注：本文文字经 AI 辅助校对排版。
引言
一年多前，我写过一篇《Antinet：用纸笔链接广阔世界》的书评，把谢珀（Scott P. Scheper）的 Antinet 方法梳理了一遍——那是他提出的一套纸质卡片盒笔记法——手写的阻力是思考的助推器，物理卡片的存在感会不断提醒你深化想法，编号体系给每个想法安下一个独一无二的「住址」。
当然，我从一开始就没打算用纸质版。卡片随身携带太不方便，我的 Antinet 实践，一直在 Obsidian 里操作——借鉴纸质版的理念，操作上也尽量贴近纸质的风味。
这本该是个两全其美的方案：既有 Antinet 的思考骨架，又省去了纸笔的麻烦。可实践下来，实在水土不服了好一阵。
直到我看到 Andrej Karpathy 的一条分享。
他是前 Tesla AI 总监、OpenAI 创始成员，今年开始用 LLM 搭自己的个人知识库——原始资料丢进一个 raw 目录，AI 把它们「编译」成一份带双链、带图谱的wiki；他本人几乎从不手动编辑，Obsidian 只当查看器用。他还说自己最近的 token 吞吐，大部分已经花在「操作知识」上，而不是写代码。
连他这样的人，都把 LLM 的日常用途从代码挪到了知识上——说明模型能力真的够用了！我心里一动，之前的知识库岂不是可以大展宏图？还有这种好事！哈哈。
于是我花了差不多一个月，把它按 AI 时代的逻辑重构了一次——这篇文章，就是这一个月的记录：从和 Karpathy 的分歧，到库结构的调整，再到 skill 的设计。
如果你读过那篇旧文，这篇是它借助 LLM 重焕生机的故事；如果没读过，也不影响理解下面要讲的东西。
顺带说明：文里的截图有两种底色——蓝色是旧版仓库，暖黄色的木纹纸主题是新版。为了方便对比，我特意给新旧做了两套主题，看到颜色就知道是哪个时期。
故事得从头讲。
一、水土不服
把 Antinet 电子化，最自然的想法是「尽量像纸质那样」。我一度也是这么干的：保留四位数编号、手动给每张卡编号、模拟主卡/索引卡的层级。但用着用着，三个绕不开的问题先后浮了上来，逼我承认「模仿」是有边界的。
头一个问题，出在工具层面——编号和双链，该用哪个。Antinet 之所以靠「编号 + 物理相邻」来编码语义关系，是因为纸质卡片只能靠手动翻找去实现双链。电子化之后，双链 [[ ]] 就在眼前——点一下就能跳转，反向链接面板自动聚合所有提到这张卡的卡片。
按理说，我早该拥抱它。但我在知识管理上折腾得早，那会可是吃够了双链的苦头。
手动去建双链，实在很难控制数量。 你会忍不住见词就链，建出一堆「看起来相关、其实很弱」的连接，链接越堆越多，最后整个库变成一坨垃圾——冗余、混乱，也没有真正的价值。所以我宁可继续用编号。编号确实麻烦，但它有一种天然的克制：你必须想清楚一张卡归在哪个父级、和谁是邻居，这个动作本身就在筛掉随意的连接。在 AI 还没发展起来、配套插件也没成熟的那些年，编号的克制对我来说，比双链的自由更可靠，更有利于思维生长。
题外话，现在我其实重新喜欢上了双链，因为模型发展和配套工具已经足够——它们把「建链接」这件事从我手里接过去了。当机器能语义匹配、能建议该链向谁，把建链从人的随性变成工具的克制时，我对双链最大的顾虑才真正解除。skill 非常适合用来实现自己的想法，但这里按下不表，继续。
编码这件事情想明白了，但操作层面的别扭又冒了出来：要不要在屏幕上假装手写？谢珀讲过一个我非常认同的观点：手写的阻力恰恰是思考的助推器。基于「必要难度」理论，你在纸上慢慢写一个概念、被迫提炼到卡片能装下的字数时，思考被强制启动了。这个道理搬到屏幕上，却变了味。我试过在电子版里模拟这种阻力：故意手动逐字打字，打完之后再手动给卡片编号，再翻一遍附近的笔记，确认它该安插在哪个位置。但这个过程特别消耗能量，很容易在电脑操作中失去写卡片的欲望和思路。
