我们不再需要笔记软件，因为不再需要手动整理知识
只要翻一翻少数派或者是其他的网站，就会发现很多提高效率的文章都是关于分享记笔记的经验的。记笔记这件事情，实际上成为了一件很费劲的活计。有众多大神总结了各种各样的流程、结构，以及市面上笔记软件也层出不穷，比如说Notion、印象笔记、Obsidian等等。很多人的电脑或者手机里，都不止一款笔记软件。
我常常思考，我们为了整理笔记所付出的时间和精力是值得的吗？如果是按照之前的生产逻辑，毫无疑问，这个问题的答案是肯定的。
我们一直以来的知识工作的大概过程都是如下四个步骤：收集信息（知识）、整理信息（知识）、应用信息（知识）、分享信息（知识）。
但是我们对于笔记的关注，确实提高了我们工作的成本。很显然，我们记录整理笔记，需要我们大量的时间和精力。所以我一直在思考一个问题，能不能尽可能简化笔记的记录、整理和提炼工作。
在这个Agent蓬勃发展的时代，我看到了彻底去优化笔记的成本，提高效率的可能性。因为现在完成工作的主体变成了Agent，那么我们也可以把笔记的重心围绕着Agent去设计，Agent在管理笔记方面有着天然的优势，比如：一个人类，一秒钟，不要说一秒钟，一分钟他能读1000个字，也就是500到600tokens，我觉得就是一个很厉害的人类了；但是普遍的一个大语言模型，它可以做到至少2到3千个tokens每分钟的阅读速度，
除了速度，还有一个至关重要的因素：人类的信息宽度太小了。
这里所说的信息宽度，并不是指一个人知道得多不多，而是指在完成一项任务时，我们能够同时调动、比较和处理多少信息。
同时处理大量的材料，并不是我们人类大脑所擅长的事情。面对几百篇笔记，我们很难记清每一篇写了什么，更难同时比较其中的观点、案例和结论。可以说我们的笔记系统里的很多设计，比如文件夹、标签、双向链接、卡片盒等各种机制和结构，就是为了弥补我们人类大脑的认知短板，让我们可以尽可能地把有可能关联的信息关联起来，以增大我们处理信息的宽度。
从这个角度看，过去我们花费大量时间整理笔记，可以说是一种为了弥补我们自身的不足，所不得不做的一些动作，可以说是一种资源的浪费，是时间和精力的浪费。
但是现在有了大语言模型有了Agent，既然最后的执行工作是Agent去完成的，那么很显然我们也可以让Agent去管理笔记。
于是我做了我自己的Agent，就是康纳同学。
但是我并没有把普通笔记本的概念直接引入康纳同学，而是设计了一套五个层次的记忆系统。
L0：记录原始的一手信息
最底层保存的是未经改写的原始信息——对话、笔记、邮件、网页，尽可能完整地保留原文、来源和上下文。
简单来说，它就是把最原始的材料都先保存下来。可以把它理解为一个原始的档案库。如果以后有必要，我们可以随时来这座档案库，能查到我们最原始的材料是什么样的。
L1：是一个上下文窗口
新信息不会立刻变成知识，先进入L1——一个临时暂存窗口。
因为不是每句话都值得长期记住，也不是每条信息在出现那一刻就能被准确理解。比如”最近在准备一篇少数派文章”这句话，单独看甚至有些无厘头。但随着后续交流，文章的主题、核心观点和目标会逐渐涌现、清晰。所以我们需要一个容器去收集足够的上下文，再把它们聚集在一起，进行整理与分析。
这样看来L1就是一个缓存队列，它的设计逻辑很简单，就是把零散的碎片先攒够，等上下文齐了再做整理与分析。
L2：搞清楚现在正在做什么
信息积累到一定程度，康纳同学开始识别其中的人物、项目、任务和状态，组成一幅"当前正在发生什么"的画面。
传统笔记以文档为单位，但工作是围绕人和项目推进的。同一个项目的信息可能散落在几十次对话里。L2做的事情就是把散落的信息归拢到对应的项目和人物周围。
它回答的核心问题是：面对当前任务，事情发展到了哪一步。某个人、某个物体，当下所处的状态的详情。
L3：从经历中提炼可复用的认识
有些认识不只服务于当下，以后还会反复用到。这些内容沉淀进L3——长期知识。
这个层次由一系列的statement构成，是关于事物性质和发展状态以及相互关系的陈述。
那么它与L2之间有什么区别呢？
举个例子，比如，L2层记录了光的衍射实验，那么L3层就可能记录着光线同时具有波和粒子的特性。即L2层是具体的事物状态，L3层是一些抽象的、综合的理论描述。
L4：知道这些东西之间有什么关系
知识不是孤立存在的。
L4层识别和建立实体之间的关系——谁和谁协作、某个项目包含哪些模块、两个观点是支持还是冲突。
这让康纳同学可以沿着关系发现更深层的联系。写”Agent时代的笔记”时，它不只是搜带”笔记"的内容，还能关联到阅读速度、知识图谱、产品定位这些表面不同，无法依靠传统的关键字检索发现，但实际相关的材料。
这一层是康纳同学能够支持连跳推理的关键，而连跳推理恰恰是现在LLM所不太擅长的方面。
而连跳推理恰恰是很多人类解决复杂问题的关键能力。
