我們似乎正處在一個“收藏即掌握”的時代。

不管是知乎、論文庫，還是小紅書，只要看到一句金句、一篇好文、一個值得學習的案例，我們的第一反應往往是點個收藏，留著以后看。然而，我們真的會“回頭再看”嗎？

讓我們先來看一個令人震驚的統計：

知乎收藏：平均每人收藏文章 547 篇，實際回看率僅 3.2%；論文收藏：研究生平均收藏論文 284 篇，深度閱讀率不足 12%；小紅書收藏：用戶平均收藏內容 1,203 條，二次瀏覽率僅 1.8%。

你收藏夾里有多少吃灰的鏈接？你今天閱讀了 50 篇論文，都消化掉了嗎？

這背后反映的殘酷現實是：

? 輸入 ≠ 努力：看了不等于學了；? 收藏 ≠ 擁有：存了不等于會了；? 思考 ≠ 積累：想了不等于留了。

如果有一個平臺，讓你像刷小紅書一樣輕松，但每一次瀏覽與收藏都是給自己的認知 + 1，每一次思考都能和 AI 共同進化呢？上海創智學院發布創智 "小紅書"（Deep Cognition）—— 全球首個可以主動構建認知并且讓認知真正積累的 AI 平臺，一個可以創造智慧的小紅書！

「線上體驗」：https://opensii.ai/

信息過載的時代，如何識別高價值的洞見、認知是無數人的痛點需求。在創智 "小紅書" 中，每一張卡片都承載著一條最新的認知洞察。這里匯聚著數據驅動的洞察，將最新研究的核心發現以直觀的方式呈現；凝聚著理論突破的精華，用簡潔明了的表達詮釋復雜深奧的理論；沉淀著實踐智慧的結晶，通過經驗總結完成知識的深度萃取。

點擊體驗一個具體的 “認知卡片” 實例：https://www.opensii.ai/share/cognition/6874a6d69382ee3ddd828b77

為什么 "收藏認知" 會提高你 AI 的認知？

通過下面這個例子，我們來看，如何實現” 你的每一次瀏覽與收藏，你的 AI 模型認知都會隨之增加 ”。

具體來說，用戶日常刷認知收藏的所有認知，AI 都會默默學習記錄下來，習得該認知內容。下一次你和 AI 對話的時候，AI 會帶著這些最新認知去思考問題，以及與你互動。因此，每一張卡片，都是思考提煉的認知，每一次收藏，都是認知資產的積累。“收藏” 這個操作已經被賦予了更多的價值，當你實在沒有時間仔細閱讀的時候，點擊 “收藏”，至少你把屬于你的 AI 模型認知提高了，下一次 AI 可以更好的幫助你解決問題

例如，詢問如下問題：

隨著大模型在 context engineering 方面的能力提升，它們開始具備處理多輪對話、長期任務和研究語境的能力。我們該如何構建一個可以持續參與科研過程、協同解決問題，真正成為 “AI 科學家同事” 的智能代理？

當你向系統提出這個關于 "AI 科學家同事" 的問題時，系統會自動搜索你之前收藏過的相關認知卡片。

AI 會綜合這些你曾經收藏的認知資產，結合最新的技術理解，給出個性化的回答：

"基于你之前關注的多智能體框架和長期記憶機制，我建議構建一個具備以下能力的 AI 同事系統：1）持續學習你的研究偏好和工作習慣；2）維護項目上下文的長期記憶；3）主動提出研究假設和實驗設計；4）具備跨任務的知識遷移能力..."

