渐进式摘要是 Tiago Forte 开发的一套笔记方法，它通过反复处理来压缩信息。每一轮都会高亮或重写材料，使只有最有用的部分得以保留。可参阅 Forte 的奠基性工作：https://fortelabs.com/blog/progressive-summarization/。
这套系统建立在三个核心属性上。第一，它承认一次采集会留下过多材料。第二，它要求用户日后回到同一份笔记。第三，每次返回都会采用比前一次更严格的筛选。
这些属性将渐进式摘要与普通高亮或一次性摘要区分开来。它的价值只会在多轮复查之后显现。
第 1 层：采集
记录或保存原始材料，不做即时筛选。这一层关注完整性，而非润色。
第 2 层：加粗
日后返回，标记那些仍然重要的句子。加粗文字保持可见，其余内容则退到背景。
第 3 层：高亮
下一次处理时，只高亮仍然相关的加粗部分。这一步再次减少材料。
第 4 层：摘要
用自己的话重写高亮要点。摘要可放在笔记顶部或单独文档中。
第 5 层：综合
将摘要连接到其他笔记或项目。这一层创造新的语境，并将孤立洞见转化为可用知识。
AI 可完成加粗和高亮等机械步骤，也能基于高亮文字起草第四层摘要。然而，这些输出往往会丢失只有记笔记者才记得的细微差别和原始语境，因此完全依赖机械替代并不可靠。
问：渐进式摘要需要专用软件吗？
答：不需要。该方法可在任何纯文本或大纲工具中使用。唯一要求是在不同日期返回同一份笔记的习惯。
问：如果 AI 已经摘要了来源，该怎么办？
答：把 AI 输出作为第一层采集，然后自己完成第二至第五层。人工处理仍能移除通用模型遗漏的噪声。
参考来源