为什么你的 AI 记笔记像流水账？

因为你缺了一个「概念提取器」

作者：一只阿木木 | 数字大脑摆渡人 🌊

前三篇，我们讲清楚了架构，给了你工具，建好了系统。

这一篇，我们要解决一个具体的问题——

为什么很多人跑起了系统，但产出的东西， 看起来还是一堆流水账？

原因只有一个： 你在让 AI 做总结，而不是做提取。 这是两件完全不同的事。

先说一个我自己踩过的坑

我记得刚搭好系统的头两周，我非常勤奋。

每天把读到的文章扔进 /raw，触发 Ingest，看着 /wiki 里的文件一个个出现。

但有一天，我打开 Obsidian 的 Graph View——那个可以把所有笔记的连接可视化的功能——

我预期看到的是一张密密麻麻、相互缠绕的知识网络。

我实际看到的是：几十个孤立的圆点，几乎没有连线。

每篇文章产生了一个笔记，每个笔记都是几百字的摘要，但它们之间，基本没有任何链接。

我的知识系统，不是一张网，是一盘散沙。

我以为是系统出了问题，后来我仔细看了看 CLAUDE.md，找到了问题所在——

我没有告诉 AI 要做「实体提取」。

我只是隐约说了"处理文章"，AI 就用它最默认、最省力的方式回应了：写摘要。

摘要和提取，是两件完全不同的事。

理解这个区别，是这篇文章最重要的事。

第一部分：摘要 vs 提取——两条根本不同的路

让我用一个非常直白的对比来解释这个差异。

假设你把这样一段文字喂给 AI：

"Andrej Karpathy 在 2026 年发布了 LLM Wiki 架构。 这套架构基于三层结构：/raw 存放原始素材， /wiki 存放 LLM 编译的知识页面， /schema 存放编译规则。 与 RAG 不同，LLM Wiki 不在每次查询时从原始文档检索， 而是预先将知识编译成结构化的、相互链接的 Markdown 文件集合。"

如果你让 AI「总结这段文字」，你会得到什么？

text

摘要：Karpathy 于 2026 年发布了 LLM Wiki 架构，
采用三层结构（/raw、/wiki、/schema），
与 RAG 不同，它预先编译知识而非实时检索。

这段摘要没错，写得还挺好。

但它是一个封闭的岛。

它不指向任何东西，它不连接任何东西。它存在于你的笔记库里，就像一个孤独的漂流瓶，永远不会和其他知识发生化学反应。

如果你让 AI「提取这段文字中的实体和概念」，你会得到什么？

text

识别到的实体：
  人物实体：Karpathy, Andrej → /wiki/entities/karpathy-andrej.md
  工具/架构实体：LLM Wiki → /wiki/concepts/llm-wiki.md
  技术实体：RAG → /wiki/concepts/rag.md

识别到的概念：
  三层架构 → /wiki/concepts/three-layer-architecture.md
  知识编译 → /wiki/concepts/knowledge-compilation.md
  Markdown 知识库 → /wiki/concepts/markdown-knowledge-base.md

识别到的关系：
  LLM Wiki [对比] RAG → /wiki/synthesis/llm-wiki-vs-rag.md
  三层架构 [属于] LLM Wiki
  知识编译 [是核心机制of] LLM Wiki

识别到的声明（可验证）：
  "LLM Wiki 不在查询时检索，而是预先编译"
  置信度：high（来源：[文章名]）

这不是一段摘要，这是六个相互关联的知识节点的种子。

每一个都会在 /wiki 里生长成一个独立的页面。 每一个都和其他节点建立链接。 每一个都记录了自己的来源和置信度。

这才是知识网络的构建方式。

Karpathy 的洞察在于：问题不是存储，而是结构。原始文章和转录稿是高熵输入。LLM 能够降低这种熵：提取概念，交叉链接相关想法，为工具、人物和主题建立实体页面。输出是一个真正可查询的 wiki，而不是一堆 Markdown 文件。

