👾 Satarday📡 AI：99%

Gogo

Markdown 大家用起来觉得怎么样？

这周在 Claude Code 里调一个项目，随口打了句“帮我看看之前关于这个的笔记”。它翻了一圈我的文件夹，三秒钟拎出来两条我自己都忘了的记录，还把它们之间的关联讲清楚了。

这就是 markdown 带来潜在的爽点。

不是因为 AI 多厉害，而是突然意识到——它之所以能干这事，纯粹是因为我的笔记是一堆 .md 文件，躺在一个本地文件夹里。就这么简单。

如果这些东西存在飞书里，AI 要走 API、配认证、过 MCP，每多一层就多一层出问题的可能。而 Markdown 文件夹？告诉它路径，它直接读。零配置，零延迟。

在 AI 时代，“你的数据能不能被 AI 直接碰到”，变成了最重要的一个判断标准。

这不是 Markdown 有什么光环。GPT、Claude、Gemini，训练数据里全是 .md 文件——GitHub 的 README、技术文档、博客。Markdown 对大模型来说不是需要“解析”的格式，是它最自然的表达方式。一个 2004 年诞生的纯文本格式，没公司运营，没商业模式，语法规范都没统一，结果成了 AI 的母语。挺荒诞的，但事实就是这样。

很多人的笔记系统死在“整理”上。记了一条，然后开始纠结：放哪个文件夹？打什么标签？和之前哪条有关？这个过程消耗的心智能量比记录本身还大。记了两周，发现归类比写还累，然后就不记了。

现在这个环节可以被ai agent 给干掉。

你在 CLAUDE.md 里写一行 笔记在 ~/my-notes/ 目录下，下次跟 Claude Code 说“帮我看看之前关于投资的笔记”，它就去搜、去读、去总结。200K 的 context window 装 15 万字中文，大概三分之一本《三体》。你的个人笔记库，大概率装得下。

推特上的 ai 名人Karpathy 的做法更极端——一个 Apple Notes 文件，新内容往顶部追加，找东西 Ctrl+F。他的理由很实在：记录的心理门槛越低，越能坚持。复杂的分类体系，最后都因为维护成本太高而荒废。

你不需要一开始就建出完美的知识体系。你只需要一个足够低摩擦的入口。

先建个文件夹，叫 my-brain 也好叫什么也好，往里面扔 .md 文件。读了篇好文章，建个 reading-notes.md。工作上有灵感，建个 project-ideas.md。不用想分类，不用想结构，先记再说。

真正让我爽的其实是这一个改变～

以前记笔记：想到一个东西 → 打开软件 → 找笔记本 → 组织语言 → 打标签。五步，每步都有摩擦。

现在：对着 AI 说一句话（对，就是用语音）。

“帮我记一下，今天和老王聊了个思路，用 RSI 背离做日线级别的入场信号，配合成交量过滤假突破。”

你说，AI 写。嘴炮是输入，结构化的 .md 文件是输出。它还会自动把相关笔记串起来——今天聊到某个项目，日志里标注“这条和之前某某笔记有关”。时间一长，文件夹里不是一堆碎片，是一张有脉络的网。

然后更有意思的事情发生了。你三个月前记的一段读书心得，和上周写的一条工作复盘，可能藏着某种你自己都没意识到的关联。你不会翻到，因为它们躺在两个不同的文件里。但 AI 会翻，而且翻得比你快、比你全。

比如你是个产品经理，笔记里有用户调研、竞品分析、育儿日记、读书摘抄。AI 扫一遍，可能告诉你：你在育儿日记里反复提到“小孩不愿意按我说的做，但让他自己选反而配合度高”，和用户调研里“用户讨厌强制引导，但有限选项时转化率最高”——本质上是同一件事。

你以为自己在记流水账，其实你在喂养一个越来越懂你的系统。

每次聊到这儿都有人提 RAG 和向量存储。企业级场景，几十万篇文档，当然需要。但个人笔记？认真算算你一辈子能写多少字。Claude Code 的 context window 加上按需加载机制，处理个人规模的知识库绰绰有余。

复杂度是有代价的。每多一层技术栈，多一个出问题的环节，多一个让你放弃的理由。Karpathy 用一个纯文本文件记所有东西，Anthropic 用 CLAUDE.md + memory/ 目录做记忆系统。这些最聪明的人，选的都是最简单的方案。

技术选型不是比谁的 stack 高级，是比谁更理解问题的边界。

今天就可以做一件事：在电脑上建个文件夹，打开任何文本编辑器，写几行字，存成 .md。

工具后面慢慢加。先把东西记下来。