回到首页
YOU YUAN

把入口拿回来：AI 时代的个人信息主权

一、引言

地铁上、排队时、睡前的十分钟，人们打开抖音，拇指一划，下一条视频已经开始播放。截至 2024 年底，中国的短视频用户达到 10.4 亿，占网民的 93.8%[1]；到 2025 年底，网络视听用户平均每天在屏幕前花掉 201 分钟[2]。这三个多小时被切成几百个十几秒的片段，每一段都恰好够让人笑一下、惊一下、愤怒一下，却没有一段足够让人想清楚一件事。放下手机，多数人说不出自己刚才看了什么。

停不下来，是因为它被设计成让人停不下来。可变奖励是斯金纳在实验室里验证过最不容易消退的强化方式[3]：你不知道下一条会不会好看，于是总想再划一条。无限下滑取消了“停下”的提示，它的发明者 Aza Raskin 后来说，这就像把“行为可卡因”撒在了界面上[4]。推荐算法在背后计算每一次停留，《纽约时报》披露的 TikTok 内部文件写明，它优化的核心指标是留存和使用时长[5]。内容农场则反过来为算法生产，标题、节奏、情绪都按平台的偏好批量制造。生成式 AI 让这种生产几乎不再花钱：NewsGuard 追踪到的 AI 生成的不可靠新闻网站，从 2023 年 5 月的 49 个，一年后增加到近千个[6]。

代价落在人的心智上。加州大学欧文分校的 Gloria Mark 测量过人在一块屏幕上停留多久就会切走，2004 年平均约两分半，近年降到 47 秒[7]。Nicholas Carr 十多年前就警告，网络正把人训练成浅薄的读者，习惯扫读，失去沉浸和深思的能力[8]。2024 年，牛津词典把“brain rot”选为年度词，形容长期消费琐碎内容之后心智的退化[9]。更深的损害在判断。麻省理工的研究发现，假新闻在社交网络上比真相传得更远、更快[10]；当一个人的信息按“能否引起反应”来排序，他据以做决定的世界，就是被筛选、被放大过的那一部分。一个人怎样思考，取决于他长期接收什么。被碎片持续喂养的头脑，很难长出完整的判断。

问题不在某一条视频，也不只在个人的自律。我们看什么、读什么，名义上是自己选的，实际上只是在平台挑好的候选里点选；排序的标准写在平台的目标函数里，那个目标是让你留下，不是让你成长。更隐蔽的是，你的每一次滑动、停留、点赞都被记录下来，用来训练那个塑造你的系统。这份关于你最详尽的行为档案，你看不到，带不走，也无法让它为你自己的目标服务。被拿走的不只是注意力，还有“我曾经关注过什么”这份记忆。

AI 会把这种不对等推得更远。内容会更便宜，推荐会更精准，而很快，替我们读邮件、读新闻、做研究的将是 AI agent。agent 的判断取决于它掌握的上下文。如果我们的阅读史、偏好和积累都锁在平台里，替我们工作的 agent 看到的，也只是平台允许它看到的世界。

所以本文的主张是：AI 时代的人，应当拥有自己的信息主权。自己决定看什么，自己决定按什么标准筛选，关于自己的记录由自己保存、自己使用。这关乎一个人能否做自己心智的主人。第二部分回顾这一诉求在不同时代的技术形态、思潮演变和主要矛盾，第三部分提出解决这些问题的技术思路。

二、一笔交易的来回

回看八十年来人与信息的关系，可以把它读成一笔交易的来回。人们把找和筛的劳动交给平台，换来省力，付出的是主权：看什么由平台挑，按什么标准由平台定，留下的记录归平台所有。这笔交易之所以成立，是因为找和筛的劳动太重，只有平台付得起。 此后的种种回应，都在这两头之间拉扯：要自主就得费力，要省力就得让权。AI 第一次让这个前提松动，也在改变交易发生的环境。

