1. 一份日报背后的信息筛选逻辑做 AI 日报这件事我坚持了快两年。每天醒来第一件事不是刷手机而是打开十几个信息源把过去 24 小时里真正值得记录的 AI 动态捞出来筛掉噪音压缩成一份能让人十分钟读完的东西。2026 年 9 月 24 日这一期是我印象比较深的一期因为当天的信息密度特别高几条线索交叉在一起恰好能拼出一张完整的行业切面图。先说清楚这份日报到底解决什么问题。市面上的 AI 资讯不是太少而是太多。模型发布、融资消息、论文更新、工具上线、开源项目、监管动态每一条单拎出来都有人写但把它们放在同一个时间切片里做横向对比判断哪些是真正影响后续走向的这件事反而没人认真做。日报的价值不在于全而在于选和连——选出当天最关键的几条再连成一条能看懂的脉络。这份日报适合三类人看。第一类是 AI 产品经理和创业者需要快速判断技术边界在哪里、哪些能力已经可以产品化第二类是开发者和工程实践者关心模型部署、Agent 架构、工作流编排这些落地层面的东西第三类是对 AI 保持关注的普通从业者不需要懂技术细节但要知道这个行业正在往哪个方向走。三类人的需求不一样所以日报的结构必须分层快讯给所有人看深度拆解给需要的人看工具和资源清单给动手的人看。我给自己定的筛选标准有三条。第一条是可验证性只收录有明确来源、能追溯到原始出处的信息二手转述和猜测性内容一律不进。第二条是影响半径判断一条消息是只影响一家公司还是会影响一整条技术路线后者优先。第三条是时间衰减有些消息今天热明天凉有些消息三个月后回头看才发现是转折点日报要尽量捕捉后者。这三条标准听起来简单但每天要在几百条信息里执行靠的是长期积累的判断力没有捷径。提示做日报最忌讳的是什么都想要。我早期也犯过这个错一期塞二十条读者看完记不住任何一条。后来砍到五到八条核心内容阅读完成率反而上去了。2. 2026年9月24日核心动态拆解2.1 智能体训练方法的公开化趋势当天最值得记录的一条是 DeepSeek 公开了一套智能体训练的新方法。这件事的意义不在于方法本身有多复杂而在于公开这个动作。过去一年智能体的训练细节基本被头部团队捂在手里公开的论文往往只讲结果不讲过程复现难度极高。这次公开的内容包含了训练流程、数据构造思路和评估方式虽然不可能把全部细节都放出来但至少给了一个可参考的框架。我仔细看了公开的材料核心思路可以概括为分阶段能力注入。第一阶段让模型学会在环境中稳定地执行单步动作第二阶段引入多步任务链第三阶段才加入工具调用和错误恢复。这个顺序很关键很多团队做 Agent 失败就是因为一上来就让模型处理复杂任务链模型在单步动作上都不稳定后面全是空中楼阁。从工程实践的角度看这套方法对中小团队最大的启发是评估体系的搭建。公开材料里花了不少篇幅讲怎么设计评估任务、怎么定义成功标准、怎么处理部分成功的情况。这些内容在过去的公开资料里很少见但对实际开发来说评估体系比训练方法本身更重要——你连怎么判断好坏都不知道训练出来的东西也没法迭代。2.2 多 AI 协作从概念走向工作流当天还有几条消息指向同一个方向多 AI 协作正在从演示性质的概念验证变成真正能跑起来的工作流。具体表现是几个主流平台都在推自己的多智能体编排能力有的主打可视化拖拽有的主打代码化定义有的主打与现有开发工具链的集成。我实测下来目前的多 AI 协作方案大致分两派。一派是角色分工派给每个智能体分配固定角色比如一个负责规划、一个负责执行、一个负责检查角色之间通过消息传递协作。另一派是能力路由派不预设角色而是根据任务类型动态选择最合适的模型或工具来处理。两派各有适用场景角色分工派适合流程固定的任务能力路由派适合任务类型变化大的场景。这里有个容易被忽略的坑多智能体协作的通信开销。我做过一个测试三个智能体协作完成一个中等复杂度的任务光是它们之间的消息传递就占了总 token 消耗的四成以上。如果任务本身不复杂多智能体反而不如单模型加工具调用来得划算。