Andrej Karpathy 的 知識管理工作流很強，但未必適合每個人
整理版優先睇
Karpathy 嘅自動化知識管理工作流好強，但內容創作者要小心唔好俾 AI 取代自己嘅思考
呢篇文章回應 Andrej Karpathy 最近分享嘅知識管理工作流，講佢點樣將一切自動化：由原始資料丟入系統、LLM 自動編譯成 Wiki、Obsidian 變成只讀前端、Agent 深度問答、輸出再回饋，成個閉環越用越聰明。呢套系統喺 AI 工程師、研究者手上確實高效，因為佢哋嘅目標係提高資訊處理效率。
但作者指出，對內容創作者嚟講，呢種「無摩擦」嘅流程反而有風險。人嘅思考唔係被動餵養就可以自動轉化為理解；真正有價值嘅觀點係喺碰撞、質疑、重寫嘅過程中慢慢長出嚟。如果將歸納、聯繫、論證全部交俾 AI，創作者就會失去將模糊感受變成清晰判斷嘅核心能力。
作者提出「思維管理」框架：收集時製造微摩擦（手動寫低點解觸動自己），調用時追求零摩擦（AI 語義搜尋），思考時迎接高摩擦（唔俾 AI 直接擴寫，自己先寫核心判斷）。最終目標係保護個人判斷力、連接力同表達力，而唔係擁有一個龐大嘅數據庫。
- Karpathy 嘅工作流將知識管理極致自動化：原始資料 > LLM 編譯 > Wiki > Agent 問答 > 輸出回饋，形成自我增強閉環
- 呢套系統最適合追求資訊處理效率嘅工程師同研究者，但內容創作者需要產出獨立觀點，唔可以只靠 AI 自動整理
- 人腦唔係大模型：被 AI 整理過唔等於內化，寫作先係思考本身，唔可以將論證過程外包
- 對創作者嚟講，認知摩擦係必要嘅——改寫、卡頓、遲疑先逼出真洞察，完全無摩擦會消滅洞察誕生嘅機會
- 作者建議「收集時微摩擦、調用時零摩擦、思考時高摩擦」，手動記錄觸動點，但放棄分類，由 AI 負責語義搜尋
Andrej Karpathy 原文
Karpathy 喺 X 分享佢嘅 PKM 工作流
Karpathy 嘅自動化 PKM 工作流：將知識庫變成持續生長嘅 AI Wiki
Karpathy 嘅系統本質係將所有原始材料先丟入 raw/ 文件夾，放棄人手分類，後續結構化交俾 AI。呢一步嘅關鍵係先攝入，再編譯。
- 1 先將文章、論文、代碼庫等全部放入 raw/，唔整理住，只求先入系統
- 2 LLM 喺後台自動做摘要、提煉概念、寫詞條、建立雙向連結，生成結構化 Markdown Wiki
- 3 Obsidian 變成只讀前端，用來睇 AI 整好嘅 Wiki 同圖譜，人唔再負責搭建結構
- 4 唔用傳統 RAG，直接叫 LLM Agent 入本地知識庫做深度問答
- 5 AI 回答輸出嘅文章、簡報會再歸檔返去 Wiki，形成閉環
- 6 用 LLM 定期巡檢知識庫，檢查矛盾、補全資訊、揾選題，甚至自己寫工具強化能力
- 7 終極目標係用私人知識微調模型，將知識寫入模型權重
點解內容創作者要警惕呢套系統？
作者指出，內容創作者嘅核心任務係表達自己嘅判斷、審美同立場，而唔係揾現成答案。Karpathy 系統默認知識管理嘅目標係高效存儲同調用資訊，但創作者需要嘅係認知生成質量，唔係資訊處理效率。
如果系統優化方向完全放喺無摩擦收集、總結、調用，好容易誤以為輸入夠多觀點自然會出。但真正獨特嘅觀點係喺碰撞、質疑、推翻、重寫嘅循環中慢慢長出嚟。
作者分享自身經驗：佢將微信讀書、Flomo 等內容匯總到 Notion 再讓 AI 自動整理，感覺好滿足，但真正要寫文章時仍然卡住。原因係資訊可以被自動歸檔，但理解唔可以被自動下載。
