Matrix 首页推荐

Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。

文章代表作者个人观点，少数派仅对标题和排版略作修改。

4 年前，我将自己知识管理的心得，整理后写了一篇文章，这篇文章被少数派的编辑精选后得到了很大的关注，截止到今天在全网已经有 10 万 + 人读过。

过去的几年里，我一直在使用这套知识管理系统，从中受益良多。在不断的实践中，我也不断调整让它更适合我。而进入 AI 时代，大语言模型本质上作为一种信息处理方式，也给这套知识管理系统带来了很多新的变量，包括一些有趣的、有用的升级。

所以今天我打算继续开源我打磨了超过 5 年的知识管理系统，再写一篇文章，聊聊在 AI 时代，我们应该如何进行知识管理？

这篇文章会从理论、方法、工具等方面介绍我的知识管理系统，包括「捕捉信息 - 处理信息 - 知识库 - 部署知识库」每一步的原理和方法，最后也会介绍整个知识管理系统的流程和工具。文章内容比较长，你可以收藏起来慢慢阅读。

AI 时代，我们还需要知识管理吗？

这是一个经常有的疑问，在今天，没有任何一个人敢说比 AI 更加知识渊博了。AI 几乎学习了世界上所有的知识，那有了 AI 以后，我们还需要知识管理吗？或者说我们还需要知识吗？

AI 的知识并不是我们的知识。今天我们还不能将 AI 的所有知识，直接传输到我们的大脑中。每个人独有的智慧，依然是我们在工作和生活中最有利的武器。所以 AI 时代知识依旧很重要，认清这一点，将 AI 运用到我们的知识管理的流程中，才会发现 AI 正在增强它。

为什么还需要知识管理？

知识为什么需要被管理？这个问题的答案，和其他所有领域的管理一样，当你的知识足够多、大脑装不下、并体现出复杂性的时候，就需要进行管理了。

知识管理的目标有两个：

1. 让知识更好地流入你的大脑
2. 让知识更好地从大脑运用到工作和生活中

知识管理系统经常也被人称为「第二大脑」，尽管我们的「第一大脑」很擅长思考、理解和创新，但它也有很多「原生」的限制：

1. 学习带宽并不大，阅读和学习都让大多数人感到吃力，学习新知识时往往会有难度
2. 不擅长记忆，很多知识用进退废，慢慢会被遗忘曲线抛弃
3. 无法可视化，仅靠语言和图像的表达，输出效率很慢

所以我们需要「第二大脑」：

• 第一大脑负责思考、理解、创造、运用知识
• 第二大脑负责辅助学习、记忆、组织和可视化知识

我的知识管理系统

回到四年前的文章。当时我把知识管理系统分为以下七步：

1. 信息源
2. 稍后阅读
3. 划线批注
4. 临时笔记
5. 永久笔记（知识库）
6. 回顾系统
7. 创作输出

4 年的实践和调整后，我对整套系统做了一些调整——来到 2025 年年末，我觉得可以按照下面的框架来定义我们的知识管理系统方法

1. Caperture - 捕捉信息
2. Absorb - 渐进式阅读信息
3. Repository - 存储到知识库
4. Deploy - 部署并使用

你也可以管这套系统叫 CARD 知识管理系统，当然叫什么并不重要，如果我愿意，我也可以强行把他变成 FUCK 知识管理系统：

1. Filter - 过滤信息，只关注对我们有用的部分
2. Understand - 渐进式阅读信息，理解知识
3. Compile - 整理到知识库
4. Kindle - 部署知识，将知识应用起来

关键是理解每一个步骤的原理，四个单词其实就是四个步骤：捕捉信息、处理信息、知识库、部署知识库。接下来我会分别详细地说明这四个步骤中的一些原理、方法和工具，以及 AI 在这当中发挥的作用。

Caperture 捕捉信息

今天互联网上有多少信息呢？根据 IDC 在 2017 年发布的《数据时代 2025》白皮书，到 2019 年全球的网民数量将达到 40 亿，其中中国有 10 亿的中国网民。根据这家机构做的测算，他们估计到 2019 年，互联网上的信息量将达到 40ZB¹。

也就是说，理论上每个网民可以平均分配到 1 ZB 的数据量，而实际上人终其一生在互联网上涉猎信息，也只有不超过几十个 TB 的数据量是有用的。

进入 2026 年，AI 时代让互联网的信息供给成倍增加，现在的信息量更来到了另一个量级。如何在海量的信息中，找到对自己有用的信息呢？ 

我们需要一个更强大的过滤器（Filter）。

信息的获取方式

获取信息的方式有很多种，但按照人的主动型，可以分为「主动获取」和「被动推荐」两种。

主动获取方式包括：

• 搜索分发：使用搜索引擎搜索内容
• 订阅分发：订阅某个信息源的内容
• AI 问答：需要什么信息，直接问 AI

被动推荐的方式则包括：

• 专家推荐：听取专家/网站的推荐
• 社交推荐：听取朋友的推荐
• 算法推荐：推荐算法推荐内容

不同的信息获取方式，适合获取不同类型的信息。

信源的媒介和内容格式

如按照信息的承载的媒介来对内容进行分类，可以进一步将信息分为文字、图片、视频和音频；

扩展阅读：我用 5 分钟，读完了 80 分钟的视频

这些内容媒介按不同比例和方式组合，就可以抽象出很多不同的内容格式；不同的内容格式，又适合用于承载不同的内容；每一种内容格式，则可以构建一个新的内容平台。

比如非虚构内容：

虚构内容： 

我的信息捕捉方式

基于每天的大量阅读，我在关注的领域内也维护了一套自己的信息源。在文章的末尾我会分享完整的知识管理系统和优质信息源，欢迎读到最后~

推荐算法适合用于分发娱乐内容

我们先来说说娱乐的内容，虽然我自诩一位深度阅读爱好者，但也免不了消费娱乐内容。

对于娱乐内容，使用算法推荐的方式是最佳的。因为算法推荐依赖于内容的丰富度，视频和图文的丰富度更多，可以打的标签也越多，算法推荐也就越准确。推荐算法可以很好地根据兴趣爱好推荐信息。

