用 AI 做个人知识管理：从记录到复用

收藏夹里躺着三千多条链接，真要写一份方案时，一条也想不起来。这种经历几乎每个重度阅读的人都有，而且原因常被误判成「记得不够多」。真实的原因通常在链条中段：存的时候只花了两秒，存完就再没打开过。AI 在这条链上真正能接手的是中间两段——把材料归类、把内容变成能提问的形式。下面按收、整、找、用四步讲，每步给出该留下的东西和最容易踩的坑。

三层里，只有最后一层产生回报

知识管理常被分成收集、整理、复用三层。多数人停在第一层，因为第一层的反馈最快：点一下收藏，就有一点点「学到了」的感觉。这种感觉是廉价的，它奖励的是动作，不是理解。

第二层的价值是让第三层成为可能：没有结构，检索就只能靠记忆，而记忆恰恰是最先失效的东西。第三层才有回报——你写出的方案、做出的判断、省下的重复劳动。判断一套笔记体系好不好，只看一件事：上周你需要某个结论时，用了几分钟找到它。

四步走完，从一条链接到一段可用的结论

四步的产出物性质不同，前两步是攒素材，后两步是取结果：

第一步那句「一句话理由」只多花十秒，却决定三个月后这条笔记还有没有用。第三步最容易被高估：能搜到不等于能看懂，很多笔记打开之后，自己都认不出当时在说什么。

收集越轻，越能坚持

收集环节的设计目标只有一个：把摩擦降到接近零。长文先让工具出三条要点再决定要不要读；语音随手转成文字；截图里的字识别成可搜索的文本；网页剪藏时自动带上标题、作者、日期。

要克制的也在这里。收集量长期超过消化量三倍，收藏夹就变成了仓库，仓库不产生判断。一个可用的比例是：每存五条，至少有一条在一周内被打开、被改写、被引用。做不到，说明该收的不是更多，是更少。

归类可以让机器先做，标签得自己定

把二十条笔记一起丢给模型，让它按主题分组、指出重复、找出三组关联，这件事它做得又快又稳。它擅长的是语义聚类：把讲同一件事的不同说法归到一起，这类活人做起来枯燥且容易漏。

但标签体系不能交给它。模型的分类依据是通用语义，你的分类依据是「我下次会在什么场景下用到它」。同一个概念，对做产品的人是「需求分析方法」，对做运营的人是「用户访谈话术」，通用语义分不出这个差别。可行的分工是：让它出三套分组方案，你挑一套改，改的过程就是在建立自己的结构。提问时把场景和用途交代清楚，结果会好很多，提示词里该放哪几类约束有更细的讲法。

找得到，靠的是检索方式

关键词搜索的假设是你记得原话。实际情况是你记得的是意思：想找「用户为什么不复购」，原文里写的可能是「第二次购买率低的原因」。字面不重合，就搜不到。

语义检索解决的就是这个错位，它比对的是意思的接近程度，向量数据库怎么支撑这类检索可以另说，效果上就是换个说法也能找到。再往上一步是问答式检索：直接问「我之前记过关于复购的什么」，让它把相关段落找出来并附上出处，检索增强生成的流程讲的就是这个机制。这类工具的共同前提是笔记本身有足够的上下文——一段没有前因后果的摘抄，检索到了也读不懂。

它整理得了材料，整理不了你的判断

三个它做不到的地方。第一，它不知道你当时为什么记这条，除非你写下来；补写出来的理由多半是事后编的，参考价值有限。第二，它给不出「哪条对现在这件事有用」，那需要知道你正在做什么、卡在哪，这些信息不在笔记里。第三，摘要会磨掉棱角：一段论证里最关键的往往是那句反直觉的话，摘要常把它压成中性的陈述。

还有一层是维护成本。工具换得越勤，笔记越散；散在三个应用里，等于没有。选一个能导出成通用格式的工具，比选功能最多的那个重要。真到要换的那天，能整包带走，才算你的东西。

速查：四步各自的验收标准

• 收：每条都有一句话理由，写不出理由就不存。
• 整：标签不超过二十个，能一眼说出每类的用途。
• 找：用意思去问，能命中字面不同的旧笔记。
• 用：成稿里的每个结论都能追到一条原始记录。