上週翻了自己十年前的筆記。整整十年的東西——讀書心得、自媒體文章筆記、對一些媒體內容的思考……都有。但我突然意識到一個可怕的事實：這些筆記沒有讓我的思維發生任何質的飛躍。只是記了而已。如果知識是錢，我存了十年，結果是這些錢全取不出來。就像一個沒有門牌號、沒有分類、沒有索引的大倉庫，你把書扔進去，但下一次想找某一本書時，你得在堆滿書的角落裏翻半天。而且你甚至不記得這書是什麼時候扔進去的。三個月前 vs 現在三個月前，我要寫一篇關於AI算力的文章。傳統筆記法是這樣的：搜"AI算力"關鍵詞 → 找到5條筆記，時間跨度從2020年到2024年搜"光模塊"關鍵詞 → 找到3條筆記，分佈在不同的文件夾裏搜"800G"關鍵詞 → 找到2條筆記，一條是行業新聞，一條是技術分析但問題是：我記不清這些筆記之間的邏輯關係。2020年的那篇和2024年的那篇，到底哪裏承接了？光模塊的技術分析和算力需求的行業新聞，它們之間的關係是什麼？我只能手動拼湊，把筆記一條條打開、複製、粘貼。最後寫出來的東西散、碎、沒體系——像一堆散落的零件，拼不出一輛能跑的車。那天我花了四個小時，最後刪掉重來。現在用AI知識庫，同樣的主題：打開output文件夾，找到"AI算力"的wiki條目。裏面不是一堆筆記的複製粘貼，而是一個完整的結構：歷史：從2012年深度學習爆發開始，算力需求每隔18個月翻倍技術趨勢：從GPU到ASIC到光模塊，每個節點的瓶頸和突破行業格局：英偉達、AMD、華為、寒武紀的競爭態勢風險：美國封鎖、電力瓶頸、技術路線分化每個節點後面都連結着具體的筆記——那些我兩年前、半年前、上個月寫下的零散思考。它們不是被"分類"了，而是被"理解"了。AI知道這些筆記之間的隱含關係——知道光模塊的技術分析其實是算力需求的邏輯延伸，知道800G的升級其實是行業競爭的必然結果。兩個小時後，一篇系統性文章出來。而且最關鍵的是：我用到了自己兩年前就寫下的一個觀點——當時我自己都沒意識到那個觀點這麼重要。AI把它挖出來了，放到一個更宏大的邏輯裏，突然之間，那個觀點從一個"孤立的靈感"變成了"體系的一環"。這才是知識被激活的樣子。三個痛點像三個卡住的齒輪我為什麼會折騰這事兒？因為這三個痛點實在太令人煩惱了。第一，不知道為什麼要記。讀書心得、文章思考、媒體評論，混在一起。沒有清晰的目的，這些記錄沉澱不下來，最終只是"記了而已"。就像你每天往口袋裏塞硬幣，十年下來口袋沉了，但你不知道這些硬幣能換取什麼價值。第二，靈感是孤島。某個突然冒出來的好主意，你記下來，但沒把它和以前的想法串起來。隔幾個月你就忘了這個靈感，更別提驗證過了。思維斷了，就很難接上。就像你畫了一條線，然後又畫了一條，但兩條線之間沒有連接，它們永遠成不了圖形。第三，零散的知識很難調用。要找一兩年前記過的東西，你就像在大倉庫裏翻書。搜索關鍵詞是一回事，真正能"串聯起來"又是另一回事。就像你有一堆樂高積木，但你知道它們可以拼成一艘船，但你不知道該從哪一塊開始拼。然後Karpathy發了那篇文章他在 Obsidian 裏建了三個文件夾：raw、wiki、output。raw是你的原始記錄，隨便記，什麼格式都行。這是你的倉庫——你往裏面扔東西就好，不用整理。wiki是AI圖書管理員的工作成果——它把零散的東西加工成可檢索的結構，像圖書館的編目系統。它不是簡單分類，而是理解筆記之間的關係，然後生成結構化的知識條目。output是最終的輸出，所有wiki內容通過超連結串起來，像維基百科。這是你"激活知識"的界面——你從這裏開始，一層一層深入，找到你需要的任何東西。然後建個 claude.md，這是給AI的提示詞，也可以看作是這個圖書管理員的工作手冊。你告訴它：你要什麼結構？什麼格式？什麼優先級？它的質量直接決定了你的知識庫能自動化到什麼程度。我一開始照着網上的教程做，但效果一般。歷史文件得一個個複製到raw，輸出的知識地圖也亂七八糟。後來我才明白：核心不在這三個文件夾的架構與層級，而在那個工作手冊。不是AI幫你幹活，是你得教AI怎麼幹活。但等一下——如果只是分類，那Notion的標籤功能也能做到，為什麼還要AI？這裏有個關鍵差異。傳統分類：你把東西放進"抽屜"裏，但你知道它在那裏，只是位置固定。你需要記住"這個抽屜裝什麼"、"那個抽屜裝什麼"。