越堆越大，越来越没用
到第三层了。信息被采集降噪，记录被写下、精修成半成品——现在要回答的是：怎么把这些半成品，变成真正的知识？
先说知识的定义。知识是和你相关的、结构化的、能反复调用的东西：某种思维模型、某几项技能、某套方法论，还有你的判断、定位、价值观。它的关键词是可复用，它解决的是你自己的问题。
但绝大多数人的"知识库"，根本不是知识库。它是一个收藏夹。
社群里有人把这个误解讲得很透：过去对知识库最大的错，就是把它当收藏夹——只要觉得有价值就收藏、下载、保存、放进去，结果知识越来越多，能真正调用的却越来越少。他后来想明白，真正的问题不在知识太少，而在未经加工的信息太多；更深一层的病根是——知识的生产和知识的沉淀，被混在了一起。生产区、实验区、沉淀区没有边界，整个系统就越来越乱。
所以这一层的核心，是一次定位的改造：把知识库从"什么都往里塞的仓库"，改造成"只放能力的沉淀区"。
知识库只有两个职责
改造从收窄职责开始。一个健康的知识库，只干两件事：
第一，沉淀已经验证过的成果。 知识库不是生产现场。真正的思考、和不同 AI 的讨论、推演规则、寻找漏洞、反复测试——这些都应该发生在知识库之外。只有经过验证、能够稳定复用的内容，才够格进来，沉淀成正式的知识资产。
第二，保存已经真正用过的知识。 不是所有学到的东西都值得留。只有你真正实践过、理解过、能复用的，才值得进入。这样，知识库就从资料仓库变成了你的能力沉淀区。
这两条职责背后，是一个必须建立的分区意识：
- 生产区 / 实验区：乱是允许的。灵感、草稿、和 AI 的漫长对话、各种没定型的尝试，都堆在这里。它对应的其实是上一层——记录。
- 沉淀区（知识库）：干净是强制的。只有从生产区里被验证、被提炼出来的东西才能进。
很多人的知识系统之所以越用越堵，就是因为把这两个区打通了——把生产现场的一切原封不动倒进了沉淀区。知识库的洁癖，不是强迫症，是它能不能干活的前提。
干净不等于确定无疑，而是每张卡都公开自己的状态：
| 状态 | 含义 | 进入该状态需要什么证据 |
|---|---|---|
draft | 我自己尚未完成的主张或综合 | 负责人，以及一个值得解决的问题 |
imported | 从外部学到、但还没由我检验的主张 | 可追溯来源、日期、适用范围和许可 |
tested | 在明确场景中使用过，并记录了结果 | 测试或真实使用、结果、反证和复核者 |
retired | 因过期、被替代、被推翻或超出范围而不再活跃 | 复查原因、日期、墓碑，以及适用时的 superseded_by |
状态不是勋章。一条 imported 的法律条文，可能比我 tested 的写作技巧可靠得多。状态只告诉下一位使用者：这里有什么证据，这套系统对它做过什么。
下面是一张完整的脱敏卡：
---
id: review-before-promotion
state: tested
claim: "一张卡在进入活跃索引前，应当至少被一个真实任务使用。"
scope: "我的私有内容方法仓库"
source:
- "retro/2026-07-knowledge-lint.md"
evidence:
tested_in: "三次文章规划"
outcome: "两次有效检索，一次漏掉边缘情况"
counterevidence:
- "低频合规资料可能要在首次使用前入库"
owner: xinwei
reviewed_at: 2026-07-17
review_due: 2026-10-17
supersedes: null
superseded_by: null
---
不要把这条规则用于法律留存、应急手册或低频高影响知识。
它们进入受保护的参考资料类别。
一张卡进入活跃沉淀区之前，必须满足：
- 主张能够独立表达，不躲在主题标签后面；