众所周知，需要娱乐的时候，抖音、小红书、bilibili 这些内容平台都是很好的选择。只是要控制好时间，不要在这样的内容上花太多时间。

相反地，如果是用于增长知识的信息，往往不适合用算法推荐来分发。在获取增长智识的信息时，应该保持主动性。因为这些增长智识的信息的吸引力，对比娱乐的内容的吸引力如蚍蜉撼树。

搜索引擎依旧无法替代

遇到问题主动通过搜索引擎搜索，依旧是非常有效的信息获取方式。Google 则依然是当今最好的搜索引擎，如果你依旧在使用百度、必应等其他搜索方式，尽快切换到 Google 上。光这一个改变，就可以让你的搜索质量提高 30%（拍脑袋想的）。

结合 AI 技术以后，搜索也在变得更加好用。2024 年，各种 AI 搜索平台层出不穷，纯 AI 搜索的平台推荐使用 Perplexiety 或者 秘塔 AI 搜索。各大 AI 对话应用基本上也将 AI 搜索内置到了对话中，这里 Google 虽然启动比较晚，但也积极推进了 Goolge AI mode 和 Gemini 的 DeepReserach。个人认为 Google 这家公司对搜索的思考肯定是这个星球上最好的，相信到最后，最好的 AI 搜索和深度研究还会是 Google 的产品。

最后必须要说的是，尽管 AI 搜索替代了部分传统搜索引擎的场景，在部分场景下 AI 搜索的效果也更好，但 AI 对话和搜索依然是互相融合的关系，对话有对话的优势场景，搜索有搜索的优势场景：

• 在一些最简单的寻址需求，比如只想找到一个产品的官网，Google 搜索还是最简单直接的
• 在一些无法简单总结，回答更加开放性的场景，使用 Google 搜索后逐个从搜索结果中得到找信息，还是体验最好的

AI 虽然拥有智能，但无法真正理解人类意识的动态变化，只能基于预设任务进行推测，而人类在搜索过程中会根据新信息不断调整方向，这种灵活性 AI 尚无法实现。

订阅优质信息源

如果我们足够相信一个信息渠道提供的高质量内容，我们就可以订阅起来。好的信息订阅渠道还是非常少的。这种渠道要求信源的噪声低、质量高。

过去的公众号订阅便是这样的模式，但这两年公众号也做了一些改变，更多地依赖推荐算法来分发内容，弱化了过去的按照公众号订阅列表的推送方式。

RSS 算得上是一种古老的协议，在 web 1.0 时代，人们用它来解决信息分散的问题。今天这个协议依旧有用，例如我还是每天都在使用 RSS，像以前每天看报纸一样，了解订阅源最新的信息。

Newsletter 也是一种古早的分发方式，订阅 Newsletter 以后，作者会按照一定频率给你的邮箱里发一封邮件，邮件就是作者分享的内容。这种分发方式在 2021 年左右文艺复兴了一段时间，那段时间我也写了一个自己的 Newsletter #草稿拾遗，不过今天是断更的状态了。今天依旧有把 Newsltter 做的很好的博主，例如归藏老师的 AIGC 周刊、海外的 Lenny’s Newsletter 和 https://every.to/ 等。

我们在各个社交媒体，例如微博、推特、即刻等关注一个创作者，同样具有一定订阅的性质。这些社交媒体比较复杂，混杂了很多种推荐方式，有算法推荐、有社交推荐，也有订阅推荐的影子。

我会维护值得自己长期关注的订阅源。他们分布在公众号、即刻、推特、个人博客、Newsletter 等互联网的各个角落，除了公众号以外，其他的平台的信息通过 RSS 订阅到 Folo 这款 AI 阅读器里，就能在一个页面里阅读所有订阅源数据。所以基本上我每天都会查看 Folo 上的新信息，Folo 也集成了 AI 的功能帮我快速总结订阅列表，非常好用。

为什么不订阅公众号？显然是因为公众号几乎限制了所有的 RSS 渠道，并且现在通过公众号的推荐机制和朋友的推荐也可以找到很多好的信息。所以就不订阅了。

去年我还写过 AI 可以复兴 RSS 吗？，现在在 Folo 身上看到了影子。

专家推荐和社交推荐适合分发高质量长内容

因为长内容需要较多的处理成本，需要信用背书、专家推荐，例如现在的 Newsletter、博客、播客、知识付费等，再依赖社交推荐分发到其他位置。

这里公众号在今天依旧是内容质量最高的，因为公众号依托与微信的社交场景，我们给朋友或者社群推荐内容时，往往是经过自己认可的内容。所以社交推荐本身是一个很好的内容过滤器，被分享得多的内容，往往也是好的内容。

反过来看知乎，虽然一开始虽然拥有最好的高质量信息，后来因为用户扩大和依赖推荐没算法，最终内容生态也跟着崩溃；另一个樊登读书则利用 KOC 做分销作为增长手段，知识付费的课程都依赖专家的个人 IP，也都是基于专家在分发信息；还有一些今天来看已经是很小众的网站和社区，这样的社区依赖小编的品味来筛选内容。比如：

