大概两年前，我开始认真折腾知识管理。

Notion、Obsidian、Roam Research、飞书知识库……全试过。一开始特别有成就感——读一篇文章，记一段笔记，觉得自己离"建立知识体系"又近了一步。

半年后打开 Obsidian，发现笔记库里有 847 篇文档。

其中大概 600 篇，我点开之后完全想不起来当时为什么存。

这就是大多数知识库的结局：存的时候很爽，用的时候很慌，最后变成一个电子垃圾堆。

直到我把笔记库当成代码仓库来"编译"。

这个思路救了我的知识库。今天把它摊开讲，不藏私。

核心就一条：知识不是存出来的，是编译出来的

大多数人的知识库是这么运作的：

读文章 → 复制粘贴 → 存进去 → 完事。

这套流程有一个根本问题：原始素材堆在那里，不会自动变成你能用的知识。

代码仓库是怎么工作的？写代码 → 提交 → CI 跑一遍 → 产出可执行文件。

知识库也应该这样。原始素材是"原料"，经过 Claude 处理之后的摘要、沉淀的思考，才是"编译产物"。

所以我给笔记库定了一条铁律：

**原始素材永远不变。知识是编译出来的，不是堆出来的。**

三层目录，一个都不能多

我的 Obsidian 仓库里只有三个文件夹：

原料/    ← 只读，Claude 绝对不能改这里的东西 摘要/    ← Claude 结构化编译后的产物 沉淀/    ← 每次 Query 高质量回答的落文件

原料/ 是我的原始输入——公众号文章、论文、播客笔记、突发奇想的碎碎念。放进去之后，不动。

摘要/ 是 Claude 的编译产物。读一篇长文，我会先和它聊 10 分钟，挖出核心观点，然后让它写一段 200 字的摘要存进去。不是翻译，是消化。

沉淀/ 是我真正在乎的东西。每次问出一个有价值的问题，我会让 Claude 把答案存成文件放这里。探索的结果才不会消失在聊天框里。

两个元文件，是整个系统的控制塔

光有目录不够，Claude 需要上下文才能真正高效工作。我放了三个元文件，各有各的功能。

CLAUDE.md：最高宪法

这是最重要的一个文件，放在仓库根目录。

里面写清楚：我是什么人、目录结构是什么规范、日常工作流是什么要求。每次开一个新会话，我第一件事就是让 Claude 把 CLAUDE.md 读一遍。

效果立竿见影——Claude 不再把你当普通用户，而是当成一个在某个项目里有上下文的人。它开始理解你的术语、你的偏好、你的知识边界。

index.md：全局目录

每篇笔记加一行 TLDR（Too Long Didn't Read，一句话总结），汇总到 index.md。

Claude 检索信息的时候，先扫一眼 index，决定要不要读原文。这一个小动作，能省下大量 Token——不是开玩笑的，我统计过，用了 index 之后单次 Query 的 Token 消耗大概降了 40%。

log.md：操作日志

只增不减，格式统一：## ingest | 标题 或者 ## query | 关键词。

这个文件看起来不起眼，但它的价值是让 Claude 知道仓库里最近发生了什么。下次它回答问题的时候，会自动带上"你最近在关注什么"这个上下文。

三个关键动作，让日常运转起来

架构搭好了，关键在日常。

Ingest：一次只处理一篇

每天我会挑一篇文章，丢进原料/，然后和 Claude 讨论它的核心 Takeaway。

重点不是总结文章内容——那个 AI 能做，比你做得还好。重点是问自己一个问题：这篇东西跟我有什么关系？

只有回答了这个问题，知识才会开始跟你已有的认知产生连接。不然读再多，都是在消费信息，不是建构知识。

讨论完，让 Claude 写摘要，更新 index.md。一篇一篇来，不贪多。

Query：让答案落地

这是大多数人最容易忽略的一步。

你问 Claude 一个好问题，它给了一个好答案——然后呢？聊天框关掉，答案没了，下次想用还得重新问。

我的做法：但凡这个答案我觉得有价值，立刻存到沉淀/去。

格式大概是：

文件名：{主题}-{日期} 内容：核心结论 + 我的理解 + 可能的行动项

探索的结果不消失在聊天框里——这是区分"学了很多"和"真的懂了很多"的关键。

Lint：定期做健康检查

知识库用久了，总会出现两种问题：

一是过时——半年前记下的判断，现在已经有新证据推翻了。

二是矛盾——两篇笔记里的观点在打架。

我不让 Claude 默默覆盖旧内容。我的要求是：发现问题就标注出来，打上 ⚠️ 过时 或 ⚠️ 矛盾 的标签，让我来确认怎么合并。

AI 的本性是讨好你，你说啥它都点头。我要的不是讨好，是准确。

三条底线，防止知识库变成幻觉堆

这是最后一道防线，也是最重要的。

第一条：重要断言必须有来源链接。

不是"据研究显示"，而是"据斯坦福 2024 年发布的 XXX 报告"。知识库里任何超过常识判断的结论，必须能追溯到原始出处。没有链接的断言，时间久了就是 AI 的幻觉。

第二条：新旧冲突，报 diff，不覆盖。

你半年前觉得 X 是对的，现在觉得 Y 是对的——这两个不能悄悄合并成一个。Claude 要做的是把 diff 报出来，让你决定保留哪个，或者两个都留着当"不同阶段的认知"。

第三条：区分"原文事实"和"推论"。

原文事实：作者说了什么。

推论：我从这段话里读出了什么。

这两样东西放在一起，但性质完全不同。混在一起，三个月后你自己都分不清哪些是你读到的，哪些是你想当然的。

把这些写进 CLAUDE.md，让 AI 在每次工作的时候都知道边界在哪——知识库才不会在几个月后变成一堆 AI 幻觉的堆积。

说白了，这套方法的核心就一句话：

把你的笔记软件，当成一个需要维护的代码仓库。

有规范，有版本，有编译，有健康检查。

你不需要存很多知识。你需要让知识在你的脑子里和笔记库里，同时保持活性。

能用的知识，才叫知识。能检索的知识，才算真的属于你。