流水账，是高熵的。 知识网络，是低熵的。

从摘要到提取，就是从高熵到低熵的转变过程。

第二部分：实体是什么？为什么它是知识网络的基本单元

在我们继续讲「怎么做」之前，我需要先把一个概念讲清楚：

什么是实体（Entity）？

在知识管理的语境下，实体是任何可以拥有独立页面、可以被其他知识节点引用的「知识单元」。

它不是一段文字，不是一个观点，不是一个摘要。

它是一个可以被命名、可以被定义、可以与其他实体建立关系的东西。

实体可以是：

text

人物实体：Karpathy, Andrej / 查理·芒格 / Tiago Forte
工具实体：Obsidian / Claude / Notion / PARA
概念实体：RAG / 编译模式 / 知识复利 / 系统提示学习
方法实体：卡片笔记法 / PARA / LLM Wiki
事件实体：GPT-4 发布 / Eureka Labs 创立
声明实体：「知识是有复利的」/ 「维护成本是个人 wiki 最大的杀手」

LLM 从笔记中提取实体（人物、组织、产品、事件）和概念（理论、方法、术语），并具有灵活的提取粒度。

每一个实体，都是知识网络里的一个节点。

节点之间的关系，是知识网络里的边。

当你的 /wiki 里有足够多的节点，节点之间有足够多的边——你的知识系统就从「一堆笔记」进化成了「一张会思考的网」。

而摘要，永远产生不了节点和边。它只是产生更多的「纸」。

第三部分：三个提取层级——你现在停在哪里？

理解了实体的概念之后，我们来做一个更细致的分层。

在实际操作中，「提取」这件事可以做到三个不同的深度。大多数人停在 Level 1，应该至少到 Level 2，Level 3 是你的系统真正成熟之后自然到达的位置。

Level 1 ：摘要型提取（大多数人停在这里）

触发方式： "帮我总结这篇文章"

AI 的工作： 压缩文本，保留主要信息，产出一段话或几个要点。

输出形态： 一个封闭的笔记文件

典型的 Prompt：

text

请帮我总结这篇文章的主要内容，提炼出 3-5 个核心观点。

问题出在哪里：

这个层级的输出是「信息」，不是「知识」。

信息是孤立的，知识是连接的。

你的摘要不知道你的笔记库里已经有了一篇关于 RAG 的文章。它不会主动和那篇文章建立连接。它也不会意识到，它里面提到的「Karpathy」，在你的 entities 文件夹里已经有了一个人物页面。

关键在于位于原始输入和知识库之间的 agent 层。没有它，你有的是一个垃圾场。有了它，你有的是一个自我构建的系统。

Level 1 没有 agent 层，只有压缩层。

Level 2：实体型提取（进阶用法，今天就能实现）

触发方式： 精心设计的「概念提取 Prompt」

AI 的工作： 识别文章中所有核心概念和实体，检查知识库中是否已有对应页面，创建或更新，建立交叉引用

输出形态： 多个相互链接的 wiki 节点

典型的 Prompt（下一节会给你完整版）：

text

请阅读这篇文章，提取其中所有的核心概念、人名、工具名和理论框架，
检查 /wiki 目录中是否已有对应页面，
如有则更新并追加来源，如无则按模板新建，
并确保每个新页面至少链接到两个现有页面。

效果对比（同一篇文章）：

text

Level 1 输出：
  1 个笔记文件
  0 个外部链接
  Obsidian Graph View：1 个孤立的点

Level 2 输出：
  1 个新概念页（核心主题）
  3 个更新的现有页面（已有实体被补充了新来源）
  2 个新实体页（文章里提到的工具和人名）
  1 个综合分析页（AI 发现这个主题和现有知识有对比价值）
  总计：Obsidian Graph View 上新增 7 个连接

从原始素材中，agent 提取概念、实体、声明、关系和未解问题。一篇关于调试 React hook 的对话会产生一个「stale closure」模式。一篇研究论文产生核心思想及其注意事项。

这就是 Level 2 的价值所在：同样一篇文章，产出的是知识网络，而不是知识孤岛。

Level 3：洞察型提取（高阶用法，系统成熟后自然到达）

触发方式： 在 Ingest 过程中加入「矛盾检测」和「置信度更新」指令

AI 的工作： 不只是提取新知识，还要主动和现有知识库「碰撞」——寻找矛盾、寻找强化、更新置信度

输出形态： 现有知识被挑战、修正、加深

Prompt 方向：

text

阅读这篇文章后，请特别检查：
1. 文章中的哪些观点与 /wiki 中现有页面的内容相矛盾？
2. 文章中的哪些证据可以提升现有页面的置信度？
3. 文章中提出了哪些 /wiki 目前没有覆盖但值得新建页面的概念？
对所有矛盾，请同时在两个页面添加矛盾标记，不得静默覆盖。