后来我意识到一件事——纸质的阻力是物理天然产生的，电子版去模仿阻力，是在人为给自己添堵。前者是真实世界的摩擦，后者是表演性的摩擦。真正的思考阻力应该来自内容本身（用自己的话重述、提炼关键词、追问和谁相关），而不是来自工具上的别扭。一旦想通这层，我就不再执着于「在屏幕上还原纸质卡片的操作」了。我开始先写卡片，或复制粘贴，或手动打字，或语音输入再润色，总之用一切能写完卡片的方式，之后再去编码，这样便不会打断写卡过程。
最后是翻阅卡片——这是电子版 Antinet 永远无法做到的（即使有随机漫游这个功能也不行）。纸质卡片公认的优势是能摸、能翻、能凭五感快速定位，而且一次次的翻找之间，记忆会越来越牢固。老实说，这些好处我没亲身体验过——我的库从第一天起就在电脑里（哭）。我试过各种插件去模拟「翻卡感」，用过 Obsidian 的随机漫游卡片功能，指望多少找回一点「翻」的实在感，可一到真要找文件，那种大脑空空的感觉就出现了……好像我想找的卡片总是在躲着我！到后来我放下了：纸质和电子本就是两种东西，硬要在电子里还原纸质的体验，是跟自己过不去。
放下，是因为我发现电子版已经长出了自己独特的优势。全文检索能让你几秒钟拎出所有讨论过同一个概念的卡——这些是纸质做梦都做不到的。更要紧的是，AI 加持之后，电子版多了一种全新的可能：和 AI 的互动本身，成了思考和记忆的一部分。同时，AI 辅助下，我也开始使用双链，而图谱能让我一眼看到连接的全貌，感觉非常梦幻。
这一点，从根本上改变了我对这套实践的看法。Antinet 的纸质版要真正发挥作用，有一个隐含前提：使用者自己得有反思的能力、有实践的厚度、有把想法持续推进的耐心——否则它就只是一场知识界的作秀，卡片写得漂亮，想法却始终停在表面。而人靠自己去长出这些能力，实在太慢了：一个话题，自己琢磨几个月、甚至几年，思考和实践都可能始终到不了某个深度。AI 恰好把这个前提松动了——它能把电子版的 Antinet 变成一个伙伴，一个能帮助自己发掘想法的小帮手，甚至成为自己的老师。
二、取神不取形
三个问题叠加，让我开始思考：
我到底是想还原一套纸质的工具，还是想继承一套思考的方法？
这个问题一旦问出来，答案其实很清楚。但我花了些时间才真正把它想透——关键是要把一套方法里的「神」和「形」分清楚。
什么是 Antinet 的「形」？
纸质卡片、4×6 英寸的尺寸、用来手写的笔、物理相邻的卡片盒、按字母排列的索引卡、翻动时手指的触感——这些是它在当年那个时代、那种技术条件下，不得不长成的样子。把它们叫作「形」，是因为换一个时代、换一套工具，它们完全可以是另一个样子。
什么是 Antinet 的「神」？ 是这些形态背后那套思考机制：
- 分子化的卡片：一个想法可以在卡内自然延展，而不是被强行切成「原子」；
- 用自己的话重述：读过之后必须经过自己的语言转译，这一步强制了思考；
- 编号带来的相邻语义：把卡放在「邻居」旁边，本身就是一次归类与连接的判断；
- 索引卡作为聚合节点：为高频出现的关键词单独建一张卡，让它成为一面「聚拢所有讨论」的旗帜；
- 贡献心态下的苛刻筛选：写每张卡时都假设要讲给一个听众听，筛掉一切含糊和无意义。
这些东西，和纸质没有半点关系。它们搬到屏幕上，一样成立。
一旦把「神」和「形」分开，事情就豁然开朗了：
- 纸质做不好的（双链、搜索、备份、协同），电子化天生就擅长；
- 电子化做不好的（触感、翻阅的意外感），就别硬模仿；
- 而 AI，恰好能补上纸质和电子化都做不好的一件事——海量信息里的语义关联。
这三者拼起来，就是我现在摸索出来的「融合创造」：用电子化的工具承载 Antinet 的思考理念，再用 AI 把它们之间本该存在、却没力气去建的链接补上。最后，由我这个大主宰去判断，去决定😄。
三、Karpathy 的启发
必须承认，如果不是看到 Karpathy 分享的工作流，我不会动重构知识库的念头，更不会想到用 Claude Code 去深度操作。
我们先来看一下大神的做法。他是推荐建立一个几乎完全由 LLM 驱动的自动化知识库。具体如下：
先说输入材料。网页、论文、代码、图片，凡是有价值的都先存进 raw 目录，格式统一成 Markdown 和本地图片。他特意强调图片也要进库——很多关系是文字表达不了的。
