目录
作为新年礼物，把自己如何获取信息、聚焦阅读、汇总研究和深度长文输出的方法分享给大家，全文由费曼学习法、信息获取与知识输出的方法论，还有笔记工具的进化三部分组成。
转眼又是新的一年，不知不觉“INDIGO 的数字镜像”已经重启两年了。在 2023 的春节来临之际，先祝大家春节快乐，兔年吉祥！在这两年里陆陆续续更新了十来篇长文，频次低得惊人，每次都用学习一个新的领域来安慰一下自己。不过坚持写作输出的主要目的，就是为了更好地输入和学习，积累个人知识库。
上个月和朋友聊天才知道我这个是“费曼学习法”，作为新年的第一份礼物，决定把自己如何获取信息、聚焦阅读、汇总研究 和 深度长文输出 的方法分享给大家。全文由费曼学习法、信息获取和知识输出的方法论，还有笔记工具的进化构想三部分组成，共 5500 字左右，预计阅读时间 15 – 20 分钟。请先收藏，再阅读！
I. 什么是费曼学习法
费曼学习法，也称“费曼技巧”，英文原文是 Feynman Technique。是实力派 + 偶像派物理学家，诺贝尔奖获得者 Richard Feynman（理查德·费曼）开发的个人方法，用来深入学习和内化研究课题。核心是：当你准备学习一门新知识时，必须站在传授者的立场，假设要向别人讲解这门知识。你一定要用最简洁、清晰和易于理解的语言表达出来 …
1.1 费曼技巧的五个步骤
- 目标：确立学习对象，产生专注力；
- 理解：对目标知识进行归类、结构、对比和筛选；
- 输出：用最简单的语言向他人解释这些知识。费曼特别提到了讲解对象是六年级的小学生，这是一个泛指，主要是他的词汇量和认知足以理解基本概念以及之间的关系；
- 回顾：找出输出过程中自己不能理解的地方，回顾和反思学到的知识；
- 内化：通过简化吸收形成自己的知识体系，内化是一切学习的终极目的；
学与用是互为一体的，无法对外输出的学习就不能称为学习。越熟悉的概念，大脑越喜欢，当大脑长时间习惯于这种学习模式，对新知识的创造力就会受到抑制。解决这个问题的最好方法就是学会输出，激励我们的大脑更多地使用第二种模式：“在不同的概念之间强行建立联系，也是大脑的特长”。知识的输出越多，我们对陌生事物的联想就越丰富，学习的创造性就越强，最终成功地突破旧知识的框架，得出有价值的新知识。
费曼认为，以教代学的输出方式属于“主动学习”，是主动去征服，而不是被知识所选择。为知识建立一个具有自己标准的“过滤器”，通过输出与回顾，将其内化。好的学习方法能够养成一个人对世界犀利的理解力，也是创造宏大事业的基础。
1.2 Dale’s Cone Experience
其实这一个很朴素的方法 – Learning by Teaching，我们可能早就知道，并且一直都在使用，只不过在费曼的光环下，这个技巧就显得特别耀眼。学习专家 Edgar Dale（爱德加·戴尔）在上世纪六十年代，提出了 Dale’s Cone Experience 的模型，这是美国缅因州的国家训练实验室，对不同形式学习效果的量化研究成果，从数据上验证了“费曼技巧”的效能。
Cone Experience 用数字形象地呈现了：采用不同的学习方式，学习者在两周以后还能记住的内容（平均学习保持率）有多少。再创作写出来，还有对他人传授这种 主动学习（Active Learning）方法的记忆效果最好，可达 70 – 90% 的保持率。
费曼向来不主张追求数量的“贪多求全”的学习，他曾经嘲讽地说，“如果有人愿意拿自己有限的生命去追逐无限的知识，并且还为此感动，那他纯粹就是一个无知的妄人”。。。更多关于费曼学习法的“观点记录”，可以阅读“求师得 Qiutopia”的这篇《费曼学习法》，作者详细整理了费曼推上关于这个技巧的语录，很有启发性！
II. 信息获取与知识输出
在 2021 年三月份，写过一篇《新内容创作方式的体验与实践》，在里面特别提到了我自己的信息获取方式：
- 随机漫步（Random Reading）：随机无差别的阅读任何觉得有趣的信息，收藏可能会用得到的内容；
- 聚焦阅读（Focus Reading）：明确了 1 – 3 个近期会创作的主题后，聚焦的筛选阅读信息，自动忽略掉那些无关的，提高大脑的感知敏锐度，用打标签的方式收藏内容；