對工程系統嚟講，摩擦越少越好；但對人嘅認知成長嚟講，摩擦唔係成本，而係價值。改三遍先發現自己真正想講乜，寫唔落去先逼自己諗透——呢啲卡頓同遲疑係洞察誕生嘅機會。
AI 時代嘅思維管理：重新分配摩擦力
作者提出「思維管理」框架，包含兩層：第一層係令資訊保留可調用嘅上下文，放棄分類標籤，但保留個人點解對呢條資訊有反應；第二層係令觀點喺摩擦中生長。
- 收集時製造微摩擦：唔好全自動搬運，堅持手動寫低「呢條資訊點解觸動我」，為知識錨定當下語境
- 調用時追求零摩擦：放棄手動標籤，由 AI 做語義搜尋同關聯提取
- 思考時迎接高摩擦：唔俾 AI 直接擴寫，而係叫佢指出漏洞；先寫一句核心判斷，再補反例；調用資料前先憑記憶寫出自己嘅理解
作者總結：對內容創作者嚟講，知識管理唔係追求無摩擦，而係重新分配摩擦力——收集時微摩擦、調用時零摩擦、思考時高摩擦。咁樣先可以喺資訊洪流中保持獨立判斷，並將佢講清楚。
最近，前 Tesla AI 總監、OpenAI 創始成員之一 Andrej Karpathy 分享咗佢自己嘅一套知識管理工作流[1]。呢篇文章已經有1500萬+瀏覽量，大家討論得咁熱烈，係因為佢睇落幾乎代表咗一種 AI 時代知識管理嘅極致形態：將信息收集、整理、連結、檢索、輸出，盡可能交俾 AI 自動完成。
呢套工作流真係令人興奮，大家紛紛跟住寫 skill、開發自己嘅 workflow。但我認為，佢未必適合所有知識工作者，尤其未必適合需要產出獨立觀點嘅內容創作者。
因為呢套流程預設咗一個前提：知識管理嘅目標，係令信息被更高效咁儲存、編譯同調用。但對內容創作者嚟講，真正重要嘅唔係輸入/儲存咗幾多信息，而係我哋有冇喺呢個過程中完成自己嘅思考、判斷同重組。
所以我寫咗呢篇文章，主要有三部分內容：
拆解Andrej Karpathy 呢套 PKM 工作流係乜嘢 解釋我點解認為佢唔適用於每個人 提出一套更適合內容創作者嘅 AI 協作式思維管理框架
Andrej Karpathy 嘅 PKM 工作流係乜嘢，點解咁犀利？
如果將佢嘅系統講得更直接啲，本質上係將知識庫當成一個持續增長嘅本地 AI Wiki。
1. 首先將所有原始信息放入系統
佢嘅第一步好簡單：將文章、論文、代碼庫、圖片、網頁等原始材料，全部掉入 raw/ 文件夾。
呢一步嘅關鍵唔係整理，而係先攝入。佢放棄咗人手動分類、手動歸檔、手動摘要嘅舊方法，而是將原始材料先夠完整咁進入系統，後面嘅結構化交俾 AI 嚟做。
2. 讓 LLM 充當知識編譯器
呢啲原始資料進入系統之後，唔係由人一條條做筆記，而係由 LLM 喺後台完成摘要、概念提煉、詞條撰寫、雙向連結建立，最後生成結構化嘅 Markdown Wiki。
呢一步意味住 AI 唔只係輔助記錄，而係直接承擔咗知識庫嘅基礎建模工作。
3. 將 Obsidian 降級成唯讀前端
喺呢個流程入面，Obsidian 唔再係一個需要人仔細維護嘅筆記軟件，而似一個前端界面，用嚟睇 AI 已經整理好嘅 Wiki、圖譜同輸出結果。
換句話講，人唔再主要負責搭建知識結構，而係睇結構、調用結構、消費結構。
4. 唔再依賴傳統 RAG，而係直接讓 Agent 深度問答
當 Wiki 夠大之後，佢唔再手動檢索，亦唔一定依賴複雜嘅 RAG 方案，而係直接讓 LLM Agent 進入本地知識庫進行研究同回答。
