① 输入长这样
文献 / 长文文本
摘要：本文提出一种轻量推荐模型 LiteRec…1 引言：现有模型推理成本高…2 方法：用哈希 Embedding 将参数量压到 1/10…3 实验：在 MovieLens 上 AUC 0.92，推理延迟降 60%…4 结论：在精度损失 <1% 下大幅降本…
学科 / 领域（选填）
机器学习
我要拿去干嘛
读书笔记
② 输出长这样
预跑示例 · 已缓存结构化笔记
- 问题：推荐模型推理成本高，难上边缘设备
- 方法：哈希 Embedding，参数量 1/10
- 结论：AUC 0.92（损失 <1%），延迟降 60%
- 局限：仅验证在 MovieLens，未测工业级稀疏场景
可复用总结：LiteRec 用哈希 Embedding 在精度损失 <1% 下把推理延迟降 60%，适合边缘端推荐；关键看点是参数压缩比与 AUC 保持。#推荐系统 #模型压缩
这是官方预跑的示例结果，不含你的任何内容；换成你的数据请见下方。
③ 换成你的信息
这个方案分 3 步依次运行，每一步的结果都会先给你看，确认后才跑下一步：
这就是「多步工作流」——比一次性提示词更稳更可控：复杂任务拆开跑，每步你都能改口径、能单步重跑，不必一次猜对全部。
- 1. 提取核心要素
- 2. 做成结构化笔记 （用上一步的产出作为输入）
- 3. 按用途产出 （用上一步的产出作为输入）
运行要用你自己的内容调一次 AI，所以需要登录（登录免费）。登录后余额为 0，会被引导开通 VIP1 探索者（110 元/年 = 12000 积分）。积分按实际用量扣，每步跑完才结算。
登录后运行 →④ 方案原文
完整提示词仅 VIP 会员可见；开通后可直接复制，一键套用到任意 AI 工具。
【三步方法总览】 第 1 步 · 抽取：研究问题 / 方法 / 结论 / 局限逐条取 第 2 步 · 结构化笔记：问题→方法→结论→局限，速读友好 第 3 步 · 产出：按用途给笔记 / 综述段落 / 汇报稿 说明：三步依次运行，**每一步结果都会先给你看，确认后才跑下一步** …
⑤ 实践中的坑
- !长文一定先走「抽取」那步，确认要素没漏再让它归纳，比一次性跑完更准
- !用途选「汇报」会先抛结论，适合拿去组会；选「文献综述」则偏学术语气
- !关键数字（AUC、延迟）它会原样保留，但你仍要回原文核对实验设置
⑥ 常见问题
能一次对比好几篇吗？ ＋
当前是单篇结构化；多篇对比可在「用途」里说明，或等后续批量功能。
会编造参考文献吗？ ＋
不会——它只引用你贴进来的内容，没给的标「未提及」。
非学术的长文（比如行业报告）能用吗？ ＋
能，把「学科」留空，它按通用阅读处理。