我退订了 ChatGPT Plus，因为我发现了文科生的 Cursor

上个月，我决定取消我的 ChatGPT Plus 订阅。

ChatGPT 依然是那个开天辟地的产品，只不过，它所开启的那个“大力出奇迹”的时代，似乎已经走到了一个瓶颈。

如今，我付费的 AI 产品矩阵稳定在了三个：Gemini Pro，Cursor，以及 Notion AI。

这三者，分别代表了三种不同的 AI 产品形态，也恰好覆盖了我作为一个研究员、写作者和业余开发者的核心需求。而作为 AI 初恋 ChatGPT Plus，则在这个矩阵中，显得有些尴尬和多余。

我的结论很直接，甚至有些暴论：在基座模型能力日益趋同的今天，纯粹的 Chat（聊天）形态已经成为 AI 产品与用户数据、工作流结合的最大障碍。OpenAI 在产品交互上的创新，已经呈现出非常明显的落后。

时至今日，ChatGPT 最大的优势之处在于它的“万能”。它是一个空白的对话框，理论上你可以问它任何问题，让它扮演任何角色，帮你处理任何文本。

但随着我们对 AI 的使用从“尝鲜”走向“常用”，作为目前一个非平台型的 AI 产品，ChatGPT 的连通性至今非常的差。什么是连通性？就是除了我打字给它输入的内容之外，它能从什么样的地方获取数据。

你的项目文档、你的会议纪要、你的研究数据、你的个人偏好……这些构筑你工作与生活的数据，都游离在 ChatGPT 的世界之外。

于是，使用 ChatGPT 的日常就变成了无休止的“复制-粘贴”循环。

从A产品复制一段文字，粘贴到 ChatGPT；从 ChatGPT 获得答案，再粘贴回 A 产品。这个过程不仅繁琐，而且极易出错。更重要的是，它割裂了工作过程中的心流。

这种割裂感，在我同时使用 Gemini Pro 和 ChatGPT Plus 时达到了顶峰。两者在产品形态上高度重合，都是顶级的通用大模型聊天机器人。但我不可能放弃 Gemini Pro，因为它背后捆绑的 Google One 2TB 存储是我的数字生活基石，我的很多冷数据或备份性的内容都在 Google Drive 里可以一键引入。

于是，问题变成了：我是否需要一个“纯聊天”的 AI？如果需要，一个就够了。如果我需要的不仅仅是聊天呢？

答案由另外两个产品给出：Cursor 和 Notion AI。

Cursor：让我的 AI 程序员有了“工位”

虽然谈 Vibe Coding 的稿子已经够多了，但考虑到被这篇文章标题吸引进来的可能大多数是文科生，所以我还是要稍微聊一下 Cursor 和 Vibe Coding。

Cursor 的出现，对我这种几乎不会编程的文科生来说，是一次真正的“启蒙”。

在遇到 Cursor 之前，我让 AI 帮我写代码的方式，和大多数没有编程经验的人一样：打开 ChatGPT，描述我的需求，然后将它生成的代码片段粘贴到我的编辑器里。如果出错了，再把错误信息复制回 ChatGPT，等待它给我一个新的解决方案。这个过程充满了不确定性，我像一个蹩脚的翻译，在人类语言和代码语言之间反复横跳。

而 Cursor，简单粗暴地把 AI 直接塞进了代码编辑器里。它不是一个“聊天框”，它是一个拥有你整个项目文件访问权限的“编程助理”。

我们都知道，当你给 AI 的东西越多，AI 出错的可能性就更高。在 ChatGPT 那种复制粘贴编程的模式下，如果你的工程文件很大，那么每次改一个“小错误”，都会把整个工程的代码代入进对话。而 Cursor 就解决了这个问题。

你可以直接 @ 你的任何一个文件，让 AI 阅读、理解、甚至直接修改它。你可以选中一段代码，让它解释、优化或者寻找 bug。它知道你的项目结构，知道文件之间的依赖关系。它拥有了“工位”，坐在你旁边，看着你的屏幕，和你一起写代码。

