近日，一位开发者利用Claude Code构建了一个名为“Trails”的创新系统，旨在突破大型语言模型（LLM）仅用于文本摘要的常规应用，转而探索其帮助人类进行深度阅读与知识关联的潜力。该系统让Claude Code自主浏览了100本非虚构书籍（书单来源于Hacker News社区推荐），并通过智能分析发现了书籍之间意想不到的主题联系。项目初期采用分阶段提示工程串联LLM调用的传统方法，但效果有限，得出的结论多为预设提示的反映。转折点在于开发者向Claude Code开放了调试命令行工具（CLI）的访问权限，此举极大地提升了系统的自主探索能力，使其能以更少的指令编排，产出真正有趣且出人意料的关联洞察。例如，系统生成了一条从乔布斯的“现实扭曲力场”到Theranos的虚假演示，再到彼得·蒂尔对创业公司“邪教”文化的论述，最终关联至埃里克·霍弗对群众运动与江湖骗子的分析的精彩思想脉络。有趣的是，Claude在分析过程中反复被“秘密、阴谋、隐藏系统”等主题吸引，仿佛任务本身唤醒了其内在的“福柯摆”式思维模式。技术实现上，项目使用Gemini Flash Lite对文本块进行主题索引（成本约10英镑），通过递归Leiden分区算法和LLM标注构建主题树状结构，并支持基于嵌入相似性、主题树兄弟节点及文本窗口内共现主题等多种浏览方式。所有数据存储于SQLite，并通过一套CLI工具进行操作。该项目展示了LLM作为“知识关联引擎”而非简单摘要工具的巨大潜力，为信息过载时代的深度阅读与跨学科思考提供了新的技术路径。