- 来源和亲身证据可以追溯；
- 适用范围与排除项明确；
- 至少有一次真实使用或测试，受保护参考资料除外；
- 反证与已知失败模式得到保留；
- 负责人接受复查日期和使用后果。
用 PARA 和知识卡片搭骨架
定位对了，再谈结构。PARA 和知识卡片是两种有用的选择，不是普遍有效的最佳骨架。
PARA 由 Tiago Forte 在 PARA 官方说明 中定义为 Projects、Areas、Resources、Archives 四类。它以行动而不是学科为中心，因此适合从当前责任出发检索的场景。
知识卡片是可选的原子单元。一张卡只讲一个可复用主张，并携带适用场景。数量本身不会自动产生复利；更多卡片也可能带来冲突、过期链接和检索污染。一张小卡能回答真实问题、证据足够，就已经有价值；链接只有在改善检索或揭示值得验证的关系时才有意义。
PARA 也不是唯一地图。仓库可以按项目、重复问题、实体、时间线或图谱组织：
| 检索从哪里开始 | 适合的主结构 |
|---|---|
| 当前交付物 | 项目 / 领域 |
| 重复决策 | 问题 / playbook |
| 人、系统、产品 | 实体 |
| 事故与变化事实 | 时间线 / 事件日志 |
| 跨领域关系 | 图谱与有类型的链接 |
我选择符合检索路径的主结构，再把其他视图做成索引，而不是复制知识本身。
AI 时代最关键的一跳：目录就是给 AI 的地图
前面这些，很多经典的笔记方法论里都有。真正让"知识层"在 AI 时代变得不一样的，是下面这一跳——你的知识库，不再只是给你自己看的，它同时是给 AI 用的。
地图这个隐喻需要一处技术校正：锁在抽屉里的地图，谁也指引不了。文件只有在产品或工作流显式读取、导入、检索或发现之后，才会影响模型。目录名可以成为工具的路由元数据，但它本身不是指令。
Claude Code 关于项目记忆的官方文档
描述了一种具体机制：项目级 CLAUDE.md 可以提供指令，import 可以引用其他文件，嵌套指令会根据 Claude 所在的工作位置加载。其他工具有自己的发现和检索规则。任何机制都不保证任意笔记一定被加载、正确排序或跨会话记住。
这才是上下文工程在个人知识管理上的真实落地。我在《Context 不是 Prompt》 里写过：每次推理时，什么进入上下文窗口、以什么顺序、服务哪个任务、什么被留在外面。结构可以改善路由，让预期路径更容易检查；它不会凭自己告诉模型“我是谁”，也不保证输出更像我。
地图仍然有用，只是它需要道路和运输规则：
任务
→ 读取项目指令
→ 查询活跃卡片索引
→ 按状态、范围和复查日期过滤
→ 检索来源定位与反证
→ 组装有边界的上下文
→ 产出带卡片 ID 的候选结果
→ 记录漏检与人工纠正
最后一行很重要。我的检索失败日志目前记录：
- 相关卡片因为措辞与查询不匹配而没有召回；
- 旧卡压过了更新后的替代卡；
- 冲突卡片同时加载，却没有带上关系；
- 模型把卡片应用到声明范围之外；
- 回答引用了卡片 ID，却丢掉了反证。
这些失败不证明知识库没有用，只说明从存储到上下文的道路需要修。
所以我仍然把知识库叫作我和 Agent 之间的共享世界线，只是“共享”不等于自动理解。我提供主张、证据、范围和纠正；工作流提供检索与日志；模型提供候选综合。只有三者相遇且可以检查的地方，世界线才真正存在。
给知识装上淘汰机制
最后一块，也是最多人漏掉的一块：知识库需要会遗忘。
一个只进不复查的知识库，会慢慢退化回收藏夹。但“没调用就删除”把检索频率误当成了价值。灾难恢复手册、法律义务或低频安全教训，可能一直没用，却非常重要；一张频繁被召回的卡，也可能只是因为索引偏爱它。
所以，长期未使用只会生成复查候选，不会生成删除命令。我的第一次试验用了六十天未调用窗口，因为当时仓库很小、变化很快。这个数字是本地参数，不是建议阈值。