再说编译。AI 把 raw 里的原始资料逐步「编译」成一份维基：给每篇文档写摘要、自动识别谁引用了谁、把内容归进概念体系、给每个概念写专题页，最后织成一张超链接网络。他的原则很极端——你几乎从不手动编写或编辑 wiki，这是 LLM 的领域；Obsidian 主要当查看器和导航器。
最后是问答和回流。库攒到一定规模（他的例子是约一百篇文章、四十万字），就可以直接对它提问。他原本以为要搭一套花哨的 RAG 检索，后来发现没必要：模型自己维护索引和摘要，就能在这个规模下读到所有相关材料。问答产出的报告、幻灯片、图表，再归档回库里——问一次，库就厚一分，雪球越滚越大。
他还会定期让 AI 给库做「健康检查」：找矛盾、补缺漏、揪出没人链接的孤岛页。我读到这儿就想，这个可以做成 skill，用来维护卡片质量。
我读完非常激动。它说明白一件事：AI 时代的知识库，可以是二创的，而不是死搬硬套的知识点。我当时就觉得，我的库可以借这个思路改造一遍！
本来想按照他的方法完全的去模仿操作一遍，后来在实践的过程中没法继续。因为它做出来更像维基百科的 mini 版，变成了一个个人 wiki——有用是有用，可信息会越攒越多，而我早过了迷恋信息量的阶段，库够用就好，不是越大越好。而且内容一多，你根本不知道 AI 提取出来的东西适不适合你。我的体会是越细越失真，任由 AI 往下编，材料会越来越空洞。
所以我做的是化用：借他的思路，去写自己的库。为此还写了几个 skill（skill 是写给 AI 的专项说明书——一套做法写成说明存好，AI 读到就照着执行），回去融合我自己已有的内容。也恰恰是因为要融合已有卡片，让我发现——一个 skill 好不好用，原有素材质量和个人设计也非常重要，不是说 AI 能把所有事情都干完还都干得漂亮。就拿cards-research这个 skill来说，没有以前的卡片，它连该往哪儿链都不知道；AI 也不知道我平时怎么写卡，写出来的风格就不像我。有几百张卡片打底，它给的链接才像我自己会链的，句子才像我自己写的——也会拗口，我会不断调整（第六节细说）。
他有他的原则，我也有我的。
第一，卡得是我自己的卡。 我不是把库当检索工具用——收藏一篇文章，直接丢给 AI，处理完顺着它的流程去提问。我的库是用来思考、用来记笔记的。具体做法是两个 skill：link-atoms 管织网；cards-research 管拆卡，我给它原材料和规则，它出草稿，我们来回互动、我给反馈，最后才把卡写定。实践下来比手动链更稳更准，但人得全程参与，AI 包办不了。这两个怎么运转，第六节再展开。
第二，借 AI 的力，但不能完全依赖它。 随便收藏一堆文章、视频、图片，让 AI 全处理了——做出来确实是个知识库，可那不是我的东西。卡片是我的，规则是我的，判断也是我的，AI 只是让这些做得更快、更稳。AI 批量生成的内容看着是信息，并不是入脑的知识。
说起来也不是否定他的方法。个人 wiki 有个人 wiki 的好，哪天机缘到了，我也会搭一个只为自己服务的 wiki。只是现在，我要的是自己的知识库：借他的思路，走自己的路。
顺着这个方向看，市面上已经有人做成了产品：腾讯的 ima，主打把收藏的文章、文档交给 AI，随时问答；得到的 Get 笔记，主打得到生态，直播转录，自动生成笔记。它们的共同思路是「你负责收藏，AI 负责整理和回答」。这条产品路线和我的自建路线各有取舍——它们开箱即用，代价是思考的工序也一并被代劳了，而且库在云端、在别人手里。这点展开能写一整篇，先按下（按下的太多了，哈哈哈）。
四、调整 Obsidian 仓库
想通了理念，落到操作，仓库做了一次大调整。这件事分两层：思路上的调整，是一降一升——编号降级，人生锚点升级；仓库级别的操作调整，是三件事——文件夹结构重排、整理七百多本书的笔记、处理没读完的文章。
先说思路。
编号降级
编号降级不代表放弃编号。编号我还在编，而且会一直编下去——一部分是我自己手动编，一部分是让 cc 建议编。