• 如果你关注数码科技和生活方式，少数派是一个很不错的社区
• 如果你关注知识管理，Reddit 的 Osidian 和 Roam Research 的社区讨论是一个好去处
• 喜欢听播客，小宇宙是一个非常好的平台

很多内容最终都是来源于人，即便是现在 AI 生成的内容，背后的语料最原始都是人写的。所以你在做什么行业、在做什么事情，不妨去结交这样的朋友。请这样的朋友喝咖啡、聊聊天，线下的讨论也是一种信息推荐和思想碰撞的场景。在交谈中，我们往往可以获取很多意料之外的惊喜。

每个人都有自己的深刻理解和非共识认知，这类宝贵信息很多是在互联网上找不到的。

AI 作为信息获取方式

今天有很多信息，我们都会直接询问大语言模型。AI 给这个时代带来了新的信息获取方式：

1. 简单问答：在移动端，一些简单的问题，我经常使用豆包代替了搜索，直接询问 AI，就可以得到不错的回复
2. 深度讨论：在 PC 端，深度和各个大语言模型如 Claude、Gemini、DeepSeek 等进行思辨，在和 AI 对话的过程中获得新的认知，也成为了非常重要的信源。大语言模型就像是一个博学的老师，思考能力越强的模型思辨的效果往往更好，它们就像是一个什么都懂的良师益友，什么都可以讨论，这是过去无法体验到的
3. AI 搜索：AI 搜索也成为了各个大语言模型的匹配，由于大语言模型先天具有一定时间知识的滞后性，结合 24 年开始兴起的 RAG 技术，结合搜索引擎的内容来回答用户已经成为了现在各个 AI 应用的标配。这里再次推荐 Perplexiety 和秘塔 AI 搜索
4. DeepResearch：在 RAG 技术的基础上，模型能力增强以后带来的 DeepResearch，也成为我经常使用的工具。当我想要了解一个全新的概念，全新的行业等时。我会直接在 ChatGPT、Gemini、Kimi 等应用里发起一次 DeepResearch，然后等待 ta 提供一份完整的报告。虽然 Deep Research 给出的整份报告不一定全都有用，但每次依然可以在报告中获取一些有用的信息

Agent 能帮助捕捉信息吗？

前面说的 AI 更集中在对话的层面，但现在模型的发展已经进入了 Agent 的范式。

Agent 可以帮助做什么呢？这是一个很前沿的、值得讨论的问题。我也一直在思考。分享目前的几个思路：

思路一，使用 Agentic Search 在一定的信息范围内检索需要的信息。这个方法可以用在 RSS 的订阅列表中，Folo 就是这样筛选有效的信息的，看到图片中，我可以针对性体提问「今天有什么新的 AI 产品发布？」模型回答得还不错：

用在知识库中，就可以在知识库中定向地检索内容，这个方法我们在后文知识库的方法会介绍，不妨继续阅读。

思路二，向量作为推荐算法。这个依然在设想阶段，比如能否将人类的偏好用 Qwen3-embdding 论文中的方法，训练一个专门用于筛选「我感兴趣的信息」的 Embedding 模型和 Reranker 模型。受限于算法和机器资源，还没有付出实践。

思路三，当 AI 拥有足够多的 Memory，比如类似 ChatGPT 的 Pulse 功能，当你和 ChatGPT 聊得足够多，ChatGPT 非常了解你感兴趣的领域和当前关注的命题时，或许可以做到好的内容推荐。但似乎 Pulse 目前的效果也还一般。

所以这个领域还是需要更多的创新，或许明年的现在，Agent 就可以帮助我在海量的互联网信息中找到我最关注的部分了。

稍后阅读

学会了上面的原则和方法，我可以在互联网上的各处捕捉到很多优质信息。但很多信息是没有办法很快读完的，我们只能找个地方存起来，这里就需要一个稍后阅读应用。

每次筛选信息时，我的判断流程如下：

• 是否是我感兴趣的内容？感兴趣可以分为「有用的内容」和「有趣的内容」
  • 不是则忽略，反正以后主动搜索也能搜索到；
• 是否是最近用得上的内容？
  • 不是则先放到 Read it later 里面，以后再读；
• 是否有时间现在阅读？
  • 不是则先放到 Read it later 里面，安排时间阅读；
• 阅读，并记录笔记。

这样的流程并不新鲜，具有代表性的应用也有很多，从 Pocket 到 Cubox 一直到现在的 Readwise。

这里个人还是推荐 Readwise 作为一款稍后读应用。之前我在 如何让阅读变成可复用的智慧？中很详细地分享过。使用这一个工具，可以同时拥有 Readwise、Reader、ReadwiseChat 三个产品。

当然这里再给我和好朋友的独立产品打一个小广告，我们还开发了一个小工具，让你可以在微信中，将公众号和朋友推荐的内容，快速收藏到 Readwise Reader。

如果你感兴趣，可以通过下方这个二维码添加小助手，即可以免费试用 15 天。

捕捉优质信息的原则

这里我们着重讨论下如何找到那些用于增长智识的信息源。「优质信息」对每个人来说都是不同的，每个人的兴趣爱好，在领域内掌握知识程度都各不相同。同样一个信息对一个人来说是优质的，对另外一个人却不一定。