这种体验是革命性的。我不再需要向 AI 解释“我的项目是用 React 写的”、“我的某个组件在 src/components 文件夹下”。它自己就能看。这种基于本地文件系统的深度整合，让 AI 从一个“顾问”变成了一个“同事”。

正因如此，我这个连 PHP 基础都一知半解的文科生，才能独立开发出像 WP Chiral Network 这么复杂的 WordPress 插件。

Cursor 证明了一件事：AI 的价值，不在于它本身有多聪明，而在于它能在多大程度上理解你的工作场景，并无缝地融入其中。

这恰恰是 ChatGPT 永远无法给予我的——作为一个仅以聊天窗作为主要交互的产品，无法承载我的所有上下文。

在这一点，甚至连豆包的产品都比 ChatGPT 做的好一些，因为豆包上线了一个叫“AI网盘”的功能。

Notion AI：文科生的 Cursor，研究工作的“Vibe Research”

其实作为文科生或者说文字工作者，我一直蛮羡慕程序员有 Cursor 这样的工具可用的。

直到，Notion 最近更新了新版本的 Notion AI，并且推出了基于本地数据库的 Deep Research 功能。

从实际案例讲起：

最近，我一直在做一个关于“AI 与未成年人”的课题研究。这个项目如果没有 Notion AI，它的形态会是我过去几年早已习惯的样子：案头研究、专家访谈、问卷调查、数据分析……每一个环节都泾渭分明，且需要耗费大量精力在不同工具之间进行资料的腾挪和整理，即便是我在每个环节都使用 AI，也要在不同产品之间疯狂的 Ctrl+C, Ctrl+V。

但有了 Notion AI，整个研究过程变成了一种奇妙的“Vibe Research”。这个词和 Vive Coding 一样很难翻译，它指的是一种跟着感觉走、高度依赖直觉和即时反馈的研究状态。而 Notion AI，则为这种状态提供了坚实的工程学基础。

这么说似乎很多人不太理解，就用这个研究工作的用例来解释吧：

第一步：研究的冷启动。

我和一个 AI（最初可以是任何一个，比如 Gemini）聊出了最初的研究方案。然后，我在 Notion 里建立了一个名为「AI 与未成年人研究」的主页。紧接着，我让 Notion AI 基于这个主页里的初步想法，帮我生成了第一批采访对象的通用采访大纲。

第二步：知识的结构化。

我没有把这个大纲简单地存成一个文档，而是放进了一个 Notion Database 里。为什么？因为我预见到，随着研究的深入，我会需要针对不同类型的访谈对象（如家长、老师、孩子）生成不同版本的大纲。数据库的结构化能力，为此埋下了伏笔。

第三步：工作流的自动化。

接下来，我开始征集采访对象，并将他们的人口学信息录入另一个“访谈对象库”。神奇的事情发生了：当我需要为某个特定的访谈对象（比如，一个来自北京、孩子上五年级的母亲）准备访谈提纲时，我只需要在她的个人页面里，直接 @ 研究计划主页，再 @ 通用采访大纲，Notion AI 就能自动生成一份高度个性化的访谈提纲，问题会根据这位母亲的背景进行微调。

第四步：自动研究助理。

采访结束后，我将语音转文字的速记稿直接扔进该访谈对象的页面。作为 Notion AI 数据库自动化的一部分，系统会自动根据我预设好的字段（比如“孩子年龄”、“所在城市”、“家长职业”等），从非结构化的访谈文本中提取信息，并填入结构化变量表中。这个过程，在过去需要我自己在速记里大海捞针，尽管并不费脑，但访谈多的时候确实让人烦躁。

