多数图书推荐流于表面——读完《指环王》就推一堆奇幻小说，喜欢科幻就塞给你布兰登·桑德森的系列。这种算法型推荐很少真正理解一个人的阅读味觉：你为何会被某本书击中，又为何搁置了另一本。于是，我决定给ChatGPT一份更私人的东西：我真实的书架，以及与之相关的一切阅读记忆。

我没有一上来就要推荐。我先让它“认识”我——列出自己钟爱的作家和作品，再请它反过来考我，追问我可能遗漏的阅读经历。它想知道我为什么喜欢某部小说里的具体段落，有没有读过与之气质相近的作家，甚至问到发现这些书的大致时间线。整个过程像一场阅读史访谈，而它试图从这些碎片里拼出一张完整的口味地图。

打开网易新闻 查看精彩图片

我还给它立了几条规矩：除非有充分理由，否则不准给显而易见的推荐；每一条推荐都必须联系到我已经读过的某一本书，哪怕那个联系只是一句“这本书跟你惯常的口味毫无关系，但我觉得你会喜欢”。半小时后，它不再提问，而是开始分析我。

“你的书架显示你喜欢带点游戏感的推测小说。”它这样判断，“你被构筑精密的世界吸引，但似乎并不迷恋为复杂而复杂。幽默对你很重要，不过你偏爱的幽默往往揭示出人物性格或社会环境中的某种真相。”这个概括未必毫厘不差，但接近到足以让我相信，这个实验可能真的能行。

把整段阅读史喂给一个模型，最直观的好处是它能同时从上百本书里抓取模式。我要是自己归纳，大概只会说“爱看奇幻、科幻和喜剧”，这个标签太宽泛，很难产出有价值的建议。而它注意到了更深层的东西——比如我在不同阶段反复出现的偏好，或者表面互不相干的书之间暗藏的共通之处。

真正让它起作用的，是那种被我问出来的解释关系。每本书都不再是孤立的条目，而是被放进一个坐标里：它离你的阅读习惯有多远，又是在哪个方向上偏移。当它说“这一本和你读过的某本书共享同一个命题，但处理方式完全相反”，推荐就不再是冷冰冰的链接，而像一次有来有回的对谈。