从"收藏了就忘"到"AI自动整理、主动推送、帮我写文章"——一个技术管理者的知识库搭建实录。
先说结论
我的知识库现在能做这些事：
- 发一条链接给AI，30秒后自动生成摘要、打标签、入库
- 积累的知识卡片互相双链关联，打开图谱就能看到知识网络
- 每周AI根据知识库自动推荐写作主题，生成初稿，我润色就能发
- 遇到问题直接问AI，它从知识库里检索回答，带来源引用
这一切的底层是一套我摸索了两个月的方法论，叫 CODE-K。这篇文章是我的完整复盘。
一、我是怎么"沦落"到需要知识库的
我是做AI产品的技术管理者，每天信息轰炸：
- 微信群里甩过来的技术文章，"先收藏"
- 刷抖音看到AI工具测评，"以后试试"
- 开会时老板提到的行业报告，"得找来看看"
- 看书/听播客觉得有用的观点，"这个好"
结果呢？浏览器收藏夹攒了200多个链接，微信"收藏"列表 infinite scroll，Notion里建了十几个分类文件夹，每个里面不超过3条内容。
最扎心的一次：开会时需要引用一个AI行业的市场数据，我记得"前两天看过"，但翻了半小时没找到。最后用搜索引擎重新查的。
那一刻我意识到：收藏不等于拥有，整理不等于掌握。
如果你也有类似的经历，这篇文章可能帮到你。
二、我的核心认知转变
在讲具体方法之前，先说一个认知：
❌ 知识管理 = 整理得更好（更多文件夹、更细的分类） ✅ 知识管理 = 随时能用上、需要时找得到、积累出复利
基于这个认知，我设计了四个步骤，每一步都围绕"用"来设计。
三、CODE-K四步法
CODE来自Tiago Forte的《Building a Second Brain》，我加了K（Knowledge-oriented），针对"有AI助手"的场景做了改造。
C - Capture（捕获）：零阻力入库
核心原则：收集阶段不判断价值，先存再说。
我的实际操作：
- 看到有价值的内容（链接/视频/文档）→ 转发给AI助手
- AI自动完成L1加工：抓取全文 → 生成摘要 → 提取关键词 → 打标签 → 标注来源和可信度
- 存入"收件箱"，不需要分类
整个过程大概30秒。我只需要做一个判断："这个值不值得留。"
举个例子：我发一个GitHub项目链接给AI，30秒后收到这样的摘要：
Agent架构设计（来源：GitHub官方文档 | 可信度：A） Agent由LLM、工具、记忆、规划四大组件构成，按模式可分为ReAct、Plan-Execute、反射式三种选型。适合评估AI产品架构和设计多Agent系统时参考。
和传统做法的区别： 以前我收藏一个链接就结束了，再也没有然后。现在AI帮我做了"信息消化"的第一步——至少我知道这条内容讲了什么。
O - Organize（组织）：按用途分类
踩过的坑： 我一开始按主题分文件夹——技术/产品/方法论/通用。很快崩溃了：
- "Claude Code实战进阶"放技术还是工具？
- "AI产品开发5阶段"放产品还是方法论？
- "第一性原理"放方法论还是通用？
我的方案： 用Area标签代替物理文件夹，只分5类，按"什么时候会用到"来分：
| 标签 | 一句话 | 查找场景 |
|---|---|---|
| AI原理 | 这是什么？ | 需要理解技术本质时 |
| 开发工具 | 怎么用？ | 需要动手配置时 |
| 产品方法 | 怎么做产品？ | 需要方法论指导时 |
| 行业趋势 | 市场怎么样？ | 需要做决策时 |
| 基础设施 | 环境怎么搭？ | 需要排障时 |
最有效的改进是卡片命名。 从"来源导向"改为"用途导向"：
- ❌
Harness Engineering实战框架（看了不知道干嘛） - ✅
多Agent工程化：7角色7步骤协作框架（内容+用途一目了然）
这个改动效果巨大。现在打开知识库，扫一眼文件名就知道每张卡片是干什么的。
D - Distill（提炼）：回答"所以呢？"
这是区别于其他方法论的核心步骤。
大多数知识库的卡片只是"信息"——客观记录了某个概念/工具/方法。但信息不等于知识。信息是"Agent有四大组件"，知识是"所以你的产品到底该不该用Agent架构"。
每张知识卡片我强制要求三个固定章节：
💡 一句话总结 — 不看全文也知道核心价值。比如："Agent不是给大模型套个壳就叫Agent，核心是让大模型能自主调用工具、记忆上下文、规划多步任务。"
