知识库我为什么不怎么搭了：只沉淀思维框架，其余交给 AI

有一段时间，我每天都会遇到不少值得记下来的东西。

读到一篇文章、听到一个观点，或者工作中突然想到一个办法，我常会先把它发给微信里的自己。刚开始，这些消息只是零散地躺在聊天记录里；慢慢地，我开始隔几天回头看，把还值得想的内容整理出来，再用自己的话讲一遍，最后写成文章。

后来我才意识到，这其实已经是一套个人知识管理流程。它不一定非得用某个专门软件，也不只是把资料收进文件夹。对我来说，它更像一条信息处理的路径：先捕捉，再筛选和理解，最后把有价值的部分变成自己的表达。

这么做有一个很实际的好处：当信息来得太快时，我不必要求自己当下就判断它值不值得长期保存；同时，过一段时间再回看，也能分清什么只是短暂有用，什么真的影响了我的想法。记录本身不是目标，理解、连接和表达才是。

这套方法我用了很多年。现在，我却很少再花大量时间搭个人知识库了。变化不是因为知识库突然失去价值，而是我开始重新思考：在 AI 已经能帮我搜索、归纳和比较大量资料之后，哪些事情还值得由我亲自做？

我想先把过去那套流程讲清楚，再说说我为什么改变了重心，以及现在有哪些东西我仍然会留在自己身上。

先从最简单的记录开始

我以前的第一步很简单：接收到一条信息时，先在心里问一句，它值得我之后再看一眼吗？

如果答案是“也许值得”，我就用身边最快的方式记下来。最常用的办法，是打开微信聊天窗，给自己发一条消息。

我不太在意工具是否漂亮，也不要求每条记录都格式完整。那时对我更重要的是减少记录的阻力：想到就先记下来，不因为还没选好软件、分类或模板，就让这个念头直接消失。

这相当于第一轮筛选。它不要求我马上弄清楚一条信息的全部价值，只要先把少数可能重要的内容留下来。大部分看到的东西，我不会记录；偶尔留下一条，也不代表它一定会进入长期知识库。

让时间帮我做第二轮筛选

记下来的消息，我通常不会立刻整理。我会隔两三天再翻一遍。

这样做的原因很朴素：信息的热度和价值不是一回事。某个观点刚看到时可能很吸引我，但过几天再看，未必还觉得重要。它有点像水面上的波纹，当下看得清楚，很快就会散开。

如果一条记录过了几天仍让我想继续追问，我才会把它留下来，进一步整理。时间当然不能证明一条信息正确，却能帮我看见它是不是只在当时有用。

我更愿意反复琢磨的，通常是那些能和已有经验连起来、经得起追问，或者会改变我判断方式的内容。隔几天再看，是我过去用来分辨“刚刚有感觉”和“确实值得理解”的低成本办法。

从收集走向吸收：用自己的话讲出来

筛过一轮之后，我会把留下来的内容定期整理到另一个记录本里。到这一步，它看起来像是已经进入了个人知识库，但对我而言，整理只是中间环节。

真正关键的一步，是把新信息放进自己的经验里，想一想它和我过去知道的东西有什么关系，再用自己的话讲一遍。

我会用能不能讲清楚来检查自己：如果只能重复原文的句子，可能只是看过；如果能说明它为什么重要、和哪些经验有关、在什么情况下不适用，我才觉得自己真正理解了一部分。

讲述不一定要面对别人。我有时会口述给自己听，像是在向一个朋友解释。这个过程会暴露很多“看起来懂了”的地方：因果是不是接得上？有没有把两个相似概念混在一起？这个观点放到自己的经历里，还成立吗？

如果能讲清楚，我就不必为了安心而一遍遍重看原始材料。之后遇到相关问题，我可以调用已经形成的理解；如果当时忘了具体事实或细节，再回去查资料也不迟。

最后，我会把值得展开的内容写成文档或博客。写作会迫使我重新组织思路，也让一段经验有机会被别人读到。于是，最初的一条消息经过筛选、理解和表达，形成了一个闭环。

回头看，这套流程在解决什么问题

如果把这套做法压缩一下，大致是三步：

先捕捉，再筛选：把可能有价值的信息随手记下，隔几天回头看。

整理并吸收：留下仍值得思考的部分，和已有经验连接，再用自己的话讲清楚。

表达和输出：把已经想明白、值得分享的内容写成文章或文档。

这也是个人知识库对我最有价值的地方：它不是为了把见过的东西都保存起来，而是帮我把信息经过判断、理解，变成以后能用得上的经验。

记录本只是中转站。它帮我暂存问题，但最终要留下的，是我能理解、能判断、必要时也能重新讲出来的东西。

AI 出现后，我开始重新计算这笔时间账

过去，我常常会为了一个问题花不少时间找文章、看资料、做摘录，再把不同来源的说法整理到一起。这种工作能让我逐渐熟悉一个领域，但也有相当一部分是在搬运和归类已有的信息。

