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。
本文参与数字文具盒征文活动。
产生学术外脑的需求
从我们最熟悉的九年义务教育开始，学习就意味着老师发下来新的课本，孩子们对课本的朗读、背诵和课后习题的思考。「课本」是我们最习惯的接触知识的渠道。来到大学，当学习不再来自学校和家长的压力，对专业知识的获取更大程度取决于个人的管理，「课本」就成为了在学术道路上前进最自然的敲门砖。
自大一使用数字化笔记伊始，我就开始钻研如何更好地阅读「课本」。每一门课程推荐阅读的参考书目，最后都通过我的知识处理流程成为我知识仓库的一部分。相应的，作为知识处理载体的 MarginNote 是以书目为主要处理对象进行加工的。我对任一知识的理解，都以文本为土地生长于文本，也正因为如此，它们始终无法脱离文本。当我在想到某一点时，我总会进而联想到这是在书中的第几章、第几节甚至于第几页。
这恰是因为我所阅读的参考书目，本身为了阐述这一理论时，已经形成一套体系，通过作者对理论的理解串而联之，由目录一览无遗，因此我的学习不过是我对于作者自建知识系统的读取（以及批注）。这使得我对知识的理解方便快捷许多，因为每一知识之间的联系已经植根于文本之中，而我的学习过程更接近于摘下树木结出的果子。
当开始进行理论课题研究后，我就不再能直接参考一套现有的体系，而必须要创造一套「知识系统」，使其能完整地说明这一课题对象的方方面面。只有具有了足够扎实的土壤，也就是与课题相关的足够知识，才能够创造出一棵身形完整的树木。这时候我需要从知识仓库的储备中选择合适的对象，说明其中的联系，哪颗葡萄长在哪根藤上，才能够写出一篇言之凿凿详实陈告的学术论文。
学术论文是厚积薄发，其内容相较于写作之人所掌握的知识必然是瓢水量海。因此，一篇优秀的学术论文背后离不开一个硕大的知识仓库。如果我们能够借用之前学习的思路，也为这一阶段的研究找到一个载体能够更好地帮助我们进行这样的知识处理和储存，那么最后的输出步骤也会相应地高效清晰很多。
这样一个用以收集领域研究并进行专业知识输出的载体，我称之为「外脑」。
外脑的作用并非是取代我的脑子替我进行思考，而是尽可能地储存和展示我记忆的内容和产生的思考。它作为知识处理的辅助工具，应该能够清除我在课题研究中容易遇到的障碍，比如
- 较为冷僻的概念和定义容易被遗忘和模糊
- 两个概念之间的关联还没有明确或记录
- 难以区分哪些概念才是课题中的核心
为了解决这些问题，我找到了目前最称手的工具——Obsidian。
定制随存随取的容器
以双向链接为高光宣传的 Obsidian 在广大用户的手中常常被用来进行两种使用：
- 信息收集
- 日记追踪
这两类使用场景是我在 Obsidian 论坛中最常发现的，因此由它们提供的经验帖子居多。为避免经验上的重复，本文不介绍 Obsidian 的基础用法，有需要的读者可在官网论坛和我派文章中先行了解。我将针对在学术研究中使用 Obsidian 的特别说明，而下文将围绕Obsidian 的特征 - 学术语境的对应 - 工具逻辑与使用逻辑三部分逐点展开。
Obsidian 的节点
Obsidian 中单位的储存形式是一个 .md 文件，使用时自然由文件名称和文档内容两部分组成。作为知识仓库，我们希望能够将知识像字典中的词条一样储存，也即知识原子化，那么在 Obsidian 中设置时，每一单位应该对应于一个定义或概念，然后再进一步对此定义或概念进行说明。这样一来，段引用在知识仓库中就没有必要了，因为它直接增加了记忆和使用成本。