这个层级的本质：

你不是在向知识库「添加」东西，你是在让知识库「思考」——

旧知识和新知识之间，发生了什么？ 我的认知被更新了什么？ 哪些我以为是对的，现在需要打个问号？

新知识会与 wiki 中已有的内容进行合并。如果一个概念页面已经存在，agent 会更新它——融入新信息、标注矛盾、强化交叉引用。如果是真正新的内容，才会创建新页面。没有任何内容会被重复。

这是真正意义上的「知识进化」，不是「知识积累」。

积累是量变，进化是质变。

第四部分：五个完整的提取 Prompt 模板（直接可用）

好，理论部分讲完了。现在给你最实用的东西。

以下五个 Prompt，覆盖了你日常最常见的 Ingest 场景。你可以把它们直接放进 CLAUDE.md 的对应位置，也可以在需要时单独调用。

Prompt 1：标准文章 Ingest（日常使用，最高频）

适用场景：普通的博客文章、资讯长文、思考型文章

text

你正在执行 Ingest 操作。目标文件：[文件路径]

请按以下步骤操作：

【第一步：理解文章】
完整阅读文件，在开始提取前先形成对文章整体的理解。
不要边读边提取，先读完，再提取。

【第二步：实体识别】
识别文章中所有属于以下类别的项目：
- 人物：任何被提及的真实人名
- 工具/产品：任何被讨论的软件、平台、工具
- 概念/理论：任何需要定义的专业术语或思想框架
- 方法论：任何被描述的工作方法或系统

【第三步：检查与操作】
对每个识别到的项目：
- 检查 /wiki 中是否存在对应页面
- 存在 → 打开页面，在「来源」节追加本文，
  如有新信息则更新正文，注明更新日期
- 不存在 → 按对应模板新建页面（概念/实体/综合）

【第四步：建立连接】
- 每个新建页面必须包含至少 2 个指向现有页面的 [[wikilink]]
- 检查现有相关页面，在适当位置添加指向新页面的链接

【第五步：矛盾检查】
- 扫描文章中的核心声明
- 与相关 wiki 页面的内容对比
- 发现矛盾 → 在双方页面添加矛盾标记，
  降低置信度，不得覆盖原有内容

【第六步：更新系统文件】
- 更新 /wiki/index.md
- 追加 /wiki/log.md（格式：日期 | ingest | 文章标题 | 创建N页/更新N页）

【第七步：输出报告】
用以下格式告诉我操作结果：
新建页面：[列表]
更新页面：[列表]
发现矛盾：[列表，如有]
知识缺口：[列表，如有]

Prompt 2：深度素材 Ingest（书籍章节、长篇研报）

适用场景：书籍章节（3000字以上）、行业研报、学术论文

text

你正在执行深度 Ingest 操作。目标文件：[文件路径]
这是一份高密度素材，需要更深入的提取。

【特殊说明】
这份素材内容密集，请使用「精细（Fine）」提取粒度。
每个重要的小节都可能包含独立的概念，不要因为概念较小就跳过。

【额外提取项目（在标准 Ingest 基础上增加）】

1. 核心论点提取
   识别作者的主要论点（而不仅仅是描述了什么）
   为每个核心论点创建一条可被引用的「声明记录」

2. 反论点识别
   作者是否提到了任何对立观点？
   如果有，这些对立观点是否与 /wiki 现有内容吻合？

3. 关键数据/案例提取
   如有具体数据、研究结论、真实案例，单独提取
   存入对应概念页的「证据」节

4. 层级概念识别
   这份素材是否建立了一个概念体系（上位概念/下位概念）？
   如果是，在各页面的「与相关概念的关系」节中明确标注层级关系

【粒度建议】
书籍章节：使用 Fine 粒度（约 50-100 个实体）
行业研报：使用 Standard 粒度（约 30-50 个实体）
学术论文：使用 Fine 粒度，重点提取方法论实体

Prompt 3：矛盾检测 Prompt（高阶用法）

适用场景：你读到一篇与你既有认知明显不同的文章，想主动测试冲突

text

你正在执行矛盾检测 Ingest。目标文件：[文件路径]