所以判断要不要上多智能体先算一笔账任务复杂度带来的收益能不能覆盖通信开销带来的成本。2.3 内容生成工具的能力边界当天热搜词里出现了不少与内容生成相关的内容涉及图片、视频、短剧等多个方向。这些工具的能力确实在快速提升但我在实际使用中发现它们的能力边界比宣传的要清晰得多。以视频生成为例目前工具擅长的是短片段、单场景、风格统一的内容。一旦涉及多场景切换、角色一致性、长时序叙事质量就会明显下降。这不是模型能力不够而是任务本身的复杂度决定的——视频生成要同时处理空间一致性、时间一致性和语义一致性三个维度同时约束难度是指数级上升的。图片生成的情况类似。单张图的生成质量已经很高但系列图的风格一致性、角色一致性仍然是难题。我试过用同一组提示词生成十张图风格漂移是常态需要大量人工筛选和后期调整。所以如果你打算用这些工具做商业内容一定要预留足够的人工介入时间不要指望一键出片。2.4 工程实践与模型部署的现实约束当天还有几条关于 AI 工程实践和模型部署的讨论这些内容看起来不如模型发布那么吸引眼球但对实际落地的人来说价值更高。模型部署的核心矛盾永远是成本、延迟、质量这三者的平衡。我见过太多团队在这上面踩坑为了追求质量用最大的模型结果延迟高到用户无法接受为了降延迟用小模型结果质量掉到不可用为了省成本做量化结果某些任务上精度损失严重。这三个指标没有最优解只有针对具体场景的权衡。我的经验是先明确场景的硬约束。如果是实时交互场景延迟是硬约束先卡延迟上限再在这个范围内找质量最高的方案。如果是离线批处理场景成本是硬约束先卡成本上限再优化质量。硬约束定下来之后剩下的就是工程优化的问题方向明确不会来回摇摆。3. 从日报到工作流的转化方法3.1 信息筛选的三层过滤机制看日报和用日报是两回事。我见过很多人每天读资讯但读完就忘因为信息没有进入自己的工作流。要让日报真正产生价值需要建立一套从读到用的转化机制。我的做法是三层过滤。第一层是相关性过滤读完一条消息先问自己这和我当前在做的事情有关系吗没关系就跳过不要因为以后可能有用而囤积信息。第二层是可操作性过滤有关系的消息里哪些是能立刻动手试的哪些是需要等条件成熟的能立刻试的排优先级。第三层是验证性过滤动手试过之后记录实际效果和预期效果的差距这个差距就是最有价值的信息。这三层过滤听起来简单但执行起来需要克制。人的本能是贪多看到什么都想存下来结果存了一堆永远不看的收藏。我现在的习惯是每期日报最多挑一条内容做深度跟进其他的只做记录不投入时间。一个月下来深度跟进的内容不超过三十条但每一条都真正转化成了自己的认知或工具。3.2 工具选型的决策框架日报里经常会出现新工具怎么判断一个工具值不值得投入时间我总结了一个简单的决策框架分四个维度打分。维度判断标准权重解决真实痛点是否解决了我当前工作流中的具体问题高迁移成本学习和接入需要多少时间中生态兼容能否与现有工具链配合中长期维护背后团队是否有持续投入的迹象低权重不是固定的要根据自己的情况调整。比如你是一个独立开发者迁移成本可能比生态兼容更重要因为你的时间有限。如果你在一个团队里生态兼容的权重就要提高因为工具要能融入团队现有的流程。我踩过的一个坑是过早采用。有些工具刚出来的时候很惊艳但生态不成熟用起来到处是坑等半年后生态完善了再用体验完全不一样。所以除非这个工具解决的是你的核心痛点否则不妨等一等让早期用户帮你踩坑。3.3 把日报内容转化为团队资产如果你在团队里负责技术方向日报还可以转化为团队资产。我的做法是每周做一次日报精华汇总把一周里最重要的三到五条内容整理成一份内部简报附上自己的判断和建议。这份简报的结构是事实、影响、建议。事实部分只陈述客观信息不加评论影响部分分析这条消息对团队当前工作的潜在影响建议部分给出具体的行动建议比如建议在下个迭代中评估这个方案或建议关注这个方向但暂不投入。这样做的好处是团队成员不需要自己花时间筛选信息但又能保持对行业动态的敏感度。