收藏不是知识系统。网页、截图和聊天记录越积越多，如果无法追溯来源、形成观点并支持下一次输出，它们只是一座更难搜索的仓库。
这篇文章适合长期研究某个主题、持续写作或管理项目资料的人。你可以使用 Obsidian、文件夹、ChatGPT Projects 或其他支持文件上下文的工具，关键不在品牌，而在结构。
第二大脑的价值不是记住更多
一个有用的第二大脑应当缩短“从问题到可交付结果”的距离。它至少回答四件事：资料从哪里来、你怎样理解、结论有什么限制、下一次任务如何调用。
先定义用途，再决定目录。为写作服务的知识库与为客户项目服务的知识库不会拥有同样结构。没有明确用途时，分类会越来越细，真正需要输出时却找不到可信内容。
查看图示源码
flowchart LR
subgraph S1["01 资料"]
direction TB
A["捕获来源"] --> B["建立资料卡"]
end
subgraph S2["02 项目"]
direction TB
C["关联项目"] --> D["形成输出"]
end
subgraph S3["03 反馈"]
direction TB
E["真实使用"] --> F["复盘与更新"]
end
B --> C
D --> E
F --> B资料卡是知识库的最小可信单位
不要直接让 AI 把所有材料压缩成摘要。为每份重要来源建立资料卡，保留原文信息和个人判断的边界。
“原文主张”和“我的解释”必须分开。否则几个月后，你很难判断一句话来自作者、模型，还是自己的推断。
项目上下文比无限长对话更可靠
长期对话会逐渐混入过期判断和无关内容。更好的方式是为每个真实目标建立 Project：目标、当前材料、已确认结论、开放问题和输出规范都放在清晰文件中。
AI 每次开始工作时读取当前项目上下文，而不是依赖一条无限增长的聊天历史。重要决定写回文件，临时讨论留在对话中。这样更容易审查、迁移和版本管理。
一个项目目录可以保持非常简单：brief.md 说明目标，sources/ 保存资料卡，decisions.md 记录判断，outputs/ 保存交付物。
Agent 应该维护结构而不是重写历史
Agent 适合执行重复维护，例如检查缺失字段、发现失效链接、生成待整理列表和关联可能相关的资料。它不应在没有记录的情况下重写你的历史观点。
任何自动修改都要保留来源、时间和变更说明。对于观点合并、结论更新和删除资料，默认先生成建议清单，再由人确认。
输出闭环决定系统是否真的有用
用一个真实任务测试知识库：例如根据十张资料卡写一份行业简报。要求 AI 先列证据，再提出结构，最后成稿；每个关键判断都链接回资料卡。
如果成稿无法追溯，问题不是“AI 不够聪明”，而是知识库没有保存足够清晰的原始主张和限制。输出失败正是修复结构的最好反馈。
定期治理让知识保持可用
每月做一次轻量体检：处理未归档资料、检查高价值链接、标记过期结论、合并真正重复的卡片，并删除已经没有用途的临时内容。
不要追求一次性整理完毕。健康的知识库允许少量“收件箱”，但必须让高价值内容持续进入资料卡、项目和输出的闭环。
下一步可以用深度研究工作流补充可信资料，或把维护过程设计成Agent-ready 工具。