本次 Ingest 的重点不是提取新知识，而是检测新知识与现有知识的碰撞。

【执行步骤】

Step 1：完整阅读文件
Step 2：提取文章中所有核心声明（按重要性排序，最多 20 条）
Step 3：对每条声明：
  a. 在 /wiki 中搜索涉及同一主题的页面
  b. 判断关系类型：
     - 「强化」：新声明支持/强化了现有页面的内容
     - 「补充」：新声明填补了现有页面的空白
     - 「矛盾」：新声明与现有页面存在明显冲突
     - 「颠覆」：新声明根本性地挑战了现有页面的核心论点
  c. 按以下规则处理：
     强化 → 在现有页面追加来源，提升置信度（如符合条件）
     补充 → 在现有页面的对应节追加内容
     矛盾 → 在双方页面添加「⚡ 矛盾标记」，降低置信度至 contested
     颠覆 → 在相关页面添加「🔴 重大质疑」标记，
             新建综合分析页详细记录两种观点，不做最终判断

Step 4：输出「矛盾报告」
  对每个发现的矛盾/颠覆，用以下格式记录：
  【矛盾 N】
  新来源的声明：[引用原文]
  现有 wiki 的立场：[引用现有页面内容]
  矛盾性质：矛盾 / 颠覆
  建议处理方式：[你的判断]
  等待用户决策：是/否

Prompt 4：播客/视频转录文本 Ingest

适用场景：播客逐字稿、YouTube 字幕文件、会议录音转录

text

你正在执行播客/转录稿 Ingest。目标文件：[文件路径]

【特殊处理说明】
转录稿与文章不同：
- 口语内容信息密度低，有大量填充词和重复
- 核心观点往往散布在 60-90 分钟的内容里
- 提取前需要先「降噪」

【执行步骤】

Step 1：降噪扫描
  快速浏览全文，识别真正有信息量的段落
  标记出：
  - 核心论点出现的时间戳区间
  - 重要案例/故事的时间戳区间
  - 可引用的金句

Step 2：精准提取
  只对标记的段落进行实体提取
  忽略过渡性内容、重复内容、闲聊部分

Step 3：标注时间戳来源
  每个提取的实体/声明，在来源中注明时间戳
  格式：来源：[播客名] [hh:mm:ss]

Step 4：识别「对话型洞察」
  有些观点只在对话对抗中才能显现
  识别并提取：访谈者的追问 + 嘉宾的核心回应
  这类「问答对」有时比正式声明更有洞察价值

Step 5：执行标准 Ingest 流程（参考 Prompt 1 的第三至第七步）

Prompt 5：你自己的灵感/日记 Ingest（最私人，也最有价值）

适用场景：你自己写的文字——日记、随手记录的灵感、想法碎片

text

你正在执行个人素材 Ingest。目标文件：[文件路径]
这是用户的个人思考记录，处理时需要特别谨慎。

【特殊说明】
这不是他人的文字，这是用户自己的思考。
- 不要评判内容的质量
- 不要因为文字不完整就跳过提取
- 碎片化的想法往往是知识网络中最有价值的「原创节点」

【执行步骤】

Step 1：识别思考类型
  这段文字属于：
  - 「问题」：用户在思考某个未解的问题
  - 「假设」：用户在提出一个可验证的猜想
  - 「观察」：用户在记录一个现象或经历
  - 「洞察」：用户在描述一个新的理解或突破
  - 「矛盾感」：用户在记录一种认知冲突

Step 2：检查知识库共鸣
  将这段思考与 /wiki 中的现有内容对比：
  - 这个想法是否和某个现有概念页面相关？
  - 这个问题是否正好是某个现有页面的「知识缺口」？
  - 这个观察是否为某个现有页面提供了「原创证据」？

Step 3：创建个人洞察节点
  为这段思考创建页面时，使用特殊标注：
  type: personal-insight
  源头：用户原创（非外部来源）
  日期：[记录时间]

Step 4：建立双向连接
  - 将个人洞察页链接到相关的概念/实体页
  - 在相关概念页中，在「原创洞察」节添加反向链接

  注意：用户自己的思考，
  有时是整个知识网络中最难被他人复制的部分。

第五部分：提取粒度——一个你需要主动管理的变量

这一节，我想讲一个很多教程忽略的细节：提取粒度（Extraction Granularity）。

1 提取粒度控制 LLM 从来源中提取实体的深度。精细粒度（约 100 项）进行深度分析，包含边缘提及，token 消耗高，适合关键素材。标准粒度（约 50 项）平衡提取，适合日常笔记。粗略粒度（约 10 项）快速概览，只提取核心实体，成本低，摄取速度快。