虽然很难找到大家都认可的优质信息，但确实是有一些原则的：

1. 保持主动性和好奇心：有用的信息一定需要是主动获取的。保持好奇心，保持主动性
2. 批判性思维：阅读时不能单方面地接受，而是思考和辩证地看待，推荐阅读《学会提问》这本书
3. 靠近高质量的信息的源头：消费一手信息，获取优质信息的概率会更高一些
4. 创作者精神：在我看来，互联网上大部分的优质的内容的发布动机都是满足创作者自身的表达欲和成就感。这是创作者的一种很好的品质，我称之为创作者精神。即便不给钱，互联网上依旧有大量的创作者在发布好的内容。当你找到这样具备创作者精神的信源，往往会有一种发现了宝藏的感觉
5. 是否要为优质信息付费？取决于你的自己找到这样的信息需要付出的时间成本。我自己基本上不付费，因为我相信我几乎可以在互联网找到任何我想要的信息
6. 如何面对信息过载带来的焦虑？信息过载是必然的，一旦你知道这一点，就大可不必焦虑
7. 有主题地阅读：在一段时间内，主要围绕一个问题进行阅读和了解，效果是最好的
8. 最佳学习难度：最佳学习难度区间能提升学习效率，类比于机器学习中的 15.87% 规则，人类也应在略高于自身能力的内容中学习，以进入心流状态并获得最佳效果
9. 控制订阅源的信噪比：精简信息源的本质是控制信噪比，不要让你的订阅列表信噪比比太高
10. 林迪效应：对于不会自然消亡的事物，他已经存在的时间越长，意味着他的预期存在时间更长。遇到老问题时去找古老的书籍，遇到新问题去互联网上找解决方案

这上面的每一个点，感觉都可以单独抽出来写一篇短文了，为了控制文章的篇幅，我把很多解释和案例都删掉了，只保留了最重要的一句话。如果哪里不明确，欢迎留言或者划线讨论。

Absorb 把信息蒸馏成知识

我们已经找到了很多优质的信息，接下来就是对信息的处理，将知识从信息中抽离出来了。

必要难度

将信息处理成知识的第一性原理是——必要难度。必要难度，英文名是 Desirable difficulty，这个理论简单来说就是我们应该让自己学习记忆的过程始终保持必要的难度，这种难度虽然在最初会减慢你的学习速度，但是长期来看对学习效果更加有利。

必要难度提出，人的记忆有两个不同的维度存储强度和提取强度，当我们学习记忆时，信息的存储强度和提取强度同步提升。在学习过程结束，存储强度越高，提取强度自然也越高，两者呈正相关。当我们再次学习记忆，检索强度越低，存储强度反而会越高，两者负相关。

直白地说就是：学习的过程越容易，就忘记的越快。反之，学习的过程越艰辛，就越不容易忘记。

阅读的方法

阅读是一个成熟的领域，从古到今的聪明人，无不通过阅读来学习。关于阅读的方法，也有大量的人分享过：

经典书籍《如何阅读一本书》

阅读可以分为四个层次

1. 基础阅读
2. 检视阅读（扫，判断是否分析阅读）
3. 分析阅读（先读厚再读报薄）
4. 主题阅读（学术研究）

孟岩分享的读书方法

1. 在重点以及有力量的句子下划线；
2. 把自己的见解，有共鸣的内容记录在书页的空白处；
3. 将全书的整体架构写下来，列出基本的大，以及最重要的核心论点；

戴雨森的阅读方法

真格基金的创始人戴雨森做读书笔记的技巧：

1. 关键内容的摘录和整理
2. 阅读过程中自己心里想到的点。

罗振宇的《阅读的方法》

得到的罗振宇就专门出了一本叫《阅读的方法》的书。

这本我没有阅读过，不过相同系列中脱不花出的《沟通的方法》质量很高，这本应该也值得阅读

Forte Labs 的渐进式阅读法

Forte 在公众号中分享了很多关于知识管理的方法，可以算是海外知识管理领域的集大成者。他在一篇文章中提出的「渐进式归纳」方法，我非常认可。

文章中说，很多人读完书或看完视频后，觉得内容很有用，但之后却很难记住或应用。这是因为信息没有被很好地组织和保存，无法在需要的时候快速找到。

为了解决这个问题，Forte 提出了「渐进式归纳」这种方法，强调对信息进行分层的压缩和总结，让笔记既简洁又包含足够的背景信息。

1. 第一层：直接复制原文，不做任何修改。
2. 第二层：对内容进行初步总结，只保留重要的部分，比如加粗关键词。
3. 第三层：进一步提炼，只保留最核心的内容，比如高亮最重要的句子。
4. 第四层：用自己的话总结整个内容，形成一个简短的摘要。

对于特别有价值的信息，还可以进行再创作，比如写成博客、做幻灯片或者拍视频，让这些信息更深入地融入自己的思维和工作中。

Karpathy 的 AI 三步阅读法

知名的 AI 研究员 Andrej Karpathy 分享了他现在阅读所有长文内容（博客、论文、书籍章节等）时的阅读方法——结合大语言模型进行「三轮阅读」：

1. 第一轮：自己阅读原文
2. 第二轮：把文本丢给 LLM，让它进行解释、总结、提炼关键点
3. 第三轮：针对自己还不清楚的地方，向 LLM 提问、对话、深入探讨

我在 AI 时代的渐进式阅读法

阅读是一个很成熟的领域，我们大可复用前人的智慧。我此前也分享过一篇 基于 Kimi Chat 的 AI 渐进式阅读法，结合我自己的理解和前人的智慧，我汇总出一个 AI 时代的阅读方法，具体的流程如下：

AI 辅助判断内容质量

阅读是一件耗时的事情，为了保证内容对我们有用，我们可以使用 AI 来先对内容进行快速地总结，判断内容的质量。这里可以使用我在《AI 时代的渐进式阅读法》和《播客文章》中提到的方法和 prompt。

