90天，23个结晶判断，3次关键失败：拆解我的AI知识库进化档案

90天，23个结晶判断，3次关键失败：拆解我的AI知识库进化档案

先说结论：
这90天里，我没有变得更高效。
我没有写出更多内容。
我甚至没有减少对AI的依赖。

但我第一次系统性地知道了三件事：

1. 我真正相信什么
2. 我为什么相信它
3. 在什么情况下，我的判断不成立

这三件事，比“多产出十篇文章”更重要。

一、为什么我要做这次90天复盘

如果你前面已经看完这个系列，你会发现我一直在反复强调一件事：

AI最大的风险，不是替你写，
而是替你判断。

这个判断不是抽象担忧，而是我在日常工作里反复遇到的真实问题：

• 我能快速生成一篇看起来不错的文章，但别人追问一句“所以你真正怎么看”，我回答得不够稳。
• 我能列出很多观点，但它们之间经常彼此冲突，只是我以前没发现。
• 我能借助AI说得更完整，但未必说得更像“我”。

所以这90天，我没有把“深思引擎”当成内容生产系统来测试，而是把它当成一个更苛刻的东西来测试：

它到底能不能帮我形成更稳定、更可追溯、更经得起反驳的判断。

不是“想法”，是“判断”。

不是“灵感”，是“立场”。

不是“我好像觉得”，而是“我现在愿意这样说，并接受被追问”。

二、90天后，系统里真实留下了什么

先不给任何感受，先给数据。

90天原始数据

在这90天里，系统里新增了：

• 127 条捕获内容（进入 /inbox/
  ）
• 41 条进入生长期（进入 /thoughts/
  ）
• 31 条进入成熟期
• 23 条最终结晶为判断档案（进入 /judgments/
  ）

如果只看转化率，大概是这样：

• 捕获 → 生长：32.3%
• 生长 → 成熟：75.6%
• 成熟 → 结晶：74.2%
• 捕获 → 结晶：18.1%

也就是说：

100个想法里，最后只有18个左右，值得成为真正的判断。

很多人看到这个数字，第一反应可能是：转化率太低了。

但我的看法恰恰相反：

82%的想法没有结晶，恰恰证明这套系统是正常工作的。
它不是在帮我保存一切，而是在帮我淘汰大多数不够扎实的东西。

以前我会误以为“一个想法只要看起来不错，就应该保留下来”。
现在我知道：大多数想法不配变成判断。

这句话很重要。

三、这90天里，最有价值的不是“多”，而是“可追溯”

以前我的笔记系统最大的问题，不是没有内容，而是没有分层。

所有东西都堆在一起：

• 随手一句感叹
• 一篇文章的核心观点
• 一个长期相信的原则
• 一个当下情绪化的判断

它们都以“笔记”的形式存在，所以看起来都很重要。

但90天后，我开始非常明确地区分三件事：

1. 原始想法不等于判断

一个想法可以很锋利，但仍然是未验证的。

比如我一开始写下：

“AI会让人的判断力退化。”

这是一句看起来很对的话。
但它只是一句高概括度的直觉表述。

经过追问后，我才把它变成更接近判断的话：

“判断力退化，不是因为用了AI，而是因为把‘判断环节’外包给了AI。”

再往后，进入判断档案时，它被写成：

“AI不会自动削弱判断力，持续外包判断的人才会。”

这三句话不是同一个东西。

第一句是情绪化判断。
第二句是机制化判断。
第三句才是可以被保存、被引用、被辩论的判断。

2. 判断必须有反驳记录

这是我以前最缺的部分。

我过去写很多观点，但很少记录：

• 这个观点最强的反驳是什么？
• 我有没有认真处理过那个反驳？
• 如果反驳成立，我愿不愿意改？

90天后，凡是进入 /judgments/ 的内容，至少都要回答三个问题：

1. 它最有力的证据是什么？
2. 它最强的反驳是什么？
3. 它在哪些情况下不成立？

这三个问题，让“观点”第一次有了结构。

3. 判断必须有边界

这是我这90天学到的最重要的能力之一。

以前我很容易说：

• “深度比效率重要”
• “AI让人思考变浅”
• “真正的价值在判断力”

这些句子听起来都很像正确的话。
问题是，它们太容易被说成“总是如此”。

而任何一个总是正确的句子，通常都不是高质量判断。

高质量判断一定带边界。

比如现在我会这样写：

判断：在高不确定性任务中，判断力比执行速度更重要。
边界：在标准化、重复性、反馈周期极短的任务里，速度往往更重要。

这一下，判断才从“漂亮的话”变成“可用的话”。

四、三个最能代表这90天的判断档案

我不打算列出23个判断档案，那会变成资料堆砌。
我只挑3个最能代表这90天变化的。

1、判断档案 #07

速度是执行的价值，判断是思考的价值——混淆两者，是AI时代最常见的认知错误

这条判断是怎么来的

它最初来自一个很简单的观察：

我发现很多人在讨论AI时，总会把两个问题混在一起：

• AI能不能让我更快？
• AI能不能让我更对？

“更快”和“更对”不是一个问题。
但现实中，它们经常被混为一谈。

于是我一开始写了一句很粗糙的话：

“大家都把效率误当成价值。”

