全部文章

从散装笔记到可复用资产,我的 AI 知识库实践

三个月把近 500 篇散装笔记整合成一套可复用的系统。不讲工具教程,讲真实踩过的坑。

· 方法

大家好,我叫清秀,今年三月开始接触 Claude Code,从纯工具使用到搭建个人知识库,三个月把近500篇散装笔记整合成一套可复用的数字资产系统。

这篇文章不讲工具教程,讲的是搭建过程中真实踩过的坑和想明白的事。

AI 搭了一座知识库,一天、一周、还是一个月?答案是三个月。

文字记录自己的想法,输入和输出则是必经之路,每次有什么感触、判断、复盘,随手写下来存进 Obsidian。

半年多,积累了 500 多篇笔记,将近百万字。

回头一看,发现全是散装笔记,70 多个标签随手乱打,想找的时候找不到,想复用的时候用不上,记了等于没记,产生不了复利,我一直在思考如何让这些文章在以后的岁月里真正变成我的数字资产。

于是三个月前我便开始动手搭知识库。

到今天,系统迭代了 10 个版本,文件量翻了一倍,标签从 70 个收敛到 8 个,覆盖率从 32% 到 60%。


前言:Obsidian 是什么,为什么是 AI 时代内容最佳解决方案

Obsidian 本身是一个没有 AI 功能的本地型知识管理工具,文件格式是 Markdown——这是目前对 AI 最友好的语言。

关键词就两个:本地、Markdown。

正是这两个特性,让它在 AI 时代变成了一个核武器级别的存在。

因为现在大家用 AI 的痛点是什么?

AI 不够了解你。

你每次跟 AI 对话,是不是每次都要重新交代一遍背景?你是谁、你在做什么、你的风格是什么、你之前试过什么,每次都从零开始补上下文,这样到底累不累?

Obsidian 就是来解决这个问题的。

你所有想让 AI 知道的上下文,都可以储存在这里,这是你的独家经验和知识,是你喂给它的“记忆”。

那 Obsidian 和其他知识库工具的根本区别是什么?

我们想一下,你知识库里的东西无非就两类:别人的,和自己的。

如果是自己的知识库:你的方法论、你的客户信息、你的商业模式、你踩过的坑,你敢全塞给云端、塞给别的公司吗?

万一哪天断网了呢?万一哪天平台倒闭了呢?核心资产必须掌握在自己手里,至少你得有个本地备份。

所以结论很简单粗暴,你自己的知识管理,Obsidian + Agent。

你的东西就该在你自己手里,本地存储,AI 随时调用。

别人的知识管理:NotebookLM、ima、飞书这些云端应用,你爱用啥用啥,可以成为你使用的工具,但不是你的核心资产。

知识库全局样貌

(这是我最近知识库的全局样貌)


01 最难的地方:标签和资料汇总

选什么工具对于知识库来说不是什么难事,难的是怎么处理你已有的那堆东西。

一般分两种情况:

第一种,文字资料太多,根本没法一篇篇手动整理。

我的建议是先全部倒进去,别管格式、别管分类,先让它进库。

然后再做人工精细化分类:也就是贴标签,前期工作量巨大但跨过了这个坎,前途是希望。

标签是知识库的骨架,没有标签,笔记只是一堆文件,有了标签,笔记才能被检索、关联、复用。

但标签有一个硬规则:必须提前设定严格规范的标签库,不能随手乱打。

什么叫乱打?

