人工智能在你已经理解的领域提升你的效率，而在你不理解的领域则让你困惑。
我使用人工智能助手阅读非虚构类书籍已有一段时间，但总是遇到同样的瓶颈：在关于一本晦涩书籍章节的对话进行到第30条消息时，人工智能开始偏离主线。如果我转向一个旁支话题——“这与卡尼曼关于系统1的说法有何联系？”——整个聊天上下文就会突然受到污染，再也无法回到之前的状态。
因此，我构建了 派树（pi-tree） —— 一款可自托管的人工智能阅读伴侣，其中对话即阅读体验。其核心洞察在于：对话应当是树状结构，而非线性线程。
为何选择树状结构？
当你思考复杂材料时，你的思维并非线性运作。你会产生分支——“等等，这与X有何关系？”——探索片刻，然后再返回。然而，所有的人工智能聊天工具都迫使你进入一个扁平的线程，所有内容都堆积在一起。
树状结构的对话从架构层面解决了这一问题：
- 聚焦的上下文 — 每个分支仅携带从根节点到当前节点的路径。噪音更少 → 响应更准确。
- 节省令牌（Token） — 一个包含50条消息的线性聊天在每一轮都会发送全部50条消息。而一个拥有5个分支、每个分支10条消息的树状结构仅发送约10条。成本更低，响应更快。
- 减少幻觉 — 上下文污染是长对话中产生幻觉的主要原因。隔离的分支能让模型保持 grounded（基于事实/稳健）。
以下是一次阅读会话的样子：
📖 阅读：《思考，快与慢》（卡尼曼）
根节点
├── 什么是系统1与系统2？
│ ├── 这与认知偏差有何联系？
│ │ └── 锚定效应深入探讨
│ └── 决策中的现实世界案例
├── 第三章：懒惰的控制者
│ └── 我们为何避免费力的思考？
└── 与纳西姆·塔勒布思想的比较
├── 黑天鹅关联
└── 反脆弱性与启发式方法
以下是实际的用户界面 — 左侧为树状侧边栏，中间为对话区域，右侧为目录：
代理模式，而非检索增强生成（RAG）
大多数“与文档聊天”的工具使用检索增强生成（RAG）— 将内容分割成嵌入向量，然后检索看似相关的内容。问题在于：检索是近似匹配。人工智能获得的是语义相似的片段，而不一定是正确的上下文。
派树（Pi-tree）采用代理（Agentic）方法：人工智能拥有工具
免责声明：本文内容来自互联网，该文观点不代表本站观点。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请到页面底部单击反馈，一经查实，本站将立刻删除。
