不是替你读，而是让阅读进入长期记忆系统↗
Readwise Reader 把 article、newsletter、RSS、PDF、EPUB、video 与 social post 放进统一 Library。用户仍然阅读，但 parser、offline cache、highlight、note、review 与 PKM export 把一次消费变成可积累的知识对象。
Document、Highlight、Note 与 View↗
Reader 的中心对象是 Document。Highlight 和 note 挂在原文位置上，filtered view 负责组织状态与主题；Feed 里的内容只有在用户决定保存后才进入长期 Library。这个边界避免所有订阅内容无差别污染知识库。
AI 被限制在当前 document 或 selection 的语境内↗
Ghostreader 已进入统一 Chat sidebar，可对全文或选中文本总结、解释、翻译、查词、提出问题、生成 newsletter blurb，并进行追问。回答能引用文档位置，并保存进 document note 或 highlight note。
不是几个按钮，而是一套可编程阅读语法↗
自定义 prompt 支持 document metadata、content、summary、tags、notes、highlights，以及 lexical search、semantic similarity、central paragraphs、classification 等 subroutines。Jinja 风格变量与条件允许不同文档类型走不同处理路径。
Read → Highlight → Review → Export↗
真正的防御力来自 Readwise 已有的 highlight library、Daily Review、阅读习惯与 Notion/Obsidian 等 integrations。AI 输出不是一次性 chat，而可以进入复习和写作素材库。
深读基础设施，不是自动 intelligence team↗
Reader 不主动发现 weak signals，也不围绕 persistent query 生成团队级 market brief。Feed 文档默认不会自动摘要；批量自动处理需要用户提供 API key。它优化的是知识工作者的理解与记忆，而不是“不要读”。
干净、稳定、可离线的 document 是 AI 之前的基础设施↗
Browser extension、email forwarding、RSS、PDF、EPUB、video 与 social post 都需要不同 parser。Reader 保存原始版本以维持 highlight 和 note 的位置语境；这也意味着重新抓取更新版本不是无损操作。
一个 flat document database 上的 saved query↗
Filtered View 可以按 tag、author、domain、feed、status、长度等条件组合，并保存到 sidebar 或 Home。Feed 与 Library 又区分“可能要读”与“决定长期保存”，避免所有订阅内容自动污染知识库。
从研究论文到永久笔记，而不是一次 summary↗
研究者保存 PDF，先让 Ghostreader 提取结构和关键概念；阅读时高亮证据、添加自己的 note，再用自定义 prompt 只基于 highlights 生成反驳或问题。最后 highlight 与 note 同步到 Readwise Review 和 Obsidian/Notion，进入写作材料库。
Context scope 越清楚，回答越容易被信任↗
Document prompt、selection prompt 与 Quick Lookup 对应不同上下文和输出位置。Jinja-like variables、lexical search、most-similar 与 token control 让用户知道模型读了什么，也能避免把整个 library 模糊地塞进一次 chat。
让 AI 产物进入 durable memory，而不是消失在 chat↗
Reader 的关键不是“和 PDF 聊天”，而是 response 能进入 document note、highlight note、review 与 export。用户修正过的理解会成为下一次工作流的资产，形成比模型本身更稳定的留存。
把深读 memory 接到持续变化监控↗
Reader 保存的是用户主动选择的 document memory；监控产品保存的是外部世界的 event memory。新方向可以连接两者：检测变化后生成可标注的证据包，让用户的 highlight、判断和 note 成为以后 relevance 与 impact scoring 的反馈。