第一幕：人自己去找（1945–2005）

1945 年，Vannevar Bush 在《诚如所思》一文中设想了一种叫 Memex 的书桌：个人把读过的书、写下的笔记和自己走过的联想线索存在里面，随时调出，也可以交给别人[11]。1962 年，Douglas Engelbart 把计算机的使命表述为“增强人的智力”[12]。在这个传统里，机器是人的延伸，资料和线索属于使用它的人。

怎样找信息，也被认真研究过。图书馆学有“参考咨询访谈”的传统：读者说出口的问题，往往不是他真正要问的，馆员要靠追问推出真实的需要[13]。Marcia Bates 发现，真实的寻找像采浆果，人边走边摘，问题在途中不断改变[14]；Pirolli 和 Card 把人比作循着气味觅食的动物，哪里线索浓就往哪里去[15]。寻找的关键不在抓得多，而在问得准：弄清需要，找对地方，边找边修正问题。

互联网早期延续了这种关系。门户目录、搜索引擎、RSS 和博客，入口都在人手里：问题由人输入，订阅由人挑选，读什么由人决定。2005 年上线的 Google Reader 一度是这套习惯的中心。这是主权最完整的年代，也是最费力的年代。 会搜会订的人得益最多，而信息越多，筛选的负担越重。

第二幕：交易（2006–2016）

信息很快多到人筛不过来。2013 年 Facebook 披露，用户每次打开信息流，平均有约 1500 条可看的内容，被排进去的约 300 条[16]；2016 年 Instagram 宣布改用算法排序时说，用户平均错过了信息流里 70% 的帖子[17]。平台给出的解法是替人筛。Facebook 在 2006 年推出信息流，此后逐步改为按算法排序；今日头条在 2012 年以推荐算法起家；2016 年，Twitter 和 Instagram 放弃了纯粹的时间顺序，同年上线的抖音干脆不需要用户关注任何人。2013 年 Google Reader 关停[18]，订阅从主流退场。

人们接受这笔交易，并不只是因为被操纵，也因为它确实省力。 但交出去的不只是劳动。从“人去找”变成“平台推”之后，排序的标准写进了平台的目标函数，人的每一次停留都成了训练它的数据。搜索也走上了同一条路，排在前面的越来越多是为排序而写的页面：2024 年发表的一项为期一年的跟踪研究发现，Google、Bing 和 DuckDuckGo 的产品评测类结果大多被联盟营销页面占据[19]。第一部分描述的处境，就是这笔交易的账单。

第三幕：讨价还价（2010 年代至今）

此后的回应，都在设法拿回一部分交出去的东西，也各有各的代价。

有人选择少用。Cal Newport 的《数字极简主义》主张清理不必要的应用[20]；Tristan Harris 等人把注意力被设计收割这件事带进公共讨论，后来成立了人道科技中心[21]；手机系统也内置了屏幕时间和使用限制。这条路用个人意志去对抗专为击败意志而设计的系统，而且只能放弃信息，不能拿回入口。

有人向平台要回一部分控制权。国内主要平台都提供了关闭个性化推荐的开关，海外平台多数允许切回时间顺序；Bluesky 在 2023 年推出自定义信息流，用户可以挑选甚至自己编写排序算法[22]；研究界也在讨论怎样把幸福感、知情、自主写进推荐目标[23]。针对噪声，C2PA 为图片和视频附上可验证的来源记录[24]，X 的社区笔记让用户为误导性帖子补充背景[25]。这些选项都由平台给出，也只在平台的围墙内有效，行为记录依旧留在平台的服务器上。

有人坚持自己选来源。FreshRSS、Miniflux 这样的自托管阅读器，为没有 RSS 的网站生成订阅的 RSSHub，带 AI 摘要的 Folo，把各平台热榜按关键词汇总的 TrendRadar，都在延续订阅的传统；Google 快讯、changedetection.io 让人把问题挂在那里，有了新结果就通知。订阅把选择来源的权力还给了人，也把筛选的劳动全部还给了人。 订阅越多，未读越多；抖音、公众号这样的封闭平台进不来；工具本身也脆弱，稍后读应用 Omnivore 和 Pocket 先后在 2024 年和 2025 年停止服务[26]。

