我从零搭了一个 Markdown 知识库，结果它快变成我的第二大脑了

image.png

最近有两条线在同时跑着。

一条是 AI Agent。高强度用 Codex 玩了很多东西——搭工作流、调项目、管笔记，越玩越觉得，当 AI 能直接读写本地文件的时候，很多事情的性质就变了。

另一条是 Markdown。去年 Obsidian 还是个小众软件，到了今年这会儿，感觉快变成 AI 时代人手必备的 app 了。越来越多人开始用 Markdown 写笔记——不是因为它多酷，而是它恰好是 AI 最擅长处理的格式：纯文本、结构化、不锁数据。

这两条线本来各跑各的，直到它们撞在一起：本地 Markdown + 本地 AI Agent，简直是绝配。

前两篇算是铺垫。第一篇聊了 Markdown 是什么——跟 AI 协作的时候用 Markdown 写提示词，脑子更清醒，输出更干净，复制粘贴到飞书排版直接白送。第二篇聊了为什么 Markdown 在 AI 时代复兴了：大模型的训练数据里全是 .md 文件，它对 AI 来说不是需要「解析」的格式，而是母语；本地 .md 文件让 AI 能直接碰到你的数据——不走 API、不配认证、零摩擦。

说实话，云端的笔记工具，飞书文档因为工作协同没办法还在用，其他的我几乎全卸载了。本地 Markdown + 本地 AI Agent 实在是太好用了。

image.png

今天直接分享一下过去一个月我搭的一套知识系统。本来只是想给自己的笔记本升升级，结果在 Codex 的帮助下，亲眼看着它从一个「笔记整理工具」慢慢变成了一个 nb 的东西。

有朋友看完前两篇真去建文件夹了。一个哥们微信问我：「笔记记好了，这么放着，和云端比有啥不一样嘎？」

要是你没让 AI 进来，那确实没区别——只是换了个存储介质。该找不到的还是找不到，该忘的还是会忘。

但如果你让 AI 进来了，并深刻参与到你的工作+生活+记忆，你会发现一切变得有意思起来了。 image.png

不论短期对你有没有用，但是那种让一个 AI 成长得越来越像你，是不是很好玩的？

在开始之前，你需要准备两样东西：

从 Karpathy 的三个文件夹开始

Andrej Karpathy——OpenAI 前研究总监、特斯拉自动驾驶前负责人——今年 4 月开源了一套叫“LLM Wiki”的个人知识管理方案。核心思路一句话就能讲清楚：人负责投喂原始素材，AI 负责把素材“编译”成结构化的知识库。

非常非常推荐直接去品一品原文：

https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

直接发给你的 AI，然后深度去聊一聊结合自己的场景如何使用。

他怎么做的？三个文件夹加一个规则文件。

image.png

raw/** 是入口。** 往里扔什么都行——文章、论文、代码仓库、数据、图片。他用 Obsidian 的 Web Clipper 插件把网页直接裁成 .md 存进来。这个文件夹的规则是零：不判断、不分类、不整理，只管扔。

wiki/** 是核心。** 这个目录里的内容人基本不碰，全是 AI 写的——做摘要、分类、提取概念、写成文章、建立互相之间的链接。你往 raw/ 里扔食材，AI 在 wiki/ 里给你做成菜。你不需要自己整理，AI 帮你维护一个有组织、有关联的知识体系。

outputs/** 是对话归档。** 存你跟 AI 的问答记录。有意思的是，这些问答经常会被“归档”回 wiki/，变成新的知识节点——你的每一次提问都在反哺知识库。

还有一个 CLAUDE.md，在 Codex 中也可以叫 Agents.md，相当于给 AI 的上岗培训手册：这个知识库长什么样、文件怎么组织、你有什么偏好，都写里面。

他的知识库已经积累到大约 100 篇文章、40 万字。他说本来以为需要上 RAG（检索增强生成），但发现 AI 自己维护索引和摘要就够了。

最让我印象深刻的是他说的“linting”——定期让 AI 对整个知识库做“健康检查”：找不一致的数据、补充缺失的信息、发现有意思的关联、建议新的研究方向。AI 不只是帮你存东西，它在帮你维护和进化这个知识体系。