那时还不知道“费曼技巧”，不过聚焦阅读应该算是“确立目标”，提升专注力的一种方式。按照香农信息论的概念，就是通过自己的信息处理模型，逐步向着高“信息熵”的源头探索的过程（通俗来讲就是向对于自己信息量大的干货内容聚焦），这个过程可以把杂乱的信息有序转换为可以系统输出的知识。这里我绘制了一张自己使用的信息获取与知识输出流程图。
全过程分为 输入（Input）与 输出（Output）两大部分。输入过程包括了“随机漫步”和确立了目标之后的“聚焦阅读”；输出部分则是由“笔记与观点输出”、“长文输出”和“课程输出”构成。
其中 笔记与观点（Notes & Short Optinions）是无结构化的片段输出，这个适合读后无关联的快速观点分享；长文（Long Articles）是深度理解后的结构化和概念连接性输出；课程（Live Classes）则是最后自己内化的知识，它经过了 主题研究（Research）的回顾，发现自己不够深度理解的地方，回炉再造，简化结构之后，增加案例制作成可以直播讲解的课程。
2.1 主题归类和结构
因为爱好还有工作的原因，分类以科技主题为主，这个类别会用在收藏夹、笔记本的分类目录以及 Twitter Bookmark。这是所有工具的一级分类（不建议超过十个），二级采用标签（Tags）归档，非常灵活自由，也便于检索。
- Metaverse
- Cloud & SaaS
- Web 3 & Crypto
- AI & Robotics
- Biotechs
- Physics & Science
- Political & Economy
2.2 输入的渠道与工具
随机漫步的输入，信息主要来自 Twitter、订阅的邮件列表（Newsletter）、播客（Podcast）还有 Youtube，以及部分朋友和群组的分享。这里面 Twitter 的信息获取效率最高，因为文字内容短，但噪音也最大，用好 List 分组、Topic 关注还有 Top Articles 功能会极大提高效率，Twitter 在文字知识内容推荐上做得很棒。对于社交媒体平台，需要仔细按照自己的口味调教推荐算法，Youtube 也是同样的逻辑。
邮件列表和播客不建议关注太多，严格控制在自己筛选的分类之下。尽量订阅那些更新频次不太高但信息密度高的优秀内容，因为有太多的博主喜欢用高频次和低内容来吸引注意力。
输入阶段的主要目的就是过滤、做自己的筛选和快速阅读，所以需要好的工具来帮助收藏和做摘要记录。我用 Pocket 来做文章类的 Read It Later，用 Raindrop 收藏所有的网页，Twitter Bookmarks 还有 Youtube Likes 都能通过 ifttt 自动同步到收藏夹，方便日后集中浏览和检索。不少同学还会用 Readwise 来做阅读标记，最近推出的 Readwise Reader 功能十分强大，几乎可以做所有的信息源精选汇集。
最后，看书是最重要的输入环节，你不可能每天都被各种信息碎片冲刷，避免鸡汤类书籍，找知识架构严谨的书来看。我的阅读主要集中在 2.1 小节中的那个分类，以及 GoodReader 评分在 3.8 分以上的书。读书笔记非常重要，这是你的 思维线索 和 外脑智慧，我会用 Notion 为每一本读过的书建立一个 Page，书的笔记可以和收藏的 Link 还有自己的备注，可以灵活的混合在一起。当我在创作输出的时候，可以非常方便地查找和调用。
2.3 输出的方法
学习的输出非常灵活，完全因人而异。我尝试了一年的直播课还有快两年的长文创作，用这个来倒逼输入，完全能体会到费曼教授所说的“内化”，通过简化最终形成自己的知识体系。
在确定写长文输出之前，先把这个主题的信息结构整理清晰，做一个叙事框架，通常会在正式开写一个月以前就确定好框架。如果是自己不太熟悉或者非常新兴的领域，就得先看完几本这个领域的书或者是连载的博客。创作《机器之心的进化 / 理解 AI 驱动的软件 2.0 智能革命》这篇，就是通过研习 Giuliano Giacaglia 的《Making Things Think》这本书做的大纲；还有《速解元宇宙 / Metaverse 迷雾下的行动指南》这篇的结构从 Matthew Ball 的博客借鉴了很多。
