的思考工具不是别人的观点合集。把这三类信息排除之后周报的篇幅会短很多但信息密度会高很多。你写的时候会更专注读的时候也会更轻松。这周周报写完我最大的感受是AI 这个领域信息永远刷不完但真正值得你花时间消化的其实每周就那么两三件事。与其焦虑我是不是漏掉了什么不如把已经看到的东西想透。毕竟判断力不是靠信息量堆出来的是靠一次次写下来、验证、修正练出来的。