如果发现内容对我们有用，也可以挑选需要的原文部分进行阅读。

阅读时划线和批注

在阅读的过程中，我们要保证思辨。

1. 在重点以及有力量的句子下划线
2. 把自己的思考、理解和疑问，有共鸣的内容批注在内容中

什么样的句子值得划线？

1. 觉得写的好的句子
2. 产生共鸣的句子（并标注自己的想法）
3. 不同意或不理解的句子（写下自己的疑问）

向 AI 提问和思考

过去读到不理解的地方时，往往是比较棘手的。但现在有了 AI 以后，却可以扩展我们的最佳学习难度区间。

针对内容中提到的，自己还不清楚、不理解的地方，直接向 LLM 提问、对话、深入探讨；这样问答的过程，也是在付出必要的难度，可以帮助我们更好地理解，将信息蒸馏成知识。

记录读书笔记

看到前人的读书方法，都强调了读书笔记。戴雨森提到的方法非常好，我们在读书时，应该读完一整个章节以后，按照自己的理解，记录整一章的读书笔记。

同理，在读完一篇长文以后，按照自己的理解，记录整一章的读书笔记。如果可以的话，还可以补充上论点和论据。

记录读书笔记的过程，是一个对信息进行重复记忆和理解的过程。写下来的内容，因为经过思考和理解，就真的成了自己的知识。

戴雨森认为好的读书笔记应该是：

1. 能够记住每一个章节的核心论点，和核心论述逻辑。可以适当地记录关键的论据，以后引用论证。
2. 记录下自己觉得「有道理」的地方，对于产生了共鸣的地方，将脑海中的思考记录下来；
3. 对于文中觉得有问题的地方，先把问题记下来，留着以后去研究。

另外再提到今年很火的一个研究工具 NotebookLM

NotebookLM 既是一个研究工具，也是一个创作工具。在这套框架里，我使用 NotebookLM 确实不多。

你可以使用 NotebookLM 来：

1. 上传特定内容，在内容里聊天/深度研究
2. 上传大量知识库，和你的知识对话
3. 用来创作，图文转 PPT、转播客、转视频讲解等

Repository 存储到知识库及知识库的构建

记录阅读的笔记需要存放到一处，这里自然就是我们的知识库。我们最好将所有的笔记都放到一个软件中，这样最终检索和使用的时候会更加方便。

知识的 ALL IN ONE 是必要的！

如何搭建知识库？

在如何搭建知识库中我做了详细的描述：你需要搭建一个知识库，需要根据自己知识的结构去构建合适的知识库架构。这和程序员在设计数据架构的思路很相似。

在高中或大学期间学习的课程都是固定的，那么适合使用树形结构的进行分类管理；而当学习的内容超过了结构时，学习的知识都散落在各个论文、各篇文章里时，我还是比较推荐 Zettelkasten 卡片盒笔记方法。这种细化到知识的基本单位的结构，更有利于最前沿知识的管理。

下面介绍两种比较常见的知识库组织方法：

1. PARA 不仅适用于知识库，并且适用于生活管理领域
2. Zettelkasten 适合用于搭建知识库

PARA 知识库结构

PARA 是 Tiago Forte 提出的一种数字信息组织结构，它将所有信息分为四个类别：

1. 项目（Projects）
2. 领域（Areas）
3. 资源（Resources）
4. 档案（Archives）

项目是短期目标，领域是持续责任，资源是感兴趣的主题，档案则是不再活跃但可能需要的资料。

PARA 的核心理念是按行动性组织信息，即根据当前项目和目标来整理内容，而非按宽泛主题。这种方法帮助用户快速找到所需信息，提升效率、减少混乱。通过清晰的结构，PARA 不仅让信息管理更轻松，还能促进个人和职业目标的实现，是现代人管理数字生活的理想工具。

Zettelkasten 原子笔记法

Zettelkasten 是 20 世纪 60 年代德国社会学家 Niklas Luhmann(卢曼) 发明的一种笔记方法，它的直译是滑箱笔记法，卢曼在阅读过程中，每当遇到新的见解或知识，他都会把信息记录到一张 A6 的卡片上，放进滑箱中，给笔记以编号和索引，依靠兴趣在滑箱里不断积累。

后来大家发现卢曼的笔记方法给他带来了很大的效率提升，所以给这个方法起名为 Zettelkasten。

在 Zettelkasten 中，有两个概念比较重要：

知识的基本单位

知识的基本单位是一张知识卡片，卡片的内容可以抽象为

• 标题：笔记的核心观点
• 标签：标识内容，聚类内容的方式
• 主题内容：知识的论述过程
• 链接：和其他笔记之间的联系
• 参考文献：从哪里获取到这个知识

汤质看本质的观点也不错，他将知识抽象为「知识 = 模型 + 实例」

1. 知识都有命题，复杂些的命题就是模型
2. 对于实例，我的理解是可以分为三类：演绎论证、归纳论证和类比
   • 一个知识可以有多种论证方式，从不同的视角出发论证，可以有多种案例，正例和反例；还可以有类比，类比可以用来启发思考，但不能用来论证
   • 通过论证、案例和类比的补充，可以帮助我们不断完善一个知识

核心是创造知识之间的链接

Zettelkasten 纯原生的笔记流程是比较复杂的：临时笔记、文献笔记和永久笔记。但我认为这个流程并不是必要的。卢曼设计成这样的主要原因是可以更多地思考和处理知识之间的链接，增加必要难度，让知识在脑子中更不容易被遗忘，也可以产生更多链接。

