退訂 ChatGPT Plus，因為我發現了文科生的 Cursor

上個月，我決定取消 ChatGPT Plus 訂閱。

ChatGPT 依然是那個開天辟地的產品，只不過，它所開啟的那個“大力出奇跡”的時代，似乎已經走到了一個瓶頸。

如今，我付費的 AI 產品矩陣穩定在了三個：Gemini Pro，Cursor，以及 Notion AI。

這三者，分別代表了三種不同的 AI 產品形態，也恰好覆蓋了我作為一個研究員、寫作者和業余開發者的核心需求。而作為 AI 初戀 ChatGPT Plus，則在這個矩陣中，顯得有些尷尬和多余。

我的結論很直接，甚至有些暴論：在基座模型能力日益趨同的今天，純粹的 Chat（聊天）形態已經成為 AI 產品與用戶數據、工作流結合的最大障礙。OpenAI 在產品交互上的創新，已經呈現出非常明顯的落后。

時至今日，ChatGPT 最大的優勢之處在于它的“萬能”。它是一個空白的對話框，理論上你可以問它任何問題，讓它扮演任何角色，幫你處理任何文本。

但隨著我們對 AI 的使用從“嘗鮮”走向“常用”，作為目前一個非平臺型的 AI 產品，ChatGPT 的連通性至今非常的差。什么是連通性？就是除了我打字給它輸入的內容之外，它能從什么樣的地方獲取數據。

你的項目文檔、你的會議紀要、你的研究數據、你的個人偏好……這些構筑你工作與生活的數據，都游離在 ChatGPT 的世界之外。

于是，使用 ChatGPT 的日常就變成了無休止的“復制-粘貼”循環。

從A產品復制一段文字，粘貼到 ChatGPT；從 ChatGPT 獲得答案，再粘貼回 A 產品。這個過程不僅繁瑣，而且極易出錯。更重要的是，它割裂了工作過程中的心流。

這種割裂感，在我同時使用 Gemini Pro 和 ChatGPT Plus 時達到了頂峰。兩者在產品形態上高度重合，都是頂級的通用大模型聊天機器人。但我不可能放棄 Gemini Pro，因為它背后捆綁的 Google One 2TB 存儲是我的數字生活基石，我的很多冷數據或備份性的內容都在 Google Drive 里可以一鍵引入。

于是，問題變成了：我是否需要一個“純聊天”的 AI？如果需要，一個就夠了。如果我需要的不僅僅是聊天呢？

答案由另外兩個產品給出：Cursor 和 Notion AI。

Cursor：讓我的 AI 程序員有了“工位”

雖然談 Vibe Coding 的稿子已經夠多了，但考慮到被這篇文章標題吸引進來的可能大多數是文科生，所以我還是要稍微聊一下 Cursor 和 Vibe Coding。

Cursor 的出現，對我這種幾乎不會編程的文科生來說，是一次真正的“啟蒙”。

在遇到 Cursor 之前，我讓 AI 幫我寫代碼的方式，和大多數沒有編程經驗的人一樣：打開 ChatGPT，描述我的需求，然后將它生成的代碼片段粘貼到我的編輯器里。如果出錯了，再把錯誤信息復制回 ChatGPT，等待它給我一個新的解決方案。這個過程充滿了不確定性，我像一個蹩腳的翻譯，在人類語言和代碼語言之間反復橫跳。

而 Cursor，簡單粗暴地把 AI 直接塞進了代碼編輯器里。它不是一個“聊天框”，它是一個擁有你整個項目文件訪問權限的“編程助理”。

我們都知道，當你給 AI 的東西越多，AI 出錯的可能性就更高。在 ChatGPT 那種復制粘貼編程的模式下，如果你的工程文件很大，那么每次改一個“小錯誤”，都會把整個工程的代碼代入進對話。而 Cursor 就解決了這個問題。

你可以直接 @ 你的任何一個文件，讓 AI 閱讀、理解、甚至直接修改它。你可以選中一段代碼，讓它解釋、優化或者尋找 bug。它知道你的項目結構，知道文件之間的依賴關系。它擁有了“工位”，坐在你旁邊，看著你的屏幕，和你一起寫代碼。而不是像 ChatGPT 那樣像是一個發薪顧問，它每次來你這里只解決一次性問題，一出你的辦公室就會忘掉你們之前的所有合作。