有人要回记录。Ink & Switch 在 2019 年提出“本地优先软件”[27]，Solid 项目设想每个人拥有自己的数据仓[28]，Dogsheep 把各平台导出的个人数据汇入一个可查询的数据库[29]，Obsidian 等本地笔记让知识留在自己手里。记录拿回来了，却很少参与判断，存进本地往往就停在那里。 采集本身也有风险：微软的 Recall 在 2024 年宣布后因隐私和安全问题饱受批评，一再推迟[30]。

有人绕过围墙。Cory Doctorow 主张“对抗性互操作”，用户应当可以用自己的工具读取自己能看到的内容[31]，MediaCrawler、yt-dlp 就是这样做的；Mastodon、Bluesky、Nostr 则另建开放的网络。前者是没有终点的军备竞赛，后者撼不动网络效应。 Twitter 的替代前端 Nitter 在 2024 年停摆；新网络再开放，人们的朋友和作者仍留在原来的平台上。

还有人把精准获取做成了专业。开源情报团队 Bellingcat 把卫星图、社交媒体上的照片和公开记录拼在一起，推出任何单一来源都没有写明的事实[32]；Aardvark 曾把问题转给社交网络里最可能知道答案的人，2010 年被 Google 收购，次年关闭[33]；知乎、Stack Overflow 这样的问答社区，至今仍是许多具体问题最好的答案来源。会推测需要、会从零散痕迹推出事实的本事，长在少数专业者身上，普通人日常的需要用不起。

这一幕的结论很清楚。每拿回一块主权，就要自己付一份劳动，所以这些方案都对，也都小众。 自主与省力不可兼得，是过去二十年最主要的矛盾。

第四幕：前提松动（2022 年至今）

大语言模型动摇了这笔交易的前提：找和筛的劳动，第一次可以交给一台不属于平台的机器。Perplexity 和 Google 的 AI 摘要直接给出带引用的答案；2024 年底到 2025 年春，Google、OpenAI 和 Anthropic 先后推出“深度研究”，由 agent 拆解问题、检索数十上百个网页、读完写成报告[34]；浏览器 agent 能带着用户自己的登录状态替人查看网页；ChatGPT 和 Claude 有了跨对话的记忆，2025 年 9 月推出的 ChatGPT Pulse 每晚根据用户的聊天和反馈准备简报，早上主动推送[35]。替人推测需要的设想早就有，二十多年前的“即时检索 agent”会在人写作时自动找出相关的旧文档[36]，如今才真正做得出来。开源社区也有对应的部件：GPT Researcher、STORM、browser-use 负责去找，Khoj、Letta、mem0 负责记忆，MCP 为模型接入外部数据提供了通用接口[37]。从“平台推”回到“人去找”，第一次不必由人自己出力。

但厂商的版本正在把同一笔交易再做一遍，而且做得更贴身。答案未必可靠，《哥伦比亚新闻评论》2025 年测试了八款 AI 搜索工具，六成以上的回答给错了出处[38]。标准仍在厂商手里，信哪些来源、怎样总结，用户看不见也改不了。更要紧的是问题本身。一个人问过什么，比他看过什么更能说明他是谁。 2006 年 AOL 公开了一批按编号匿名的搜索记录，《纽约时报》记者仅凭其中一个编号下的查询，就找到了提问的人[39]。研究 agent 和带记忆的助手每替你做一次事，就多一条“你需要什么”的记录，存在厂商那里。服务本身也未必长久，用 AI 做个性化新闻的 Artifact 上线一年就关停了[40]。开源方案的归属是清楚的，却还没有接上信息的来源，也没有一个认识你、会学习的过滤器。

