你想让 AI 记住一个什么样的「你」？我花了比安装 Graphify 更长的时间，在想这个问题

文 / 一只阿木木

这篇文章，本来不在计划里。

我原本的想法很简单：Graphify 这个工具出现了，值得写，写三篇，发出去，完事。

但当我真正坐下来，打开文档，准备开始写第一个字的时候，我突然停住了。

我问了自己一个问题：

「我为什么要写这三篇文章？」

不是「它值不值得写」，而是「我为什么是写这件事的那个人」。

这个问题，让我坐在那里发了很久的呆。

然后，我决定在三篇正式文章之前，先写这一篇。

不讲工具，不讲技术，不讲架构。

只讲一些更私人的事——关于这个系列是怎么来的，关于我在这个过程里走了哪些弯路，以及，关于我到底从这一切里学到了什么。

如果你是第一次看到我的内容，这篇文章是一个起点。

如果你已经看完了那三篇，这篇文章是一个回望。

一、一切的起点：一个让我羞愧的瞬间

让我从一件有点丢脸的事说起。

大概是在这个系列开始之前的某一天，我正在用 Claude 整理一份内容策划。对话进行得很顺，突然我需要补充一个背景，于是我打开了另一个文件夹，找文档，复制，粘贴，切换回来——

然后 Claude 说：「好的，根据您提供的新信息……」

我看着这句话，忽然觉得有什么地方不对劲。

我往上翻了翻我们的对话记录。

从这段对话开始到现在，我一共粘贴了四次背景材料。四次。

每一次，都是因为我想到了「AI 还不知道这件事」，然后去找材料，复制，粘贴，等它读完，继续。

整个对话里，我大概有三分之一的时间，在做这件事。

我不是在跟 AI 协作。我是在伺候 AI。

这个念头冒出来的那一刻，我有一种被什么东西击中的感觉。

不是愤怒，不是沮丧，而是一种奇特的清醒——

我已经在这种工作方式里待了太久了，久到我以为这是正常的。

久到我从来没有停下来问过：这应该是正常的吗？

二、思想来源：三个人，一条线

每一次真正的思考，背后都有来源。

我想诚实地说出这个系列的思想来源，因为我认为，知道一个想法从哪里来，和知道这个想法本身，同样重要。

来源一：Karpathy 的那个文件夹

Andrej Karpathy 分享了他的 /raw 文件夹工作流这件事，是这个系列最直接的触发点。

但真正让我停下来思考的，不是他分享了什么工具，而是他说的那句话——

「我认为这里有空间诞生一款令人难以置信的新产品，而不只是一堆脚本。」

Karpathy 是谁，关注 AI 的人都知道。他不是一个会轻易说「这里有机会」的人。

当他说这句话的时候，我意识到：这不是一个个人的抱怨，这是整个行业的集体痛点，只是第一次被一个足够有分量的人说出来了。

然后我开始回想自己的所有 AI 使用经历，发现那个痛点一直都在，我只是从来没有认真面对它。

Karpathy 给了我一面镜子。

来源二：一篇关于「认知负荷」的老文章

大概三年前，我读过一篇文章，讲的是「认知负荷」对工作效率的影响。

文章里有一个细节我一直没忘——

人类的工作记忆，一次只能处理大约7个信息单元。每当你需要在「手头的任务」和「记住背景」之间来回切换，你的工作记忆就在承受额外的负荷，而这种负荷的代价，不是你感觉「累一点」，而是你的深度思考能力被系统性地削弱。