今天写个“学习”,明天写个“读书笔记”,后天写个“阅读心得”。

三个标签,都是指向同一件事,我一开始就是这么干的:70 个标签,其中 74 个文件有标签但互相重叠,信号密度极低。

后来我做了一件事:把 70 个标签砍到 8 个,只保留“自我认知”“底层逻辑”“商业”“学习方法”“复盘总结”“认知颠覆”“AI 协作”“待整理”。

每个标签有明确的使用条件和不使用的情况,判断要不要新增标签的标准很简单,全文搜索能搞定的,不加标签。

标签时不再纠结,检索时也不会漏。

第二种,资料本身就不多,但结构混乱。

这时候反而简单,先搭框架再填内容就行。

但个人其实不是很建议,因为这会掉入伪需求中既为了创造需求而去制造需求。

使用obsidian本意是为了让AI更好认识你,接管你的知识库,而不是为了去使用obsidian而用obsidian。

一个没有明确需求的工具终究只会是三分钟热度。


02 完美主义不能留,要一直迭代

第一版知识库一定是粗糙的。

我一开始也想一步到位:文章归档、标签体系、用户画像、记忆管理……全部做完再投入使用。

后来真正用起来,问题才一个个露出来。

(几个月前的知识库)

起初,AI 连接知识库该从哪里读起都不清楚,我补了 INDEX、PROCEDURES 和 AGENTS。

笔记多起来后,手工统计跟不上,我改用脚本;根目录的散文件影响查找,我建了收件箱;标签越打越乱,我才开始收敛使用规则。

再往后,整理前哨战资料时发现同一个观点被反复拆写,我回到原稿,把重复内容整理成更容易调用的专题。

这些改动都来自一次具体的使用,想找一篇笔记却找不到,想核对一个结论却缺少原文,想复用一份资料却发现好几份写着差不多的话。

发现卡点,改一处,再继续用。

所以第一阶段只需要搭起能用的骨架:文件夹结构、核心入口和基本分类。

之后让真实使用告诉你哪里该补、哪里该简化。知识库会这样慢慢长出来。

[!tip] 知识库的核心价值在于时间复利。 它不是一个交付物,是一个持续迭代的系统。 你今天搭了 60 分的框架,下周用的时候发现哪里不对,改一版就是 70 分。再过一个月,80 分。

我的系统从 5 月中旬开始搭,到现在迭代了 11 个版本,每个版本解决一个具体问题:

v1.0:初始化系统,四层记忆模型上线

v1.1:发现没有导航入口,补了 INDEX 和 PROCEDURES

v1.2:Codex 进来发现找不到入口,补了 AGENTS

v1.3:三个控制文件职责打架,做了一次收敛

v1.6:手工统计不可靠,改成脚本实时生成

v1.7:根目录散文件污染搜索,建了收件箱机制

v1.8-1.10:标签从混乱走向治理

v1.19:把每次启动都要读的长规则缩短,改为按任务读取相关文件和 Skill。

v1.20—v1.23:先为架构文件建立私人版本记录,再为完整主库启用私人 Git 备份,保留修改历史。

v1.24—v1.25:精简规则和 Skill,减少重复询问,让明确的任务可以连续推进。

v1.26—v1.28:整理前哨战和陈老师材料时回到原稿,收起重复拆解,保留说话者原有的思路与表达。

没有哪个版本是“设计好了再动手”。

完美主义在这件事上是最大的敌人。

它让你在起步阶段就停下来,因为你觉得还没准备好。但知识库的逻辑是越用越好,不用永远不会好。


03 人机协作:让 AI 帮你整理

原始材料多了,光靠手动整理效率太低,到这时候才需要 AI的介入。

我用的是 Claude Code(GPT 的 Codex 也行)。

(初版知识库obsidian+claudian)