同时写简报的过程也是逼自己深入思考的过程比单纯读日报的收获大得多。4. 实操中的常见问题与排查4.1 信息过载的处理技巧做日报最大的挑战不是找不到信息而是信息太多。我每天要处理的信息源包括十几个技术社区、二十多个公众号、几个邮件列表、若干社交平台账号。如果不做处理光是把这些源刷一遍就要两个小时。我的处理技巧是分级订阅。把信息源分成三级一级源是必须每天看的通常是那些质量稳定、更新频率适中的二级源是每周看一次的通常是更新频繁但噪音较多的三级源是随缘看的通常是质量参差不齐但偶尔有惊喜的。分级之后每天的固定阅读时间控制在一小时以内。另一个技巧是关键词过滤。我在阅读器里设置了一组关键词只有包含这些关键词的内容才会进入我的待读列表。关键词不是固定的会根据当前关注的方向调整。比如最近在关注 Agent 和多智能体协作就把相关关键词加进去其他内容自动过滤掉。注意关键词过滤有风险可能漏掉一些用词不常规但内容重要的信息。我的做法是每周留出一次无过滤阅读专门看那些被过滤掉的内容避免信息茧房。4.2 判断信息真伪的实操方法AI 领域的信息真伪难辨尤其是涉及模型能力、工具效果的内容宣传和实际往往有差距。我总结了几条判断方法。第一条是看来源。官方发布、论文原文、有署名的技术博客可信度较高匿名爆料、截图传播、二手转述可信度较低。第二条是看细节。真正做过的人写出来的内容会有具体的参数、步骤、踩坑记录没做过的人写出来的内容往往是笼统的描述和夸张的形容词。第三条是看时间。有些信息在发布时是准确的但过了一段时间就过时了引用旧信息容易出错。最可靠的方法还是自己验证。如果一条信息对你的决策有重要影响不要只看别人的说法自己动手试一遍。试的成本可能不低但比基于错误信息做决策的代价小得多。4.3 日报写作的效率提升写日报是个体力活如果不优化流程很容易变成负担。我现在的流程是早上花四十分钟收集和筛选信息中午花二十分钟写初稿晚上花十分钟校对和发布。整个流程控制在一个小时出头。效率提升的关键是模板化。我有一套固定的日报模板包括快讯区、深度区、工具区、资源区四个板块。每天只需要往模板里填内容不需要重新组织结构。模板不是一成不变的会根据读者反馈和内容变化做调整但调整频率很低大部分时间都是按模板走。另一个关键是素材积累。平时看到好的内容随手存到一个素材库里写日报的时候直接从素材库里取不需要临时去找。素材库按主题分类找起来很快。这个习惯看起来不起眼但长期下来能省大量时间。4.4 常见问题速查表问题可能原因解决方法信息太多看不完订阅源过多没有分级做分级订阅设置关键词过滤看完记不住没有做转化信息没有进入工作流建立三层过滤机制每期深度跟进一条判断不准信息价值缺乏判断标准用可验证性、影响半径、时间衰减三条标准写作耗时太长没有模板临时找素材建立固定模板和素材库读者反馈少内容与读者需求不匹配定期收集反馈调整内容结构5. 长期做日报的几点体会做日报这件事短期看是信息整理长期看是认知积累。我做了快两年最大的收获不是知道了多少新消息而是建立了一套自己的信息处理框架。这套框架让我在面对新信息时能快速判断它的位置和价值而不是被信息牵着走。另一个体会是输出倒逼输入。因为要写日报我被迫每天保持一定的阅读量和思考量这个习惯反过来提升了我的信息敏感度。很多以前会忽略的细节现在能一眼看出它的意义。这种敏感度不是天生的是长期训练出来的。还有一点是保持克制。AI 领域变化太快每天都有新东西很容易陷入焦虑觉得自己跟不上。但实际情况是真正重要的变化没有那么多大部分都是噪音。日报的作用就是帮你把噪音过滤掉留下真正值得关注的那几条。所以做日报的人自己首先要相信这一点否则很容易被信息淹没。最后分享一个小技巧。如果你也想做日报不要一上来就追求完美先做起来哪怕每天只写三条。坚持一个月你会发现自己对信息的判断力有明显提升。然后再逐步优化格式和内容找到适合自己的节奏。这件事没有标准答案适合自己的就是最好的。