即係話，只要前面嘅目錄、摘要、連結維護得夠好，Agent 就可以幫我哋完成好多原本需要自己搜索、對比、閲讀、歸納嘅動作。
5. 輸出結果仲會重新餵返知識庫
AI 嘅回答唔係一次性對話，而係可以繼續生成 Markdown 文章、幻燈片、圖表等成果，並再次歸檔返 Wiki。
呢個令成個系統形成咗一個閉環：
原始數據進入 AI 編譯成知識結構 Agent 基於知識結構生成輸出 輸出再反過來豐富知識庫
於是，知識庫會越用越大，越用越智能。
6. 用自動巡查同專屬工具繼續增強系統
佢仲會用 LLM 定期做知識庫巡查：檢查前後矛盾、補返缺失信息、發現潛在線索，甚至生成下一步值得研究嘅選題。
如果系統仲唔夠順手，佢就繼續自己寫工具，將搜索、CLI、自動化能力外掛入去，讓 AI 可以更深層次咁調用本地知識。
7. 終極目標，係將個人知識寫入模型權重
唔滿足於每次都從上下文中臨時讀取資料，而係嘗試用呢啲私人知識生成合成數據，對模型進行微調，讓知識真正進入模型權重。
呢個說明佢嘅目標係喺打造一個持續吸收自己知識、並能夠幫自己思考嘅外腦系統。
點解我話呢套系統未必適合所有人，尤其係內容創作者？
拆解咗呢套工作流之後，我哋進一步討論，佢適合邊個，又唔適合邊個。
對 AI 工程師、研究者、信息處理密集型工作者嚟講，呢套系統非常高效，因為佢哋嘅核心目標之一，就係提高知識處理效率，將大量信息變成可調用嘅結構。
但對內容創作者嚟講，就需要保持警惕，一旦系統開始幫我哋完成思考，我哋作為主體嘅護城河就會隨之崩塌。
內容創作者需要嘅唔只係得到答案，更需要嘅係長出觀點
Andrej Karpathy 呢套流程非常吸引人，係因為佢將好多人對 AI 嘅理想投射到極致：一切都實現自動化。佢解決咗一個問題：點樣令信息被高效攝入、整理、連結，並喺需要時快速調取。
但內容創作者嘅核心任務唔係揾到現成答案，而係表達自己嘅判斷、審美同立場。
兩者都喺做知識管理，但我認為本質係唔一樣嘅，前者追求嘅係信息處理效率，後者追求嘅係認知生成質量。
如果我哋將系統優化方向完全放喺無摩擦咁收集、總結、調用，就好容易預設只要輸入夠多、調用夠快，觀點自然會出現。
但喺 AI 帶來嘅信息平權之下，真正獨特、有價值嘅觀點，係喺我哋經過不斷碰撞、質疑、推翻、重寫嘅循環之後，慢慢生長出嚟嘅。
人腦唔係大模型，被動餵養並唔會自動轉化為理解
我過去花咗好多力氣，將微信讀書劃線、Flomo 碎片、網頁文章、視頻等內容通過 API 匯總到 Notion，再讓 Notion AI 自動生成摘要、整理結構、建立數據庫。
當時真係會有一種好強嘅滿足感：一切井然有序，我睇過嘅書、文章、學過嘅課程都冇白讀。但後來我發現，呢種工作流之下嘅掌握感只係一種認知上嘅錯覺。
因為當我真正要寫一篇文章、提出一個判斷、形成一個完整論證嘅時候，我並冇因此變得更能寫、更能想。相反，我成日會卡住，明明自己睇過好多知道好多，但就係講/寫唔清楚。
原因好簡單：俾 AI 整理過，唔等於俾自己內化過。
信息可以被自動歸檔，但理解唔可以被自動下載。
寫作唔係思考之後嘅包裝，而係思考本身
對知識工作者、內容創作者嚟講，最唔能夠外判嘅，係將思考清晰化嘅過程。
好多時候真正嘅認知升級，唔係喺輸入時發生嘅，而係喺我哋嘗試寫下一個觀點、發現邏輯斷裂、補充論據、回應反例、重新組織語言嘅過程中，喺真正去撰寫一篇文章、構建一個項目時發生嘅。
所以我哋好容易對寫作呢件事有誤解，但其實寫作唔係思考完成後嘅結果，而係思考得以發生嘅方式。