那「降」的到底是什么？是它「独一无二」的地位。旧文里，我花很大篇幅讲编号体系怎么设计、四位数怎么留分支空间，那时候编号是我的唯一导航——找一张卡，靠的就是「它在 4212/1a 这个地址」，除此之外没别的路。
编号还在，只是和它并肩的，多了三样新主力：
- 双链
[[ ]]：卡片之间靠语义直接连，点一下就跳。 - 全文搜索：找卡先搜关键词，比算编号快十倍。
- 图谱视图：看一片卡片的连接全貌，发现意外的远房亲戚。
编号依然有用——它保留了「相邻编号 = 相关主题」这层隐式语义，扫文件树时能一眼看到一串相关的卡。只是它从「唯一导航」变成了「众多手段里的一种」，和双链、搜索、图谱各管各的：编号管相邻归类，双链管语义跳转，搜索管快速定位，图谱管全局关联。所谓降级，降的只是它的独占地位。
这里有一个我踩过的坑：如果你也在用 dataview 这个插件，要明白Obsidian 里 [[双链]] 和 dataview 的 from "文件夹" 是两套解析机制。双链按文件名，只要你在 Obsidian 里操作修改，相关引用和链接都会自动更新；但 dataview 的 from "路径" 是字面路径匹配（相当于是一种语法，写死了的语法），目录一改，语法没法，那查出来的结果就成了空。所以每改一次顶层目录名，都要顺手 grep 一遍 dataview 的路径引用。这件小事，你让 AI （支持本地文件操作的软件，我自用 Claude Code，你可以用 codex、 workbuddy 等）去做就可以了。
人生锚点
另一头是升，升的就是 Keyword——核心概念库。原来我一直没想好怎么在 Obsidian 里实现，更多是「有一搭没一搭的做着」；这一次，它被抬成了库的主角。该装什么、怎么才算数，我前后折腾得最多。
在 Antinet 体系里，这个位置本来是 keyword（关键词索引）——写卡片时遇到需要反复链接的关键词，就给它建一张 keyword 卡，它既是索引入口，也是聚合节点（纸质版的索引系统我在旧文里讲过，这里不展开）。
到了电子版，我想把这个位置的意义再推一步：它装的不只是技术上的 keyword，更是我人生的 keyword——那些我反复思考、对我有锚定意义的核心概念。
正好，我电脑里存着一个很早之前保存下来的原子知识库——别人做的，做得不错，存了很久一直没用，某天翻文件时突然翻到，正好拿来当底子。
一开始挺兴奋，觉得「人生 keyword」一下子就有了三百多个候选。可实际翻下来，发现问题：库里塞了大量 AI 相关的「死知识点」——某代大模型的版本号、某个具体算法的名字——这些东西和我人生的锚点关系不大，顶多是「深度学习」这个锚点下面的一个支点，本身并不构成一个思考坐标。
于是我开始改造。
先从名字开始。在原本的系统里，它的名字叫 Keyword。但在操作的过程中，我感觉这个单词不能完全代表我对它的理解和设想，无法完全覆盖我的初衷。后来我去查了一些单词，最后决定用“Anchor”作为这个文件夹的名字。这就相当于，里面的卡片都是我人生的锚点，我要依托这些东西，不断地去让思想生长、更要去做一些事情。
一张 Anchor，必须能指导我的行动——遇到事的时候，我会把它拿出来，用它想问题、做判断、处世。只是「我知道有这么个概念」、却拿不出任何用法的，它就是知识，不是锚点。
按这条标准过了一遍，306 张砍掉约莫三分之一：
- 跑题的：纯技术词条（CPU、BigTable、MapReduce）、纯数学公式（三角函数、欧拉公式）、跑题的科学实验（草履虫实验、相对涡度）——是知识，不是处事工具，归档。
- 重复的：帕累托定律 / 帕累托法则 / 二八定律本是一个东西，冰山模型 / 冰山理论 / 心理冰山 / 海明威冰山混作一团——合并成一张主卡，其余做成别名（aliases），搜旧名仍能命中。
- 停在「是什么」、没长出「怎么用」的：一批基础术语（认知、感知、系统、信息论），有定义、却调不出用法。