AI日报实战：智能体训练与多AI协作的工程化落地
1. 一份日报背后的信息筛选逻辑做 AI 日报这件事我坚持了快两年。每天醒来第一件事不是刷手机而是打开十几个信息源把过去 24 小时里真正值得记录的 AI 动态捞出来筛掉噪音压缩成一份能让人十分钟读完的东西。2026 年 9 月 24 日这一期是我印象比较深的一期因为当天的信息密度特别高几条线索交叉在一起恰好能拼出一张完整的行业切面图。先说清楚这份日报到底解决什么问题。市面上的 AI 资讯不是太少而是太多。模型发布、融资消息、论文更新、工具上线、开源项目、监管动态每一条单拎出来都有人写但把它们放在同一个时间切片里做横向对比判断哪些是真正影响后续走向的这件事反而没人认真做。日报的价值不在于全而在于选和连——选出当天最关键的几条再连成一条能看懂的脉络。这份日报适合三类人看。第一类是 AI 产品经理和创业者需要快速判断技术边界在哪里、哪些能力已经可以产品化第二类是开发者和工程实践者关心模型部署、Agent 架构、工作流编排这些落地层面的东西第三类是对 AI 保持关注的普通从业者不需要懂技术细节但要知道这个行业正在往哪个方向走。三类人的需求不一样所以日报的结构必须分层快讯给所有人看深度拆解给需要的人看工具和资源清单给动手的人看。我给自己定的筛选标准有三条。第一条是可验证性只收录有明确来源、能追溯到原始出处的信息二手转述和猜测性内容一律不进。第二条是影响半径判断一条消息是只影响一家公司还是会影响一整条技术路线后者优先。第三条是时间衰减有些消息今天热明天凉有些消息三个月后回头看才发现是转折点日报要尽量捕捉后者。这三条标准听起来简单但每天要在几百条信息里执行靠的是长期积累的判断力没有捷径。提示做日报最忌讳的是什么都想要。我早期也犯过这个错一期塞二十条读者看完记不住任何一条。后来砍到五到八条核心内容阅读完成率反而上去了。2. 2026年9月24日核心动态拆解2.1 智能体训练方法的公开化趋势当天最值得记录的一条是 DeepSeek 公开了一套智能体训练的新方法。这件事的意义不在于方法本身有多复杂而在于公开这个动作。过去一年智能体的训练细节基本被头部团队捂在手里公开的论文往往只讲结果不讲过程复现难度极高。这次公开的内容包含了训练流程、数据构造思路和评估方式虽然不可能把全部细节都放出来但至少给了一个可参考的框架。我仔细看了公开的材料核心思路可以概括为分阶段能力注入。第一阶段让模型学会在环境中稳定地执行单步动作第二阶段引入多步任务链第三阶段才加入工具调用和错误恢复。这个顺序很关键很多团队做 Agent 失败就是因为一上来就让模型处理复杂任务链模型在单步动作上都不稳定后面全是空中楼阁。从工程实践的角度看这套方法对中小团队最大的启发是评估体系的搭建。公开材料里花了不少篇幅讲怎么设计评估任务、怎么定义成功标准、怎么处理部分成功的情况。这些内容在过去的公开资料里很少见但对实际开发来说评估体系比训练方法本身更重要——你连怎么判断好坏都不知道训练出来的东西也没法迭代。2.2 多 AI 协作从概念走向工作流当天还有几条消息指向同一个方向多 AI 协作正在从演示性质的概念验证变成真正能跑起来的工作流。具体表现是几个主流平台都在推自己的多智能体编排能力有的主打可视化拖拽有的主打代码化定义有的主打与现有开发工具链的集成。我实测下来目前的多 AI 协作方案大致分两派。一派是角色分工派给每个智能体分配固定角色比如一个负责规划、一个负责执行、一个负责检查角色之间通过消息传递协作。另一派是能力路由派不预设角色而是根据任务类型动态选择最合适的模型或工具来处理。两派各有适用场景角色分工派适合流程固定的任务能力路由派适合任务类型变化大的场景。这里有个容易被忽略的坑多智能体协作的通信开销。我做过一个测试三个智能体协作完成一个中等复杂度的任务光是它们之间的消息传递就占了总 token 消耗的四成以上。如果任务本身不复杂多智能体反而不如单模型加工具调用来得划算。