如果我哋將聯繫、歸納、補足、論證所有呢啲動作全部都外判俾 AI，咁我哋失去嘅將會係內容創作者最核心嘅能力：
將模糊感受變成清晰判斷 將零碎材料組織成獨特結構 將公共信息轉化成個人洞察
對內容創作者嚟講，過度順滑反而係一種風險
Andrej Karpathy 嘅工作流之所以吸引，係因為佢非常自動化：收集無摩擦，整理無摩擦，調用無摩擦，輸出都無摩擦。
但問題亦正正在呢度。
對工程系統嚟講，摩擦越少越好；但對人嘅認知成長嚟講，有啲摩擦唔係成本，而係價值。
例如我哋為一句話改咗三遍，先發現自己真正想講乜；我哋遲遲寫唔落去，先發現問題唔係唔識表達冇文筆，而係根本冇諗透。
呢啲卡頓同遲疑，會逼我哋繼續思考，並最終帶來真正嘅認知躍升。
咁如果一個系統幫我哋消滅曬所有認知阻力，佢都可能順手消滅咗洞察誕生嘅機會。
AI 時代真正有效嘅知識管理，係重新劃清 AI 同人嘅分工
普通人都需要知識管理，只係目標通常唔係更快咁處理信息，而係令信息真正變成理解同決策。而知識工作者同內容創作者會更早、更痛咁遇到觀點長唔出嚟呢個問題。
比起知識管理，我更喜歡思維管理，因為思維管理包含兩層：
第一層：令信息留下可調用嘅上下文
過去嗰種基於樹狀目錄同手動標籤嘅管理方式，確實正在過時。我哋冇必要再花大量時間，喺筆記管理系統入面俾每一條筆記貼上#營銷、#心理學、#工具… 呢啲標籤，最後將精力消耗喺整理上，亦因為標籤呢個巨大阻力導致唔再筆記。
更好嘅方式係：
原始信息進入系統，記錄時重點寫低“呢條信息點解觸發咗我” 對信息進行手動編譯，闡釋自己嘅思考同觀點 保留足夠屬於個人嘅上下文，唔執著於分類（我已經放棄咗分類標籤同領域） 需要調用時，交俾 AI 進行語義搜索同關聯提取
即係話，唔使再執著於將資料放啱地方，而要更重視我點解對佢有反應、以及反應係乜嘢。
分類可以放棄，上下文唔可以放棄。
第二層：讓觀點喺摩擦中生長
拒絕一鍵收藏帶來嘅虛假繁榮，我哋手動寫低觸動點、保留思考嘅火種，讓 AI 負責無摩擦嘅語義調用。即係話，喺 AI 化、自動化嘅工作流中，我哋負責命題同連接，為自己設計有價值嘅認知阻力，唔將思考本身外判出去。
比如：
唔讓 AI 直接擴寫核心文章，只讓佢指出漏洞 喺輸出前，先要求自己寫出一句最核心嘅判斷 對每個重要觀點，都補一個反例或者反方視角 喺調用資料之前，先憑記憶寫出自己目前嘅理解，再去驗證
呢啲做法睇落更慢，但係能夠有效避免我哋淪為俾 AI 高效餵養而冇長出自己語言同思考嘅人。
慢即係快，放喺邊度都成立。
知識管理真正要管理嘅，係思考嘅生成過程
AI 時代，知識管理首當其衝需要升級，但升級嘅方向唔應該只追求更自動、更順滑；更加應該問一句：佢係咪保護咗人嘅判斷力、連接力同表達力？
如果我哋嘅目標係建立一個高效嘅知識處理系統，Andrej Karpathy 嘅方法完全可以直接復刻。
但如果我哋嘅目標係成為一個有獨立觀點嘅內容創作者，我哋必須清楚嘅係，AI 可以幫我哋收集、檢索、生成，但唔可以幫我哋完成必要嘅認知掙扎。
亦正因如此，AI 時代創作者嘅知識管理，絕唔係讓一切實現無摩擦，更加重要嘅係重新分配摩擦力。
1. 收集時製造微摩擦：拒絕全自動嘅機械搬運，堅持手動寫低‘呢條信息點解觸動我’，為知識錨定當下嘅語境；
2. 調用時追求零摩擦：放棄手動標籤，讓 AI 跨越一切分類去進行精準嘅語義撈取；
3. 思考時迎接高摩擦：讓 AI 扮演認知陪練，我哋親自去完成痛苦但充滿成就感嘅縫合。