我们在 AI 工作流里每次「喂背景」的动作，本质上是在给自己增加认知负荷。

我们以为这只是浪费几秒钟，但它实际上打断的，是你正在进行的深度思考状态。

这篇三年前的老文章，在我重新审视自己的 AI 工作流时，突然和眼前的问题产生了共鸣。

它给了我一个认知框架：AI 失忆的代价，不只是 Token，是人的专注力。

来源三：一段跟朋友的深夜对话

这个系列正式开始之前，我和一个做技术的朋友有过一段深夜对话。

他问了我一个问题，我当时没有答上来：

「你觉得，五年后，人和 AI 的关系，最根本的变化是什么？」

我说了很多——更聪明的模型、更多的场景、更低的使用门槛……

他听完，说：「你讲的都是 AI 在变。但人在变什么？」

我沉默了很长时间。

后来我想清楚了一件事：人在这场变化里真正需要做的，不是学会更多工具，而是学会「如何与一个有记忆的 AI 建立关系」。

这和我们过去使用任何工具的方式都不一样。锤子不需要记住你，搜索引擎不需要认识你，但一个真正有记忆的 AI 协作者——它需要了解你。

而让它了解你，是你的责任，不是它的。

这段对话，给了这个系列最深的那一层底色。

三、项目复盘：我真正跑通的那个案例

在写这个系列之前，我在自己的一个真实项目上跑了完整的 Graphify 流程。

我想在这里做一个完整的复盘——不是技术教程，而是一个真实的人，在一个真实的项目里，遇到了什么，解决了什么，以及，发现了什么没有预料到的事。

项目背景

这是一个我做了将近一年的内容创作辅助系统。

它的核心功能是：自动抓取我订阅的信息源，按主题聚类，生成每日摘要，并和我的历史内容库做关联分析，帮助我找到选题灵感。

规模不算大——大概30多个 Python 文件，十几篇架构设计文档，七八篇我收藏的关于内容策略的英文论文，以及一些系统架构图和流程图截图。

但我一直有一个困扰：

这个系统里有很多「当时的决策」——为什么用这个聚类算法而不是另一个，为什么信息源的权重是这样设计的，为什么摘要生成的 prompt 经历了四次大改……

这些决策的理由，分散在文档里、注释里、甚至我的聊天记录截图里。

每次我想改动系统的某个部分，我都要花大量时间「回忆上下文」——要么翻文档，要么硬回想，要么重新跟 AI 解释一遍来龙去脉。

这个痛点，是我决定在这个项目上试跑 Graphify 的原因。

安装过程：顺利，但有一个小插曲

安装本身很顺：

Bash

pip install graphifyy   # 注意两个 y
graphify install        # 在 Claude Code 里安装技能

这里有一个小插曲值得记录：pip install graphify（一个 y）和 pip install graphifyy（两个 y）是两个完全不同的包。第一次我装错了，花了几分钟才发现问题在哪里。

教训：PyPI 包名临时是两个 y，但 CLI 命令是一个 y。这个不一致会让第一次使用的人困惑，先记住它，别在这里卡住。

首次索引：一张图，一个惊喜

在项目目录下运行 /graphify . 之后，等了大概五分钟，graphify-out/ 目录出现了。

我先打开了 graph.html。

这是一张可以在浏览器里直接交互的知识图谱。我可以点击每一个节点，看它连接了什么；可以搜索关键词，高亮相关节点；可以按社区筛选，聚焦到某个功能模块。

第一眼看到这张图的感受，我只能用「陌生的熟悉感」来形容——

这是我自己的项目，我建了一年，但我从来没有从这个角度看过它。

那些节点，是我写的函数、我做的决策、我收藏的论文里的概念。那些边，是它们之间的关系——有些是我知道的，有些是我「应该知道但早就忘了」的，有些是我完全没有意识到的。