這種體驗是革命性的。我不再需要向 AI 解釋“我的項目是用 React 寫的”、“我的某個組件在 src/components 文件夾下”。它自己就能看。這種基于本地文件系統的深度整合，讓 AI 從一個“顧問”變成了一個“同事”。

正因如此，我這個連 PHP 基礎都一知半解的文科生，才能獨立開發出像WP Chiral Network這么復雜的 WordPress 插件。

Cursor 證明了一件事：AI 的價值，不在于它本身有多聰明，而在于它能在多大程度上理解你的工作場景，并無縫地融入其中。

這恰恰是 ChatGPT 永遠無法給予我的——作為一個僅以聊天窗作為主要交互的產品，無法承載我的所有上下文。

在這一點，甚至連豆包的產品都比 ChatGPT 做的好一些，因為豆包上線了一個叫“AI網盤”的功能。

那么，對于文科生來說，到底有沒有類似 Cursor 這樣，在復雜的資料庫中像人一樣理解工作，并合理進行邏輯推理的產品呢？

答案是有的。

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

其實作為文科生或者說文字工作者，我一直蠻羨慕程序員有 Cursor 這樣的工具可用的。

直到，Notion 最近更新了新版本的 Notion AI，并且推出了基于本地數據庫的 Deep Research 功能。

從實際案例講起：

最近，我一直在做一個關于“AI 與未成年人”的課題研究。這個項目如果沒有 Notion AI，它的形態會是我過去幾年早已習慣的樣子：案頭研究、專家訪談、問卷調查、數據分析……每一個環節都涇渭分明，且需要耗費大量精力在不同工具之間進行資料的騰挪和整理，即便是我在每個環節都使用 AI，也要在不同產品之間瘋狂的 Ctrl+C, Ctrl+V。

但有了 Notion AI，整個研究過程變成了一種奇妙的“Vibe Research”。這個詞和 Vive Coding 一樣很難翻譯，它指的是一種跟著感覺走、高度依賴直覺和即時反饋的研究狀態。而 Notion AI，則為這種狀態提供了堅實的工程學基礎。

這么說似乎很多人不太理解，就用這個研究工作的用例來解釋吧：

第一步：研究的冷啟動。

我和一個 AI（最初可以是任何一個，比如 Gemini）聊出了最初的研究方案。然后，我在 Notion 里建立了一個名為「AI 與未成年人研究」的主頁。緊接著，我讓 Notion AI 基于這個主頁里的初步想法，幫我生成了第一批采訪對象的通用采訪大綱。

第二步：知識的結構化。

我沒有把這個大綱簡單地存成一個文檔，而是放進了一個 Notion Database 里。為什么？因為我預見到，隨著研究的深入，我會需要針對不同類型的訪談對象（如家長、老師、孩子）生成不同版本的大綱。數據庫的結構化能力，為此埋下了伏筆。

第三步：工作流的自動化。

接下來，我開始征集采訪對象，并將他們的人口學信息錄入另一個“訪談對象庫”。神奇的事情發生了：當我需要為某個特定的訪談對象（比如，一個來自北京、孩子上五年級的母親）準備訪談提綱時，我只需要在她的個人頁面里，直接 @ 研究計劃主頁，再 @ 通用采訪大綱，Notion AI 就能自動生成一份高度個性化的訪談提綱，問題會根據這位母親的背景進行微調。

第四步：自動研究助理。

采訪結束后，我將語音轉文字的速記稿直接扔進該訪談對象的頁面。作為 Notion AI 數據庫自動化的一部分，系統會自動根據我預設好的字段（比如“孩子年齡”、“所在城市”、“家長職業”等），從非結構化的訪談文本中提取信息，并填入結構化變量表中。這個過程，在過去需要我自己在速記里大海撈針，盡管并不費腦，但訪談多的時候確實讓人煩躁。