融合已有笔记，清理借来的笔记，最终还剩 202 张。
你以为结束了吗？NO！这才刚刚开始！
这个原子笔记库有个通病：几乎所有卡片的「原理」段都是同一套模板套话——系统类都写「元素之间通过关系、反馈和边界共同决定整体状态」，认知类都写「认知系统在注意、记忆、解释和判断过程中受到特定机制影响」，五句话轮换着盖住三百张卡。这是批量生成的痕迹。而它的来源我也实在想不起来了——当初存下来的时候没记出处，放得太久，连从哪儿看来的都忘了，所以只能靠自己了！
所以需要重写（要命的工作量又开始了）。
于是我更新了模板，融入了我过去的 keywords，重写了所有笔记。我新设的模板由三个部分组成：概念解释；「怎么用」——何时拿出来、怎么用；关联哪些 mainbox 卡片。卡片有了「怎么用」，就从「词条」变成了「工具」，遇到事真会被拿出来用——这才是 Anchor。下图便是一个简单的例子。
后来，我又在 @Anchor 里新增了一些卡片，截止目前共 221 张。这些新增的卡片，由我从日常和 AI 的对话中发掘得出。放心，卡片新增非常谨慎。
实际动手：三件事
思路理清楚了，剩下就是动手。
第一件，文件夹结构重排。 调整前的仓库有点乱：根目录躺着七八个没归位的散文件（好几个干脆叫「未命名.md」）；日记分散在两个文件夹（一个叫 @Daily Notes，一个叫 5-Daliycc）；没读完的文章堆在 @Continue，网页剪藏堆在 Clippings，谁也不知道下一步该进哪里。重排之后，每个文件夹只干一件事：
- 1-BibBox：书箱，书籍和读书笔记，要拆卡的原料都在这
- 2-MainBox：主卡库，编号分类的知识卡
- 3-Outputs：半成品，代码片段
- 4-Projects：文章和项目
- @Anchor：人生锚点，刚说的升级后的那个库
- @Inbox：收件箱，所有新进来的东西先落这里
- @Maps：结构图这类多模态产物
- @Daily：日记（两个旧的合并成一个）
- @System：系统的配置、脚本、说明
- Papers 和 PDFs 独立不动：存放论文和论文解析
第二件，清理七百多本书。 读书笔记是 BibBox 里的大头，原来七百多本，来源多样，有纸间书摘导出的 markdown，有 kindle 导出的 txt，更多的则是微信读书插件自动同步的笔记（看下图就知道有多混乱了……）。有书籍重复，格式更是五花八门。这次全部过了一遍：去重、整理、统一格式，清完剩 413 本。怎么去重、怎么统一，展开能写一整篇，就不写了。
第三件，处理没读完的文章。 @Continue 那个文件夹，本来是利用 tag 来管理项目和文章，但后来莫名开始往里塞没读完的文章，一直拖延着不去处理。这次干脆取消它，没读完的文章直接进 @Inbox；网页剪藏的 Clippings 也并了进去。从那以后，这些文章和读书笔记一样，直接交给 cards-research 处理。收件箱就是收件箱：进来的东西，都会被拆成 mainbox 里面的卡片。
五、两个入口，同一个 cc
仓库调整完了。但你可能好奇：清洗三百多张锚点、整理七百多本书、连接五六百张卡，这些活是谁干的？
那绝不可能是我！咱有 AI 咱干啥活呢（心态扭曲）。言归正传，我在这先分享下使用的工具，再说具体做法。
我把这个 Obsidian 库当作一个项目来管，日常调用 Claude Code（下面简称 cc）主要走两个入口——它们干的是同一件事（调用 cc），但场景不同。
一个是 Obsidian 里的 Codian 插件——它让我不用切出 Obsidian，直接在 Obsidian 界面里和 cc 对话、让它编辑当前卡片。这种「就地调用」非常方便：我正读着一张卡，顺手就把 cc 叫来改两句、补一段，不会打破阅读的节奏。
顺带推荐：Codian 在 Obsidian 插件市场可直接搜到（仓库在 github.com/BCS1037/codian）。它的巧思是把 vault 当作 AI 能持续协作的上下文——笔记、会话、skills 围绕同一个问题反复打交道，结果也留在本地。