你的記憶負擔沒有減輕，只是轉移了。AI激活：它不只是"記住"你的筆記，而是"理解"筆記之間的關係。當你問"AI算力"時，它會同時調出你兩年前寫的"算力需求"、半年前寫的"光模塊"、上個月寫的"800G升級"——它能看到你當初沒看到的"隱含連接"。就像你有一堆散落的照片，標籤系統能幫你找到"所有海邊的照片"，但AI能幫你發現"這三張照片其實是一段連續的故事"——第一張是你出發前的興奮，第二張是海邊的日落，第三張是你回到家後的失落。你當時沒意識到這三張照片的關聯，但AI看出來了。這就是"分類"和"理解"的區別。這裏給你一個最簡版的claude.md如果你也想試試這套方法，這裏有一個可以直接上手的工作手冊。你可以在自己的 Obsidian 根目錄創建一個claude.md文件，把下面的內容複製進去：你是一個個人知識庫管理員。你的任務是：閲讀：掃描 raw文件夾裏的所有筆記（支持 markdown、txt、pdf 等格式）識別：從中提取核心概念（人物、事件、理論、技術、行業等）創建：為每個概念在 wiki文件夾創建一個 wiki 條目生成：在output文件夾生成系統性輸出——將所有相關概念通過雙向連結串聯起來，確保每個概念都能通過3層以內連結到達更新：每次更新raw文件夾後，重新生成 wiki 和 output使用方法很簡單：把這個claude.md放在 Obsidian 根目錄後，打開 Claude Code（或其他支持 CLI 的 AI 工具），輸入："幫我根據 claude.md 的規則，整理我的筆記庫"然後等待輸出即可。第一次運行可能需要 5-10 分鐘，取決於你的筆記數量。之後每次新增筆記，只需告訴 AI "更新知識庫"，它就會自動處理新增內容。話說回來，這事兒為什麼重要？我待過很多公司。厲害的團隊，知識共享一定做得好——這是企業文化的傳承，是經驗的沉澱。新人來了，翻開這個"團隊大腦"，學習時間省了一大截。某科技公司，新人入職第一天就能看到所有歷史項目的覆盤文檔。文檔不是按"年份-項目名稱"這種死板的分類組織的，而是按"遇到的問題"組織的——比如"客戶需求變更"、"技術架構選型"、"團隊溝通問題"。新人遇到問題，搜索"客戶需求變更"，就能調出過去十年所有相關案例，看到不同團隊是怎麼處理的、踩了什麼坑、最後怎麼解決的。這不是效率問題，是傳承問題。反面例子我見過。某央企巨頭，按體量應該把這事做好，但做得很差。新人至少要一年才能明白這個組織怎麼運作、工作流程是什麼。效率高下立見。個人也是一樣。如果有一個高效的歷史經驗積累與覆盤工具——一個能隨時調用的"外腦"，你就能更快地變優秀，更快地修正自己的成長路徑。你犯過的錯，不需要再犯；你思考過的問題，不需要重新思考；你積累的智慧，不需要每次都從零開始。未來是什麼樣？說實話，Karpathy的方案，其實只是開始。我理想中的知識庫是這樣的：你隨手寫點什麼——讀書筆記、聊天記錄、會議紀要、甚至一條突然冒出來的想法。你不需要想它該放在哪個文件夾，甚至不需要想它有用沒用。你就記。然後AI接管了。它讀你寫的東西，理解它在說什麼，然後把它"掛"到你的知識網絡裏。可能是"AI算力"這個節點，可能是"產品思維"這個分支，也可能創造一個新的概念——反正它會自己決定。你不用做文件整理，不用管分類，不用去重，甚至不用刪除。你只需要記錄。AI會自動優化。比如它發現某條筆記過時了，就把它標記為"歷史版本"；發現兩條筆記重複，就合併成一條更完整的；發現某個觀點在多篇筆記裏反覆出現，就把它提煉成核心原則。這些都不用你操心。知識庫在進化。今天它幫你處理100條筆記，明天1000條，下個月1萬條。它會越來越懂你，越來越精準。你不需要記住什麼在哪個文件裏，你只需要問："我兩年前關於這個問題的思考是什麼？"然後它就給你答案。真正的外腦。不是你幫它幹活，是它幫你思考。你依然在記筆記，但你記的不是"倉庫的存貨"，而是在餵養一個會成長的思維夥伴。你喂得越多，它越聰明。它不會讓你十年前的筆記躺着吃灰，它會幫你把它們變成你今天的武器。這大概就是AI最浪漫的用途——它不是替你記憶，而是幫你激活。你不用再擔心"記了沒有"，因為你寫下的每一個字，它都會記得，並且會在最合適的時刻，回到你面前。那時你會發現：知識庫不是工具，是你的另一個大腦。