有了输出骨架，下一步就是内容填充。这一步骤实际上是 精读学习，对应费曼技巧的“理解”与“输出”两个步骤，更多细节的 筛选 与 结构化。同时，我们把输入环节收藏的内容拿出来做主题检索（来自 Pocket、Raindrop 以及 Google 检索），对有价值的文章做深度阅读，沉淀和创作主题相关的内容。Notion 是创作过程中最主要的信息整理工具，我会为要写的主题专门建立一个 Page，用来做关联链接收藏、深度阅读摘录和写创作草稿，这时也可以在不同的概念之间强行建立联系，让创作的内容更有广度和跳跃性。最终正式的文章通过 Google Docs 汇总成文输出！
课程是对长文输出的“回顾”和“内化”。将学到的知识，转化成自己的体系，才能够做到清晰的讲解。因为文章输出的重点是知识结构，而课程输出的是知识要点的细节，这里需要配合更多的图示和案例。人类是图形化思考的动物，制作课程最重要的过程就是 将文字理解转化为图形，可以自己绘制，可以搜索图例；同时课程需要用到更多的细节概念和例子，这也能强化深度研究，Google 将是这个阶段的主要工具，可以帮助扩展在输入阶段没能覆盖到的内容。
以上流程就是我自己对费曼技巧的实践，这也是个不断优化的过程，最终它将成为自己的有效学习体系。今年我也会加强 阅读笔记和观点的短文输出（通过 Twitter 来输出），这样可以更早的接收到 创作主题 的反馈，收获更多关联的推荐以及改进创作。
III. 笔记工具的进化
Note taking is building a relationship with a future version of yourself.
记笔记是在与未来的自己建立联系。
– DAN SHIPPER《The End of Organizing》
让我们回到学习笔记，如何高效地获取信息、整理记录，在需要的时候可以精准的调用出来，或者建立不同知识点的连接，让存在于外部世界的信息“内化”成我们自己的知识。我们用“费曼学习法”来强化输出，也都是为了更好的驱动输入，因此高效的组织信息，是每个善于学习者的日常。
3.1 用笔记工具构建知识库
相信每个人都会有自己最称心的笔记工具，从随身携带的小本本，到电脑和手机上的“记事本”应用，再到更高级的专用笔记工具，例如 Microsoft OneNote 还有 Evernote 等等。随着网络和移动设备的进步，这些工具已经完全数字化，目前正在向自动化和智能化转变。
从开始放弃小本本做笔记收藏后的第一个数字化工具就是 Evernote。但由于软件太臃肿，后来逐渐切换到了 Apple Note，便捷快速，最大的缺点就是不方便归档整理和跨平台使用，目前主要用它来做日常快速记录，所有和学习研究的笔记已经全部都用 Notion 了，组建自己的知识库，现在来看 Notion 最合适。
其实在 Notion 之前，还尝试使用过 Obsidian 和 Roam Research，但这两款工具在易用性、多平台的访问还有内容组织的灵活度与结构化上，始终和 Notion 有些差距，特别是需要多人共享知识库的时候，就捉襟见肘了。当然，如果更关心数据安全和可以本地访问，本着我的数据属于我的原则， Obsidian 就是最佳选择了，完全基于 Markdown 可以灵活迁移绝对是 Geek 的最爱。
最近正在体验一个新的笔记组织工具 Heptabase，一款专注可视化学习的笔记工具，用思维导图的方式组织所有笔记资源，大家有兴趣可以试试。
0:00
/0:071×
视频06：Heptabase – See the big picture of your learning topic
