6642
17本期是小宇宙5万粉的番外篇，首先非常感谢大家的关注！我们也想借这个节点，聊聊一个大家可能感兴趣的话题：大罗小罗的资料是从哪里找的、怎么整理的。面对一个可能不是“资深专家”的话题，又是怎么把它（尽量）讲清楚的？这次就以制作一期播客为例，从提问题、找资料、搭框架，到怎么输出，以及AI能帮什么忙，最后是为什么推荐小白读者入门政治和科技领域。
分享的方法适用于刚进入一个岗位、要交一份研究报告，或者只是突然对某件事好奇。本期提到的播客、媒体、视频账号和工具，以及方法步骤总结、AI prompt参考，都整理在下方了，欢迎大家自取使用～
⏳ 时间戳
1. 问题与目标：一次学习从哪里开始
03:59 从好奇心到一个具体的问题
把好奇心变成一个具体、可回答的问题，是入门的“超级第一步”。热点可以用来训练提问：同一件事，从产业、政治、历史切进去，都可能找到自己特别想弄明白的那个问题。
12:06 为什么学习要有一个输出目标
输出才能倒逼输入，一份小报告、一段朋友圈，甚至给豆包讲三五分钟，都能成为检验；有了目标，也更容易知道资料读到什么程度可以“收手”。
2. 泛读与理解：在资料里建立自己的认识
15:52 泛读：带着问题，广泛接触资料
从长期关注、相对信任的信源出发，围绕问题搜关键词。泛读时不必筛得太细，可以“饕餮式”地广泛接触，意外的材料里也可能藏着新鲜的视角。
17:34 我们的日常信源：文字、播客与视频
深度报道给细节，长篇播客讲故事，老节目也可以当“百科全书”来查。财新、Acquired、Planet Money……按自己的阅读和收听习惯挑信源，也留意不同来源的立场。
27:16 为什么资料还得自己读
泛读也是“肉身体验”：建立自己对一个领域的一手体感。具体的人物、完整的叙事、打动人的小细节，往往藏在原文里；自己先感受到了，讲出来的故事才有人味儿。
31:00 陌生概念与入门时的“云里雾里”
允许自己云里雾里、囫囵吞枣、不求甚解。反复卡住理解的概念，再停下来弄懂；听完 AI 的解释，反过来给它讲一遍，才知道自己到底卡在哪儿。
3. 框架与精读：资料怎样变成自己的表达
36:36 泛读的终点：心里有了一条主线
边看资料，边在心里打腹稿。有了主论点、分论点和支撑它们的例子，能够回答最初的问题，泛读就可以叫停；主线清楚了，也就知道哪些精彩故事该留下，哪些要舍得放。
41:51 结论先行：写作背后的思维框架
全篇要结论先行，每个部分也要结论先行。就像做汇报 PPT，大标题连起来就应该是一个讲得通的故事；事实和细节很重要，把它们串起来的逻辑框架同样重要。
47:22 精读与落笔：把骨架写成有血肉的故事
先把书读薄，再通过有针对性的二次检索，把细节补充厚实。框架只是骨架，精读和落笔要一起推进：写到哪个分论点，就再去补具体的事实和细节，让故事有血有肉。
4. AI 的分工：资料整理与局部创作
49:37 资料太多记不住，AI 怎样参与整理
听过的故事太多，人脑记不过来，就让 AI 当资料秘书：排时间线、做故事卡，帮我们回忆和定位。真正落笔时，还是要回到原文，看看它有没有理解偏。
(AI帮忙整理的时间轴)
(AI帮忙整理的故事卡)
53:00 我们的稿子里，AI 到底参与了多少
翻译官、资料秘书、概念陪练、局部文案助手，是我们给 AI 安排的四个工种。正文自己消化、自己写；定场诗和判词，可以给它原诗、韵脚和关键词，出几个版本，再挑选、拼合、自己改。
5. 方法之外：为什么想把政治与科技讲给大家
56:36 政治带来的第一种视角：权力思维
政治最基石的问题，是“谁有权决定什么”。透过职场协作、家庭分工这些具体的事，去看资源怎样分配、规则怎样制定，权力思维能让我们更现实、务实，也更平和地看待身边的关系。
01:02:18 政治带来的第二种视角：公共思维
政治是关于一群人的事情，人天然是政治动物。小到社区，大到国家，我们和千千万万认识或不认识的人的命运连在一起；参与公共生活、为他人做一点事，也能让人感到自己是有力量的。
01:06:01 了解科技：对 AI 祛魅
了解 AI，是为了祛魅：既看到它已经走到哪一步，也看到它还有哪些局限。亲自用一用，知道它能帮我们解决什么、还有什么做不好，才算真入门。
01:08:45 长期积累：从一个个小项目走进一个领域
入门不用先准备一个大工程，从一个感兴趣的小问题开始，边学边干、干中学。一个问题接着一个问题，积累的概念和自己的输出越来越多，慢慢地，半只脚就踏进这个门了。
🎵 音乐
Who Got the Truth? - Yung Spielburg feat. Mike Taylor
Sheluvme - Tai Verdes
Match My Vibe - Damma Beatz
📚 提及的节目和资料
🎧 播客与专栏
硅谷101（21:26）科技、AI 与行业访谈。大罗查科技话题时，会先在历期节目里搜关键词。
商业就是这样（21:26）商业话题与公司故事，是大罗日常听、做选题时也会回去检索的节目。
Acquired（21:26）深入讲一家公司的发展故事。篇幅很长，适合围绕正在研究的公司定向找资料。
The a16z Show（22:31）硅谷投资机构 a16z 的播客；大罗提到的英文科技内容来源之一。