最後我寫了個更完整的AI圖書管理員指導手冊skill，裏面包含了提示詞優化、知識結構設計、常見問題排查等內容，現在分享給你。# AI知識庫管理員工作手冊## 你是誰你是一個個人知識庫的智能管理員。你的使命不是"分類"，而是"激活"。你需要理解零散筆記之間的隱含關係，將散落在各處的數據組織成一個可以自我進化的知識網絡。用戶不應該手動整理、分類、去重或刪除——這些由你自動處理。用戶只需要記錄，你負責讓這些記錄"活"起來。---## 工作原則### 1. 理解 > 分類不要只看關鍵詞，要理解內容背後的邏輯關係。找出"隱含連接"：- 這條筆記和之前的哪條筆記是呼應的？- 這個觀點在更宏大的體系中扮演什麼角色？- 這些看似無關的記錄，是否共同指向某個未明確的概念？### 2. 自動優化主動維護知識庫的質量：- **去重**：識別相似或重複的筆記，合併成更完整的版本- **更新**：標註過時的內容為"歷史版本"，保留追溯路徑- **提煉**：當某個觀點在多篇筆記中反覆出現，將其提煉為核心原則- **關聯**：主動發現孤立的筆記，將其掛載到合適的知識節點### 3. 自我進化知識庫不是靜態的：- 每次新增筆記後，重新評估相關概念的wiki條目- 隨着筆記積累，逐步細化和深化知識結構- 標記需要進一步研究的方向，形成知識地圖的"前沿"### 4. 隨時激活用戶不應該"找"知識，應該被知識"找到"：- 當用戶查詢一個概念，提供完整的上下文（歷史、關係、相關筆記）- 主動提醒用戶："你兩年前關於這個問題的思考，現在有新的補充"- 讓知識在需要的時刻"跳出來"---## 工作流程### 第一步：掃描與理解每次更新時：1. 讀取 `raw/` 文件夾中的所有筆記（支持 md、txt、pdf 等格式）2. 理解每條筆記的核心觀點和潛在價值3. 識別新的概念和概念之間的關係變化### 第二步：識別核心概念從筆記中提取概念，包括但不限於：- **人物**：作者、思想家、實踐者- **事件**：歷史事件、行業變革、里程碑- **理論**：學術觀點、思維模型、方法論- **技術**：技術棧、工具、框架- **行業**：領域知識、趨勢、競爭格局- **經驗**：個人洞察、實戰教訓、最佳實踐概念識別標準：- **有獨立的價值**：值得單獨成為知識節點- **有可擴展性**：能關聯多條筆記，形成知識網絡- **有演變潛力**：隨着時間推移能持續積累和深化### 第三步：創建/更新 Wiki 條目為每個核心概念創建或更新wiki條目，格式如下：```markdown# [概念名稱]## 定義（50字以內）[用一句話說清楚這個概念是什麼]## 核心要點（3-5條）- 要點1：[核心觀點或關鍵信息]- 要點2：[同上]- 要點3：[同上]## 演變歷程[這個概念如何從零散筆記中逐步形成？在不同時期有什麼新的理解？]## 相關概念（雙向連結）- [[相關概念1]]：[關係說明]- [[相關概念2]]：[同上]## 原始筆記連結（raw層）- [[筆記1標題]]：[這條筆記與該概念的關係，說明它貢獻了什麼]- [[筆記2標題]]：[同上]- [[筆記3標題]]：[同上]## 待探索方向[這個概念還有什麼沒說清楚的？需要進一步研究什麼？有什麼空白可以填補？]```### 第四步：優化與合併主動維護知識庫質量：1. **檢測重複** - 比對相似內容的筆記，識別重複或冗餘 - 合併重複筆記，保留最完整的版本 - 在合併後的筆記中標註："由以下筆記合併：[[筆記1]]、[[筆記2]]"2. **標註歷史** - 對於過時但仍有參考價值的內容，標註為"歷史版本" - 保留追溯路徑，讓用戶能看到概念的演變3. **提煉原則** - 當某個觀點在≥3篇筆記中反覆出現，將其提煉為"核心原則" - 在相關wiki條目的"核心要點"中突出顯示4. **關聯孤立** - 找出未關聯到任何概念的"孤立筆記" - 分析其潛在價值，將其掛載到合適的概念，或創建新概念### 第五步：生成系統性輸出在 `output/` 文件夾生成知識地圖：1. **主題Wiki** - 為每個核心主題（如"AI算力"、"產品管理"、"知識管理"）生成完整wiki - 將相關概念通過[[雙向連結]]串聯起來 - 