然后我打开了 GRAPH_REPORT.md。

这是一份自动生成的图谱分析报告。里面有三个部分：

God 节点（连接最多的核心节点）、惊喜连接（Graphify 认为你可能没有注意到的跨模块关系）、以及建议你问 AI 的问题列表。

「惊喜连接」那一栏，有一条让我愣了很久：

它发现，我的信息源权重计算模块，和我六个月前写的一篇关于「注意力机制」的论文阅读笔记，存在一个语义上的强关联。

我当时完全没有意识到这件事。

但回想起来，确实——我在设计权重算法的时候，潜意识里参考了那篇论文里的某个思路，只是我从来没有显式地建立这个连接。

Graphify 找到了一个连我自己都忘了的认知链条。

这个瞬间，让我感到某种奇特的感动——不是因为 AI 有多厉害，而是因为：

原来我自己的思维里，有很多连接，是我自己不知道的。

真正的考验：一个我一直没能问清楚的问题

有了图谱之后，我决定测试一个我一直没能用 RAG 回答清楚的问题——

「我的信息源抓取模块和内容聚类模块之间，存在哪些隐性耦合？如果我把聚类算法从 K-Means 换成 HDBSCAN，最可能的连锁影响是什么？」

这个问题很难，因为答案不存在于任何单一的文件里——它存在于模块之间的调用关系、设计文档里的历史决策、以及一篇讲聚类算法取舍的论文笔记里。

以前问这个问题，Claude 要么给我一个过于通用的答案（「主要影响聚类粒度和边界处理……」），要么明确告诉我「需要更多上下文」。

这次的答案，让我把椅子往后推了一下。

它不只告诉了我直接依赖，还追溯到了：

• 一个我六个月前写的注释，说明了为什么当时选择 K-Means 而不是其他算法
• 一个下游模块，它的输入假设依赖于 K-Means 的确定性聚类中心，换成 HDBSCAN 之后这个假设会失效
• 我收藏的那篇论文里的一个具体段落，正好讨论了这两种算法在信息流场景下的取舍