知識管理嘅終點，唔係為咗擁有一個睇落好犀利好龐大嘅數據庫，而係喺信息洪流中，依然能夠擁有獨立判斷，並將佢講清楚。
只有係咁，知識管理先唔會將我哋變成系統嘅使用者，而會反過來幫助我哋成為真正有思想嘅人。
[1]Andrej Karpathy原文 ：
https://x.com/karpathy/status/2039805659525644595?s=46
推薦閲讀：
RenOS 思維系統：從知識管理到思維流動
點解你嘅筆記系統總是失效
flomo 啟發我，將筆記洞察遷移成閲讀洞察
最近，前特斯拉 AI 總監、OpenAI 創始成員之一 Andrej Karpathy 分享了自己的一套知識管理工作流[1]。這篇文章已經有1500萬+瀏覽量，大家討論的熱點是因為它看起來幾乎代表了一種 AI 時代知識管理的極致形態：把信息收集、整理、連結、檢索、輸出，儘可能交給 AI 自動完成。
這套工作流實在令人興奮，大家紛紛跟着寫skill、開發自己的workflow。但我認為，它未必適合所有知識工作者，尤其未必適合需要產出獨立觀點的內容創作者。
因為這套流程默認了一種前提：知識管理的目標，是讓信息被更高效地存儲、編譯和調用。但對內容創作者來說，真正重要的不在於輸入/存儲了多少信息，而是我們是否在這個過程中完成了自己的思考、判斷和重組。
所以我寫下這篇文章，主要有三部分內容：
拆解Andrej Karpathy 這套 PKM 工作流是什麼 說明我為什麼認為它不適用於每個人 提出一套更適合內容創作者的 AI 協作式思維管理框架
Andrej Karpathy 的 PKM 工作流是什麼，為什麼厲害？
如果把他的系統說得更直白一點，本質上就是把知識庫當成一個持續生長的本地 AI Wiki。
1. 先把一切原始信息放進系統
他的第一步很簡單：把文章、論文、代碼庫、圖片、網頁等原始材料，全部丟進raw/文件夾。
這一步的關鍵不在整理，而在先攝入。它放棄了人手動分類、手動歸檔、手動摘要的老路，而是將原始材料先足夠完整地進入系統，後面的結構化交給 AI 來做。
2. 讓 LLM 充當知識編譯器
這些原始資料進入系統後，不是由人一條條做筆記，而是由 LLM 在後台完成摘要、概念提煉、詞條撰寫、雙向連結建立，最後生成結構化的 Markdown Wiki。
這一步意味着AI 不只是輔助記錄，而是直接承擔了知識庫的基礎建模工作。
3. 把 Obsidian 降級成只讀前端
在這個流程裏，Obsidian 不再是一個需要人精細維護的筆記軟件，而更像一個前端界面，用來查看 AI 已經整理好的 Wiki、圖譜和輸出結果。
換句話說，人不再主要負責搭建知識結構，而是查看結構、調用結構、消費結構。
4. 不再依賴傳統 RAG，而是直接讓 Agent 深度問答
當 Wiki 足夠大之後，他不再手動檢索，也不一定依賴複雜的 RAG 方案，而是直接讓 LLM Agent 進入本地知識庫進行研究和回答。
也就是說，只要前面的目錄、摘要、連結維護得足夠好，Agent 就能替我們完成很多原本需要自己搜索、比對、閲讀、歸納的動作。
5. 輸出結果還會重新喂回知識庫
AI 的回答不是一次性對話，而是可以繼續生成 Markdown 文章、幻燈片、圖表等成果，並再次歸檔回 Wiki。
這讓整個系統形成了一個閉環：
原始數據進入 AI 編譯成知識結構 Agent 基於知識結構生成輸出 輸出再反過來豐富知識庫