核心操作很简单:把你 Obsidian 库在电脑里的路径告诉它,让它直接读取和操作你的文件。

这就是人机协作的基础,AI 能直接接触到你的原始数据,而不是你手动复制粘贴给它。

但光靠对话效率还不够,每次整理都要重新描述一遍需求,太慢。

解决方案是 Skills。

Skills 是什么?把你已经跑通的流程写成一套固定指令。下次只需要触发一下,AI 自动按流程执行。

举个例子。

我有一个信息源叫“前哨站”,每期输出音频内容,我的 Skill 做三件事:音频转文字,文字提炼观点,观点关联到我正在做的项目上,一步到位,每次执行不超过两分钟。

输出的不是原始笔记,是可以直接复用的数字资产。


04 实战:前哨站资料怎么变成知识资产

光讲方法论太抽象。

我拿“前哨站”这个信息源做个完整的例子,展示一条音频从进入知识库到产生复利的全过程。

前哨站是我付费订阅的一个信息源,创始人叫王振宇。

他的价值不在内容本身,很多观点到了 2026 年已经不算新鲜。

关键在于时效性,同一个判断,他 2024 年就在讲,如果你 2024 年就听到并且执行了,到今天积累是指数级的,这就是“前哨”的意义。

我从 5 月就开始系统整理前哨站的内容。

到 7 月,已经沉淀了 13 期完整整理稿、10 条底层逻辑、11 个行动模型、6 个项目应用。

整套收录链路分五步:

  1. 原始素材入库。每期音频先转成文字稿,原样存进 _原始素材 目录。不做任何加工,保留最真实的原始信息。
  2. 完整整理。AI 基于原始文字稿做一份结构化整理:文字整理、核心观点(区分对方观点和整理者推导)、延伸思考、行动清单。这一步的规则是所有事实性内容必须能追溯到原文,AI 推导的部分必须标注“整理者推导”。
  3. 拆出底层逻辑。从完整整理稿里提取可跨场景复用的判断原则。判断标准很简单:换到别的项目还成立吗?如果成立,它就是底层逻辑。

比如“AI 的输出质量由素材质量决定”——这条逻辑从前哨站里来,但我做 PPT、写文章、搞项目调研时全部能用。再比如“自定义信息消费”——不是被动接受平台推荐,而是根据自己的工作区和认知水平,让 AI 生成匹配你的学习材料。

  1. 拆出行动模型。有明确步骤、有使用前提、能判断结果好坏的流程,独立成文。

比如“个人知识资产沉淀”模型:建统一工作区→定义沉淀对象→每次项目后回填→周期性整理→让 AI 主动调用。这不是理论,是我实际在跑的流程。

再比如“Agent 检索前哨战资料”模型:先读索引判断分类→再读原文确认上下文→查关键词核对事实→最后做语义汇总。每次需要调用历史观点时,AI 就按这个流程执行,不会跳步骤。

  1. 项目应用,当某条底层逻辑或行动模型落地到具体项目时,写入项目应用。

6 月 28 日那期讲 AI 协作五大心法。其中“稳定执行与智能释放是互斥的”这条,我直接迁移到了 PPT 素材库的工作流:调研环节用稳定模式只要输出结果,设计环节用释放模式让 AI 自由发挥,定方案环节人工审核不盲信 AI。这不是听完就扔掉的信息,它变成了我做 PPT 时的实际操作规则。7 月 4 日那期讲自定义娱乐消费内容。分享者把 GitHub 开源项目推荐系统和跑步结合:AI 每天筛一个与工作区相关的开源项目,克隆到本地读取代码结构,生成 40 分钟的口语化播客,刚好跑一次步听完。跑完觉得值得深入的,进入二次讨论和立项。


这个思路我没有直接照搬,但它的底层逻辑——围绕自己的工作区定制学习输入——我已经在用了。

前哨站本身就是我定制信息消费的一部分:不是什么火听什么,而是选匹配我当前边界的信息源,听完之后做系统化沉淀。

再举一个观点之间产生关联的例子。

5 月 26 日那期提出“AI 的输出质量由素材质量决定”。

当时只是觉得有道理,记下来了。6 月 28 日那期讲“个人知识资产沉淀”,强调每次项目后要回填有效经验。

7 月 4 日那期讲“自定义信息消费”,说学习输入要围绕个人能力边界设计。

三期内容,隔了一个多月,各自独立。但它们放在知识库里之后,底层逻辑之间自然产生了关联:

[!warning] 素材质量决定 AI 输出质量→所以你要系统化沉淀高质量素材→沉淀的方式是每次项目后回填→回填的内容反过来成为下一次 AI 协作的高质量输入→这些输入应该围绕你的工作区和能力边界定制。