不同于大多数日常使用 Obsidian 的命名方式——使用日期或分类命名，知识仓库中使用定义和概念为单位的优势在于随用随取。在任一需要使用知识的时刻，都可以直接获取与其相关的所有关键信息。
那么，有的人不免会想，既然用作词条，又想要获取所有关键信息，是否应该将内容写得越多越好呢？
当然不是。
实际上，由于每次使用都是有目的的，我们总希望一眼就能找到想要获取的信息，如果不能够在一个页面内说明这个概念，甚至需要使用节点内搜索才能查找到相关内容，那就说明这一节点的内容过于丰富了。
这意味着两种情况。
第一种，是这一词条对应的概念内包含的小概念过多，需要将其继续拆分成更小的单元。此处举一个非学术的例子以说明，如果将某参考书目的「第一章」作为一个单位，其下必然会有更小的单位「第一小节」等多个小节，在能拆的情况下取有效最小单位是我们能更高效使用词典的方法。
这里的有效最小单位主要取决于实际使用。举个例子来说，如果要以「知识闭环」作为一个概念命名词条，在非必要时不需要改成「闭环」，缺少描述形状的前缀时概念所包含的范围被扩大了1。
第二种，是对于该概念的描述过于细致，比如直接将维基百科词条的说明复制粘贴，虽然解释得透彻淋漓，但并不能达到第一时间获得关键信息的效果。再者，我们将 Obsidian 作为外脑并不是想要它完全替代我们的记忆，因此不能全然将知识抛给载体而把脑子清空，毕竟一个脑袋空空如也的人是写不出言之有物的文章的。
我们需要的是借助 Obsidian 作为一个外接的脑内索引，来实现高效思考的目的。知识是植根于我们的脑海中的，Obsidian 则是帮助我们提高使用知识的效率。
进一步说，关于一个概念的描述，可能来自多个参考出处，比如
- Wikipedia 等常用百科
- Stack Exchange 等知识社区或论坛的回答概括
- 相关领域的阅读文献
在添加词条时，如果原文过于细致，我们可以将重点再述，除了能缩短描述的篇幅，更可以加深这一说明在脑海中的印象，这才能实现帮助记忆的目的。当然，不同的来源应该在词条内容中进行注明，这样当我们需要把关键信息展开至具体的细节时，可以进一步阅读该参考或重新回到解释的语境。
需要说明的是，将内容限制在一个页面内并不总是必要的。与其他使用不同，尤其是在与纯理论数学/物理相关的概念解释，通常是需要先行说明先决条件，在这一范围内该定义才有效，因此偶有超出页面的情况发生2。这时候也不必为了简明强行概括，导致学术用语替换成口语，以至于再次查询时出现误解的情况。
节点的内容应是简明而非简练。
对于理科学子而言，使用 Obsidian 无疑是十分方便的，数学公式的输入都会自动添加反括号，当然也可以选中公式内容再使用快捷键转换，还可以使用插件进行快速输入的常用使用补充，种种渠道都能帮助我们流畅地键入公式，而不会因为在专业的学术场景中就变得干涩卡顿。
Obsidian 的链接
当然，任何笔记工具都有上一节所说的「标题」「内容」「查找」三要素，在浩如烟海的笔记工具中我选择 Obsidian 作为外脑的关键，正是它引以为傲的双向链接功能。
在节点内容中输入键入双方括号，就可以将括号内的内容作为新节点，并且在两个节点间建立一个联系——称为「链接（link）」。显然，根据上一节的原则，我们的节点首先应该是一个概念或定义。在英文语境中的节点，更应该注意建立新节点时不要将表示复数的词尾涵盖进去，例如
The closure of a nilpotent [[orbit]] of G can be considered as a [[moduli space]] described by [[class function]]s on the representation lattice of G.
