我用 AI 把知识库从「档案柜」变成「头脑地图」

一句话核心观点

你的知识库问题不是存得太少，是从来没有「理解」过你存的东西。

先说我踩的坑

我搭知识库搭了三年。Notion、Roam、Obsidian 都用过，现在自己做了一套工具（ThirdSpace），有 300 多个 MD 文件，分了十几个主题，frontmatter 100% 规范，自动化备份，每晚定时刷新。

按理说应该很满意了。

但我最近发现一个问题：这 300 个文件，我只能「找到」，不能「理解」。

我知道某件事「存在某个文件里」。但我不知道「这件事和另一件事有什么关系」、「这个人在我生命里扮演了什么角色」、「我在遇到类似情况时有什么固定的反应模式」。

知识库变成了一个很整洁的档案柜。我是档案员，不是思考者。

问题出在哪

这几天看到一个 GitHub 上很火的 Skill（470 stars，昨天刚发布），作者 farzaa 写了一套把个人数据编译成知识 wiki 的方法论。

他开头第一句话把我打醒了：

“Not a filing clerk. A writer. Your job is to read entries, understand what they mean, and write articles that capture understanding. The wiki is a map of a mind.”

不是归档员，是作家。

我意识到我的知识库一直在做的事情是「归档」——把信息放进正确的格子里。而真正有价值的知识库应该做的事情是「理解」——把碎片信息读懂，重新写成文章，织成一张网。

这两件事的差距，就是「档案柜」和「头脑地图」的差距。

档案柜 vs 头脑地图

具体说，我的知识库现在是这样的：

关于某个人 A：
  - events/2026-03-05_和A的谈话.md
  - events/2026-03-18_A提了个需求.md
  - events/2026-04-01_和A的冲突.md
  - people.json 里一条 interaction_summary："沟通风格直接，注重结果"

三篇独立的事件文件，一条薄薄的总结。每次和 A 打交道之前，我要把三篇文件都翻出来读一遍，然后自己在脑子里重新合成理解。

头脑地图应该是这样的：

people/A.md

## 关系阶段
## 核心特质（有具体事件支撑）
## 对我决策的影响
## 关键转折点

一篇综合的理解文章。不是事件的时间线，是我对这个人的完整认知。

再比如，我最近在关注「本地 AI」这个方向。我的知识库里有：

• 20 多张关于 AI 的知识卡片（收藏的文章）
• 几篇工作日志里的碎片想法
• 两篇产品笔记

这些内容从来没有被合并过。它们之间的关联，只存在于我脑子里，不存在于知识库里。

这个方法论说了什么

farzaa 的 wiki skill 核心是一个问题的替换：

把「我把这条信息放在哪里？」

换成「这条信息是什么意思，它和我已经知道的东西有什么连接？」

听起来很简单，但实际上是完全不同的操作。

前者是分类（O(1) 操作，找个格子放进去）。

后者是理解（需要读懂已有内容，找到新的关联，重新改写文章）。

他的方法把知识组织分成了两层：

第一层：原始数据流（raw/entries/） 每条日记、每篇笔记、每次对话记录，原样保存，不加工。就像我的 worklog 和知识卡片，只负责「捕获」。

第二层：理解文章（wiki/） 按「实体 + 意义」组织，不按「时间 + 主题」组织。一个人一篇文章，一个项目一篇文章，一种行为模式一篇文章。每次有新的原始数据，不是「新建文件」，而是「更新已有文章的理解」。

两层之间的转化，不是归档，是吸收（absorb）——把原始数据读懂，织进已有的理解网络里。

我从中借鉴了三件事

第一件：人物「合并提炼」

以前：每次 LifeOS 事件单独一篇文件，people.json 里一条薄薄的总结。

现在计划：某个人积累了 3 篇以上事件后，写一篇综合的「人物理解文章」。不是时间线，而是：

• 他的核心行事风格（有具体场景支撑）
• 他的动机和关注点
• 这段关系对我的影响
• 关键转折（如果有）

这不是 CRM，是真正的「我理解这个人」。

第二件：patterns/ 和 tensions/ 目录

我的知识库里没有这两类内容的专门位置：

• patterns（行为模式）：我在遇到不确定时的典型反应、我如何判断一个项目值不值得继续、我在被催的时候会做什么
• tensions（内在矛盾）：商业化速度 vs 产品完整性、个人表达 vs 受众期望、执行力 vs 探索欲

这些内容不会从某篇 worklog 里自然涌现。但它们是最能预测我未来行为的内容。每季度主动提炼一次，是很值得的投入。

第三件：知识卡片的「模式识别层」

我每读一篇文章，都会生成一张知识卡片。这些卡片是孤立的。

现在计划：每 10 张卡片做一次合并——「这 10 篇在讲同一件事吗？核心洞见是什么？有没有相互矛盾的地方？」把结论存成一篇 patterns/ 文章。

这让知识卡片从「读了就放着」变成了「真的在积累认知」。

和 AI 结合的关键

wiki skill 本身是给 Claude Code 设计的——用 /wiki absorb 这样的命令触发，Claude 读 entries，写文章，管理 backlinks。

但这件事的本质不是工具，是工作流：

有人（或 AI）定期把原始记录「读懂」，然后更新已有的理解文章。

我的实践版本是：

日常：继续用现有系统捕获（worklog / 知识卡片 / LifeOS 事件）

每月（人工 + AI 协作）：
  1. ts search "[某人/某主题]" → 拉出所有相关记录
  2. 把记录喂给 Claude + 说明 wiki 写作规范
  3. Claude 写合并理解文章
  4. 我审阅修改
  5. 存入 vault/space/crafted/people/ 或 patterns/

每季度：
  提炼行为模式和内在矛盾
  更新 patterns/ 和 tensions/ 目录

这不是全自动的，也不应该全自动。理解这件事，需要人参与。AI 负责初稿和关联发现，人负责确认「这真的是我的理解」。

为什么不直接用他的那套

说实话，farzaa 的方案我没有完整照搬，原因有三：

一、他的方案假设你有大量历史原始数据 适合「我有 3 年的 Day One 日记，想整理成知识库」的场景。我的系统是 daily-driven 的，每天在产出，不是批量整理历史数据。

二、他的系统没有行动层 wiki 是很好的知识存储，但他的方案里没有「从知识到行动」的机制。我的知识库有 actions.json、habit 打卡、LifeOS 决策——我需要的不只是「我理解了什么」，还有「我因此做了什么」。

三、基础设施问题 他的方案是「把 SKILL.md 放进 Claude Code 项目」就能跑。我已经有 ThirdSpace CLI 和 vault 结构，另起炉灶成本太高，也没必要。借鉴思想，不照搬工具。

总结

知识管理有两种截然不同的目标：

A. 永远找得到（档案柜目标）：只要存进去，以后能搜到就行。

B. 真的理解（头脑地图目标）：存的东西被消化，连接成网，能帮你做出更好的判断。

大多数知识管理系统，包括三年前的我，都在追求 A。

farzaa 这个 skill 提醒的是：光能「找到」还不够。知识库真正的价值，在于它有多接近你真实的思维方式。

我现在的计划：保留现有系统（捕获效率很高），在上面叠加一层「定期理解」的工作流。每月一次人物合并，每季度一次模式提炼。

不需要重建，只需要加一个习惯：定期把存进去的东西读懂，然后重新写出来。

ThirdSpace 是我用来管理个人知识库的工具，已开源：github.com/zzyong24/thirdspace wiki skill 原文：https://gist.github.com/farzaa/c35ac0cfbeb957788650e36aabea836d