这条链路不是我一开始设计好的。

它是三条独立的底层逻辑,在知识库里待了一段时间之后,通过AI整理自己长出来的链接。

如果这三期内容只是听完就过了,或者只是记了个大概印象,这条链路永远不会浮现。

(此外为链接更直观的展示)

它之所以能浮现,是因为每一条都被结构化地沉淀了,有明确的判断标准、有使用前提、有适用场景和不适用场景。当你把它们摆在一起看的时候,关联就是显而易见的。

  • 这就是知识库最值钱的地方:单条信息的价值有限,但信息和信息之间的连接可以产生新的判断。

前哨站 5 月 26 日那期还有一句话让我印象很深:AI 时代用 AI 赚 AI 的钱,互联网创业不需要成本。

这句话单独拿出来听,跟那些“零成本创业”的标题党没什么区别,但它在我的知识库里被放进了一个更完整的上下文:我自己 5000 块的得物闭环、公众号从零起步、Claude Code 教程项目,这些都是实际花了时间但几乎没花钱的实践。

有了这些验证记录,那句话就不再是空话。

而是被我自己的经历证实过的判断,这五步走完,一条音频的价值被彻底榨干。

  • 它不再是“听过了”,而是变成了底层逻辑可以指导判断,行动模型可以指导执行,项目应用可以直接复用。

这就是知识库的复利:今天整理的一条逻辑,下个月做新项目时可能直接调出来用。你过去花的时间,通过系统化沉淀,在未来持续产生价值。

有人可能觉得这套流程太重了。

13 期内容整理下来确实花了不少时间。

但反过来想:如果不整理,这些音频听完就忘,花的钱和时间全部沉没。整理之后,它们变成了可以反复调用的资产。


05 一条底线:以真实文稿为基准

AI 协作有一个容易踩的坑:让它自由发挥。

你给一段模糊的指令,“帮我整理一下”、“帮我总结一下”。

它会给你一个看起来很完整的输出,但仔细看,里面可能AI自己编的内容。我从一开始整理 40 万字资料时就踩过这个坑。

即使用的是最强的模型,面对大量资料它也会“补脑”,你不仔细审核,根本发现不了哪句话是你说的、哪句话是它编的。

我的规则是:一切以文稿为基准。

AI 只能基于你给它的真实材料来工作。

整理也好,提炼也好,底层数据必须是你自己写的、说的、记录的东西,它做的只是替你做搬运和格式化的体力活。

思想和内核必须是自己。

真实是知识库的地基,存进去的每一条记录,未来你都要能信任它,如果里面混了 AI 编造的内容,也就没有任何价值


06 知识库带来的变化

几个月使用下来,最直观的变化:

  • 复盘有了抓手。以前复盘全凭记忆,想到哪说到哪,现在打开知识库,过去做的决策、踩的坑、验证过的判断,全部能调出来。复盘质量直接拉高了一个台阶,是因为我有了可以回溯的数据。
  • 第二个变化:做决策时能调用历史经验。我之前做项目的坑、成功的路径、砍掉的理由,全部在库里,下次遇到类似场景,不是从零开始想,而是先翻翻过去有没有类似的情况。
  • 第三个变化:AI 真的能读懂你。当你的知识库足够完整:有你的观点、你的判断模式、你的行为偏好,AI 不再是一个通用工具,它变成了一个了解你的搭档。

它知道你会怎么想问题,知道你踩过什么坑,能在你快犯同样错误的时候提醒你,知识库本质上是把你的经验从“存在大脑里容易忘”变成“存在系统里随时能查”。

它不会让你变强,但它让你过去的积累不再浪费。


最后说一句。搭知识库不是什么高门槛的事,工具就那几个,方法也不复杂。

真正的门槛是你愿不愿意持续往里面投入。

第一版粗糙没关系,先跑起来,用着用着就知道该往哪改了。

上一篇 一个大一学生的网创复盘:从鸡蛋饼到月入2600