现在，面对不少通用问题，我可以直接让 AI 帮我整理背景、比较方案、列出不同观点；需要最新信息时，再让它搜索近期资料并提供出处。我仍然需要判断答案，但不用再从零开始手工汇总所有材料。

这让我重新看待知识库的投入。过去，自己一点点整理资料，是获得理解的常见路径；现在，搜索和整理可以先交给 AI 做，人的时间就能更多放在提出问题、判断答案是否适用，以及把结论放回真实处境里。

我有时会把 AI 想成一座已经汇集了许多资料的巨大图书馆。这个比喻并不意味着它什么都知道、每次回答都可靠，而是提醒我：我不必亲手把所有能查到的内容再复制一份到自己的库里。更值得我投入的，是知道要找什么、怎样判断，以及找到之后如何使用。

所以我现在很少为了“拥有一个更完整的知识库”而持续整理资料。我开始把注意力转向另一个问题：怎样让 AI 帮我找到合适的信息，并把结果变成真正可用的东西？

现在，我把 AI 当作研究助手

我目前更想尝试的，是让 AI 参与资料搜集和处理。例如，让不同的 AI 分别负责检索、比较和整理；需要跟进变化时，让它们查近期材料，而不是只依赖我过去收藏的页面；最后再由我检查结论，并推动它成为文章、方案或具体工作。

这套分工用一句话概括，就是：

我负责提出问题和评判标准，AI 帮我寻找、整理可能的答案。

我需要说清楚要解决什么问题、受哪些条件限制、怎样才算一个好的结果。然后让 AI 去检索资料、比较方案、解释依据。它可以替我加快起步，却不能替我决定什么适合我的目标。

这不是说 AI 每次都能马上找到“最好的建议”。很多时候，我还得补充背景、检查来源、追问它遗漏的条件。对我来说，价值在于把大量搜集和归纳工作交给助手，让自己把精力放在判断和落地上。

有些东西，我仍然要亲自沉淀

如果具体资料可以随用随查，是不是所有东西都可以交给 AI？我现在的答案是否定的。

有些东西离不开我的经历，也决定了我会如何使用资料、如何提出问题：

我怎样理解眼前的问题，习惯从哪些角度思考。

我在目标冲突时如何取舍，为什么做出某个决定。

事情做完以后，我如何复盘结果、修正原先的判断。

这些不只是外部知识，更像是我逐渐形成的判断方式。它们影响我给 AI 的要求，也影响我能否看出一份答案有没有漏掉重要条件。

因此，我现在更愿意把自己的精力分成两部分：

思考、决策和复盘的框架：随着真实经历慢慢积累，保持精简，也持续修正。

具体、会变化、需要查证的信息：优先让互联网和 AI 帮我检索，再根据需要保存来源或结论。

这并不意味着第二类信息完全不值得保存。若某份资料之后会反复用到、很难再找到，或者它本身是重要证据，我仍然会留存。区别只是，我不再把“尽可能收全”当作建设知识库的默认目标。

我会给这套分工留几道检查

这是我目前对自己比较合适的做法，还在实践中，也不打算把它当作所有人的统一答案。我会定期检查几件事。

第一，AI 的回答可能出错，也可能因为使用相近资料而给出很相似的结论。所以我需要先有自己的评判标准；遇到重要判断，我会检查来源、条件和不同意见，而不是因为表达流畅就直接采纳。

第二，我不打算丢掉“用自己的话讲一遍”这一步。改变的是我不再把所有外部资料都整理成笔记；对于会影响重要决策的内容，我仍然会试着复述、解释，并确认自己理解了什么。

第三，通用问题也许容易查到许多答案，但我的个人处境、经验和取舍并不存在一个现成的标准答案。这部分仍要靠我自己记录和复盘。

如果有一天，我发现自己越来越难判断 AI 给的建议，或者只能转述答案却说不清为什么采用它，那就说明我把判断过程交出去太多了。我会回到记录和复盘，补上自己真正需要的部分。

我现在用什么问题决定是否记录

回头看，我并不是从“建知识库”彻底转向“什么都不保存”。我只是把过去主要由自己完成的信息搜集、摘录和整理，重新分配给了 AI；同时，更认真地留下自己的问题、判断、决策和复盘。

以前那套流程训练了我筛选、吸收和表达的能力。现在，我仍然在用这些能力，只是面对的对象变了：外部资料可以先交给工具处理，值得留给自己的，是它如何改变了我的理解，以及我如何据此采取行动。

所以，当我犹豫一条信息要不要收进自己的知识库时，会先问自己：

这条知识，是我必须吸收进身体里的判断方式，还是我随时可以去问的答案？

如果它关系到我如何思考、选择和复盘，我会慢慢把它变成自己的东西；如果它是可以查询、还会更新的具体信息，我就先给出问题和标准，让 AI 帮我去找。这样，知识库不用越来越大，我自己的判断却可以在一次次实践中继续长出来。