问题是，我们把东西做成笔记，因为我们不知道它们有什么用。你写下一本书中的一句话，因为你最终可以用 1000 种不同的方式使用它。你可以用它来帮助你做决定，或者写一篇文章，或者在朋友经历困难时鼓舞他们。同样的道理也适用于一次会议的笔记，或者是在你脑中一闪而过的新想法。所以，你需要有新的工具来帮忙把笔记提取出来，在你真正需要用到它们的时候，现在 AI 的快速进化，让这种行为变成了可能，而且你都可能不需要再花费精力去分类组织笔记了，就像 DAN SHIPPER 在《The End of Organizing》所描述的那样。
3.2 让 AI 来解决信息组织问题
最好的整理就是不要整理。大家可以回忆一下，有多长时间没有整理过手机里的照片了，随着 iOS 的升级，Apple 每一次都把新的 AI 特性带入了相册应用。自动分类、自动识别照片和视频内容，自动生成最佳回忆，你只需要简单地问 Siri 就可以找到想要的照片。
同样，各种收藏和笔记整理工具的下一步，就是让你无需整理。当然现在让 AI 整理知识结构，还有很大挑战，即使我们已经拥有了强大的 GPT-3，但大规模语言模型（LLMs）的进化速度可能会让人惊叹，更好的工具估计正在路上。想了解更多关于 AI 的知识可以阅读我的上一篇文章《机器之心的进化》。
那么 AI 将如何参与到信息组织之中呢？
智能摘要：概述一篇文章、一段视频或者是一个 Podcast 节目，可以自动 Highlight 其中的关键内容。再往前一步，AI 会根据你的兴趣点、阅读习惯，生成有你个人偏好的摘要、关键词、给内容打上适合你知识库标签，最好还能完成自动化的翻译。这样你的收藏就不再仅仅只是链接，而是可以接入你个人知识系统的神经元。
对于经常爱听播客的同学，推荐试试 Snipd，一款可以智能 Highlight 和生成语音摘要的 Podcast 播放器，虽然摘要经常有些文不达意，但随着 LLMs 规模的壮大，这个进步应该是显著的。
智能关联：当你在笔记中针对一个链接中的内容做上标记或者写下自己的备注时，智能关联可以像你的大脑一样，针对这些线索联想，关联内容可以来自互联网，也可以来自你的知识库。例如你备注了一个关于“信息经济学”的知识点，AI 将自动分析你全部的收藏和笔记，找出可以关联起来的内容点，还能够告诉你互联网上哪些是这个方向的专家，有什么样的内容可以参考。
Notion AI 正在尝试这方面的功能，它能自动帮你完成笔记，未来说不定可以根据你写过的某个主题下的所有东西，来综合起来写一份报告；另外 Mem.ai 在内容关联性的建议上的体验也很棒，他们的目标都是 AI-Powered Workspace。OpenAI 最近还投资了 Mem.ai。
知识助理
期望有这样一种新的知识助理，你再也不用担心如何标记或链接一本书或一篇文章中的引用。你只需要把它归档到你的笔记中，然后相信这个AI 驱动的知识助理能找到它，并在以后你需要的时候提供给你。
LLMs 可以真正把你的笔记变成第二大脑，它们可以在你写笔记的时候丰富你的笔记，创造更多的上下文关联，自动分类，也可以智能组合。它们还可以在一个特定的主题上产生你的思维历史，包括一个关键事件的总结和时间线，可以帮助你更好地理解你自己和你的世界。
将来，笔记不会由我们来组织，它们会自己组织起来为我们服务。这将是思考的终极工具！如果大家对构建这样的工具有兴趣，欢迎联系我和我交流，产品设计和投资咨询皆可。
工具与参考
- 费曼学习法 – 求师得 Qiutopia
- The End of Organizing – DAN SHIPPER
- Notion – 用来建立个人知识库的在线 Note 工具
- Pocket – Read it Later 工具
- Raindrop – Web Bookmark 工具
- Readwise Reader – 最新的 Newsletter 和 RSS 阅读器
- IFTTT – 自动化内容同步工具
- Heptabase – 一款专注可视化学习的笔记工具
- Snipd – 一款可以智能 Highlight 和生成语音摘要的 Podcast播放器
- Mem.ai – Mem is the world’s first AI-powered workspace that’s personalized to you.
