我用 Get 笔记做了一个会产出选题的知识库

先说结论：大多数人的知识库，从头到尾只做了一件事：把东西放进去。

微信收藏夹里存了两百篇文章，浏览器书签分了三层目录，Get笔记里塞了一堆链接和截图。每次看到好东西的第一反应都是”先存起来，以后再看”。然后就没有然后了。

等到真要写文章、做课题、搭工作流的时候，你还是打开了搜索框。

问题不在存得不够多。问题是中间缺了一道工序：把存进去的东西，变成能长出来的东西。

这道工序，是我最近才真正搭起来的。

28条材料，拆出一篇文章

我先给你看一个真实的过程。

前段时间我在 Get 笔记里建了一个知识库，叫「个人知识库构建」。里面塞了 16 条笔记：有卡帕西的个人知识管理方法、有 Obsidian 加本地 AI Agent 的实践、有我自己对 Get 笔记架构的反复调整记录，还有几篇关于标签体系和知识库设计的讨论。

随后我跑了三次分析。第一次分析把卡帕西方法和 Obsidian 实践放在一起比，第二次分析把 AI 时代知识管理的几种主流观点拉了一遍，第三次分析最狠：把 16 条笔记和另外 12 条语义搜索补充材料合在一起，28 条素材全部铺开。

跑完之后，AI 给我的不是”这些材料讲了什么”的摘要。

它给了我一组问题：

• 你反复收的，是三种不同的知识库路线：卡帕西式 Wiki、Obsidian + Agent、Get 笔记
• 这三种路线不是谁更好，是适合不同阶段
• 你目前卡在”材料进不来”，不是”结构不够好”
• 最适合你现在写的，不是卡帕西方法介绍，是”为什么我没照搬”

这几个问题一出来，这篇稿子的选题就有了。

不是我先想好标题再去收集材料。是材料自己把选题推到了我面前。

这就是中间那道加工工序起效的样子。

我现在就三层

这套工序我拆成了三层。不是什么理论框架，就是我实际在用的东西。

第一层：冰箱。 Get 笔记负责这一步。链接、截图、录音、网页、灵感，看到就放进去。不要求当天想好分类，不要求写成卡片。先收住。

这一步解决的是”材料进不来”。大多数人建知识库失败，不是后期整理的问题，是前期门槛太高。要求每条材料进来就分类、打标签、写摘要，一周你就懒得做了。

第二层：厨房。 本地分析负责这一步。什么时候该进厨房？不是每天。是你觉得”这批材料好像都在讲同一件事”的时候。把相关材料拿出来，让 AI 帮你整理、对比、提问。28 条素材拆出选题，就是在厨房里完成的。

第三层：菜谱集。 成品知识库负责这一步。只有已经加工过、被验证过、能复用的判断才放进来。比如”三种方案适合不同阶段””科研场景最怕不可追溯””工具方法文要给可复制启动句”。这些东西下次写稿、做课题、搭工作流的时候，可以直接用。

顺序不能反。

先保证原料不断。再保证加工有效。最后才沉淀成品。

很多人一上来就想搭一个”完美的知识管理系统”，三个月后发现自己在维护系统，不是在产出东西。不是系统不好，是你跳过了冰箱和厨房，直接进了菜谱集。

卡帕西的方法我看过，但我没照搬

这轮材料里绕不开卡帕西。

他的 raw → wiki → outputs 思路，本质上和我这三层是一回事。先把原始材料收住，再加工成结构化 Wiki，最后从 Wiki 里长出输出。

但我决定不照搬。

原因很现实。卡帕西这套方法假设你愿意维护本地文件系统：建目录、管版本、定期清理、手动更新结构。如果是一个边界清楚的长期项目：比如你手上有一百篇核心文献，要整理理论脉络、方法路线、变量关系：这套方法非常好用。

但我现在的阶段不是这样。

我的材料来源太杂了。公众号选题、科研方法、AI 工具、政策材料、文旅项目、教学案例，任何一条都可能在某一天变成可写内容。这个阶段最重要的不是建一个完美的 Wiki，是保证材料先进来。