简单说：不是所有素材都值得被「精细提取」。

用错粒度，有两种代价：

粒度太粗 → 浪费素材 你扔进去一本书，只提取了 5 个实体。书里 90% 的洞察消失了。

粒度太细 → 系统过载 你扔进去一篇随手看的短文，提取了 80 个实体，大多数质量很低。你的 /wiki 开始充斥着半生不熟的页面，Lint 成本急剧上升。

我的粒度决策框架（可以直接用）：

text

素材类型                    建议粒度        预期提取数量

你认为改变了你认知的文章      Fine            50-100 项
日常读到的好文章             Standard        20-50 项
书籍章节（核心书）           Fine            50-100 项
书籍章节（泛读书）           Standard        20-30 项
播客转录（完整）             Coarse          10-20 项（先降噪）
播客转录（精华片段）         Standard        20-40 项
你自己的灵感/日记            Custom 5-15     看重要程度决定
批量处理历史笔记             Minimal         3-5 项（扫描用）
会议记录                    Coarse          5-15 项

1 建议对大量文件夹使用最小或粗略粒度来节省时间和 API 成本。对值得深入分析的关键文档，选择性地使用精细粒度。

这个决策本身，就是你作为「策展人」最重要的工作之一。

不是所有素材都值得被同等对待。好的策展，是知识复利的前提。

第六部分：真实案例——一篇文章的完整提取过程

说了这么多理论，让我带你看一次真实的提取全过程。

我选了一篇真实投喂过的文章：Karpathy 的 LLM Wiki 原始 Gist（中文版本）。

全文约 5000 字，我使用标准粒度进行 Ingest。

Ingest 开始前的 /wiki 状态：

text

/wiki/concepts/     → 12 个页面
/wiki/entities/     → 8 个页面
/wiki/synthesis/    → 3 个页面
总计：23 个节点
Obsidian Graph View：稀疏的点状图

AI 开始工作（全程约 8 分钟）：

text

Step 1 — 阅读全文（约 1 分钟）
AI 读完后，在内部形成理解。

Step 2 — 读取索引
/wiki/index.md 共有 23 个条目。
AI 开始对照已有内容进行匹配。

Step 3 — 实体识别（约 2 分钟）
识别到的实体列表：
  人物：karpathy-andrej（已存在，更新）
  技术概念：llm-wiki（不存在，新建）
  技术概念：rag（已存在，更新）
  技术概念：compilation-pattern（不存在，新建）
  技术概念：three-layer-architecture（不存在，新建）
  工具：obsidian（已存在，更新）
  工具：claude-code（不存在，新建）
  方法论：schema-design（不存在，新建）
  方法论：knowledge-ingest（不存在，新建）

Step 4-5 — 页面操作（约 4 分钟）
新建 6 个页面，更新 3 个现有页面。
每个新页面建立了 2-4 个出链。
3 个被更新的页面分别新增了反向链接。

Step 6 — 矛盾检测
发现 1 处矛盾：
  新素材中声明「LLM Wiki 不需要向量搜索」
  现有 /wiki/concepts/rag.md 中有「向量搜索是 RAG 的必要组件」
  → 在两个页面均添加矛盾标记
  → rag.md 置信度从 high 降至 contested
  → 新建 /wiki/synthesis/llm-wiki-vs-vector-search.md

Step 7 — 系统更新
index.md 更新，新增 7 个条目。
log.md 追加一条记录。

Ingest 完成后的 /wiki 状态：

text

/wiki/concepts/     → 17 个页面（+5）
/wiki/entities/     → 9 个页面（+1，claude-code）
/wiki/synthesis/    → 4 个页面（+1）
总计：30 个节点（+7，一篇文章产生了 7 个新节点）