这样才能保证正常使用时的词条都是自然状态，并且当节点在其他内容中被使用时也更适应语法。
用户总可以打开侧边栏，通过「链接当前文件」直接查看这一语境，或使用「提到当前文件名」以检查没有建立链接的节点情况。
借助这一方法，我们可以发现 Obsidian 建立联系的方法是语境，这意味着关系是不单一的。当我们切换到关系图谱时，两个节点是等大的，节点间的联系是单箭头（根据嵌入关系），也就是说在关系图谱中，我们无法准确判断两者之间的逻辑关系，但进入语境中，我们就会对两个节点间的联系有清晰的理解。这种理解超越了逻辑分类——包含、并列、转折或让步，它跳出了逻辑并使用专业的学术领域背景建立联系，大大丰富了知识之间的关联。
可以这样说，知识的结构天然地存在于语境中，我们在外脑这一辅助里通过链接来架构和组织。
在一个节点下进行内容的添加时，我们总可以在语境中直接建立两个节点的联系，甚至不需要打开一个新的节点。这一做法的好处就在于节点的输入可以是不间断的。在进行学术背景知识的补充时，我们常常阅读一篇新文章，其中提到了一些新的概念，或是作者提出了一些概念与过去的概念相关，它们可以是对旧知识的更新、补充或推翻，但无论如何都被嵌入于语境中。通过直接新建节点，我们可以一口气添加一连串系列概念，它们围绕同一主题，这样就不会因为遗漏导致后面的阅读出现障碍。
在 Obsidian 的文段中添加节点，可以通过色彩看出它是已有节点还是全新节点。对于已有节点，在建立联系的同时我们对之前的知识库进行了更新，对该概念有了新的认识；而对全新节点，因其特殊的颜色，我们不会忘记将这一节点添加到知识库中，确保了知识库的包罗万象全面系统化。
正因如此，我们不能因为想要固化两个节点之间的联系，就直接在内容中凭空输入另一个节点。抛开语境的联系不能称为有效的联系，对 Obsidian 行使其外脑辅助功能的效用不大。可以想象，当我们强行添加了联系而没有语境说明时，再次使用该节点我们不免会产生疑惑，这两点到底有什么关系呢？另外，独立节点是允许的，这点我们将在下一节详述。
在实际使用的时候，我们对于语境或联系的印象往往深于概念和定义，就好比你总是会在路过熟悉的餐厅时想起来之前和什么人来这里吃了一顿饭。
对于语境的记忆是形象化的，更生动，更容易捕捉，也留存更久。不仅如此，理论工作者和百科全书的区别恰在于，我们需要借助旧的基础来创造新的玩具，而不只是当作一个储存的抽屉。因此任何储存都必须要通过被利用的方式来强化它在个人知识体系中的位置，这一步骤就是构建联系。
有的人会想到，每一节点都能和别人产生联系，那它可不可以和自己产生联系（自指3）呢？在 Obsidian 中，任一节点都可以把文件名嵌于内容文本中，但这种自指并不会在关系图谱或「链接当前文件」中出现。
我认为，自指在 Obsidian 的表现形式就是不同出处的参考对于这一概念的不同描述，这也是我们需要在文段内醒目标清来源的原因。
Obsidian 的框架
正如上一节所述，Obsidian 在关系图谱中的链接是一概而论的，因此我们不能简单认为链接到同一节点的其他节点是并列的关系，关系图谱中的链接吞没了逻辑的分类，我们需要进入节点，在语境中寻找它们的关联。
这与我们一直习惯的树状关系有极大的区别。
在过去的笔记记录中，我们总是将一个文件作为一个类别，其下分为小节，小节层层嵌套，每个小节都清晰地是上一节的下层，而同一层的小节一定是并列的，它们是上层的不同分类。简单来说，就是我们最常见的目录，英文叫做 table of content，直译为「内容表格」。
显然，这是一种线性描述，或者说是二维的，其一维是自上而下的层级，另一维是同层小节的并列。
但习惯使用 Obsidian 的用户们开发了一种新的目录，称为 Map of content (MOC) ，直译为「内容地图」。因为我们不能再简单通过上下和左右两个维度来联系节点，因为现有的节点会和看起来八杆子打不着的旮旯节点连在一起，节点直接的关系合纵连横，缠绕出了新的结构——网状，它的根本逻辑是联系同等紧密的节点处在同一位置上。这样一来，它就包容了一个节点既属于第一层也属于第二层的叛逆，也允许了一个节点同属于多个节点的下层。