第五幕：环境也在变

AI 不是在一个静止的环境里替人干活，它的到来也在改变环境。几条朴素的道理，大致决定了接下来的格局。

第一，谁付钱，系统就替谁优化。 平台靠人的注意力赚钱，agent 却不看广告，它替人读得越多，平台能卖的注意力就越少。皮尤研究中心发现，结果页出现 AI 摘要时，用户点开原始链接的比例从 15% 降到 8%[41]。平台的应对是把墙加高，再在墙上开收费口：2023 年，X 取消了免费 API，Reddit 开始按调用量收费，一批第三方客户端随之关闭[42]；2025 年，Cloudflare 对其服务的网站默认屏蔽 AI 爬虫，并试行按抓取收费[43]。与此同时，平台和模型厂商都在做自己的助手。入口之争正从信息流挪到助手：谁的 agent 被人天天使用，谁就握着新的入口。

第二，筛子长什么样，造假就长成什么样。 SEO 冲着搜索排序而来；AI 答案流行之后，研究者已经演示了让内容更容易被 AI 引用的“生成式引擎优化”，可见度最多可提高约 40%[44]；网页里还可以藏着写给 agent 的指令，诱导它泄露用户的数据[45]。噪声不会消失，只会换一个读者去骗。所有人都用同一两家的 agent，骗一次就骗到所有人；每个人的筛选标准各不相同，针对性的造假就不划算。

第三，只取不还，公地会干。 agent 拿走了答案，原作者拿不到访问、署名和收入。ChatGPT 发布半年后，Stack Overflow 上的活跃度下降了约四分之一[46]；用 AI 生成的数据反复训练模型，模型会逐渐退化[47]。开放的网络会变薄，好东西退进付费墙、会员社区和群聊。精准的获取将越来越依赖门路，也就是自己的订阅、自己的账号、自己认识的人，而不是抓取。

第四，生成便宜，核实昂贵。 编出一段像样的话几乎不花钱，核实一件事仍要碰到现实。筛选的依据会从“内容看起来怎样”转向“谁说的，是一手还是转述，这个来源过去对你准不准”。最后一项只能从你自己的记录里算出来，个人的记录因此比以往任何时候都更值钱。

第五，省下的注意力，要看花在哪里。 机器可以替人找、替人筛，理解却只能由人自己完成。如果 agent 把一切嚼碎了喂过来，省下的时间又被更多摘要填满，判断力照样萎缩，只是换了一种碎片。一个人的心智不会因为读了更多摘要而成长，只会在认真读、反复想、犯了错又改正的过程中成长。

推到尽头，有两个可能的终点。一个是推荐流的新版本：一两家厂商的助手成为新入口，问题、记忆和标准都存在它那里，答案里夹着商业，所有人共用同一个筛子，造假也都对准这一个筛子。另一个是属于个人的 agent：模型可以租用、随时替换，记忆、标准和来源的信誉归个人；获取靠自己的门路按需去找，给来源付费或署名；每个人的标准各不相同。和 RSS 的年代不同，后一种不再需要人付出劳动，劳动由机器承担，剩下的门槛是搭建的成本、进入围墙的门路和算力的花费。脑子可以租，记忆必须是自己的。

缺口与约束

图 1 把这几幕里的回应放在两条轴上：横轴是谁来找和筛，纵轴是标准和记录归谁。左上角是第一幕和第三幕，自主，但费人；右下角是第二幕和第四幕里厂商的版本，省人，但夺权。机器替你找、替你筛，标准和记录归你，右上角这一格至今是空的。