但 Karpathy 的方案偏“研究型”——他在深挖某个技术领域，素材是论文和代码仓库。我想，大部分人的日常不需要那么硬核。

同样的，这个只是一个框架，完全可以结合自己的情况，让 AI 帮我去定制化一个符合自己需求的框架，比如说 wiki 一层不够，我可能要分为 project 和 topic，可能还有子项目等等。

我简化了一下。大家可以复制我的结构，直接留言我会发给你。或者参考我的想法和结构，让 agent 帮你定制化。

我的版本：一个 Inbox 搞定一切 draft

核心就一个理念：先扔，后整理，整理的活交给 AI。

第一步：零摩擦记下来

我在 Obsidian 里建了一个 inbox/ 目录。什么都往里扔——学了个新概念，打开 Obsidian，噼里啪啦写几行扔进去。不想标题，不想分类，不想格式。哪怕只有一句话，哪怕错别字满天飞。

如果你配置好了 OpenClaw、Hermes 等 agent，或者一些小龙虾类的办公 agent，直接让他帮你连上本地的 obsidian 文件夹的 inbox，只要保证你说的话，用一个触发词（比如说“记录一下”），就可以将对话内容保存到 inbox 目录中，进阶一点你也可以建1个 skill，升级为发任何文章链接也能记录。

读了篇好文章，摘几段关键内容扔进去。跟同事聊完一个方案有了新想法，掏出手机记两句。甚至是 TODO、购物清单、突然冒出来的一个念头——都往里扔。

为什么要这样？因为绝大多数人的知识管理死在入口。让一个人打开笔记软件、新建文件、想标题、选文件夹、打标签——五步下来，那个灵感早就跑了。或者你觉得这个想法“还不够成熟，等想清楚了再记”，然后就再也没记。

Inbox 的意义就是把入口的摩擦降到零。不判断，不分类，不整理，只管记下来。

当你发现你可以发语音给微信的 bot，飞书的机器人，都可以记录的时候，打开电脑的 obsidian 来记录已经是最落后的记录方式了。或许当你熟悉了这个记录的流程后，说不定每天记录日记就很好玩了。

第二步：让 AI 替你整理

inbox 里攒了一批乱七八糟的笔记之后，我让 AI 来做格式化处理。具体做四件事：

**第一，格式化，但不删信息。**AI 会把你的碎片文字整理成可读的 Markdown——加标题、理段落、修语法——但不会丢掉你写的任何内容。很多人怕 AI 整理会把自己的东西“改没了”，不会的。你可以明确告诉它：只做格式化，不删除、不改写任何实质内容。

第二，加 metadata. 在每个文件顶部加上创建时间、来源、主题分类这些元信息。手动加会烦死，AI 加起来毫无负担。

第三，半自动打 tag。 为什么是“半自动”？AI 读完内容会建议 3-5 个标签，但最终你扫一眼确认。因为标签体系要跟你自己的思维方式匹配——AI 可能会打一个“认知科学”的标签，但你自己习惯叫它“思维模型”。这个校准过程很快，做几次之后 AI 就会学会你的偏好。

第四，建双向链接。 AI 读完你的新笔记，会扫一遍你已有的笔记库，把相关内容用 [[]] 链接起来。你自己做这件事需要记住“我之前写过什么”，AI 只需要全文检索——它比你记性好。

给你看个真实的 before/after。

扔进 inbox 的原始内容是这样的：

第一，完全没背景就想一个人靠 AI 搞定前后端、数仓加亿级数据分析，这不现实。你连 HTTPS、脚手架、API 是啥都不知道，AI 接不到准话就会开始胡糊弄，到头来 Token 白烧，系统全是漏洞根本没法上线。如果必须单干，听我一句劝，先用 Vibe Coding 搞点单机或简单逻辑的小东西碰碰运气，想做复杂系统老老实实去拉个有五年经验的硬核工程师。