这里我觉得可以抽象为：记录笔记，并创造笔记之间的链接。不同领域之间的知识之间是可以链接起来的，这样的链接关系可能是相悖的、可能是互相验证、也可能是类比的。但不管什么样的联系，都有助于帮助我们更好的理解和记忆，同时也可以促进创新和思考。

链接才是卡片盒笔记方法的核心。

关于这个方法，如果你愿意了解更多，可以阅读我再以前写过的文章，即便已经过去 5 年，这些文章依旧很有价值：

• 使用 Zettelkasten 笔记强化学习
• 我如何在 Notion 中实践 zettelkasten
• 如何搭建知识库

你也可以阅读英文的书籍《how to make smart notes》或者 flomo 的创始人少楠写的《笔记的方法》的书籍来详细了解。

使用 AI Agent 进行知识库管理

Zettelkasten 的一个重要更新是让你记录和寻找笔记的时候，关注知识本身，而不是知识放在哪个文件夹下面。所以我非常推荐使用 Notion 的 database 或者 Obsidian 的 Base 功能，使用数据库的结构来作为知识库。

目前不管是在 Notion 中使用 Notion AI 还是在 Obsidian 中使用 ClaudeCode，AI Agent 都可以帮助我们：

1. 自动写每日报告：看看今天有学习了哪些新的知识
2. 自动找文档：根据模糊的要求，使用 Agentic Search 在知识库中寻找笔记
3. 批量编辑文档：改格式，该内容，批量让 AI 进行编辑
4. 创建数据库：降低知识库搭建的难度
5. 创作文章：可以按照你的要求，创作文章
6. 帮助思考：给 Agent 一个命题，让他自动在知识库里进行研究，提供思考

我在这篇文章中分享了知识库和 AI 结合的方法，在另一篇文章中则分享了使用 Agent 进行文章创作的方法，感兴趣可以阅读看看。

Deploy 部署并使用你的知识

学习的目的是什么？我想在毕业以后，学习的目的不再是为了考试。

我一直都很抵触像 Anki 这样的「抽认卡」的概念，或者是背单词 App 的设计。人类的大脑并不擅长记忆，背诵更是让人深恶痛绝。如果不是为了考试，每个人都不应该背诵。

学习的目的，是让知识能够指导我们的实践。并最好构建一个「学习→实践→学习」的强化反馈循环。学得越多，做得越好，实践的过程中又能学到新的东西。

所以在我看来，知识管理真正的目的，是能够被部署并运用起来：运用在实践中、创作中、工作和生活中……

实践：在实践中学习，效率是最高的

人的学习渠道，本质上就是只有两个——经历和阅历。在经历中学习更有深度，在阅历中学习更有广度。

我们阅读书籍、看文章、听播客等，本质上都是通过他人表达出来的内容，去窥探他人的人生经历，了解他在人生中的所得所获。阅历可以弥补经历不足的缺陷，在 20 几岁的年纪，我们就可以读巴菲特的鼓动性、听段永平的深度访谈、看乔布斯的自传，这些都是非常来之不易的知识财富。

经历也有阅历无法替代的，很多事情除非亲身经历无法产生感受，王阳平说「知行合一」，邓小平说「时间是检验真理的唯一标准」，前人的智慧都在告诉我们实践无法替代。

所以我们学习之后，最应该做的事情就是，找到机会去实践！不要担心自己做的不好，世界上没有做的好的初学者，先行动起来、再复盘，慢慢调整。这也正是字节跳动这家公司 ab test 的精髓所在。

在做中学，要比观察有用的多。所以说读得再多，不如自己去做。做过之后，一定要在忙碌地生活中，抽出时间，跳出自己的视角去做复盘；在错误中改进，理性地对待自己的错误、接受、复盘、改进，而不是回避。

在实践的过程中，可以积极地使用知识库，在知识库中检索、和知识库对话：在 Notion 中，可以使用 Notion AI；在 Obsidian 中，可以使用 Copilot 的插件来和知识库对话；在 Readwise Chat 中，可以和你的获取的划线和批注库对话……

创作：创作是一种非对称收益

上面我们提到了创作者精神。行为经济学家汪丁丁说，创作和表达欲，来源于「重要性感受」。

怀特海认为，创造性冲动是生命的本质，仅当生命感受到某种重要性的时候，它有创造性冲动，也就是寻求重要性感受的表达，诗，舞，歌，画，……。一般而言，有机体的创造性冲动，表达为一种向着无限深远的环境渗透的努力。这种努力或冲动，是怀特海描述的「理解」之特征。

如果你对某一件事情有特左的感受，不管是抖音视频下面的一个评论，还是你在实践中感受到的重要的点。我都鼓励你积极地去表达出来。

你可以选择你擅长的内容格式，短视频，长视频，图文，甚至是朋友圈，都可以。

有无数的理由鼓励你去创作。naval 在《纳瓦尔宝典》里说：存在三种杠杆——人力杠杆（雇佣其他人为你工作，或者与其他人合作）、财富杠杆（投资、职场）、代码/写作杠杆。写作可能是普通人最容易接触到的具有复利性质的行为，写出一篇好文章，表达一个好的观点。可以给你带来非对称的收益。并且它具有可以复制的优势，通过互联网的传播，通过时间的累积，创作的价值会被放大。

用塔勒布（Nassim Nicholas Taleb）的话来说，写作是一种具有非对称风险的行为。这种行为的成本很低，但又有概率给你带来极高的收益。积极地去做具有非对称风险的行为，去给你欣赏的人发 Cold Mail，参与早期投资，读书，和陌生人打招呼……