這樣，你的每一次收藏都在為未來更精準的 AI 對話做準備，真正實現了 "收藏即學習，對話即智慧"。

通過這樣的方式，將認知系統化構建以及平臺化，還可以獲得其它許多獨一無二的功能：

1. 認知榜單 & 周報總結

展示本周熱門認知話題排行榜（如評估指標、基準測試、人工標注等）以及社區學習動態總結

2. 特色功能：認知個性化訂閱 & 分享

根據自己專注的技術領域（如機器學習、數據科學等）和領域名人收藏專屬的認知內容，并與社區分享。

3. 特色功能：認知合成

認知合成將分散的觀點思維融合，形成新的深度理解和認知。

創智 “小紅書” 背后的技術原理是什么？

創智學院同時也公開了相關的技術論文《交互即智能》，揭示了人機協作關系的變革。

論文題目：Interaction as Intelligence: Deep Research With Human-AI Partnership論文地址：https://arxiv.org/pdf/2507.15759項目首頁 / 試用網址：https://opensii.ai/

具體來說，創智 "小紅書" 所解決的認知積累問題，實際上揭示了當前人機交互模式的根本性缺陷。認知無法積累的表面原因是平臺設計問題，但深層原因是 AI 仍停留在 "效率工具" 階段，而非 "認知伙伴"。

傳統的 "效率工具" 模式采用 "存儲 - 檢索" 邏輯：用戶負責收藏和存儲信息，平臺負責保存和檢索內容，認知處理完全依賴人類大腦的記憶和聯想。這種模式的根本問題在于：它將人和機器割裂開來，把認知處理的重擔完全推給了人類。用戶在信息過載中疲于奔命，AI 系統卻只能被動響應，無法主動參與認知的構建和積累過程 [2]，在完成長復雜任務的過程中，往往會帶來錯誤積累 [3, 4]。

該技術論文指出，當前的假設根本上誤解了智能本身的性質，互動本身構成了智能的基本維度。未來，人與 AI 交互的范式將從最小化人類參與的 “效率工具” 模式，進化為 “認知伙伴” 關系。

該工作定義了一種新范式 “交互即智能（Interaction as Intelligence）”，論文提出了一個根本性的重新認知：智能 —— 無論是人類還是人工智能 —— 本質上都是交互式的、情境化的、協作的。最復雜的人類思維很少孤立發生，而是通過對話、反饋、精化和多元視角整合而涌現。

正如論文開篇引言所述：

"智能不是孤立心靈的屬性，而是在心靈之間的舞蹈中涌現的。問題不在于各個組件有多聰明，而在于它們如何精彩地交互。"

基于 "交互即智能" 的理論基礎，該工作提出了認知監督（Cognitive Oversight）這一全新的人機協作范式。它將人類從被動的工具操作者轉變為主動的認知協作者，與 AI 形成真正的智能共同體。

從 “刷認知” 到 “使用認知” -

Deep Cognition 系統

創智 "小紅書" 作為認知平臺，與深度研究系統形成完美的理論 - 實踐閉環，形成了 Deep Cognition 系統，可以不僅進行認知學習，還可以用習得的認知去解決高價值場景復雜的問題。具體來說：

一、深度研究系統：多智能體協同認知框架

1. 研究智能體（Research Agent）研究智能體作為系統的核心大腦，能夠接收多模態輸入并采用 "交替思考 - 行動" 的先進方法進行深度推理，集成了 o1、DeepSeek-R1、Claude Sonnet 4 等最先進的推理模型，確保研究過程的嚴謹性和前沿性。

2. 瀏覽智能體（Browsing Agent）瀏覽智能體則充當系統的感知器官，通過智能 URL 選擇、并行網頁抓取和基于 LLM 的質量評估，為研究提供高質量的信息支撐，同時過濾噪音和無關內容。

3. 偏好智能體（Preference Agent）是整個框架的學習中樞，基于上下文強化學習（ICRL）范式，持續學習和適應用戶的個性化偏好。它跟蹤用戶在查詢、網頁瀏覽和報告生成三個維度的行為模式，將每一次用戶交互轉化為優化系統性能的寶貴信號。