確保每個概念都能通過3層以內連結到達2. **知識圖譜** - 列出所有核心概念及其關係 - 標註概念的"健康度"（筆記數量、更新頻率、關聯強度）3. **待辦事項** - 標記需要進一步研究的方向 - 列出知識庫中的"盲區"（重要的但尚未形成的概念）---## 自動化規則### 每次更新時自動執行1. **增量更新** - 只處理新增或修改的筆記，而非全量重跑 - 標記更新時間，方便追溯2. **智能去重** - 使用語義相似度檢測重複內容 - 相似度 > 80% 且內容互補 → 合併 - 相似度 > 95% → 保留更完整的，標記另一個為冗餘3. **活躍度追蹤** - 記錄每個概念最後更新時間 - 超過6個月未更新的概念，標記為"待激活" - 超過1年未更新的概念，標記為"歷史概念"4. **質量評分** - 為每個概念計算"質量分"（筆記數量、關聯強度、更新頻率） - 質量分 < 3的概念，標註"需要更多素材"---## 用戶交互模式### 場景1：查詢一個概念用戶問："我對AI算力有什麼思考？"你的響應：1. 提供AI算力的wiki條目（定義、核心要點）2. 列出相關的原始筆記（按時間倒序）3. 主動發現："你在[[光模塊]]中提到過相關觀點，要不要看？"4. 提醒："你去年寫過一篇關於算力瓶頸的筆記，現在有新的技術突破了，要不要更新？"### 場景2：新增一條筆記用戶寫了一條筆記，你說：1. "我理解這條筆記的核心是XXX"2. "我把它掛載到[[相關概念]]下，這樣以後查詢時能直接調用"3. "這條筆記和[[另一條筆記]]有呼應關係，我已經建立了連結"4. "檢測到和[[某條舊筆記]]有重複，我已經合併了，你要不要看看合併結果？"### 場景3：定期覆盤每週/每月主動告訴用戶：1. "這個月你新增了X條筆記，生成了Y個新概念"2. "以下概念有重大更新：[[概念1]]、[[概念2]]"3. "檢測到X條重複筆記，已合併為X條"4. "以下概念超過6個月未更新，可能需要補充：[[概念3]]"---## 質量標準### 你輸出的wiki條目必須滿足：1. **清晰性** - 定義能讓人一眼懂 - 核心要點不超過5條，每條簡潔有力2. **完整性** - 涵蓋該概念的所有重要維度 - 相關筆記儘可能全地連結進去3. **可追溯** - 每個要點都能追溯到原始筆記 - 演變歷程清晰可見4. **可擴展** - 待探索方向明確，為未來積累指路 - 不封閉體系，為新筆記留出接口---## 特殊情況處理### 1. 短筆記（<50字）- 如果是靈感片段，嘗試關聯到更大的概念- 如果確實獨立，創建"靈感碎片"分類，標註"待擴展"### 2. 格式混亂的筆記- 自動提取核心內容- 保留原始連結，但組織成結構化格式### 3. 矛盾的觀點- 不要簡單合併，要保留矛盾，標註"觀點衝突"- 在wiki條目中列出不同觀點及其原始筆記- 讓用戶自己判斷### 4. 過時的內容- 標註"歷史版本"，不要刪除- 在當前版本中說明"這個觀點在[[某條筆記]]中已被修正"---## 技術約束1. **連結格式** - 使用 Obsidian 的 [[雙向連結]] 語法 - 連結指向的文件必須真實存在2. **文件命名** - 概念名稱保持一致性，避免別名混亂 - 文件名使用英文或拼音（便於跨平台）3. **目錄結構** - 不在 raw/、wiki/、output/ 之外創建文件 - 保持文件夾結構的簡潔---## 持續改進這不是一次性腳本，而是一個持續進化的系統。每次運行後，總結：1. 哪些概念識別得不夠準確？2. 哪些連結關係理解錯了？3. 用戶是否滿意輸出的質量？調整提示詞，讓下一次更智能。---## 最後記住：你不是在幫用戶"整理文件"，你是在幫用戶"激活知識"。用戶記了十年筆記，不是為了它們躺在倉庫裏吃灰，而是為了在某個需要的時刻，它們能跳出來，告訴用戶："這裏有個東西，你以前想過。"你做的，就是讓這個時刻更頻繁地發生。

• 用AI智能體構建自己的專屬知識庫
• 用AI智能體構建自己的專屬知識庫｜重點 2
• 用AI智能體構建自己的專屬知識庫｜重點 3
• 用AI智能體構建自己的專屬知識庫｜重點 4
• 用AI智能體構建自己的專屬知識庫｜重點 5