第二，选用合适的工具。同时必须分清模型和工具的边界，Claude Code 或者 Cursor 只是干活的 Agent 工具，它们能力上限取决于大模型。总有人抱怨工具生成的页面太丑、不好用，其实是自己审美和指导能力不行，AI 生成的 UI 效果好不好，核心全看你自己的 Vibe 设计和审美上限在哪里，别总自己不行还怪工具不给力。

第三，记录的重要性，记住“记录即创作”，把实操踩坑的过程写下来，很多没想明白的逻辑在写的过程中自然就通了。记住所有的和ai的对话记录，只要你认真看了，都值得记录，这都算是你学习到的东西。

第四，多停下来沉淀下，ai做好了一个app，回过头问问ai是怎么用的，有什么best practice学习到了，以及下次做类似的，或者把这个做成其他类型的（ios app、或者小程序等等）要做什么

第五，有空学习一下部署的知识，当vibe coding出来后，如何真是落地分发，在公网上让更多的人体验到，可以慢慢接触一下服务器的知识了，具体怎么学问ai就行。

AI 处理完变成了：

---
title: 最近用 AI 写代码的一些碎碎念
date: 2026-05-20
tags: [AI编程, 踩坑, vibe-coding]
---

最近用 AI 写代码攒了几条经验，随手记一下。

## 别一个人硬刚复杂系统

没背景就想靠 AI 搞定前后端 + 数仓 + 亿级数据分析，不现实。HTTPS、脚手架、API 是啥都不知道的话，AI 接不到准话就开始胡糊弄，最后 Token 白烧，系统全是洞。

非要单干的话，先用 Vibe Coding 搞点单机小东西碰碰运气。想做复杂系统，老老实实拉个五年经验的硬核工程师。

## 工具的上限是你自己

Claude Code、Cursor 只是干活的 Agent，能力天花板是背后的大模型。有人老抱怨工具生成的页面丑——其实是你自己审美和指导能力不行。AI 出什么 UI，核心看你 Vibe 设计和审美的上限在哪。别自己不行怪工具。

## 记录即创作，踩坑写下来

实操踩坑的过程写下来，很多没想明白的逻辑写着写着就通了。所有跟 AI 的对话记录，只要认真看了，都值得记——这都算是你学到的东西。

## 做完了回头问一句

AI 搞完一个 App，别直接关了。回头问它：这东西怎么用的？有什么 Best Practice？下次做类似的，或者移植成 iOS App、小程序，要改什么？

## 部署这事，迟早得学

Vibe Coding 把开发门槛打下来了，但东西怎么让别人用上？公网落地分发这块，慢慢接触服务器知识吧。怎么学？问 AI。

## 相关笔记

- 和 AI 协作的一些原则（之前记过几条，跟这个有点关系）

当然，它不是完美的——有些我习惯的说法被它改了，标签也不一定每次都准。但以前我自己整理这么一条，取标题、想分类、回忆有没有相关笔记，少说十分钟。现在看一眼，改改标签，一分钟搞定。剩下的九分钟，我拿来记下一条。

这个让 AI 整理的过程，你慢慢的需要知道你想要什么样子的，需要什么结构的，当你确认了后，完全可以把它变成一个 agent skill，然后每一次直接调用 skill 就可以整理了。

第三步：定期 Review

inbox 攒了十几二十条的时候，我会让 AI 做一次 Review，做三件事：

生成“知识周报”。 扫一遍最近新增的笔记，生成一份摘要。这东西本身就有价值——你能看清自己过去一两周在关注什么、思考什么。有时候看到周报我才发现，原来我这段时间一直在想同一个问题，只是在不同的场景下以不同的面目出现。

找潜在关联。 这是 AI 最擅长的事。你三周前记的一条读书心得，和昨天写的一条工作复盘，可能藏着某种你自己都没注意到的联系。你不会翻到，因为它们躺在两个不同的文件里。但 AI 会翻。