深度研究系統具備如下強交互特性：

特征一：透明的研究過程：界面通過多種機制建立透明度，使用戶可以看到和理解系統的決策過程。通過直接展示模型的推理過程和生成的查詢詞，搜索策略的可解釋性得以支持。界面左側的編輯器顯示不斷演進的研究文檔，并提供 “編輯” 按鈕允許用戶直接修改。所有發現都恰當地鏈接回原始來源，方便用戶追溯。特征二：實時干預：系統實現了一個 “暫?！?功能，使用戶在整個研究過程中保持控制權。用戶可以在任何時刻中斷系統，包括在顯示 “正在分析技術突破，請參考...” 等進度指示時。特征三：細粒度交互：當用戶提出模糊的研究問題時，界面會彈出一個澄清框，提出有針對性的問題以幫助縮小范圍，就像研究館員在問 “您具體在找什么？”。用戶可以優先選擇偏好的搜索查詢，并指定希望重點關注的特定網頁或知識來源。特征四：用戶研究偏好自適應：系統在多個維度上適應用戶的偏好和要求，提供個性化的研究輔助。系統會根據用戶的歷史數據和選擇生成參考畫像，從過去的交互中學習，以更好地匹配個人的研究方法。隨著研究目標的演變，系統能在不丟失先前交互上下文的情況下適應新的需求。

該系統體現透明度、細粒度、實時交互特性的 Multi-Agent-Human 協作機制設計。

對比 Deep Cognition 和主流深度研究系統的創新點。

二、認知平臺系統：創智 "小紅書"

創智 "小紅書" 作為認知平臺系統，是 Deep Cognition 從理論研究走向實際應用的關鍵橋梁，它將復雜的 AI 研究能力轉化為用戶友好的認知服務體驗。

4. 認知卡片生成引擎：認知卡片生成引擎是平臺的核心創新，它能夠自動將深度研究系統產生的復雜成果轉化為結構化、可視化的認知卡片，每張卡片都承載著經過精心提煉的核心洞察、關鍵數據和重要結論，并配備可視化的知識圖譜和思維導圖，讓復雜的研究成果變得易于理解和吸收。

5. 認知積累機制：認知積累機制則是平臺的智能推薦系統，它基于用戶的行為數據驅動個性化推薦，通過認知關聯度的智能算法組織卡片內容，實現認知資產的復利增長效應，確保用戶的每一次學習都能在現有認知基礎上產生價值疊加。

實驗 1：量化驗證認知監督的威力

為了衡量 “交互” 本身所帶來的價值，研究進行了一項關鍵的消融實驗：將具備完整功能的 “深度認知”（Deep Cognition，DC）系統與一個移除了交互模塊、只能以 “輸入 - 等待 - 輸出” 模式運行的版本（DC non-interaction）進行對比。結果是驚人的，如下表所示，交互的引入帶來了全方位的、巨大的質量提升 [1]。

數據顯示，交互的引入使得最終報告的平均質量提升了 63%。其中，提升最為顯著的是報告的 “組織性 (Organization)”（+97%）、“前沿性 (Cutting-Edge)”（+79%）和 “深度 (Depth)”（+76%）。這一結果有力地證明了研究的核心論點：最大的性能飛躍并非來自一個更強大的底層模型，而是來自一個更優越的交互范式。當用戶能夠實時引導、修正和注入知識時，AI 生成的最終成果質量發生了質變。

表 1：交互對報告質量的提升效果（DC vs. DC without interaction）

在與當前市場領先的商業深度研究系統（Gemini, OpenAI, Grok）的直接對比中，“深度認知” 系統同樣展現出全面的優勢。評估從兩個維度展開：一是用戶對最終報告質量的主觀評分，二是用戶對交互過程體驗的評分 [1]。