Planet Money（22:31）用故事讲经济。大罗喜欢它的选题、调查报道，以及让小白也听得进去的表达。
Planet Money Summer School（22:57）Planet Money 的经济学入门系列。节目里的音效、主题策划和结课仪式，也值得内容创作者参考。
美轮美换 The American Roulette（19:54）
关注美国政治的播客，小罗提及其付费newsletter。
半拿铁｜商业沉浮录（21:26、54:07）
值得学习的商业类播客。
Wow in the World（25:46）
面向儿童与家庭的英文科学播客。
📝 新闻媒体
The New York Times｜纽约时报（17:34）
搜索海外新闻和长篇报道。
The New Yorker｜纽约客（17:34）小罗提到的英文长文、深度内容来源。
另外也会搜索微信公众号：先看文章是否切题，再结合账号其他内容、阅读量和有多少朋友关注等维度作初筛。小罗的阅读习惯是优先找长文、周刊封面和深度报道，并把中英文来源对照着看。
📺 视频账号
小Lin说（19:54、26:36）政治经济、商业热点的通俗解读。
小王Albert（19:54）
小罗提到的政治、国际热点解读来源。
📖 本期提到的书
《金字塔原理》（42:51）：对应本期“结论先行、分层组织论点”的讨论。可以直接拿一份自己的报告或 PPT 练习：只读每页标题，是否已经能讲清楚这次想说的事？
🧰 本期提到的工具
Cosmos Enhanced（50:11）Chrome小宇宙网页端浏览器插件。
通义千问（50:11）大罗用来把音视频转成文字，再整理成可检索的逐字稿。
豆包输入法（54:07）
语音输入法，识别较为准确，可作为typeless的免费版。
大罗的音频资料流程：下载音频 → 转写成文字 → 整理为 Markdown（.md）等便于检索的文本 → 让 AI 做时间线、故事卡 → 按关键词和时间码回原文核对。工具的具体功能与额度，以实际使用时的产品页面为准。
🔗 节目里提及的我们的播客
29. 如何写作｜清华毕业后成了自由职业写手，写作干货分享的一期
✍️ 方法论整理
01 提一个具体问题
把“我想了解某个领域”，缩小成这次真正想回答的一个问题。
02 定一个输出目标
报告、朋友圈、播客稿，或讲给 AI 听的三五分钟，都可以。
03 围绕问题泛读
按关键词找文章、视频、播客；先接受模糊，再解决反复卡住的概念。
04 搭出回答的框架
先有一个主论点，再列几个分论点；每部分找到能支撑它的例子。
05 边写边精读
缺哪段事实、人物、场景，就再搜更细的关键词，回原文补齐。
06 用自己的话讲清楚
哪里说不通，就回去查哪里；完成一次，再带着新的好奇做下一次。
什么时候可以结束泛读？能用自己的话回答最初的问题，能列出几个主要部分，并为各部分找到支撑材料，就可以开始写。剩下的缺口，在落笔与精读中继续补。
🤖 AI提问参考
以下根据本期讲到的操作整理，可以把【】里的内容换成自己的问题
完整翻译｜20:52
请把下面的英文原文完整翻译成自然中文，保留原文段落、事实、例子和限定语。不要总结、删减或自行补充。遇到无法确定的专有名词，请保留英文并标注。
请把我当成一个有通识理解能力、但对【领域】完全陌生的成年人，解释【概念】。不要用新的专业词堆砌解释；必须用到时，请一并说明。我会随时追问。
反过来当老师｜34:25
接下来我用自己的话解释【概念或流程】。请先不要打断，等我说完，再指出事实错误、逻辑跳步和含糊之处。不确定的地方请直接说明，再让我重新讲一遍。
只根据我提供的材料整理【主题】。请列出事件时间、人物、发生了什么、原文摘录及来源时间码或段落。遇到“三个月前”等说法，注明推算依据，区分明确日期与推定日期，缺失信息不要补写。再把主要故事分成卡片，保留回查原文的位置。
参考【诗句或句式】，围绕【主题】写三到五个版本。保留【关键词】，满足【字数、韵脚或形式要求】。不要添加没有依据的事实，我会再挑选、拼合和修改。
🗂 一张故事卡，至少记住这些
故事标题；来源节目或文章；原音时间码或原文位置；时间与地点；相关人物；发生了什么；支撑哪个分论点；原文证据；哪些是推断、哪些还要核对。故事卡负责帮助回忆和定位。真正动笔时，回到那个具体段落，看看原话、前后文和限制条件。
其实无论听播客还是读书，能留下的往往不是一个个细碎的信息。那些细节，在AI和互联网时代随时能查到，你也知道该去哪里查；学习更重要的，是从细节里提炼出可复用的模型和思维框架。而模型恰恰是细节压缩后的产物，只有经历过足够的细节，才知道该查什么，也分得清查回来的东西靠不靠谱；很多好问题，正是从细节的碰撞里冒出来的。所以细节不必刻意背，但必须经历过，没有细节支撑的框架，容易空转。
有了AI之后，更稀缺的是提出好问题的能力。正所谓一百个答案，往往在等待一个好问题。好问题从哪儿来？来自对信息的提炼、总结、归纳和升华。所以我理解的学习能力的迁移，迁移的不是泛泛的聪明，而是这个抽象动作本身：遇到新东西，习惯性问三句——它背后的结构是什么？换个领域还成立吗？哪里会失效？把这三问练成肌肉记忆，学习才能跨领域复利。