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。

评论尸 的头像

如果你觉得本文有信息增量,请:

喜欢作者

 

精选评论

  1. Mia. Q 的头像

    喜欢这个观点,“产品的胜利而不是模型的胜利”。我最近也在考虑是否要退订GPT Plus, somehow 我会觉得Gemini的回答更符合我的工作流,但因为GPT的记忆功能不错,磨合了这么久,我几乎每天工作发email和准备demo都需要用它,暂时还找不到替代品。期待你关于notion AI的文章!

    1. 评论尸 的头像

      Notion 本身的教程我应该不会写的,因为关于 Notion 的图文、视频教程都太多了,着实是不太需要重复造轮子……