第五步：涌現式的洞察。

每周五，我會進行一次研究回顧。我不再需要自己苦思冥想，而是直接向 Notion AI 下達一個指令：“基于‘AI 與未成年人研究’主頁下的所有內容，進行一次研究回顧。請分析當前的訪談記錄中有哪些值得關注的共同點和差異點？下一步我應該補充哪些類型的訪談對象？有哪些早期假設被初步驗證、證偽，或者還需要補充材料？”

Notion AI 會像一個真正的研究員一樣，啟發式地讀取該研究項目下的所有頁面、數據庫和文檔，然后給出一份詳盡的分析報告。它會告訴我：“多位一線城市的家長提到了對‘學生的獨立思考’的擔憂，這可能是一個值得深挖的方向。”或者“我們目前對低線城市教師群體的訪談不足，建議補充 2-3 位相關背景的訪談者。”

這一切，都不需要我反復地將現有材料一遍一遍地導入另一個 AI，基本就是純 vibe 就行了。

可以說，Notion AI 的本地 DeepResearch 讓帶訪談和問卷的社科研究工作也變成了純案頭的 vibe 研究。你只需要負責提出假設和執行訪談，剩下的腦力活反而可以當甩手掌柜。它會告訴你哪些假設已經驗證了，哪些沒有，你需要進一步補充什么訪談，做哪些調研。研究員成為了訪談機器，你只需要把信息從被訪談對象那里“復制”到 Notion 里就行了。

它之所以能做到這一點，核心在于 Notion AI 在工程上的精巧設計。它并非簡單地把 Notion 里的所有文檔接一個 RAG 就導入聊天框。它能深刻理解 Notion 的內在結構：它知道什么是數據庫，知道數據庫里的字段和關聯關系，知道頁面的層級和內嵌內容。它幾乎可以像一個人類高級用戶一樣使用 Notion。

這意味著，只要你是一個有條理的人，懂得如何規劃信息在 Notion 里的排布，剩下的事情，Notion AI 就能幫你搞定。

它就是文科生的 Cursor。

產品的勝利，而非模型的勝利

回到最初的觀點。我退訂 ChatGPT Plus，不是因為它變弱了，而是因為它碰到了許多創業公司的問題，在馬太效應上碰了壁——它不可能為了搜索 Twitter 信息而做個 Twitter，它不可能為了更好的做知識庫搜索而重做一個 Notion，也不能為了更好的分析視頻去從頭做一個 Youtube。

它依然停留在那個“我有一個強大的模型，你來問我吧”的階段。

但當大公司，或原本擁有強力產品的公司一發力，競爭就進入了下一個時代：一個基座模型能力趨同，而產品形態、工作流整合能力決定最終價值的時代。

當然，我并非完全告別了 ChatGPT。它依然是一個優秀的信息源和靈感激發器。但它在我工作流中的權重，已經大大降低。它產生的大部分內容，最終也都會被我歸檔到 Notion 中。

說到歸檔，很多人頭疼如何將自己在 ChatGPT 上的海量聊天記錄，這個蘊含了大量個人思考和知識的寶庫，有效地管理起來。直接從官網導出的是一個復雜的 JSON 文件，幾乎無法閱讀。

作為一個堅定的“萬物皆可 Notion”主義者，以及一個被 Cursor 賦能的半吊子開發者，我動手寫了一個小工具：ChatGPT-Chat-History-To-Notion（https://github.com/Pls-1q43/ChatGPT-Chat-History-To-Notion）

這是一個開源的 Python 腳本，可以將你從 ChatGPT 導出的聊天記錄（conversations.json），一鍵導入到你指定的 Notion 數據庫中。它會自動將每一次對話整理成一個獨立的頁面，保留完整的問答記錄和對話時間。

這樣，你過去與 AI 的每一次思想碰撞，就都能變成你個人知識庫中可搜索、可關聯、可再利用的一部分了。你甚至可以在 Notion 中選擇 GPT-4.1 模型，然后 At 這些聊天記錄，讓其繼承某一次與 ChatGPT 聊天的記錄，并繼續那次對話。

歡迎試用，也歡迎在 GitHub 上給我提 Issue 或 PR。

畢竟，工具的意義，就是為了解決問題。無論是退訂一個產品，還是開發一個小工具，都是為了讓我們能更順暢地思考和創作。

而這，或許才是 AI 帶給我們最根本的價值。