所以判断要不要上多智能体先算一笔账任务复杂度带来的收益能不能覆盖通信开销带来的成本。2.3 内容生成工具的能力边界当天热搜词里出现了不少与内容生成相关的内容涉及图片、视频、短剧等多个方向。这些工具的能力确实在快速提升但我在实际使用中发现它们的能力边界比宣传的要清晰得多。以视频生成为例目前工具擅长的是短片段、单场景、风格统一的内容。一旦涉及多场景切换、角色一致性、长时序叙事质量就会明显下降。这不是模型能力不够而是任务本身的复杂度决定的——视频生成要同时处理空间一致性、时间一致性和语义一致性三个维度同时约束难度是指数级上升的。图片生成的情况类似。单张图的生成质量已经很高但系列图的风格一致性、角色一致性仍然是难题。我试过用同一组提示词生成十张图风格漂移是常态需要大量人工筛选和后期调整。所以如果你打算用这些工具做商业内容一定要预留足够的人工介入时间不要指望一键出片。2.4 工程实践与模型部署的现实约束当天还有几条关于 AI 工程实践和模型部署的讨论这些内容看起来不如模型发布那么吸引眼球但对实际落地的人来说价值更高。模型部署的核心矛盾永远是成本、延迟、质量这三者的平衡。我见过太多团队在这上面踩坑为了追求质量用最大的模型结果延迟高到用户无法接受为了降延迟用小模型结果质量掉到不可用为了省成本做量化结果某些任务上精度损失严重。这三个指标没有最优解只有针对具体场景的权衡。我的经验是先明确场景的硬约束。如果是实时交互场景延迟是硬约束先卡延迟上限再在这个范围内找质量最高的方案。如果是离线批处理场景成本是硬约束先卡成本上限再优化质量。硬约束定下来之后剩下的就是工程优化的问题方向明确不会来回摇摆。3. 从日报到工作流的转化方法3.1 信息筛选的三层过滤机制看日报和用日报是两回事。我见过很多人每天读资讯但读完就忘因为信息没有进入自己的工作流。要让日报真正产生价值需要建立一套从读到用的转化机制。我的做法是三层过滤。第一层是相关性过滤读完一条消息先问自己这和我当前在做的事情有关系吗没关系就跳过不要因为以后可能有用而囤积信息。第二层是可操作性过滤有关系的消息里哪些是能立刻动手试的哪些是需要等条件成熟的能立刻试的排优先级。第三层是验证性过滤动手试过之后记录实际效果和预期效果的差距这个差距就是最有价值的信息。这三层过滤听起来简单但执行起来需要克制。人的本能是贪多看到什么都想存下来结果存了一堆永远不看的收藏。我现在的习惯是每期日报最多挑一条内容做深度跟进其他的只做记录不投入时间。一个月下来深度跟进的内容不超过三十条但每一条都真正转化成了自己的认知或工具。3.2 工具选型的决策框架日报里经常会出现新工具怎么判断一个工具值不值得投入时间我总结了一个简单的决策框架分四个维度打分。维度判断标准权重解决真实痛点是否解决了我当前工作流中的具体问题高迁移成本学习和接入需要多少时间中生态兼容能否与现有工具链配合中长期维护背后团队是否有持续投入的迹象低权重不是固定的要根据自己的情况调整。比如你是一个独立开发者迁移成本可能比生态兼容更重要因为你的时间有限。如果你在一个团队里生态兼容的权重就要提高因为工具要能融入团队现有的流程。我踩过的一个坑是过早采用。有些工具刚出来的时候很惊艳但生态不成熟用起来到处是坑等半年后生态完善了再用体验完全不一样。所以除非这个工具解决的是你的核心痛点否则不妨等一等让早期用户帮你踩坑。3.3 把日报内容转化为团队资产如果你在团队里负责技术方向日报还可以转化为团队资产。我的做法是每周做一次日报精华汇总把一周里最重要的三到五条内容整理成一份内部简报附上自己的判断和建议。这份简报的结构是事实、影响、建议。事实部分只陈述客观信息不加评论影响部分分析这条消息对团队当前工作的潜在影响建议部分给出具体的行动建议比如建议在下个迭代中评估这个方案或建议关注这个方向但暂不投入。这样做的好处是团队成员不需要自己花时间筛选信息但又能保持对行业动态的敏感度。