复查综合考虑：
- 最近核验日期与来源时效；
- 成功和失败的实际使用，而不是只有调用次数；
- 是否已有新卡替代主张；
- 冲突与人工纠正历史；
- 法律、合同、历史或应急留存要求；
- 低频高影响价值；
- 留在活跃区与保存在可检索归档中的成本。
退役必须可逆。活跃卡离开，但墓碑留下：
id: old-platform-hook-rule
state: retired
retired_at: 2026-07-17
reason: "平台格式改变，后续两次测试推翻了旧规则"
superseded_by: hook-specific-tension-v2
previous_sources:
- retro/2026-04-hook-test.md
restore_when: "旧格式重新出现，或需要历史对比"
这样，历史不会被擦掉，闭环也完整了：输入 → 消化 → 草稿 → 导入或测试 → 检索 → 观察结果 → 复查 → 保留、替代、保护或退役。
这个设计和前面的工序是一脉相承的：信息层靠降噪保持清爽，知识层靠复查保持锋利。好的知识系统有新陈代谢：证据充分的卡片升级，互相矛盾的卡片建立关系，受保护资料继续可用，退役主张留下痕迹。
第二个模型可以帮忙找遗漏，却不等于独立证据。同一家族的模型可能共享训练数据、默认倾向和盲点，几个自信答案也可能重复同一个错误。事实入库仍然需要原始来源、可重复测试或愿意负责的领域专家。慢下来不是为了拖延，而是让下一步可审计，别让速度替错误藏身。
我用下面这些指标观察新陈代谢：
| 指标 | 要回答的问题 |
|---|---|
| 主张支持度 | 抽样活跃主张是否得到证据支持？ |
| 过期卡比例 | 多少活跃卡已经超过复查日期？ |
| 冲突率 | 多少活跃卡互相冲突却没有关系记录？ |
| 检索命中率 | 任务需要的卡片是否被召回？ |
| 误召回率 | 是否加载了无关或超出范围的卡片？ |
| 复用后成功率 | 使用卡片后，任务是否达到验收标准？ |
| 人工纠正率 | 复核者多频繁地修复检索上下文或结论？ |
没有任何单一指标是目标。激进归档能提高新鲜度，也可能摧毁召回；更多链接能改善发现，也可能抬高误召回。健康存在于这组权衡里。
一张卡的完整生命
一次失败的发布复盘里，草稿最初写着：“两个月没用的卡全部删除。”它以 draft 入库，没有来源，只有一个仓库拥堵的观察。第一次复查后，我把更窄的主张升级为 tested：在我的快速变化的内容方法仓库里，长期未用应当触发复查。
测试随后暴露了反证：一份从未被调用的危机检查表仍然非常有价值。我补上受保护参考资料例外和风险字段。后来的工作流又用“成功使用证据”替代原始调用次数。旧卡进入 retired，指向新卡，并保留失败历史。
能力不是最初那条规则。能力是系统终于知道，那条规则走到哪里就不再成立。
小结：从"我知道"到"我能调用"
把这一层收一下。知识层让记录经过状态—证据—范围—检索—结果—复查，把其中一部分变成可复用的能力沉淀。使用当然重要，但调用次数不是判决。更强的检验是：正确的卡能否被找到、在范围内应用、对照证据核验，并在不擦除历史的前提下纠正。
在 AI 时代，结构化知识只有被工作流真正检索时，才会成为模型上下文。清楚的结构让这条路径更容易检查，却不保证召回或理解。知识库不再只是第二大脑，而是一座带闸门、道路和维修日志的共同现场。
但知识再厚，它解决的仍然是你自己的问题。要让它产生对外的价值——被别人收到、读懂、连接——还要经过最后一道工序：把知识面向受众重组成创作。
那是这个系列的终点。下一篇，我们聊创作，以及 AI 在这一层到底该站在哪。
本文是「从信息到创作」专栏第四篇。上一篇：第二层·记录 。下一篇进入第四层——创作。
读者回响