既有工作的位置：谁来找和筛，标准和记录归谁替你干活只为你服务空白，留给第三部分自主，但费人费人，也不自主省人，但夺权谁来找和筛人自己来机器替你做标准和记录归谁个人平台或厂商第二幕 · 2006–2016入口交给平台找和筛交给机器标准和记录拿回来Obsidian 等本地笔记RSS 阅读器RSSHubMediaCrawler · yt-dlpNitter 2024数字极简local-first · SolidDogsheepGoogle Reader 2013Pocket 2025Mastodon参考咨询 · BellingcatTrendRadar（关键词筛）GPT Researcher 等Khoj · Letta · mem0Folo（AI 摘要）Bluesky 自选算法Aardvark 2011Google 快讯按时间排序开关公众号订阅关闭个性化推荐Perplexity · 深度研究ChatGPT / Claude 记忆ChatGPT PulseArtifact 2024搜索引擎今日头条抖音 / TikTok减法与自律平台内的控制权订阅与聚合个人数据与本地优先绕过围墙与另起炉灶按需去找个人 AI 与记忆推荐流本身（对照）灰色：已关停（后为年份）

FIG. 1 · 既有工作的位置

示意图。横轴是谁来找和筛，纵轴是标准和记录归谁；位置是第二部分的判断，不是测量。灰色表示已经关停，后面是年份。

这一格不会一直空着等人来填。如果个人不在这个阶段把自己的上下文握在手里，入口会被第二次收走，而且收得更彻底，因为这一次交出去的是问题和记忆。

前面五幕给后面的设计留下了约束。找和筛的劳动交给机器，否则会重蹈订阅和个人知识库的覆辙；标准、记录和问过的问题留在个人手里，模型可以租，上下文不能交出去；获取从需要出发，靠自己的门路按需去找，而不是把能抓的都抓回来；筛选以出处和来源对你的历史准确率为准；机器省掉的是跑腿，留给人的是深读；agent 只对使用它的人负责。第三部分要回答的，就是在这些约束下，怎样搭一个替你干活、只为你服务的系统。

三、替你干活，只为你服务

第二部分留下的空格，缺的不是一个更好的阅读器。阅读器、信息流、搜索框都以内容为中心，人围着内容转。这里的思路换一个中心：系统围绕一份属于你的记录运转，来源、模型、工具都在外围，随时可以替换。这其实是 Memex 的老设想，资料和线索属于使用它的人[11]；不同的是，这一次它配了一个会替你去找、替你去筛的 agent。下面先说中心，再说围绕中心转动的一圈循环（图 2），最后说它的边界和还没解决的问题。

围绕个人记录的一圈循环你自己的机器你的记录问题 · 阅读 · 判断来源信誉 · 标准问推出需要，列成问题找按问题走门路筛出处 · 信誉 · 新意交少而深，读得完记反馈更新信誉与标准来源订阅源网页与搜索你的账号认识的人按问题去取不全量抓取模型租用 · 可替换每次只带一小段上下文给你：读原文给你的 agent：经 MCP

FIG. 2 · 围绕你的记录转的一圈

示意图。虚线框里的东西在你自己的机器上；来源和模型在框外，按问题取用，随时可换。

中心：一份属于你的记录

这份记录记下你问过的问题，读过什么、读了多久，留下了什么，判断过什么：哪条有用，哪条没用，哪条后来证明是错的。它也记下每个来源对你的历史表现，以及你用自己的话写下的标准。记录存放在你自己的设备上，采用开放的格式，只追加、不覆盖，每一条都能追溯，整份可以带走。

模型在这里是外人。每次调用，系统只把当次需要的一小段上下文交给模型，用完即走，不让模型保管任何东西。今天用这一家，明天换另一家，或者换成本地运行的开源模型，记录都原封不动。记录是整个系统里唯一不可替换的部分，其余都可以换。 第二部分说“脑子可以租，记忆必须是自己的”，落到结构上就是这一条。

问：从记录里推出需要

循环从问题开始，而不是从来源开始。问题有三种来路：你直接提出的；长期挂着的，比如一个持续关注的课题、一个要在月底做出的决定；还有从你最近在做的事里推测出来的。推测的部分，相当于把图书馆的参考咨询访谈交给机器[13]：它先根据记录猜你真正要什么，拿不准就追问你，然后再去找。

这一步的产物是一张问题清单，而不是一张关键词表。每个问题写明为什么问、什么样的结果算回答、什么时候需要。关键词只能匹配字面，问题能说明目的；有了目的，后面的找和筛才有依据。系统的输入是问题，不是来源。