於是，知識庫會越用越大，越用越智能。
6. 用自動巡檢和專屬工具繼續增強系統
他還會用 LLM 定期做知識庫巡檢：檢查前後矛盾、補全缺失信息、發現潛在線索，甚至生成下一步值得研究的選題。
如果系統還不夠順手，他就繼續自己寫工具，把搜索、CLI、自動化能力外掛進去，讓 AI 可以更深度地調用本地知識。
7. 終極目標，是把個人知識寫進模型權重
不滿足於每次都從上下文中臨時讀取資料，而是嘗試用這些私人知識生成合成數據，對模型進行微調，讓知識真正進入模型權重。
這說明他的目標是在打造一個持續吸收自己知識、並能替自己思考的外腦系統。
為什麼我說這套系統未必適合所有人，尤其是內容創作者？
拆解了這套工作流之後，我們進一步來討論，它適合誰，又不適合誰。
對 AI 工程師、研究者、信息處理密集型工作者來說，這套系統非常高效，因為他們的核心目標之一，就是提高知識處理效率，把大量信息變成可調用的結構。
但對內容創作者來說，則需要保持警惕，一旦系統開始替我們完成思考，我們作為主體的護城河也就隨之坍塌了。
內容創作者需要的不只是得到答案，更需要的是長出觀點
Andrej Karpathy 這套流程非常吸引人，是因為它把很多人對 AI 的理想投射到了極致：一切都實現自動化。他解決了一個問題：如何讓信息被高效攝入、整理、連結，並在需要時快速調取。
但內容創作者的核心任務不是找到現成答案，而是表達自己的判斷、審美與立場。
兩者都在做知識管理，但我認為本質是不一樣的，前者追求的是信息處理效率，後者追求的是認知生成質量。
如果我們把系統優化方向完全放在無摩擦地收集、總結、調用，就很容易默認只要輸入足夠多、調用足夠快，觀點自然會出現。
但在AI帶來的信息平權之下，真正獨特、有價值的觀點，是在我們經過不斷碰撞、質疑、推翻、重寫的循環之後，慢慢生長出來的。
人腦不是大模型，被動餵養並不會自動轉化為理解
我過去花了很多力氣，把微信讀書劃線、Flomo 碎片、網頁文章、視頻等內容通過 API 彙總到 Notion，再讓 Notion AI 自動生成摘要、整理結構、建立數據庫。
彼時真的會有一種很強的滿足感：一切都井然有序，我看過的書、文章、學過的課程都不白讀。但後來我發現，這種工作流之下的掌握感只是一種認知上錯覺。
因為當我真正要寫一篇文章、提出一個判斷、形成一個完整論證的時候，我並沒有因此變得更能寫、更能想。相反，我常常會卡住，明明自己看過很多知道了很多，但就是說/寫不清楚。
原因很簡單：被 AI 整理過，不等於被自己內化過。
信息可以被自動歸檔，但理解不能被自動下載。
寫作不是思考之後的包裝，而是思考本身
對知識工作者、內容創作者來說，最不能外包的，是把思考清晰化的過程。
很多時候真正的認知升級，不是在輸入時發生的，而是在我們嘗試寫下一個觀點、發現邏輯斷裂、補充論據、回應反例、重新組織語言的過程中，在真正去撰寫一篇文章、構建一個項目時發生的。
所以我們很容易對寫作這件事有誤解，但其實寫作不是思考完成後的結果，而是思考得以發生的方式。
如果我們把聯繫、歸納、補足、論證所有這些動作全部都外包給 AI，那我們失去的將是內容創作者最核心的能力：
將模糊感受變成清晰判斷 將零碎材料組織成獨特結構 將公共信息轉化成個人洞察
對內容創作者而言，過度順滑反而是一種風險
Andrej Karpathy 的工作流之所以吸引，是因為它非常自動化：收集無摩擦，整理無摩擦，調用無摩擦，輸出也無摩擦。
但問題也恰恰在這裏。