同时写简报的过程也是逼自己深入思考的过程比单纯读日报的收获大得多。4. 实操中的常见问题与排查4.1 信息过载的处理技巧做日报最大的挑战不是找不到信息而是信息太多。我每天要处理的信息源包括十几个技术社区、二十多个公众号、几个邮件列表、若干社交平台账号。如果不做处理光是把这些源刷一遍就要两个小时。我的处理技巧是分级订阅。把信息源分成三级一级源是必须每天看的通常是那些质量稳定、更新频率适中的二级源是每周看一次的通常是更新频繁但噪音较多的三级源是随缘看的通常是质量参差不齐但偶尔有惊喜的。分级之后每天的固定阅读时间控制在一小时以内。另一个技巧是关键词过滤。我在阅读器里设置了一组关键词只有包含这些关键词的内容才会进入我的待读列表。关键词不是固定的会根据当前关注的方向调整。比如最近在关注 Agent 和多智能体协作就把相关关键词加进去其他内容自动过滤掉。注意关键词过滤有风险可能漏掉一些用词不常规但内容重要的信息。我的做法是每周留出一次无过滤阅读专门看那些被过滤掉的内容避免信息茧房。4.2 判断信息真伪的实操方法AI 领域的信息真伪难辨尤其是涉及模型能力、工具效果的内容宣传和实际往往有差距。我总结了几条判断方法。第一条是看来源。官方发布、论文原文、有署名的技术博客可信度较高匿名爆料、截图传播、二手转述可信度较低。第二条是看细节。真正做过的人写出来的内容会有具体的参数、步骤、踩坑记录没做过的人写出来的内容往往是笼统的描述和夸张的形容词。第三条是看时间。有些信息在发布时是准确的但过了一段时间就过时了引用旧信息容易出错。最可靠的方法还是自己验证。如果一条信息对你的决策有重要影响不要只看别人的说法自己动手试一遍。试的成本可能不低但比基于错误信息做决策的代价小得多。4.3 日报写作的效率提升写日报是个体力活如果不优化流程很容易变成负担。我现在的流程是早上花四十分钟收集和筛选信息中午花二十分钟写初稿晚上花十分钟校对和发布。整个流程控制在一个小时出头。效率提升的关键是模板化。我有一套固定的日报模板包括快讯区、深度区、工具区、资源区四个板块。每天只需要往模板里填内容不需要重新组织结构。模板不是一成不变的会根据读者反馈和内容变化做调整但调整频率很低大部分时间都是按模板走。另一个关键是素材积累。平时看到好的内容随手存到一个素材库里写日报的时候直接从素材库里取不需要临时去找。素材库按主题分类找起来很快。这个习惯看起来不起眼但长期下来能省大量时间。4.4 常见问题速查表问题可能原因解决方法信息太多看不完订阅源过多没有分级做分级订阅设置关键词过滤看完记不住没有做转化信息没有进入工作流建立三层过滤机制每期深度跟进一条判断不准信息价值缺乏判断标准用可验证性、影响半径、时间衰减三条标准写作耗时太长没有模板临时找素材建立固定模板和素材库读者反馈少内容与读者需求不匹配定期收集反馈调整内容结构5. 长期做日报的几点体会做日报这件事短期看是信息整理长期看是认知积累。我做了快两年最大的收获不是知道了多少新消息而是建立了一套自己的信息处理框架。这套框架让我在面对新信息时能快速判断它的位置和价值而不是被信息牵着走。另一个体会是输出倒逼输入。因为要写日报我被迫每天保持一定的阅读量和思考量这个习惯反过来提升了我的信息敏感度。很多以前会忽略的细节现在能一眼看出它的意义。这种敏感度不是天生的是长期训练出来的。还有一点是保持克制。AI 领域变化太快每天都有新东西很容易陷入焦虑觉得自己跟不上。但实际情况是真正重要的变化没有那么多大部分都是噪音。日报的作用就是帮你把噪音过滤掉留下真正值得关注的那几条。所以做日报的人自己首先要相信这一点否则很容易被信息淹没。最后分享一个小技巧。如果你也想做日报不要一上来就追求完美先做起来哪怕每天只写三条。坚持一个月你会发现自己对信息的判断力有明显提升。然后再逐步优化格式和内容找到适合自己的节奏。这件事没有标准答案适合自己的就是最好的。