作者运营的公众号「维客笔记」是我很喜欢的一位作者——努力、真诚、又有料，一并推荐给你。这是他对插件的文章介绍，可细细查看： https://mp.weixin.qq.com/s/gU2gbk9vYhsGfbUQrN333g
另一个是 Zed——一个类似 VS Code 的编程编辑器，非常推荐！
我把库当作一个项目在 Zed 里打开。它有一个我离不开的特性：多栏布局。我的工作区是三栏：
- 左栏：文件树（整个库的结构一览）
- 中栏：卡片的 Markdown 预览
- 右栏：一个常驻的终端，里面跑着 cc
两者比起来，Zed 我用得更频繁：功能更丰富（文件树看全局、预览实时刷新），skill 调用也更稳定，适合写新卡、织网、重构这种密集操作。但 Codian 同样不可少——它在 Obsidian 内的「就地对话」更即时，适合「我正读这张卡、顺手让 cc 改一下」这类的小活。
这种「同一件事、两个入口」的搭配，也是纸质时代无法想象的——纸质你只能在一个物理位置、用一种方式做事，电子化之后，同一套操作可以拆到不同软件里，按场景顺手切换。
六、两个 skill：拆卡和织网
有了 cc，就能装 skill 了——把一套做法写成说明书，存进 cc 的 skills 文件夹。我最核心的是两个（第三节提过的那两个），一前一后做出来的：link-atoms 在前，cards-research 在后，最后形成一个完整的工作流。
link-atoms：织网
先说 link-atoms，最早设计是用来处理已有卡片。当时库里有五六百张 MainBox 卡片，BibBox 里还堆着四百多本书的读书笔记。
所以它最初就干一件事：把已有卡片互相链接，挂到 Anchor 上。规则是我定的：MainBox 的卡片可以互相链接，也可以链到 Anchor 卡上；但 Anchor 卡之间不互链。
原因有两个。一是 Anchor 之间本来就都互相沾边——它们都是大概念，谁跟谁都能扯上关系，真要两两互链，链接就全成了泛泛之交，整张网反而不清晰了。二是定位：Anchor 是我人生的底座，底座的价值，不需要底座之间互相证明——恰恰相反，要靠 MainBox 的卡片一张张链过来、把想法链上去，锚才立得住。
为什么这事必须交给 AI？
手动建链接成本太高：想把一张新卡和过去写过的某张卡连起来，得先翻到那张卡，然后想这张卡片和哪张卡片有联系来着？接着开始翻找可能有联系的卡片，累都累死了。就像文章前面说的一样，在这方面，电子版实在是不如纸质方便（或者说是因为太方便以至于质量很差）。卡一多，人脑根本记不住自己有什么，图谱也很难生长。
这正是 skill 最该补位的地方。
我写完一张主卡，它就读取我的 Anchor 文件夹，分析这张卡的内容，找出语义相关的几个核心概念，建议我把 [[概念]] 加进去，同时帮我在那张概念卡的「关联卡片」区回链一条指向这张主卡的链接——双向链接自动建立。
举个例子。我写过一张卡，讲一个人「很努力但总是努力不到点上」——他迷信明规则、用考试思维对待世界。这个 skill 跑完，给我建议了几个关联：路径依赖、零和/非零和博弈、系统思维、第一性原理、升维打击、黄金圈法则。其中「路径依赖」是我原文就写了却没链上的词，「升维打击」是我没明说但思想一致的隐含关联。两种价值都有了——补上漏网的，发现隐含的。
这就是纸质时代做梦都想不到的能力：AI 帮我发现关联，我的精力留给判断（要不要这条链、链往哪）和思考（这些连接意味着什么）。
我以前是怕 AI 把知识库搞乱的——怕它乱建链接、塞零散内容、把库变得一塌糊涂。但这一轮模型能力上来之后，我发现只要把控「建议 vs 直接改」的区别，AI 的织网质量已经相当稳。怕 AI 搞乱，本质上是用上一代模型的能力，去想象这一代模型的表现。
存量连完了，新素材还在源源不断进来——这就轮到第二个 skill。
cards-research：拆卡
拆卡是日常里最重的一件事，我把它做成了 cards-research 这个 skill。