第五步：涌现式的洞察。

每周五，我会进行一次研究回顾。我不再需要自己苦思冥想，而是直接向 Notion AI 下达一个指令：“基于‘AI 与未成年人研究’主页下的所有内容，进行一次研究回顾。请分析当前的访谈记录中有哪些值得关注的共同点和差异点？下一步我应该补充哪些类型的访谈对象？有哪些早期假设被初步验证、证伪，或者还需要补充材料？”

Notion AI 会像一个真正的研究员一样，启发式地读取该研究项目下的所有页面、数据库和文档，然后给出一份详尽的分析报告。它会告诉我：“多位一线城市的家长提到了对‘学生的独立思考’的担忧，这可能是一个值得深挖的方向。”或者“我们目前对低线城市教师群体的访谈不足，建议补充 2-3 位相关背景的访谈者。”

这一切，都不需要我反复地将现有材料一遍一遍地导入另一个 AI，基本就是纯 vibe 就行了。

可以说，Notion AI 的本地 DeepResearch 让带访谈和问卷的社科研究工作也变成了纯案头的 vibe 研究。你只需要负责提出假设和执行访谈，剩下的脑力活反而可以当甩手掌柜。它会告诉你哪些假设已经验证了，哪些没有，你需要进一步补充什么访谈，做哪些调研。研究员成为了访谈机器，你只需要把信息从被访谈对象那里“复制”到 Notion 里就行了。

它之所以能做到这一点，核心在于 Notion AI 在工程上的精巧设计。它并非简单地把 Notion 里的所有文档接一个 RAG 就导入聊天框。它能深刻理解 Notion 的内在结构：它知道什么是数据库，知道数据库里的字段和关联关系，知道页面的层级和内嵌内容。它几乎可以像一个人类高级用户一样使用 Notion。

这意味着，只要你是一个有条理的人，懂得如何规划信息在 Notion 里的排布，剩下的事情，Notion AI 就能帮你搞定。

它就是文科生的 Cursor。

产品的胜利，而非模型的胜利

回到最初的观点。我退订 ChatGPT Plus，不是因为它变弱了，而是因为它碰到了许多创业公司的问题，在马太效应上碰了壁——它不可能为了搜索 Twitter 信息而做个 Twitter，它不可能为了更好的做知识库搜索而重做一个 Notion，也不能为了更好的分析视频去从头做一个 Youtube。

它依然停留在那个“我有一个强大的模型，你来问我吧”的阶段。但当大公司，或原本拥有强力产品的公司一发力，竞争就进入了下一个时代：一个基座模型能力趋同，而产品形态、工作流整合能力决定最终价值的时代。

当然，我并非完全告别了 ChatGPT。它依然是一个优秀的信息源和灵感激发器。但它在我工作流中的权重，已经大大降低。它产生的大部分内容，最终也都会被我归档到 Notion 中。

说到归档，很多人头疼如何将自己在 ChatGPT 上的海量聊天记录，这个蕴含了大量个人思考和知识的宝库，有效地管理起来。直接从官网导出的是一个复杂的 JSON 文件，几乎无法阅读。

作为一个坚定的“万物皆可 Notion”主义者，以及一个被 Cursor 赋能的半吊子开发者，我动手写了一个小工具：ChatGPT-Chat-History-To-Notion。

这是一个开源的 Python 脚本，可以将你从 ChatGPT 导出的聊天记录（conversations.json），一键导入到你指定的 Notion 数据库中。它会自动将每一次对话整理成一个独立的页面，保留完整的问答记录和对话时间。

这样，你过去与 AI 的每一次思想碰撞，就都能变成你个人知识库中可搜索、可关联、可再利用的一部分了。你甚至可以在 Notion 中选择 GPT-4.1 模型，然后 At 这些聊天记录，让其继承某一次与 ChatGPT 聊天的记录，并继续那次对话。

欢迎试用，也欢迎在 GitHub 上给我提 Issue 或 PR。

毕竟，工具的意义，就是为了解决问题。无论是退订一个产品，还是开发一个小工具，都是为了让我们能更顺畅地思考和创作。

而这，或许才是 AI 带给我们最根本的价值。