在我自己身上，可以说在我过去五年的人生经历中，我创作的内容一直在帮助我：2021 年，我在面试摩航科技的时候给喆哥看了我的公众号，他非常欣赏我创作和分享的内容，相信我的能力，给了我在出海本地生活电商产品中做电商产品、搜索产品、推荐产品的机会；2023 年，我在面试骑士卡的时候，联合创始人看着他手机里我的公众号发出疑问「为什么我也有 3 个好友在关注你？」，给了我后来进入 AI 赛道，把 Coslove 做成的机会；2025 年，我又写了一篇 Coslove 一年多的 AI「创业」复盘的文章，极客公园的编辑万户老师联系到我表示希望 Founder Park 公众号可以转发这篇文章。也正是因为这篇文章，我有了来北京工作的机会，有了到现在的组织工作的机会。

当然，创作的好处并不止于事业方面。

创作让我认识了更多的共同兴趣爱好的朋友，我在「优质内容花园」群里，在很早的时期就认识了哥飞这样优秀的人。在少数派认识了很多一起讨论知识管理的人，在即刻认识了很多一起讨论 AI 的朋友。

这些都是非常棒的「收益」。

所以开始创作最好的时间是十年前，其次是现在。

在创作的过程中，你可以在知识库中搜索你的知识，找到你想要的部分。比如截一张当下的图片，我在写作这篇文章的，就运用了过去很多积累的笔记和文章。很多表述和图片都从之前的笔记里摘取，再改改放到现在的语境中。

在有了知识库以后，创作会变得更加简单，因为你已经有了积累。创作从来都不是从零开始的。

AI 可以帮助我们创作吗？

可以，但目前 AI 不能代替你的创作，只能辅助你进行创作。至少在目前 AI 创作的内容质量还没办法超过人类，他可以勉强生成一些可消费的内容，但这样的内容并不稀缺、价值不高。AI 很擅长演绎内容，但核心的思路、主观意愿还是来自于人类。

在 AI 辅助创作的问题上，主要两个趋势：

AI 辅助创作

创作未来将变成一个人参与度高低的问题：

1. 如果主体是人，内容还是人写的，AI 只是负责提供思路、必要的信息、提供写作建议、优化表达等。那么这种内容还算是人类的作品
2. 如果主体是 AI，人只是提供一个思路和大纲，剩下的都交给 AI。例如我在这篇文章中写的方法一样，这样的作品，应该算是 AI 的作品

在第一个方向上，Youmind 正在做一款不错的服务创作者的产品，适合用来写非虚构的内容。非虚构的内容，比如小说，这可以考虑蛙蛙写作或者 NovelCrafter。

在第二个方向上，接下来应该会有大量的组织，开始使用 AI 自己找选题、写作思路，或是直接洗稿，在互联网上获取流量。今天我们已经可以看到一些苗头。

模态之间的内容正在变得模糊

大模型的出现以后，几乎统一了文字、图片、音频、视频等等模态。今天我们可以很简单地将文字内容，用转换成图片、音频、视频，技术在变得成熟。

这样的技术的有正面性。对于创作者来说，可以在创作文字的内容以后，转换成多种模态发布到互联网上，被更多人看到。比如橘子的 ListenHub 正在做这件事，创作者可以将写的文字，转换成播客发布到小宇宙，转换成视频发到抖音和 Bilibili。

它同时也有负面性。新的能力助长了洗稿这个恶习。创作者好不容易创作的内容，很容易就会被洗稿者通过 AI 转换成各种格式的内容格式。而且目前看来，这样的内容很难区分。比如看到一个有趣的小红书账号：将其他人创作的实体内容，用 Nano Banana Pro 转换成可爱的小熊样式，可能获得的流量比原博主还高。但这样的内容很难定义为是洗稿，或许是一种转换吧。

我们正站在互联网内容生态崩溃的前夕。前几天和朋友讨论，大家说最近 Google 搜索结果似乎变差了。当然这并不是 Google 的算法变差了，而是互联网上的内容生态变了。2025 年，AI 生成的内容已经超过了人类创作的内容。虽然 AI 生成内容的价值不高，但架不住它成本太低，生成速度快，又可以批量复制。

不久后的将来，互联网上将到处充斥着 AI 生成的内容。这对各个平台的推荐算法提出更高的要求，对我们筛选和过滤优质信息的能力，也提出了更高的要求。所以 2025 年，中国要求所有内容平台对使用了 AI 生成技术的内容都作出标识，这个政策还是很好的。

从经济学角度出发去思考，在一个内容已经完全供过于求的时代，AI 又能够将内容的供给翻多几番，优质的内容将变得越来越稀缺（相对总量），人的注意力将变得越来越昂贵。所以在即将来临的 AI 内容时代，我们应该具备的能力包括：

1. 保持主动型，珍惜自己的注意力，消费有价值的内容
2. 拥有品味，拥有自己特殊的品味
3. 价值创作，提高自己的影响力，建立个人品牌

部署：Analogy 增强你的知识库

在 4 年前的这篇文章里，我多次提到的间歇重复（主动回顾知识，产生更好的记忆），但实际上在我最近几年的实践中，我也没能坚持主动地去回顾自己学过的知识。这个方法本身是好的，我没办法坚持下来的原因在于它还是有一定的阻力。而在依靠人运行的系统中，任何有阻力的设计，都会慢慢腐朽。