左圖：專家用戶針對專業領域科研問題，對最終報告質量的評分對比（本系統 vs Gemini/OpenAI/Grok）；右圖：各系統交互體驗評分。

專家用戶對系統交互功能各項指標的評價結果分布，各功能都獲得了用戶的高度認可。

在交互體驗方面，“深度認知” 系統在七項評估指標中的六項上占據主導地位。尤其是在體現其核心設計理念的指標上，優勢尤為突出：

透明度 (Transparency): 獲得了完美的 5.00 分，比表現最好的競品高出 25.0%。細粒度交互 (Fine-Grained Interaction): 獲得了 4.73 分，領先優勢高達 44.6%。協作性 (Cooperative): 獲得了 4.62 分，領先優勢達到 43.0%。

這些數據表明，該研究不僅在理論上是先進的，其最終實現的產品也為用戶帶來了更具協作感和可控性的使用體驗。

實驗 2："專家思維放大" 效應：

這項測試要求系統在復雜的網絡環境中尋找難以發現的信息，極大地考驗了系統的推理和執行能力。研究結果清晰地揭示了 “認知伙伴關系” 的巨大威力。

表 2：BrowseComp-ZH 基準測試準確率對比 [1]。DC (cog+int.) 指與研究生級用戶實時交互協作的模式；DC (non int.) 指無人干預的自主模式。

這一結果堪稱深度研究領域的 “半人馬時刻”（Centaur moment），它呼應了當年國際象棋比賽中，人類棋手與 AI 程序組成的 “半人馬” 團隊擊敗最強超級計算機的歷史性事件 。數據揭示了幾個關鍵事實：

1. 協作遠勝單打獨斗：“專家 + AI” 組合的 72.73% 準確率，遠高于任何一個獨立運行的 AI 系統（最高約 41%）。

2. 專家知識是關鍵：同樣的系統，在專家手中（72.73%）和在非專家手中（45.45%）的表現差異巨大。

3. 交互是釋放專家潛能的鑰匙：即使是 “深度認知” 系統，在沒有人類交互的情況下自主運行時，其表現也僅與普通商業 AI 持平（40.91%）。

這組數據背后隱藏著一個深刻的價值主張。它表明，當前主流的自主型 AI 工具，實際上正在浪費其最有價值的資源 —— 人類專家的智慧。一個獨立運行的 AI 在復雜任務上可能只有 41% 的成功率，這意味著它在多數情況下是失敗的。然而，當同一個任務交由一位專家使用 “深度認知” 系統來完成時，成功率躍升至近 73%。這之間大約 32 個百分點的巨大差距，就是被 “深度認知” 框架所釋放和放大的、專家的認知價值。

因此，這項研究的真正價值主張并非簡單地宣稱 “我們的 AI 更強”，而是 “我們的系統讓您的專家變得更強”。它將 “認知伙伴關系” 和 “互補性” 這些抽象概念，用一個具體、可量化的性能指標呈現出來，這對于任何依賴專家知識進行決策的組織或個人而言，都具有無與倫比的吸引力。這正是系統在 “投入產出比”（Results-Worth-Effort）指標上同樣領先的原因。

實驗 3：人機回環：解密「動態自主性」

該研究中關于人類行為的定性發現揭示了用戶在與高度交互式 AI 協作時所表現出的復雜模式，展示了該系統設計對人類認知習慣的深刻理解。

超越開關模式：人機交互的戰略性舞蹈

研究發現，高效的人機協作并非一種恒定的、高強度的互動狀態。相反，用戶會根據任務的不同階段和認知需求，在 “親力親為”（Hands-on）和 “放手信任”（Hands-off）兩種模式之間進行動態、戰略性的切換。研究將這一現象概括為 “動態自主性”（Dynamic Autonomy）。

這種模式的發現，本身就是對傳統人機交互設計理念的一次重要超越。它表明，用戶的需求不是一個簡單的 “開 / 關”—— 要么完全控制，要么完全放手。真實的需求是一種靈活的、可調節的控制權分配。