找：带着问题，走自己的门路

找是按问题找，而不是按来源抓。每个问题有一份预算，规定最多检索几次、花多少钱，答到了就停。门路有好几条。订阅源仍然有用，但只是其中一路，主要用来发现值得问的新问题；搜索引擎和学术检索用来定位；需要登录才能看的内容，agent 用你自己的账号，像你本人一样去看，速度和范围都和一个人相当，读的也只是你本来就有权看的东西；有些问题最好的答案在某个人脑子里，系统可以替你想到该问谁、起草好问题，发不发由你决定；还有些事没有人直接写下来，只能从间接的证据推出，这时结论必须标明是推测，并说明把握有多大。

无论走哪条门路，都要先追到原始出处：谁最先说的，是亲眼所见还是转述。它应当像一个好的研究助理，而不是一台爬虫。 爬虫比的是抓得多，研究助理比的是问得准、找得对、说得清来历。

筛：像你，又不困住你

找回来的东西要经过一个“像你”的过滤器。它看四样东西：和问题有多相关；出处是一手还是转述；这个来源过去对你准不准；相对你已经知道的，多了什么。同一件事常被几十个页面转载、改写，系统用文本指纹把它们合成一条，并顺着时间找到最早的版本。SimHash、MinHash 这类算法能快速判断两段文字是否近似，正适合做这件事[48][49]。

标准对你是透明的。它一部分是你用自己的话写下的规则，一部分是从你的反馈中学到的权重，两部分你都能看、都能改；每一条入选的内容都附上入选的理由。过滤器越像你，越可能把你困在原有的兴趣里，所以系统要固定留出一小部分名额给兴趣之外的东西，看你的反应再调整。这种做法在算法里叫“探索”，多臂老虎机问题研究的就是它：大部分时候选已知的好选项，少部分时候试一试没试过的，新闻推荐里早有成熟的用法[50]。它学你，也替你留一扇窗。

交：给人的少而深，给 agent 的全而准

交给人的东西，按你定的节奏送达，而不是随时推送打断你。数量有上限，读得完；读完了，今天就结束了，没有下一屏。每一条都写明为什么给你、原文在哪里，并指出哪些值得你自己深读。摘要只用来帮你决定读不读，不拿来顶替原文。机器省掉的是跑腿，注意力要留给值得深读的东西。

交给 agent 的东西则要全而准。你还会用别的 agent 写作、编程、做研究，它们同样需要知道你关心什么、读过什么、信任哪些来源。通过 MCP 这样的通用接口[37]，这些 agent 可以查询你的记录和问题清单，带着你的上下文工作，不必每次从零开始，也不必把你的记忆交给各自的厂商。

记：每一次读，都让下一次更准

循环的最后一步是记录。反馈必须足够便宜，点一下“有用”“没用”“错了”就够；读了多久、有没有收藏、后来是否被别的证据证实，也都算反馈。这些反馈更新来源的信誉和标准的权重；被回答了的问题关掉，回答中引出的新问题进入清单，循环回到起点。记录越用越厚，系统越用越像你，而这份积累只属于你。

边界：它只听你的

agent 对谁负责，取决于谁掌握它的目标和记忆。所以这套系统要跑在你自己的机器上，家里的一台服务器或者个人电脑就够，涉及隐私的部分交给本地模型。从网页上读回来的一切都只当作材料，不当作指令，藏在网页里的指令就支使不了它[45]；替你登录的会话只读，权限彼此分开；它替你做过的每一件事都留下日志，你随时可以查。它不卖广告，不替任何第三方优化，代码公开，经得起审查。

它也要对原作者负责。第二部分说过，只取不还，公地会干。好在记录恰好知道哪些来源真正帮过你：系统可以据此分配你的订阅预算，给常读的作者付费，引用时署名，把值得深读的原文推回给你，让作者重新得到读者。