有一次 AI 告诉我：我三个月前记过一条笔记研究 OpenClaw 的自动记忆刷新机制——对话快被压缩的时候，AI 自己判断“这段对话里有什么值得记住的”然后写进文件。而两周前我在日记里随手写了句“忙了一周回头看，真正重要的事就三件，剩下全是噪音”。AI 说这是同一件事——不管对 AI 还是对人，记忆的核心不是存了多少，而是知道什么该留。

我自己根本没意识到我写了这两条，更不可能把它们联系起来。

**还有一些时候，**有些东西你当时只记了一句话，但 AI 发现你在不同时间、不同场景下反复提到类似的想法——它会说：“这个主题你已经攒了不少素材，要不要我帮你整理成一篇完整的文章？”

到这一步，这套系统已经不只是“帮我存笔记”了。它在帮我看清自己在想什么。

然后事情开始变了

这是我写这篇文章真正想说的部分。

Inbox 工作流跑了几周以后，我发现一件事：我往里扔的东西变了。

一开始是“知识”——学了一个新概念、读了一篇好文章、看到一个有意思的数据。但慢慢我开始往里扔别的东西。

image.png

我扔进去一条决策记录——为什么在 A 方案和 B 方案之间选了 B，当时考虑了哪些因素。不是因为我觉得这是“知识”，而是因为我隐约觉得半年后我可能会忘了自己为什么做了这个决定。

我扔进去一条人际关系笔记——和一个朋友聊完天，记了几句他最近关心什么、聊到了什么。不是刻意为之，就是顺手。

我扔进去一条情绪日志——那天特别焦虑，随手写了几行“为什么焦虑、触发了什么、怎么缓解的”。

我甚至扔进去一条未成熟的想法——一个产品 idea，完全不知道能不能做，只有一个模糊的方向，连标题都想不出来，就写了三行字扔进 inbox。

我一开始以为我搭的是一个“知识库”。但现在回头一看，我在往里扔的东西，已经远远超出了“知识”的范围。 image.png

知识库和记忆系统，本质上是两件不同的事。

知识库存的是“客观事实”——文章摘要、学习笔记、技术文档。这些东西可以被更好的内容替代。你今天读了一篇更好的文章，完全可以覆盖去年那篇。

但记忆系统存的是“主观世界”——你的想法、感受、关系、决策、情绪。这些东西不可替代，因为它们是独一无二的。2026 年 4 月你为什么选了 B 方案？这不会被任何文章替代。你的焦虑触发点是什么？这不会被任何数据覆盖。

知识库是图书馆，记忆系统是日记本 + 大脑 + 人生档案。

我当时的文件夹已经从最开始的 inbox/ + notes/，慢慢长成了这样：

my-brain/
├── inbox/           # 零摩擦入口
├── knowledge/       # 知识：学习笔记、文章摘要、技术文档
├── memory/          # 记忆：经历、重要对话、人生节点
├── opinion/         # 观点：对话题的立场，随时间演化的轨迹
├── ideas/           # 想法：灵感、点子、未成熟的思考
├── relationships/   # 人际关系：重要的人、关键对话
├── decisions/       # 决策记录：为什么选A不选B
├── journal/         # 日志：情绪、反思、心理状态
└── BRAIN.md         # 规则文件

每个文件夹里，就是一堆 .md 文件。没有什么神奇的技术，就是纯文本。

AI 自己也是这么管理记忆的

如果只是我一个人这么搞，你可能会觉得这是个人偏执。但我后来发现，两个最前沿的 AI Agent 框架——OpenClaw 和 Hermes——用的也是 Markdown 文件管理记忆。

OpenClaw 的原则直白到粗暴：“文件就是真相来源，模型只记住写入磁盘的内容。”记忆就是一个 MEMORY.md 加几个按主题分的 .md 文件，对话快被压缩时 AI 自己判断什么值得留、什么该扔。Hermes 更进一步，MEMORY.md 存事实，USER.md 存用户画像——每次对话 AI 都能“看到”你是谁。