3 个现有节点被更新，知识密度提升
1 个矛盾被显式标记，等待未来的新素材来解决

Obsidian Graph View：明显更密的连接，
claude-code、llm-wiki、karpathy 三个节点
成为了连接度最高的 hub

一篇文章，8 分钟，0 字出于我手。

从 23 个节点到 30 个节点，新增 7 个相互链接的知识节点。

这就是实体提取和摘要生成之间，真实的输出差距。

第七部分：Obsidian Graph View——让你的知识系统变得「可见」

我想用一个视觉化的内容，来结束这篇文章的技术部分。

很多人装了 Obsidian，但从来没有认真看过 Graph View。

打开方式： Obsidian 左侧工具栏 → 图谱视图图标（或 Ctrl/Cmd + G）

当你的知识系统处于不同阶段时，Graph View 看起来会完全不同：

阶段 1：摘要型笔记系统（还没有实体提取）

text

图谱特征：
  ○    ○    ○    ○    ○
     ○    ○    ○    ○
  ○    ○    ○    ○    ○

大量孤立的圆点，几乎没有连线。
这是"笔记"，不是"知识网络"。

阶段 2：开始实体提取后（2-4 周）

text

图谱特征：
     ○--○
    /    \
○--○      ○--○
    \    /
     ○--○

开始出现小型「星系」，
核心概念节点周围聚集了相关节点。
这是知识网络开始形成的信号。

阶段 3：成熟的 LLM Wiki 系统（2-3 个月后）

text

图谱特征：
一张密集的、相互交织的网
有几个高度连接的「枢纽节点」
（通常是你最深耕的核心概念）
大多数节点都有 3-5 条以上的连接

这是真正意义上的「知识网络」——
你的思维结构，变得可见了。

3 这是基于 Karpathy LLM Wiki 原始愿景的插件，通过提取实体、自动创建双向链接并构建索引，从你的笔记中生成一个有连接的 AI wiki。

让你的知识系统变得「可见」，不是为了好看。

是为了让你真实地看到，你的认知结构长什么样。

哪些概念是枢纽，说明你在这个领域理解最深。 哪些概念是孤岛，说明你还没有把它整合进你的知识体系。 哪些概念之间有密集连接，说明你在这两个领域之间形成了独特的洞察。

Graph View，是你认知版图的地图。

第八部分：在 CLAUDE.md 里加入提取规范

好，最后一步：把今天讲的所有内容，固化进你的 CLAUDE.md。

这样你就不需要每次 Ingest 都手动输入这些 Prompt，系统会自动按照这些规范工作。

在上一篇给你的 CLAUDE.md 模板基础上，找到「Ingest 工作流」那一节，把这段内容加进去：

Markdown

## Ingest 工作流补充：实体提取规范

### 提取粒度决策
在执行 Ingest 前，先判断素材类型，选择对应粒度：
- 认知改变型素材（重要文章/核心书籍章节）：Fine（50-100 实体）
- 日常阅读型素材：Standard（20-50 实体）
- 播客/视频转录：先降噪，再用 Coarse（10-20 实体）
- 个人灵感/日记：Custom（5-15 实体）
- 批量历史笔记：Minimal（3-5 实体）

### 必须提取的实体类型（不可遗漏）
- 人物实体：文章中提到的任何真实人名
- 工具/产品实体：任何被讨论的软件、平台、方法论
- 核心概念：任何需要定义才能理解的术语
- 核心声明：任何可以被引用、被质疑、被验证的观点

### 提取质量标准
- 每个新建页面必须有明确的定义（不能只有名字没有内容）
- 每个实体来源必须可追溯（记录具体文件路径）
- 每个新页面必须有至少 2 个出链（不能是孤岛）
- 矛盾必须显式标记，绝不静默覆盖（这是质量底线）

### 播客素材特殊处理
转录稿执行「先降噪，再提取」流程：
1. 识别信息密集段落（通常占全文 20-30%）
2. 只对信息密集段落执行实体提取
3. 来源标注包含时间戳

保存，下次 Ingest 自动生效。

尾声：从「存了很多」到「知道很多」

回到这篇文章开头那个让我不舒服的画面——

打开 Obsidian Graph View，看到几十个孤立的圆点，几乎没有连线。

那一刻，你真实看到的是你的知识焦虑的根源：

不是没有读够多，是读了之后没有发生连接。 不是素材不够好，是素材进来之后消失了，没有被编译。 不是工具不够强，是你没有让工具做它真正擅长的事。

LLM 的真正超能力，不是总结，是连接。

Karpathy 的洞察是：大多数第二大脑系统失败，不是因为缺乏内容，而是因为缺乏 LLM 可以导航的结构。

总结，是在维持混乱。提取，是在建立秩序。

今天，你只需要做一件事：

打开你的 CLAUDE.md，找到 Ingest 工作流，把「帮我总结」改成「请提取实体」。

就这一个改变。

然后，重新跑一次 Ingest，打开 Graph View，看看图谱里有没有多出来几条线。

当你看到那几条线的时候——

那就是你的知识，第一次真正活起来的样子。