还没解决的

这套思路还有许多没有答案的地方。抖音、公众号这样的封闭平台，要么进不去，要么只能浅浅地进去。刚开始用的时候它还不认识你，需要一段时间的反馈才能像你。怎样判断它做得好不好也很难：省下多少时间容易统计，判断有没有变好却很难衡量。过滤器越像你，越可能放大你的偏见，探索只能缓解，不能根除。算力要花钱，搭建有门槛，今天它还只是少数人用得起的东西。最后，即使人人都有了自己的 agent，原作者能不能因此活得更好，而不是被更彻底地绕过，要看付费和署名能否真正做起来。

结尾

衡量这样一个系统，标准不是它替你读了多少，而是你的问题有没有变得更好：问得更准，追得更深，错得更少，改得更快。第一部分说，一个人怎样思考，取决于他长期接收什么。把入口拿回来，最终是为了让一个人长期接收的东西，按自己的标准挑选，经得起核实，值得认真读完。 这套思路正在试做，后续的文章会记录它的进展。

参考文献

  1. 中国网络视听协会，《中国网络视听发展研究报告（2025）》：截至 2024 年 12 月，短视频用户规模 10.40 亿，使用率 93.8%。
  2. 中国网络视听协会，《中国网络视听发展研究报告（2026）》：截至 2025 年 12 月，网络视听用户人均单日使用时长 201 分钟。
  3. C. B. Ferster, B. F. Skinner, Schedules of Reinforcement, Appleton-Century-Crofts, 1957.
  4. Hilary Andersson, “Social media apps are 'deliberately' addictive to users”, BBC News（Panorama）, 2018-07-04.
  5. Ben Smith, “How TikTok Reads Your Mind”, The New York Times, 2021-12-05.
  6. NewsGuard, AI Tracking Center（Unreliable AI-Generated News Websites）, 2023–2024.
  7. Gloria Mark, Attention Span, Hanover Square Press, 2023.
  8. Nicholas Carr, The Shallows: What the Internet Is Doing to Our Brains, W. W. Norton, 2010.
  9. Oxford University Press, Oxford Word of the Year 2024: brain rot.
  10. Soroush Vosoughi, Deb Roy, Sinan Aral, “The spread of true and false news online”, Science 359(6380), 2018.
  11. Vannevar Bush, “As We May Think”, The Atlantic, 1945-07.
  12. Douglas C. Engelbart, Augmenting Human Intellect: A Conceptual Framework, SRI Summary Report AFOSR-3223, 1962.
  13. Robert S. Taylor, “Question-negotiation and information seeking in libraries”, College & Research Libraries 29(3), 1968.
  14. Marcia J. Bates, “The design of browsing and berrypicking techniques for the online search interface”, Online Review 13(5), 1989.
  15. Peter Pirolli, Stuart Card, “Information foraging”, Psychological Review 106(4), 1999.
  16. Lars Backstrom, “News Feed FYI: A Window Into News Feed”, Facebook, 2013-08-06.
  17. Instagram, “See the Moments You Care About First”, 2016-03-15.
  18. Google, “A second spring of cleaning”, Official Google Blog, 2013-03-13（Google Reader 于 2013-07-01 关闭）.
  19. Janek Bevendorff, Matti Wiegmann, Martin Potthast, Benno Stein, “Is Google Getting Worse? A Longitudinal Investigation of SEO Spam in Search Engines”, ECIR 2024, LNCS, pp. 56–71.
  20. Cal Newport, Digital Minimalism: Choosing a Focused Life in a Noisy World, Portfolio, 2019.
  21. Center for Humane Technology（2018 年成立，前身为 Time Well Spent 运动）, https://www.humanetech.com
  22. Bluesky, “Algorithmic Choice with Custom Feeds”, 2023-07-27, https://bsky.social/about/blog/7-27-2023-custom-feeds
  23. Jonathan Stray et al., “Building Human Values into Recommender Systems: An Interdisciplinary Synthesis”, ACM Transactions on Recommender Systems 2(3), 2024; arXiv:2207.10192.
  24. Coalition for Content Provenance and Authenticity (C2PA), 2021, https://c2pa.org
  25. X Community Notes（2021 年以 Birdwatch 之名上线）.