这就是“记忆”和“笔记”的本质区别。笔记记录事实，记忆理解含义。

它们为什么都用 Markdown？四个条件同时满足：人能读、AI 能处理、可版本控制、可搜索。它是人机共享记忆的最佳载体。

如果 AI Agent 可以用这套系统管理自己的记忆，你为什么不能用同样的方式管理你的？

但有一件事我得诚实地说

这套系统很好用，但它不便宜。

4 月份我疯狂用 Codex 管理这个知识库。一开始 1-3 个 Plus 账号，我觉得挺够的。但随着记忆文件越来越多——几百个 .md 文件，几千条记忆——每次交互的 token 消耗开始暴涨。算了一下账，确实肉疼。

你让 AI 做一次 Review，它要扫几十个文件，每个文件都是 token。你让它找关联，它要交叉比对不同文件夹里的内容。你让它做健康检查，那更是一场 token 盛宴。

这跟写代码不一样。写代码是“一次性”的——你让 AI 帮你写个功能，写完了就完了。但记忆管理是持续性的——你每天都在用，每天都在往里加东西，每天早上 AI 都在“回忆”昨天的你。

现在我在摸索几个降低成本的方法：

分层记忆。 不是所有记忆都同等重要。热记忆（最近两周的）每次都在上下文里，温记忆（最近三个月的）偶尔调用，冷记忆（半年以上的）归档后只在需要时才检索。类似 OpenClaw 的向量索引——先查索引，命中再读原文。

主动遗忘。 不是所有东西都值得永久保留。定期 Review 的时候，有些记忆其实已经不重要了。让 AI 帮你判断：这条记忆在过去三个月被引用过吗？没有的话可以考虑归档甚至删除。

等技术进步。 Context window 在变大，token 成本在下降。这个问题会随时间缓解。今天的“不便宜”，明天可能就是“可以接受”。国产的 Coding Plan 效果也不错，我个人推荐 Kimi 家的；DeepSeek-V4 的高缓存命中模式（DS4-Pro）也肯定能满足你的需求。

我说这些不是要吓退你。恰恰相反——诚实地说清楚成本，你才能真正评估这件事值不值得。对我来说，它是值得的。你花钱买健身房会员、买书、买课程，这些都是对自己的投资。让 AI 帮你管理记忆，本质上是一回事。

感兴趣的话，留言告诉我你的目录结构长什么样，或者聊聊你是怎么让 AI 帮你管笔记的。交流交流。

都看到这里了，不如打开电脑去试试

如果你看到这里手有点痒了，今天就做三件事：

装 Obsidian. 免费，全平台支持，纯本地存储。如果你已经在用其他 Markdown 编辑器，也完全可以。核心是本地 .md 文件，不是特定软件。

建文件夹 + 规则文件。 至少建一个 inbox/ 和一个 knowledge/。自己写一份规则文件存到根目录，改名叫 CLAUDE.md 或 .cursorrules。

装一个 Codex 或 Claude Code，然后再编辑器中开整，IDE 随你用 vs code 或者 cursor，又或者 trae 都可以。

然后就开始往 inbox 里扔东西。学了什么、想到什么、看到什么、做了什么决定、跟谁聊了什么——不管三七二十一先记下来。

攒个十来条，对 AI 说一句“帮我整理一下 inbox”。

第一次看到 AI 把你的碎碎念变成结构化记忆的时候，你就明白了。

最近写了好几个 blog，其实在说同一件事。

前两篇说 Markdown 是 AI 的母语、本地 .md 是 AI 时代的最优解。这篇说的是：把这些东西搭起来之后，它会变成什么——从一个帮你整理笔记的工具，慢慢变成一个越来越懂你的系统。

以前知识管理的核心是“整理”——你得花大量时间分类、打标签、建结构。现在核心变成了“投喂”和“对话”——你只管把东西扔进去，AI 帮你整理、帮你关联、帮你发现。

但还有一个问题我没聊：这些记忆存好了，怎么呈现？怎么分享给别人？怎么让它不只是“你一个人的系统”？

下一篇聊聊 Markdown 和 HTML 的关系——Markdown 是记忆，HTML 是皮肤。你的第二大脑，需要两层架构。

这个系列还没完。