第一步，给出原材料，比如一本书的摘录、一篇文章、一段转写，然后开始自动拆卡，最后由我确认，再写入本地。规则已经写在 skill 里：卡片怎么编号、标题怎么起、正文要什么文风、什么样的内容算「与我有关」、什么样的卡片值得去拆。
第二步，它通读完，先查重（这份材料以前拆过没有），再一篇篇给出候选卡。
第三步，我来提意见：这句拗口、这张砍掉、这里我还有什么想法。可能需要来回几轮，卡才定稿入库。规则不是一开始就全有的。每返工一次，就把新踩的坑写回去，规则越攒越厚——这部分第七节细说。到现在，它拆出来的卡很像我会写的样子。
这个 skill 我也迭代了不下五个版本。一开始我设计的只是拆卡功能，但后来发现如果仅有单一功能，拆出来的卡互不相连，我还得再手动去运行 link-atoms 这个 skill。后来我干脆把两个 skill 联动起来：现在对 cc 说一声「拆卡」，它先按 cards-research 的工作流拆完、入库，接着自动跑 link-atoms，新卡当场连进网里。
完美。
七、不断优化，不停记忆
「设计」skill 固然需要花费时间，但最费劲的还是如何让 cc 稳定干活稳定产出。模型能力是够了，执行的坑却一个接一个——每踩一个，我就把它变成一条规矩或一个工具。持续优化，效果就会越来越好。下面分享一些我踩的坑。
有一次差点丢了一本书的笔记。 批量统一微信读书笔记格式时，有个脚本写成了一行：先打开文件准备写入，再去读原文、转换、写回。Python 的求值顺序决定了「打开写入」那一下文件就被清空——等转换结果要写进去时，原文已经没了。等我发现，《巴黎的忧郁》整本笔记成了空文件。万幸库里有历史版本，从备份目录里捞了回来。复盘之后，所有批量改文件的脚本改成固定四步：先读文件、再检查、最后才写。 从那以后，四百多本书的批量转换，零事故。
cc 删了我的源文件。 我让它「把这些文章直接改成卡片」，它理解成「拆完卡片，源文件就没用了」，顺手删了两篇。我火蹭一下就上来了——你处理成卡片内容可以，删除的权力什么时候轮到你了？好在删除的文件到了回收站，而不是直接删除（这也是之前的教训：必须使用 safe 的删除命令）。我规定它：要删文件，必须我明确同意；指令有歧义时宁可保守——保留原件，产出新物。
还有一次，是我自己审核不用心导致的。 有一天全库评估，脚本扫出 71 张没有内容的卡片，我差点就按清单清理了。但我还是比较谨慎的，随机看了几个文件，发现明明有内容的啊！又问 cc，它才承认说正则没认出一种紧贴格式的变体，笔记里大半是冤枉的。从那天起又多一条：批量统计的结论，先抽样核对，再动手。
下面踩坑的点看似很普通，但也最典型，又最应该杜绝。 有天润色文章，AI 改完一段，中文引号全变成了右引号。我想了想：明明写了一个自动修复中文引号的 hook ，它为什么没拦住？又读了一遍代码，才发现设计有误——它只防「英文直引号」，不防「左右引号写反」。于是给脚本补了两类新的故障判断，配了十三个测试用例。
踩坑不怕，怕的是反复踩坑。解决问题，就是让自己渐渐无后顾之忧。
拆卡、写卡也一样。这个月我拆了两百多张卡，中途不止一次被 cc 写出的句子气到——有时候写得特别拗口，压缩腔、翻译腔、比喻堆叠，读出来根本不是人会说话的语气。
气归气，原则不能变——踩坑的点都要作为养料，变成一个规则。每返工一次，就把病灶写进拆卡 skill 的雷区清单：什么算压缩腔、怎么自查，前后加固了六轮。如果规则不管用，那就再想法子让它管用。
这是同一个路数：发现问题，别只修个案，要问一句「什么机制能让它不再发生」——变成规则、变成脚本、变成测试，我管这叫「个案要升级成制度」。
顺带一提，我搭了一套双循环：每次会话结束记一篇日记，攒一批再跨会话反思提炼——这篇文里一个月的细节和踩坑，我还能记得清清楚楚，靠的就是它，不是我的大脑。这套之前在公众号单独写过一篇，这里不展开。
八、一张卡的旅程
前面散讲了一路、双链、织网，看完你可能觉得还是没太明白。