卡帕西的方法适合”已经知道要研究什么”的人。我现在更多时候是”还不知道哪些材料以后有用”。

所以我要了他的思路，没用他的工具。

一张表说清楚三种路线

Get 笔记、Obsidian + 本地 Agent、卡帕西式 Wiki，不是三个竞品。是三个阶段。

你现在的情况	适合什么	能解决什么	注意什么
输入很杂、主题还在流动、还没固定方向	Get 笔记	收住材料，降低”以后再找”的成本	结构控制弱，不适合正式文献管理
已经围绕一个主题持续写作或研究	Obsidian + 本地 AI Agent	人和 AI 都能读，结构可控，适合长期打磨	需要维护 Markdown 和 Git 的习惯
有明确课题、材料边界清楚、愿意长期维护	卡帕西式 Wiki	把核心材料编成可复用结构，持续产出	启动门槛高，维护成本高

科研场景多提醒一句：Get 笔记适合早期素材池，不适合当正式文献库。 科研最怕不准：原文有没有读到、概念有没有混、引用能不能追。这些事 Get 笔记不替你保证。到了正式写作阶段，材料必须回到 Zotero、Obsidian 或本地文献库里，确保每一步都能追溯。

四个问题，比标签分多细都重要

最后说回来。一个会产出东西的知识库长什么样？

它不需要三千条收藏。它不需要十层分类。它需要能回答四个问题：

1. 最近我反复在收什么？ 收的密度本身就是信号。如果你连续两周都在存同一个方向的材料，这个方向就值得拉出来加工。

2. 这些材料背后有没有同一个真实问题？ 材料分散的时候看不出来，拉在一起就有了。比如你收了卡帕西、收了 Obsidian 实践、收了 Get 笔记架构讨论，背后的问题是同一个：到底该用哪套方法管自己的知识？

3. 哪些材料已经能变成文章、课题或报告？ 不是所有材料都能写。但总有一批已经够了。AI 能帮你判断的是：这批材料的密度够不够、结论之间有没有冲突、哪个角度信息量最大。

4. 产出之后，新的判断有没有回到知识库里？ 写完一篇文章，你对这个问题的理解一定比写之前更深。把这个新判断放回去。下次它就不是原材料了，是菜谱。

这四个问题，就是我现在用 Get 笔记的核心逻辑。

它不追求”完整”。它追求”能产出”。

AI 在这个流程里能做什么，不能做什么

跑了大半年，我对边界越来越清楚。

AI 能做三件事：

• 批量整理材料，按主题聚类，帮你看到”我最近一直在收什么”
• 从材料中提取冲突和空白，标出”哪些方向已经有足够密度可以写”
• 把候选选题拆成文章框架、目标读者、可交付成果

AI 做不了两件事：

• 它判断不了哪个选题你的读者真的需要。 AI 能告诉你”这批材料里有三个可写方向”，但哪个方向对你当前账号的读者最有价值，它不知道。这靠的是你对读者的理解。
• 它判断不了你有没有写透。 AI 能帮你拆框架，但不能替你做最后的判断：这个论点你讲清楚了吗？读者看完能动手吗？有没有哪个关键问题被绕过去了？

所以我的流程不是”AI 整理完，我直接发”。

是 AI 整理材料，我做选题判断。AI 拆框架，我定角度。AI 出草稿，我审哪些地方讲得不够透。

不要让一个聊天窗口同时负责整理材料、判断选题和写稿。

这三件事必须分开。分开了，每一步都可查、可改、可推翻。不分，你拿到的就是一段看起来很顺、但经不起追问的东西。

先试一件事

如果你现在有一堆收藏，不用先搭系统。

把最近存的三五十条材料丢给 AI，问一句：

请帮我把下面这些材料按主题聚类，指出我最近反复在关注哪几个方向，每个方向里哪些材料已经足够写成一篇公众号文章、一个课题或一个报告。列出具体材料编号。

如果列不出来，说明材料还不够。继续收。收到它列出来为止。

这不是一个完美系统。但它已经开始产出了。

对我来说，这就是个人知识库最重要的变化：从”我存过什么”，变成”我能从里面长出什么”。