https://www.indigox.me/feynman-technique-in-practice
费曼学习法——世界公认的高效学习法
前言：为什么天才的学习方法，普通人也能掌握？
1988年，诺贝尔物理学奖得主理查德·费曼（Richard Feynman） 的课堂录音被公开。人们惊讶地发现：
这位能解顶尖量子难题的天才，给学生讲解基础物理时，竟像第一次接触这些概念的小学生——用最直白的语言反复拆解核心。
这种看似“笨拙”的教学法，后被总结为费曼学习法（Feynman Technique） ，其核心思想震撼而简单： “如果你不能向一个12岁的孩子解释清楚某个概念，你就没有真正理解它。”
一、什么是费曼学习法？
1. 定义
费曼学法的全称为费曼学习法，它是一种以理论物理学家理查德·费曼的名字命名的学习方法，这种方法强调通过教授他人来加深自己对知识的理解，其核心理念是通过简化和传达概念来检验和巩固学习成果。
通俗地讲，教是最好的学习方式，当你想确认自己是否完全掌握某个知识点时，不妨试着把它教给别人。
关于理查德·费曼
理查德·费曼(1918-1988年)，1965年获得诺贝尔物理学奖，美籍犹太人。
他被认为是爱因斯坦之后最睿智的理论物理学家，也是第一位提出纳米概念的人。
费曼是曼哈顿计划天才小组成员之一。知道这个小组搞么事吗？
二战扔到日本的原子弹，就是他们研发出来的。牛叉！
研究完原子弹，他于1951年转入加州理工学院教书去了。
费曼有一种特殊功能，他能用简单的语言把复杂的观点表述出来。这使得他成为一位硕果累累的教育家。
费曼也因此被称为“老师的老师”。
2. 费曼学习法核心步骤
费曼学习法是一种通过简化教学来检验和深化理解的主动学习方法，包含四个递进步骤：
graph TD
A[明确概念] --> B[教学输出]
B --> C[查漏补缺]
C --> D[简化类比]
3. 底层认知原理
- 学习金字塔理论：主动教学的知识留存率（90%）远超被动听讲（5%）
- 元认知监控：暴露“自以为懂实际模糊”的认知盲区
- 工作记忆优化：将复杂信息压缩为可调用的“思维组块”
关键区别：传统学习追求“输入量”，费曼法聚焦“输出质量”。
学习金字塔是美国缅因州的国家训练实验室研究成果，它用数字形式形象显示了：采用不同的学习方式，学习者在两周以后还能记住内容（平均学习保持率）的多少。它是一种现代学习方式的理论。最早它是由美国学者、著名的学习专家爱德加·戴尔1946年首先发现并提出的。
知识保存率最高的，就是教授他人。
二、费曼学习法的诞生与发展
理查德·菲利普·费曼，1918年出生于美国纽约，他13岁时就学完了微积分，24岁时加入曼哈顿计划天才小组，参与研制原子弹，1965年获得诺贝尔物理学奖，成为美国著名的物理学家。
费曼长期在加州理工大学任教，他的讲授幽默生动、深入浅出，深受学生们欢迎，被誉为“老师的老师”。根据他讲课录音整理而成的《费曼物理学讲义》，至今风靡全球，影响了无数物理学子。
费曼的教学之所以受学生欢迎，跟他的教育理念有关。
费曼认为：教育就是把复杂的知识，用简明的语言表达出来，如果你不能用简明的语言阐述知识，那么你也没有真正弄懂它。
反过来说，要真正学懂一个知识，就是要能用简明的语言表达出来，这就费曼学习法。
| 时间 | 关键事件 | 里程碑意义 |
|---|---|---|
| 1940s | 费曼在普林斯顿教学时形成风格 | 方法雏形：用生活案例解释量子论 |