这一节换个讲法：拿一本书，以 Zed 为主工具，把拆卡的完整流程从头走一遍。 第六节我已经图文并茂介绍过一遍skill 的运作，这里我再用文字系统描述一下整个工作流，有机会的话可以视频演示。（少数派上传 gif 必须小于 5 M，不然我能直接传个 gif 上来……）
拆卡：在 Zed 里，把一本书的读书笔记从左栏文件树拖进右侧的终端，对 cc 说一声「处理一下」。它就按 cards-research 的流程跑起来：通读、查重、给出候选卡，然后一张张来问我。我回复意见，它修改，来回几轮，卡片写好、入库。
织网：拆完，cc 自动接着跑 link-atoms，新卡当场连进网里（机制前面讲过）。
回看：入库不等于完事，我会重新读一遍这批卡。发现写得不好的地方，分两种处理：如果是通用毛病——某类句子总是拗口，反复出现——我会明确告诉它「以后别这样写，要那样写」，让它改；改完效果不错，这条就沉淀进 skill，下次自动避开。如果只是这一张卡的个别问题，我直接动手润色，几秒钟的事。
阅读和编辑：卡片落库后，我会切到 Obsidian 里去读、去做人工编辑。为什么分两个软件？Zed 有终端、有文件树、有预览，指挥 AI 拆卡写卡都在它那边顺手——做完的文件能立刻看到它在库里的位置，拖动也方便；而读卡片、亲手改卡片，Obsidian 里的体验更好，它还有个插件（Notebook Navigator）能让我一眼看到今天编辑过哪些卡，这个 Zed 给不了。两个软件各有千秋、各有各的场景，具体怎么搭配使用，展开又是一篇，之后有机会单独写。
提交：最后一步，git 提交。我的库只做本地 git，没有远程，提交很快，也不存在隐私问题。
就这样，一本书变成几十张卡，几十张卡织进网。整篇文章讲的编号、双链、织网，到这一刻才算真正跑成闭环——然后下一本书，继续。
结语：融合，是最好的状态
总之，在这个过程里，我发现自己在努力——取纸质的「神」，用电子化的「形」，借 AI 的「力」。
纸质的「神」是什么？是分子化的卡片，是「用自己的话重述」的强制，是编号带来的相邻语义，是索引卡作为聚合节点的智慧，是「贡献心态」下对内容的苛刻——这些东西，在 Antinet 那本书里已经讲得很透，我那篇旧文也梳理过。它们和介质无关，搬到屏幕上一样成立。
电子化的「形」提供了什么？双链、搜索、图谱、跨设备协同、低成本的复制与重组——这些是纸质天生做不好的。
AI 的「力」补上了什么？是海量信息里的语义关联——纸质做不到（人脑记不住自己写过什么），电子化也只做到了一半（双链降低了建链成本，但「该和谁连」仍要人脑判断），AI 才把这最后一公里打通。
我曾以为，越像纸质就越正宗——任何偏离纸面操作的做法，都算背叛了 Antinet。现在我觉得，真正的继承，是把它的思考理念用当下的工具放到最大。1:1 模仿纸质，是对「形」的执念；取其神而放大之，才是对它的尊重。
旧文结尾我写过一句：「Antinet 是工具，你才是核心。」这篇续篇，我想给它补一个后半句：
Antinet 是工具，AI 也是工具——你和你的思考，才是唯一的核心。 工具会迭代，介质会变迁，但「用工具放大思考、而非被工具牵着走」这件事，从卢曼的木卡片盒到今天的AI 工具，从来没变过。
最后，想专门谢谢 Karpathy。
说起来有点奇妙：我们素不相识。他随手分享的一条工作流，漂到了地球另一边，让一个搭了一年多的电子卡片盒重新焕发生机——这件事，他大概永远不会知道。这篇文里所有的折腾——编号的降级、锚点笔记的清洗、两个 skill——往回看，源头都是那条几分钟就能读完的分享。
这事反过来也激励着我继续写——或许我的哪句分享会改变你，帮助你。当然我也永远不会知道，自己可能也点亮过别人心中的光芒。
所以这篇也算一次回礼——谢谢你，Karpathy。
本文是《Antinet：用纸笔链接广阔世界》的实践续篇。如果你对电子化 Antinet 的具体配置（Codian 插件、Zed 三栏、Claude Code 的 skill）感兴趣，欢迎交流，后面可以再拆开细讲。