网状结构回环往扣迂回曲折，看起来实在不能够清晰区分节点逻辑，是不是本来打算借助 Obsidian 来整理思路的想法落空了？
在 Obsidian 的官方论坛中，有不少用户讨论了他们认为的 MOC ，甚至有人认为 MOC 应该使用层级（hierarchy）的概念4。我个人认为，建立学术知识体系的网状结构如果使用层级逻辑，那么关系图谱的可视化除了变得更集中了以外并过大的突破。
网状结构不仅能使节点像花儿一般绽开，更重要的是它打破了一对一的单向维度，从而更接近知识在我们脑海中储存的方式。
正如我们更为习惯的记忆方式一样，我们首先联想到语境、情景或联系，而以关系图谱为表现形式的 MOC 体现的是联系的密度和分布。只有放弃层级逻辑才能最大化地展示链接分布的可视效果。如果我们对一套理论只整理一个知识仓库，那么只使用语境建立联系的关系图谱，就会忠实地反应了这一节点在这一套理论中的位置，联系的数量越多，密度越高，恰能说明它在这一理论中处在越核心的位置。
这也是我们摒弃了段链接的原因，模糊内容的节点会让网状结构乱得一塌糊涂。MOC 没有抛弃索引的功能，我们仍然可以通过查找的方式进行词典的随用随翻，但它在另一方面增强了概念中心的可视化，让我们知道这一理论最后围绕的核心在什么地方，那么产出的文章也能自然而然地找到它的主题和层次。
而独立节点，就应该是网状结构中链接密度为 0 的单元。如果我们以一套理论为一个知识仓库，那么仓库必然需要包含越多与这一理论有关的节点越佳，但这并不意味着与理论有关的节点必然同其他节点产生联系，它很有可能只是便于我们理解这一理论的一个相关性质。别忘了，知识仓库的两个作用，其一是作为词典随用随查，独立节点保证了随用随查的完全性；其二才是作为文章产出的知识后盾，而厚积薄发的后积解释了独立节点被收录的必要性。
我两次提到以一套理论为一个知识仓库，是因为不同的理论可能出现同样的概念，但是这种节点的数目一般不多（如果太多了这两个理论太过重合就不适合新建另一知识仓库了）。所以我的做法是，在两个相对独立的理论里，将重复的节点分别存放，然后再根据与该理论的相关性分别编辑。
Obsidian 的插件
除了应用本身包含的固有插件，在设置中我们还可以快速添加其他用户设计的个性插件，而有能力的用户也可以自己编写使用。在我派的不少文章中，Obsidian 的一些常用插件都从演示到用法得到了全方位的展览。因此在本文中，我便只分享一点，插件选择对自己的使用有效的即可，不必因为推荐度高就下载。
我在学术过程中使用 Obsidian，许多其他用户设计给知识收集和日记记录的插件都用不上。我常用的插件只有 Admonition、Quick Latex for Obsidian、Sliding Panes 和我在论坛为了相应功能安装的（实际上我并不完全懂如何单独使用的）插件。
Admonition 的作用是增加多彩块状结构。根据前文所述，我需要强调统一概念下的不同来源，而我发现借助 Admonition 能够很好的实现我想要的效果。它的主要功能就是增加一个彩色的文块，并且能够让这个文块展开且复制其中的文本。使用的时候我把参考来源，比如网站名称或文章名称作为板块的标题，然后将链接或者 arXiv 号写在折叠的内容中，这样如果我需要进一步阅读就可以直接复制在浏览器中查看。
Sliding Panes 则是因为我在写作过程中可能需要同时参考好几个知识仓库中的概念，滑板插件能够帮助我打开多个页面和快速跳转。它的侧边就是节点名称，能够显著地提升阅读和查询的效率。
除此之外，我还根据使用效果挑选了更突出的主题。在选择主题时，不必顾忌哪种主题看起来不学术，只需要选择自己使用最顺手的就行。同时，还需要根据插件调整，有的插件对于它定义的样式规定了字号和字体，最好检查清楚使排版更整齐。
从输入到输出的流程
阅读与收集
