Ask HN: 如何管理本地长期研究项目与大语言模型（LLM）？
本文探讨了在使用LLM进行长期研究或非编码项目时，如何建立有效的管理模式。作者受到Hacker News上一篇收集数据解决疲劳问题的文章启发，分享了自己在芝加哥收集无坚果餐厅信息的实践经历——通过Copilot反复输入并整理文章、评论、邮件和电话记录等各类数据。文章向社区征集：是否有标准化的格式或工作流程，来帮助人们在进行长期研究或数据收集任务时，更高效地利用LLM来回答问题、整合信息？
背景速读
这是一个 Hacker News 上的讨论帖，发帖人在问：做长期的、非编程性质的研究项目时，大家用什么方法来利用 LLM（如 ChatGPT、Copilot 等）来管理信息和资料。
- 发帖人举了自己的例子：为过敏人士收集芝加哥的无坚果餐厅清单。他搜集了文章、评论、邮件、电话记录等，直接把各种零散信息丢给 Microsoft Copilot，让 LLM 帮忙整理。
- 他还引用了另一个 HN 帖子：有人用类似方法收集自己的健康数据（疲劳问题），把数据喂给 LLM 来辅助分析。
- 核心问题是：当项目持续几周甚至几个月，聊天记录会越来越长、越来越乱。有没有一套流程或工具来组织这些对话？比如如何分主题、如何让 LLM“记住”之前讨论过的内容、如何在多个会话间保持上下文一致。
- 这不是问“LLM 能做什么”，而是问“长期研究时如何与 LLM 协作”的方法论问题——比如用 Notion 做知识库、用项目专属的 GPTs/Custom Instructions、还是每次从零开始重建上下文。