認知協作的六個階段

通過對用戶行為的細致觀察，研究將復雜的深度研究過程分解為六個不同階段，并清晰地描繪出用戶在每個階段的協作意愿變化，如上圖所示 ：

親力親為（Hands-on） - 人類智慧主導

1. 問題澄清 (Clarification):在研究初期，面對模糊、開放式的問題，用戶會高度參與，與 AI 一同迭代、細化研究范圍。例如，參與者 P1 最初提出寬泛問題后，會主動補充具體技術方向，并認為 AI 提出的澄清問題 “包含了自己未曾想到的方面” (1)。這是人類戰略性思維和框架構建能力發揮最大價值的時刻。

2. 專家知識注入 (User Knowledge Input):當用戶擁有明確的領域知識、特定的參考文獻或個人見解時，他們會再次高度介入，主動引導 AI 關注關鍵信息源。

3. 實時干預 (Real-time Intervention):在 AI 瀏覽信息的過程中，當用戶發現有價值或存在偏差的內容時，會立即介入，調整 AI 的行為以符合預期。

4. 網絡搜索 (Web Search):對于需要主觀判斷或開放式解讀的問題，用戶同樣傾向于親身參與，因為這類任務對現有工具最具挑戰性。

放手信任（Hands-off） - AI 能力主導

5. 推理過程 (Reasoning):有趣的是，在 AI 進行內部推理和分析時，用戶的協作意愿反而降低。他們更傾向于退后一步，觀察 AI 如何自主處理指令，并評估其決策的透明度和質量。如 P12 所述，他們希望看到 “模型在面對開放問題時如何決定關鍵技術路線” 。

6. 網頁摘要 (Web Summary):在需要對大量信息進行整合與摘要時，用戶表現出對 AI 自主性的高度信任。他們需要的是經過 AI 處理后的綜合性見解，而非原始信息的堆砌，因此愿意讓 AI 長時間自主運行。

這一 “動態自主性” 模型的提出，為設計更高效、更少挫敗感的人機協作系統提供了一份寶貴的藍圖。當前 AI 助手的一個常見設計缺陷，是它們往往強迫用戶接受一種單一的交互模式：要么需要用戶進行繁瑣的微觀管理，要么就提供極少的控制權，讓用戶感到失控 。該研究通過對用戶真實行為的觀察發現，用戶真正需要的不是一個固定的控制級別，而是在不同認知子任務間靈活切換控制權的能力。

例如，在需要創造性、發散性思維的 “問題澄清” 階段，用戶渴望 “親力親為” 的主導權；而在需要機械性、收斂性處理的 “網頁摘要” 階段，用戶則樂于 “放手信任”，將任務委托給 AI。這一發現的設計啟示是深刻的：未來的 AI 系統不應預設一種最佳交互風格，而應被設計成能夠支持這種控制權動態轉移的平臺。這意味著，系統需要為高參與度階段提供強大、易用的控制工具，同時為低參與度階段提供穩定、值得信賴的自動化能力。

總結

Deep Cognition 和創智 "小紅書" 進一步證明：AI 的價值不再只取決于參數規模，而是認知深度。而認知深度的實現，需要人機之間的深度交互和協作，更需要從 "效率工具" 向 "認知伙伴" 的根本性轉變。

創智 "小紅書" 開啟的不僅是一個產品，更是一個時代：

認知民主化：讓每個人都能輕松積累和分享智慧智慧社會化：構建基于認知共享的新型社會關系文明加速化：推動人類認知水平的整體躍遷

當認知成為可積累、可分享、可增值的資產，當交互成為智能本身，當 AI 從工具進化為伙伴，我們正在重新定義人類與 AI 共同進化的未來。

文中視頻鏈接：https://mp.weixin.qq.com/s/KrbK8oVsy5rNQCYJ_ykEWA

參考文獻：

[1] Interaction as Intelligence: Deep Research With Human-AI Partnership

[2] "help me help the ai": Understanding how explainability can support human-ai interaction

[3] Why do multi-agent llm systems fail?

[4] Ironies of automation