文章摘要
文章探讨了如何利用Claude Code工具深度阅读100本非虚构书籍，通过提取书中与特定主题相关的段落（称为"trails"），揭示不同书籍间思想的联系。作者举例展示了从乔布斯到Theranos的创业骗局与社会心理学之间的关联，说明AI能帮助深化而非简化阅读体验。
文章总结
跨书阅读新体验：Claude Code如何帮助我们深度阅读
作者Pieter Maes探索了大型语言模型（LLMs）在阅读中的创新应用方式，开发了一个名为Claude Code的系统，能够从100本非虚构书籍中挖掘出思想关联的"线索"（trails）。
核心功能
线索挖掘：
- 系统通过分析书籍内容，找出主题相关的段落序列
- 示例线索展示了从乔布斯到Theranos的欺骗主题关联
- 目前已建立可浏览的线索库（trails.pieterma.es）
技术实现：
- 书籍选自Hacker News推荐书目
- 文本被分割为约500词的"块"（chunks）
- 建立包含10万+主题的层次化索引结构
- 使用多种NLP工具进行主题提取和嵌入
创新发现
智能代理优势：
- Claude Code展现出超出预期的自主工作能力
- 能够自动完成复杂的编辑和调整任务
- 使作者能够专注于创意性工作
新颖性探索：
- 系统通过计算主题新颖度分数来发现独特见解
- 结合算法筛选和自然语言提示来确保内容新颖性
技术细节
- 使用selectolax解析EPUB文件
- 采用SQLite存储数据，sqlite-vec处理嵌入
- 利用DSPy框架调用不同LLM模型
- 最终选择Gemini 2.5 Flash Lite进行主题提取
- 通过Leiden算法构建主题层次结构
工作启示
作者发现，与其精心设计处理流程，不如为AI提供更好的工具支持，将其视为工作伙伴。这种"代理优先"的方法显著提高了工作效率和创意产出。
"智能代理拓宽了我的视野...它处理了那些繁琐的工作，让我不再回避枯燥的部分。" - Pieter Maes
这个项目展示了LLMs在促进深度阅读方面的潜力，而不仅仅是简单的文本摘要。通过智能索引和关联分析，读者可以跨越不同书籍发现思想联系，获得更丰富的阅读体验。
评论总结
总结：
- 对主题树功能的兴趣与认可
- 多位用户认为主题树概念直观且有价值，可应用于书籍推荐系统等场景 "我真的很喜欢主题树的想法，这很直观地引起了共鸣"（I really like the idea of the topic tree. That intuitively resonates.） "这看起来是建立书籍间联系的好方法，能创建比Goodreads更好的推荐引擎"（this looks like a great way to build connections between books...something better than what Goodreads & Co provides）
- 对LLM局限性的讨论
- 有评论指出LLM难以发现真正新颖的语义联系，且会忽略人类思考过程的价值 "LLM本质上就是揭示非新颖内容，因此可能找不到真正新颖的联系"（the really novel connections probably won't be found by an LLM since...to uncover what isn't novel） "将连接工作完全交给LLM无异于盲目信任权威，应该将其作为研究起点"（Handing it all off to an LLM is no better than blindly trusting authority figures）
- 具体实施建议
- 建议在段落/页面层面建立联系，而非单词层面 "我设想的是在段落或页面层面建立联系，而非文中的单词层面"（my mental model...was actually on the paragraph or page level, rather than words）
- 提到使用开源模型和树莓派集群可能降低成本 "使用开源模型和树莓派集群可能降低大型图书馆索引成本"（This might work out well with an open source model and a cluster of raspberry pi）
- 使用体验分享
- 有用户分享将AI视为快速阅读的"同事"而非工具时体验更好 "当我不再把它当作函数，而是当作每分钟能读1000词的同事时，一切都豁然开朗"（The moment I stopped treating it like a function and started treating it like a coworker...everything clicked）