  26. Omnivore 团队加入 ElevenLabs 并于 2024-11 停止服务；Mozilla, “Pocket has shut down – What you need to know”, 2025（2025-07-08 关闭）, https://support.mozilla.org/en-US/kb/future-of-pocket
  27. Martin Kleppmann, Adam Wiggins, Peter van Hardenberg, Mark McGranaghan, “Local-first software: You own your data, in spite of the cloud”, Onward! 2019.
  28. Solid Project, https://solidproject.org
  29. Simon Willison, Dogsheep, https://dogsheep.github.io
  30. 微软 Recall：2024-05 随 Copilot+ PC 发布，2024-06 与 2024-11 两次推迟.
  31. Cory Doctorow, “Adversarial Interoperability”, EFF Deeplinks, 2019-10.
  32. Eliot Higgins, We Are Bellingcat: An Intelligence Agency for the People, Bloomsbury, 2021.
  33. Damon Horowitz, Sepandar D. Kamvar, “The anatomy of a large-scale social search engine”, WWW 2010；Google 于 2011-09-02 宣布关闭 Aardvark.
  34. Google, Gemini Deep Research, 2024-12；OpenAI, “Introducing deep research”, 2025-02-02；Anthropic, Claude Research, 2025-04-15.
  35. OpenAI, “Introducing ChatGPT Pulse”, 2025-09-25.
  36. Bradley J. Rhodes, Pattie Maes, “Just-in-time information retrieval agents”, IBM Systems Journal 39(3–4), 2000.
  37. Anthropic, “Introducing the Model Context Protocol”, 2024-11.
  38. Klaudia Jaźwińska, Aisvarya Chandrasekar, “AI Search Has a Citation Problem”, Columbia Journalism Review（Tow Center）, 2025-03, https://www.cjr.org/tow_center/we-compared-eight-ai-search-engines-theyre-all-bad-at-citing-news.php
  39. Michael Barbaro, Tom Zeller Jr., “A Face Is Exposed for AOL Searcher No. 4417749”, The New York Times, 2006-08-09.
  40. Kevin Systrom, “Shutting down Artifact”, Medium, 2024-01-12, https://medium.com/artifact-news/shutting-down-artifact-1e70de46d419
  41. Pew Research Center, “Google users are less likely to click on links when an AI summary appears in the results”, 2025-07-22.
  42. X 于 2023-02 取消免费 API；Reddit API 收费于 2023-07 生效，Apollo 等第三方客户端于 2023-06-30 关闭.
  43. Cloudflare，2025-07-01 宣布默认屏蔽 AI 爬虫并试行 Pay per crawl.
  44. Pranjal Aggarwal et al., “GEO: Generative Engine Optimization”, KDD 2024; arXiv:2311.09735.
  45. Brave, “Agentic Browser Security: Indirect Prompt Injection in Perplexity Comet”, 2025-08-20, https://brave.com/blog/comet-prompt-injection/
  46. Maria del Rio-Chanona, Nadzeya Laurentsyeva, Johannes Wachs, “Large language models reduce public knowledge sharing on online Q&A platforms”, PNAS Nexus 3(9), pgae400, 2024.
  47. Ilia Shumailov et al., “AI models collapse when trained on recursively generated data”, Nature 631, 2024.
  48. Moses S. Charikar, “Similarity estimation techniques from rounding algorithms”, STOC 2002.
  49. Andrei Z. Broder, “On the resemblance and containment of documents”, Compression and Complexity of Sequences, 1997.
  50. Lihong Li, Wei Chu, John Langford, Robert E. Schapire, “A contextual-bandit approach to personalized news article recommendation”, WWW 2010.

标签：信息主权 · AI agent · 推荐算法 · RSS · 个人数据