🎯 适用场景 — 具体到实际工作，不是"适合所有读者"这种废话。比如："评估AI产品是不是真Agent时、跟老板解释为什么套壳方案不可行时。"
⚠️ 常见误区 — 这是最有价值的部分。大多数知识的用处不是教你会什么，而是帮你避坑。比如："以为接入API + 加个Prompt就是Agent。实际上没有工具调用和规划能力的只是增强版聊天机器人。"
这三个章节让卡片从"存了再看"变成"扫一眼就知道有没有用"。
E - Express（表达）：知识必须被使用才有价值
最大的坑： 我的知识库运行了两个月，积累了30张卡片，但从来没有"使用"过它们。和收藏夹里的200条链接没有本质区别。
所以我建立了三路输出：
每周主题文章（核心输出）
每周五，AI根据知识库内容推荐3个写作候选主题，我选一个，周末出初稿，我审阅润色。这篇文章就是Express的产物。
知识推送（被动输出）
新卡片入库时，AI自动匹配我当前在做的事情。如果强关联，推送一句话摘要。比如我在做AI能力平台项目时，入库了一张"模型评测选型"卡片，AI立刻推送："新卡片可能对你有用——评测基准与选型决策"。
每周知识速递（主动输出）
每周一早上，AI推送一份速递——上周各领域新增了什么要点，3分钟看完。
输出类型不限于写文章，还包括给团队的培训PPT、支撑项目立项的方案文档等。
四、AI做了什么，人做了什么
这是和其他知识管理方法最大的区别——AI是执行者，人是决策者。
AI做的：
- 抓取文章全文、提取视频字幕、转PDF（信息采集）
- 生成摘要、提取关键词、打标签（L1加工）
- 搜索知识库、匹配关联卡片（检索推送）
- 基于知识库内容生成文章初稿（Express辅助）
人做的：
- 判断信息是否值得保留（价值判断）
- 写💡🎯⚠️提炼章节（价值提炼——AI可以辅助但不能替代，因为需要结合个人经验）
- 审阅文章初稿，加入个人观点（"人味"）
- 决定知识库的整体方向和节奏
一句话：机械化工作交给AI，价值判断留给人。
五、踩坑清单
坑1：分类洁癖 花了很多时间纠结"这张卡片放哪个分类"。后来发现Area标签+用途命名已经解决了问题，物理目录只是为了打开时不至于太杂。别在分类上花超过10%的精力。
坑2：追求完美 想等知识库"建好了"再开始输出。结果永远"没建好"。正确做法：先跑起来，边用边优化。"别在修路上花太多时间，多跑车。"
坑3：照搬方法论 Zettelkasten要求每天写90张卡片，CODE要求手动高亮→批注→摘要。对有AI助手的场景，这些都可以简化。取各方法论的核心思想（原子化、输出闭环、用途导向），用自己的节奏执行。
坑4：卡片重命名后双链断裂 改了文件名，但其他卡片里的引用没同步更新，Obsidian图谱一下全散了。后来写了脚本批量修复。教训：批量改动一定要同步更新关联引用。
坑5：收件箱素材污染图谱 收件箱里有几十个"摘要.md"文件，全部出现在知识图谱里，看起来像一锅粥。解决办法：在Obsidian设置中把收件箱排除出图谱视图。
六、动手清单
如果你也想开始搭建，建议按这个顺序：
- 选工具：Obsidian（免费+双链+图谱），够用了
- 先跑C和D：收集10条信息，提炼成3-5张带💡🎯⚠️的卡片，感受效果
- 别纠结分类：先全放一个文件夹，超过20张再考虑分目录
- 有AI助手就尽早让它参与L1加工：这是最大的效率提升点
- 强制自己输出：每周写一段总结，比"收藏了再也没看"强100倍
- 接受不完美：前两个月会有很多不顺畅的地方，坚持"边用边改"
当前效果
运行两个月的数据：
- 30张知识卡片，每张都有💡🎯⚠️，打开就能用
- 卡片间全部有双链连接，0个孤立节点
- 知识图谱清晰展示各领域之间的关联
- 每周主题文章+知识推送+每周速递，三路输出已跑通
- L1加工完全自动，30秒一条；L2提炼人机协作；Express AI出稿我润色
以前找一个资料要翻10分钟，现在问AI一句话出结果。以前学了就忘，现在每周有输出倒逼我回顾。以前知识是碎片的，现在有图谱让我看到全局。
后记
CODE-K v1.0还在迭代中。卡片在增长，分类在调整，Express的节奏还没有完全稳定。
但核心原则不会变：知识管理的目的不是"存更多"，而是"用得上、说得出"。
如果这篇文章对你有启发，或者你也在搭自己的知识库，欢迎交流。
本文基于CODE-K方法论两个月实践总结。工具：Obsidian + AI助手（OpenClaw部署）。