對工程系統來說，摩擦越少越好；但對人的認知成長來說，有些摩擦不是成本，而是價值。
比如我們為一句話改了三遍，才發現自己真正想說什麼；我們遲遲寫不下去，才發現問題不是不會表達沒有文筆，而是根本沒有想透。
這些卡頓和遲疑，會逼迫我們繼續思考，並最終帶來真正的認知躍升。
那如果一個系統幫我們消滅了所有認知阻力，它也可能順手消滅了洞察誕生的機會。
AI 時代真正有效的知識管理，是重新劃清 AI 與人的分工
普通人也需要知識管理，只是目標通常不是更快地處理信息，而是讓信息真正變成理解與決策。而知識工作者和內容創作者會更早、更痛地遇到觀點長不出來這個問題。
比起知識管理，我更喜歡思維管理，因為思維管理包含兩層：
第一層：讓信息留下可調用的上下文
過去那種基於樹狀目錄和手動標籤的管理方式，確實正在過時。我們沒有必要再花大量時間，在筆記管理系統裏給每一條筆記貼上#營銷、#心理學、#工具… 這樣的標籤，最後把精力耗死在整理上，也因為標籤這個巨大阻力導致不再筆記。
更好的方式是：
原始信息進入系統，記錄時重點寫下“這條信息為什麼觸發了我” 對信息進行手動編譯，闡釋自己的思考和觀點 保留足夠的屬於個人的上下文，不執着於分類（我已經放棄分類標籤和領域） 需要調用時，交給 AI 進行語義搜索與關聯提取
也就是說，不必再執着於把資料放對地方，而要更重視我為什麼對它有反應、以及反應是什麼。
分類可以放棄，上下文不能放棄。
第二層：讓觀點在摩擦中生長
拒絕一鍵收藏帶來的虛假繁榮，我們手動寫下觸動點、保留思考的火種，讓 AI 負責無摩擦的語義調用。也就是說，在AI化、自動化的工作流中，我們負責命題和連接，為自己設計有價值的認知阻力，不把思考本身外包出去。
比如：
不讓 AI 直接擴寫核心文章，只讓它指出漏洞 在輸出前，先要求自己寫出一句最核心的判斷 對每個重要觀點，都補一個反例或反方視角 在調用資料之前，先憑記憶寫出自己目前的理解，再去驗證
這些做法看起來更慢，但是能有效避免我們淪為被 AI 高效餵養而沒有長出自己語言和思考的人。
慢即是快，放在哪裏都成立。
知識管理真正要管理的，是思考的生成過程
AI時代，知識管理首當其衝需要升級，但升級的方向不該只追求更自動、更順滑；更該問一句：它是否保護了人的判斷力、連接力和表達力？
如果我們的目標是建立一個高效的知識處理系統，Andrej Karpathy 的方法完全可以直接復刻。
但如果我們的目標是成為一個有獨立觀點的內容創作者，我們必須清醒的是，AI 可以替我們收集、檢索、生成，但不能替我們完成必要的認知掙扎。
也正因此，AI 時代創作者的知識管理，絕不是讓一切實現無摩擦，更為重要的是重新分配摩擦力。
1. 收集時製造微摩擦： 拒絕全自動的機械搬運，堅持手動寫下‘這條信息為什麼觸動我’，為知識錨定當下的語境；
2. 調用時追求零摩擦： 放棄手動標籤，讓 AI 跨越一切分類去進行精準的語義撈取；
3. 思考時迎接高摩擦： 讓 AI 扮演認知陪練，我們親自去完成痛苦但充滿成就感的縫合。
知識管理的終點，不是為了擁有一個看起來很厲害很龐大的數據庫，而是在信息洪流中，依然能擁有獨立判斷，並把它說清楚。
只有這樣，知識管理才不會把我們變成系統的使用者，而會反過來幫助我們成為真正有思想的人。
[1]Andrej Karpathy原文 ：
https://x.com/karpathy/status/2039805659525644595?s=46
推薦閲讀：