三个层次的答案：直接影响、隐性依赖、理论依据。

它用了大约 1,700 个 Token。

如果我用老办法——把所有相关文件塞进上下文——大概需要 12 万 Token 以上。

但更重要的是：用老办法，我永远不会想到去关联那篇六个月前的论文笔记。我根本不记得它了。

复盘：三个没有预料到的收获

跑完这个完整流程，我有三个没有预料到的收获：

收获一：图谱是一面照出你「认知盲区」的镜子。

在建图谱之前，我以为我非常了解自己的项目。但图谱里那些「惊喜连接」，让我看到了自己思维里那些从来没有被显式化的关联。

一张好的知识图谱，不只是你已知知识的整理，它是你未知知识的发现器。

收获二：「持久化」这件事，比我想象的更重要。

有了图谱之后，我第一次感受到一种在 AI 工具里从未有过的感觉——连续性。

每次打开新对话，我不再是从零开始。我在延续一段已经有历史的协作关系。这种感觉，和使用工具完全不同，更像是在和一个真正的同事对话。

收获三：.graphifyignore 让我重新思考了「什么值得被记住」。

当我需要决定哪些文件不应该被索引的时候，我意识到这是一个从来没有认真思考过的问题。

什么是信号？什么是噪音？什么应该成为 AI 关于我的认知的一部分，什么应该被排除在外？

这个问题，本质上是：你想让 AI 记住一个什么样的「你」？

我花了比安装 Graphify 更长的时间，在想这个问题。

四、个人成长：我从这件事里真正学到的

写完这三篇文章，我想说一些更私人的话。

不是关于 Graphify，而是关于我自己。

关于「写作」这件事

做 AI 内容创作快三年了，我写过很多工具评测、技术解析、行业判断。

但这个系列，是我第一次在写作之前，认真问了自己一个问题：「我的独特视角在哪里？」

不是「我比别人更快」，不是「我比别人更全面」，而是——只有经历了我所经历的这些，才能说出来的那些话，是什么？

第一篇用「失忆税」这个概念切入，是因为我真的有过那种「猛然意识到自己每天在浪费一小时」的羞愧瞬间。

第二篇用「三代 AI 记忆论」建立框架，是因为我真的走过了那三代——暴力全塞、搭 RAG、再回到暴力全塞——每一步都是亲身经历，不是观察别人得出的结论。

第三篇把五个功能包装成「五种工作心智」，是因为我认为工具比心智更容易过时，而我想留给读者的，是那个不容易过时的部分。

写作的价值，不在于你传递了多少信息，而在于你把自己的真实经历和判断，转化成了读者可以带走的认知。

这是我在这个系列里，写得最认真的一次。

关于「判断力」这件事

这个系列最想传递给你的，从来不是「Graphify 是什么，怎么用」。

那些东西，官方文档写得比我好，教程视频做得比我直观。

我真正想传递的，是一种在工具更迭面前保持独立判断的能力。

每一个新工具出现，都会有一波「这是革命性的！」的声音，然后会有另一波「这只是泡沫！」的声音。

在这两种声音之间，真正有价值的判断，是：它解决了什么真实的问题？在什么条件下解决得好？在什么条件下不适用？它在更大的演化脉络里，代表的是什么方向？

这四个问题，是我在评估每一个 AI 工具时都会问自己的问题。

这个系列，是我把这四个问题应用在 Graphify 上，得出的公开思考。

工具会过时，判断力不会。

关于「人和 AI 的关系」这件事

这可能是我在整个系列里最想说、但说得最少的话——

我越来越觉得，AI 时代最重要的能力，不是「会用 AI」，而是「知道自己在用 AI 做什么」。

很多人用 AI 用得越来越熟练，但对「我为什么要用它做这件事」这个问题，越来越少追问。

AI 帮你写了文章，帮你做了决策，帮你整理了思路——但那些文章里的判断，那些决策背后的逻辑，那些思路里的洞察，是你的吗？

还是说，它只是用它的记忆，填满了你越来越空洞的认知？

这个问题，我没有答案，我只是越来越频繁地问它。

而我认为，任何认真在 AI 时代生活和工作的人，都应该时不时地问一问它。

五、写在系列开始之前

好了，该说的私人话，我都说完了。

接下来的三篇文章，是这样的：

【第一篇】「外部记忆的诞生：人类终于开始为 AI 建造海马体」 讲 Karpathy 的一条推文，48 小时内社区造出神器，以及这件事在人类工具演化史上意味着什么。适合所有人看，不需要技术背景。

【第二篇】「RAG 还没死，但它正在被超越」 拆解 Graphify 的双 Pass 技术架构，以及为什么图结构在某些问题上有 RAG 没有的结构性优势。适合对 AI 技术有一定了解的读者。

【第三篇】「我用 Graphify 重构了自己的 AI 工作流之后」 五种工作心智，三个真实的坑，以及「认知自动化」这件事对我们未来工作方式的深远影响。适合已经在使用 AI 工具、想把它用得更深的人。

三篇文章，是一个完整的认知路径：

text

发现问题（你每天在浪费什么）
        ↓
理解本质（为什么是图谱而不是 RAG）
        ↓
重建工作流（怎么真正用好它）

你可以从任何一篇开始读，但如果你是第一次接触这些概念，我建议从第一篇开始——因为那篇的起点，不是技术，而是一个你一定经历过的真实困境。

最后，我想说一句题外话——

我叫一只阿木木。

我不是工程师，没有计算机学位，不会写特别复杂的代码。

我只是一个在 AI 时代，试图保持清醒和独立判断的内容创作者。

我相信，最好的 AI 内容，不是最快传递信息的内容，而是帮助读者建立自己的判断框架的内容。

这个系列，是我在这个方向上的一次真诚尝试。

希望你读完之后，带走的不只是「Graphify 是什么」，而是一种面对下一个工具时，知道该怎么想的能力。

我们，系列文章见。

—— 一只阿木木

写于 2026 年春天一个相信「工具会过时，判断力不会」的内容创作者

📌 你和 AI 之间，有什么让你困扰了很久、但一直没有好好想过的问题？

松花酿酒，春水煎茶。

眉上风止，见字如晤。

一只阿木木