| 1985年 | 费曼出版《别闹了，费曼先生》 | 公众首次接触其教学哲学 |
| 1990s | 教育家提炼为四步法并命名 | 方法论标准化 |
| 2010年 | 可汗学院采用费曼法制作教学视频 | 影响千万学习者 |
| 2020s | Anki等学习工具集成费曼卡模板 | 数字化实践普及 |
三、费曼学习法的四大核心特点
1. 极简主义表达
- 操作：禁用专业术语（如用“能量守恒”代替“热力学第一定律”）
- 案例：解释区块链 → “多人共同记账且不可篡改的公开账本”
2. 问题驱动反馈
- 关键动作：要求听众随时提问（模拟12岁孩子的思维）
- 经典问题： “为什么这个结论一定成立？” “如果换种情况会怎样？”
3. 类比网络构建
- 原理：将新知识锚定到已知经验
- 费曼经典类比：
电磁场 → “想象床单上的弹珠让表面凹陷，其他弹珠沿凹陷滚动”
4. 迭代升级机制
graph LR
初版解释 --> 发现漏洞 --> 回溯学习 --> 新版解释
四、完整操作指南：四步打造你的“费曼引擎”
步骤1：概念定向
- 在纸顶部写下概念名称（如“光合作用”）
- 罗列所有关联知识点（光反应、暗反应、ATP合成…）
步骤2：模拟教学
- 假装向初中生讲解（用大白话+画图）
- ⚠️ 强制要求：不使用教材中的原句
- 推荐工具：用手机录屏/录音记录过程
步骤3：漏洞挖掘
- ❓ 回放时标记：
- 解释模糊处（如“叶绿体如何捕获光能？”）
- 逻辑跳跃点（直接说“因此产生氧气”未说明过程）
- 无法回答的提问
步骤4：重构简化
- 针对漏洞查阅资料
- 设计生活化类比（如将光合作用比作“太阳能饼干工厂”：光=电力，CO2=面粉，葡萄糖=饼干）
- 用图形符号替代文字（画出能量转换流水线）
✅ 检验标准：能否让完全不懂的人复述出核心逻辑？
五、应用场景：哪些领域效果最显著？
1. 应试学习
- 高考理科：物理杠杆原理 → 用跷跷板演示力矩计算
- 法律考试：不当得利要件 → 编成“白捡钱要不要还”的故事
2. 技能掌握
| 技能 | 费曼法改造 | 效果提升 |
|---|---|---|
| 编程 | 给非技术同事讲清楚递归函数 | 逻辑清晰度+50% |
| 外语 | 用目标语向语伴解释本国习俗 | 表达流畅度翻倍 |
| 投资分析 | 向家人比喻市盈率（如“回本年限”） | 概念内化速度×3 |
3. 职业进阶
- 产品经理：用费曼法向工程师说明用户需求 → 减少需求返工
- 医学教育：住院医师用玩具模型给患儿讲解手术 → 降低家属焦虑
4. 跨界学习
- 案例：程序员学艺术史 → 用JSON格式类比巴洛克风格特征
{
“风格”：“巴洛克”，
“特点”：[“动态曲线”，“光影对比”，“情绪强烈”],
“类比”：“像代码中的递归函数——华丽嵌套”
}
结语：成为信息时代的“认知炼金士”
费曼学习法的终极价值不在于方法本身，而在于它重塑了人与知识的关系：
- 从“储存者”变为“冶炼者” ：将原始信息提炼为思维晶体
- 从“消费者”变为“连接者” ：在跨领域间架设理解桥梁
正如费曼所言：
“学习不是记住正确答案，而是理解世界如何运作。”
在这个快速发展的时代，费曼法赋予人类最不可替代的能力——用极致的简单，驾驭复杂的真相。
发布于 2025-06-29 15:47・广东
https://zhuanlan.zhihu.com/p/1922682263851766851
0