与阅读一本书不同，课题研究的知识输入需要广阅读，广收集。
我在浏览 Obsidian 的第三方插件时，曾看到过一个插件能够将整个 .pdf 文件导入，然后再任意摘录成节点。这实际上确实是 Obsidian 的一种热门应用，但到了课题研究的阶段，我们需要的不再是仔细地剖析什么精深的知识体系，而是从自己渺渺的知识网中，找到最想表达的那个主题。因此，文本的完整不再重要，我们需要的恰是打碎别人的，拾起自己的。
每阅读一篇与课题相关的文章，当遇到陌生的概念时，我会先将这一自然段读完，然后确定这一概念在这个理论中的联系是否紧密。这一步是为了避免我因为过于无知而把太深奥抽象且无关的纯数学理论加进来5。
一般来说，将 Obsidian 当作知识管家时，我不会对知识仓库中是否有该词条陌生，当然如果真的拿不准的话此时便可以当作词典查一查。确认的确没有这一词条后可以添加该词条，如果对后文有影响则暂时中断阅读，转而使用 stack exchange 和 Wikipedia 补充理解。
在理论物理中，如果维基百科给出的词条是纯数学理论的解释，它对我的阅读帮助就不大，我会转而查看论坛的问答有没有人对这一概念有更相关的理解，然后将有用的内容表明来源记录在 Obsidian 的词条下。
如果还是不理解，我会翻阅相关领域的大部头书籍对此概念的解释说明，然后记录。显然，同样对于大部头书籍，研究生阶段的处理程序和本科时截然不同了。
有的文章会自己提出一个新概念，然后在后文中解释，这时我也会添加词条并记录。这一类概念通常在同一作者的文章中会多次出现，但并非每一次的说明都是相同的，这时候也可以多角度理解一个新概念。
处理
使用 Obsidian 能够让我最快速便捷地输入知识而减少其他步骤，但知识并非就因此堆积在仓库中吃灰。处理通常分为两步，一步是整理版面，使得下一次的使用能够对重点一览无余；另一步是修剪联系，将冗余的联系去掉，并观察是否有遗漏未添加联系的节点。
我在使用 Obsidian 时会注意一个数据，即查看词条的次数。这一数据好比打开谷歌搜索它会提示「你访问过该网页很多次」。高查看次数可能说明了两点，一种可能是这一点十分重要需要多次查看和使用，另一种则是我完全没有记住这一节点，它在我的脑中没有留下多少印象，所以我才需要反复「查词典」。
这个功能可以用官网论坛的讨论中推荐的一套插件实现。
应该说，每一次调用词条，都是在强化这一词条在脑海中的重要性，也就是一个脑内知识结构输出的过程。我们需要借助外脑来帮助自己记忆更多的知识，只有掌握了足够的知识，才能够通过知识之间的联系产生灵感，进而实现课题的解决和文章的产出。
输出
将知识点笼成系统，最主流的表现形式就是产出文章。文章的大纲来源于关系图谱中各节点之间的联系，而联系的具体形式就是语境，具体的语境组成了文章的血肉，这就是从知识仓库到文章产出的过程。
写作时，我们总可以由一个背景出发，在这一背景中理论具有哪些独特的性质，而某一性质又能够导出其他哪些性质，使得我们能够做出怎样的计算。
在这一套大纲中，「背景」通常会是一个核心节点，因为我们在新建一个节点的时候总是会说，在这一背景下可被定义为怎样的公式。而观察这一背景节点，从它的次级链接节点（或者说只有一条联系的节点）中，我们可以找到几个属于同类项的性质，进而沿着网状结构一直爬到我们的计算，文章的结构能够通过 MOC 清晰地定下来了。
即使不是为了产出文章，有效的调用节点同样也是对知识的输出，这种输出相对没有这么系统化，但它能够很好地帮助我理清脑中复杂混乱仅按照时序储存的碎片信息，而从中提取出最能够启发我的部分。
后记
本文仅记录了我在学术场景中使用 Obsidian 的一些观察思考和经验总结，如有相关经验欢迎在评论区和我讨论，关于 Obsidian 在其他领域如日常生活和六边形战士的使用方法，可以参考本站关于 Obsidian 的其他文章。感谢阅读！
关联阅读
> 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 🚀