今年我们不再谈重复这件事情。我想真正有效的系统设计，一定是自然的、有一定阻力但同时能够带来正反馈的系统。这和《游戏改变世界》里提到的「游戏化设计」很相似：

游戏化设计的 4 个特点是有明确的目标，规则和良好的反馈系统，并且玩家需自愿参与。

在《how to make smart notes》中读到，描述卢曼的笔记系统时的一句话：

「只有当工作本身作为奖励时，动机和奖励的动态才能变得自我维持，并推动整个过程向前发展」

我意识到这个笔记系统正是学习的游戏化设计方案，笔记系统要求我们完成某个目标（记录一个卡片笔记）时，必要地进行刻意练习，笔记本身是一种知识的可视化，同时笔记系统提供了更多笔记之间的链接，这种创建联系的过程本身可以带来良好的正反馈。

Zettelkasten 本身就是一种「游戏化的设计」，知识的复利效应让我们成功进入自我和笔记系统系统同步成长的正向反馈循环中。

如何设计一个让知识库能够更好地融入我们的工作和生活，又能被使用起来的系统呢？

我思考很久以后，设计了一个新的反馈循环回路：即在你阅读、思考、创作、工作的过程中，自然而然地将你相关的知识，展现在你面前。这些知识可以帮助你思考，可以用在你的创作和工作中。这个流程是自然的，当你看到管理的笔记时，这本身就是一种回忆。

这是一个非常巧妙的设计，自然而然地展现难度极低，同时能够支持你的实践，给你提供你想要的知识；能够增援你的思考，也许你在阅读的过程中，因为推荐的笔记，产生了更多的视角。

而正好新技术的出现，支撑我去做这样的功能。我们设计了这个产品 —— Analogy。

知识真正的使用应该是无处不在的，在我们的工作和生活中需要使用知识时，就自然而然的出现。从 embedding 技术出现以后，我一直在思考这个场景。

我认为在 AI 时代，知识库的搜索应该不满足于过去基于 BM25 算法的全文搜索，而应该是一种混合了全文搜索、稀疏向量搜索、密集向量搜索等多种搜索方式，并使用最新的重排序模型的混合搜索方法。这和 JINA AI 肖涵的观点相似：

AI 时代新的使用场景，对重排序模型提出了完全不同的需求。

通过算法和工程的设计，能够在合适的时候展示相关的内容。Analogy 这款产品正是如此。目前我们支持导入 Notion 的知识库，你可以在浏览器阅读和工作的过程中，看到知识库中相关的知识。这个过程是自然而然的。

在做笔记时，他可以帮助你发现笔记之间潜在的链接。正如我们上面说的，在知识之间创建链接，是 Zettelkasten 最有魅力的部分。

这样知识会在工作和生活中自然而然地出现。我们希望做到一个真正有效的，能够将你的知识库部署起来应用的产品。欢迎使用我们的产品，点击链接安装到 Chrome。未来我们还会：

• 支持移动端
• 支持导入更多类型的知识库
• 和知识库对话
• 继续优化算法和工程

如果你正在或即将开始知识管理。欢迎关注我的公众号，我会同步 Analogy 最新的进展。也可以关注我们的小红书 @Analogy 类比强化知识库 和推特。

我的知识管理系统全景图

最后展示我的知识管理系统全局的信息流动图，以及其中使用到的工具：

1. 信息源：分布在互联网和现实世界中的各处
2. RSS：使用 Folo 尽量将信息源订阅成 RSS 汇于一处
3. 过滤器：筛选优质的信息
4. 稍后阅读：将文章暂时存放到 Reader 中
5. 临时笔记：生活中一些灵感和思考，快速记录到 flomo 中
6. 处理信息：阅读原文、划线和批注 Readwise、记录读书笔记、AI 深度问答
7. 知识库：最终将所有知识、划线和批注、AI 聊天记录等存放到一处
8. 部署知识：在创作、实践、Analogy 中使用知识库，检索、问答、类比

结语

我想关于知识管理，我还能够讲得更多，但碍于篇幅文章就写到这里，希望能够对你有帮助。

简单回顾这篇文章的内容：

捕捉信息：构建个人过滤器

在信息爆炸的 AI 时代，主动获取优质信息比以往更重要。善用搜索引擎、RSS 订阅、AI 问答等工具，保持好奇心和批判性思维，靠近一手信源。记住：算法推荐适合娱乐，深度学习需要主动性。

渐进阅读：让必要难度发挥作用

阅读不是被动接收，而是主动思考过程。运用划线批注、向 AI 提问、记录笔记等方法，保持必要难度，将信息真正内化为知识。AI 辅助的三轮阅读法让我们理解更深、记忆更牢。

知识库：Zettelkasten 与 AI 的完美结合

采用原子笔记法，每个笔记承载一个核心观点，创造知识间的链接。配合 AI Agent，实现自动写日报、智能检索、批量编辑等功能，让知识库从静态存储升级为动态智能系统。

部署运用：让知识产生复利效应

知识的价值在于运用。通过实践应用、内容创作、知识类比等方式，让知识真正服务于工作和生活。在 AI 时代，更要保持创作者精神，因为优质内容将变得更加稀缺和宝贵。

感谢你的耐心阅读！希望这套经过五年打磨的知识管理系统能够帮助你在 AI 时代构建属于自己的知识体系，让学习更高效，让思考更深入，让创造更有力。

如果你读完之后，意犹未尽，可以添加我的好友 liaocaoxuezhe 深入讨论或付费咨询。

> 下载 少数派 2.0 客户端、关注 少数派公众号，解锁全新阅读体验 📰

> 实用、好用的 正版软件，少数派为你呈现 🚀