有了这套不断生长的记忆系统，那么Agent就可以随着任务的不断执行，不断自己的优化自己的行为，实现一种进化的效果。因为你在之前的过程中，肯定会不断修正、指导、肯定Agent的行为，你的任何反馈都会被Agent记住、处理、提炼，与相关材料进行关联，在需要的时候，通过我们设计的检索系统，把有关的材料都通通召回，从而综合指导当下的行为和判断。
这样Agent就像是一个非常聪明的人，他能够在工作中、在生活里不断地积累经验，不断地优化自己。
我有信心这么说，这一套记忆系统比我们现在所有的笔记软件都更加的高效，最重要的是，它不需要你付出额外的精力去管理、去筛选、去提炼，你只管去完成你的任务，你只管让你的工作生活更顺利、更美好。它是一个自然生长的系统，它会和你一起成长，一起进化。
我在康纳同学中制作了笔记导入功能，任何用户都可以通过文件菜单栏的导入笔记选项来打开批量导入笔记窗口，目前康纳同学支持对Markdown文件夹、印象笔记、Notion、Obsidian笔记本的批量导入。
我还内置了对邮件系统、日历、RSS系统的支持，同样的，你可以让康纳同学帮你提炼你散落在这些系统里的信息，它可以帮你收发邮件、帮你定日程、帮你追踪你需要追踪的最新资讯，同样的，这些你关注的所有信息都会进入康纳同学的记忆系统。
你不用再操心之前的信息被记录在了哪里，它们会自发的形成知识，在你需要的时候，能够随时取用。
我还非常乐意介绍你尝试着使用我们的内置浏览器来代替你现在使用的浏览器，因为我们在内置的其中集成了问一问AI的入口。你可以随时向AI提问，随时与AI交流。其实我们每一天的很多新的信息，大部分是从浏览器中获得的，在康纳同学中，你只需要把你觉得有用的信息告诉Agent，你就不用管了。下次你需要的时候，这些信息就能够自动的以正确的方式来到你身边，帮你更好、更高效的完成你的任务。
你可以在每一个会话的底端找到浏览器入口，你还可以通过我们的集成搜索中心，来直接通过你设置的默认搜索引擎查找相关的资料（可以在设置页面中更改。由于中国大陆地区的网络限制，默认搜索引擎为Bing。）。你的每次查找都会进入Agent的记忆系统，你浏览的网页原文也会进入Agent的记忆系统。你所接触的所有的信息都将会在你需要的时候自动的以正确的方式为你服务。
我们不再需要购买课程，因为之后的日子，不再需要学会知识，就可以直接使用它们
笔记整理的问题解决了，但还有一个更大的问题：知识本身的获取成本。
既然可以把笔记、网页原文和各种文件直接丢给康纳同学，他就能够直接在任务需要的时候，以正确的方式去使用正确的信息解决问题，提高效率。
那么，我们是不是可以更偷懒一点？我们可以把课程、书籍也通通直接丢给康纳同学，它会自动整理、分析，并且存入它的记忆系统，在需要的时候一样会准确召回，是用它们去解决我们遇到的问题。
很显然，如此一来，我们就不用学会知识，才能够使用知识。我们只要知道什么样的知识是我们需要的，然后直接丢给Agent，直接丢给康纳同学就可以了。
基于这样的想法，我也在开发康纳同学的知识市场功能，知识市场里会有很多知识库，每个人都可以上传自己的知识库到知识市场里。上传的过程很容易，你只需要选择你认为需要包含进知识库里的对话。因为在康纳同学里，它的笔记其实就是一条对话，那么一条笔记其实就是一条特别的对话。选择了你认为应该包含进知识库的对话，然后康纳同学就会自己进行处理，在本地把你对话中的信息和知识整理提炼成对应的独立的L2、L3和L4记忆库，然后上传到云端。所以机制知识库就是一种包含有L2、L3和L4的一个结构体。
这样，当你连接网络，登录了我们康纳同学的系统账号的时候，你就可以像使用本地记忆系统一样的去查询知识市场中你订阅的知识库的内容。
就比如之前，老板让你下周交一份数据指标体系的方案。你之前做过BI看板，但要从零搭建一整套指标体系，经验不够。之前你可能的做法是去上一门数据分析课，或者翻十篇Medium上的文章，花两天时间”学习"，然后用半天写方案——而且大概率还是写得战战兢兢，不确定自己的框架对不对。
现在你订阅了知识市场上一个资深数据分析师沉淀的”业务指标体系设计"知识库，里面包含他从业多年总结的指标拆解方法、常见的坑、以及三十多个行业的指标设计案例。你跟康纳同学说"我在做电商平台的指标体系，帮我搭个框架"，它结合这个知识库里沉淀的方法论，和你之前在对话里提到的业务背景，直接给你一套有结构的方案初稿。你不需要成为数据分析师，你需要的时候，分析能力就在那里。
如果你自己就有一些独特的知识，那么你也可以在知识市场中新建你自己的知识库，然后为它标上一个价格。我计划中支持按量付费，比如说每千token多少钱，或者是包月计划，每个知识库的价格都可以由你自己确定，你自己来掌握你自己的价值，这样可以让你的知识真正转化为你的财富。
好了，感谢您阅读到这里，更多信息请访问这个网站：https://duanshiwen.github.io/connor-graph-agent-mac，我正在加班加点努力地去把它打磨得更好。你有任何意见都可以通过各种渠道联系我，或者直接在这篇文章下面留言，我会认真接受每一条意见与建议。
（全文皆为作者书写，没有任何AI直接参与）
