1. P - Procedural（实操型信息）

• 视频要点： 这种信息必须立即练习。如果你现在没时间动手，那就停止阅读。

• 例如：在学习 RAG 架构时，不要只看原理，立刻在你的 WSL2 里跑通一个 Demo。实操（Practice）是处理这类信息的唯一有效手段。

2. A - Analogous（类比型信息）

• 我的理解： 这是一个 Key-Value 记忆 过程。已有的知识是 Key，新知识是 Value。

• 视频要点： 仅仅建立类比是不够的，还需要进行批判性分析（Critique）。问自己：这个类比在什么情况下会失效？

• 例如：可以将 LLM 的 Attention 机制类比为人类阅读时的“划重点”。但要深入思考：Attention 机制在计算上与人类的视觉注意力有什么本质区别？

3. C - Conceptual（概念型信息）

• 我的理解： 构建 Conceptual Map（结构与连接）。

• 视频要点： 专家的大脑里不是线性的笔记，而是高度连接的非线性网络。需要通过绘图（Mapping）来重构这个网络。

• 例如：在掌握 Agent 架构时，尝试画出感知、决策、执行之间的拓扑图，而不是简单列出它们的定义。

4. E - Evidence（证据型信息）

• 我的理解： 扼其要义，看支撑逻辑指标，而不看具体数值。

• 视频要点： 证据是为了让概念更具体。处理策略是存储并排演（Store and Rehearse）。

• 例如：阅读 AI 论文时，具体的 Benchmark 分数是数值，但分数提升背后的逻辑（比如通过某种优化降低了多少延时）才是你需要“扼”住的要义。

5. R - Reference（参考型信息）

• 我的理解： 直接打包保存，要用的时候能找到就行。

• 视频要点： 不要浪费认知负荷去死记硬背这类信息。把它们丢进你的“第二大脑”（Notion, Obsidian 或 Anki）。

• 例如：自己的 WSL2 配置命令或 RAG 的 Prompt 模板就是典型的 Reference。把它们归档到自己的技术文档库中，把大脑留给更有深度的 Conceptual 思考。

学习的效率不在于你读了多少，而在于你留下了多少。