这句话太空。

后来经过几轮追问，我才慢慢逼近真正想表达的东西：

• 执行环节里，速度本身就是价值
• 但在判断环节里，速度未必是价值
• 很多人拿“执行速度”的标准，去评价“思考质量”
• 这就是AI讨论里最普遍的错位

最终它结晶成现在的版本：

速度是执行的价值，判断是思考的价值——混淆两者，是AI时代最常见的认知错误。

支撑它的证据

我在判断档案里留下的证据主要有三类：

证据1：真实工作观察
很多人用AI写、搜、总结之后，完成速度极高，但一进入开放讨论，就暴露出判断并未同步升级。

证据2：内容生产中的错位
一篇内容生产得快，不代表立场更清晰。
相反，很多“高效率产出”的内容，本质只是更快地组织共识。

证据3：决策场景中的验证
在高不确定任务里，能否区分变量、识别噪声、处理矛盾，比“1小时内给答案”更重要。

最强反驳

最强反驳其实非常有力：

“判断和速度并不冲突。更快形成判断，本身也是高级能力。”

这句反驳一开始差点推翻我。

后来我对它的回应是：

对，速度和判断不冲突。
但问题不在于“判断得快”，而在于用执行速度代替判断质量。

也就是说，我修正后的边界是：

• 不是反对速度
• 而是反对把速度当成判断正确性的替代指标

它真正改变了我什么

以前我评估一件事时，很容易问：

“有没有更高效的方法？”

现在我会先问：

“这件事到底属于执行问题，还是判断问题？”

如果是执行问题，我很愿意追求自动化和速度。
如果是判断问题，我反而会故意放慢。

这个区分，直接改变了我对AI工具的使用方式。

2、判断档案 #14

一个你说不清楚的想法，不是深刻，是未完成

这是这90天里转化最快的一条判断。

从萌芽到结晶，只用了12天。

为什么这条判断来得这么快

因为它几乎是我每天都会撞上的问题。

很多时候，我写下一个句子，会本能觉得：

“这个很深。”

但只要开始追问：

• 你到底在说什么？
• 具体是什么意思？
• 有例子吗？
• 边界是什么？
• 最强反驳是什么？

这个“很深”的句子，常常在第二轮就塌了。

比如我曾写过一句：

“AI时代，人的价值在于不可替代的独特性。”

看起来很对吧。

但一旦追问：

• 什么叫独特性？
• 独特性如何转化为现实价值？
• 哪种独特性是市场真正付费的？
• 独特但没用，算价值吗？

你会发现，这句话根本不是一个完成的判断。
它只是一个未展开的姿态。

于是这条元判断形成了：

一个你说不清楚的想法，不是深刻，是未完成。

它为什么对我影响这么大

因为它直接改变了我的写作起点。

以前我经常从一种“感觉对”的状态开始写。
现在我越来越多从一句能说清楚、能经得起追问的话开始写。

这带来一个很直接的变化：

我开始允许很多“看起来不错”的想法，死在写作之前。

以前我会觉得可惜。
现在我觉得这是节省时间。

因为写清楚一个未完成的想法，比放弃它更浪费时间。

最强反驳

这条判断也有一个很强的反驳：

“有些真正深刻的东西，本来就很难说清楚。”

这是对的。

所以我后来给它加了边界条件：

• 对于日常判断、观点表达、内容写作，这条判断成立
• 对于某些尚在探索中的复杂经验、审美体验、模糊直觉，它不完全成立

也就是说：

不是一切说不清楚的东西都浅，
但你准备拿出来主张的东西，如果还说不清楚，它就还不该被主张。

这条边界，让这条判断变得更稳了。

3、 判断档案 #21

工具选择题的答案，不在工具，在你对时间的态度

这是23条判断里，成长最慢的一条。
从萌芽到结晶，花了61天。

中间还两次从成熟退回生长。

它最早是怎么出现的

最初我在反复比较各种知识管理和AI工具时，总觉得问题是：

• 应该选Obsidian还是Notion？
• 应该用Claude还是ChatGPT？
• 应该要不要数据库、MCP、自动化流程？

后来我逐渐意识到：
很多“工具争论”其实是假问题。

因为真正决定你怎么用工具的，往往不是工具本身，而是你对时间的态度。

举例说：

如果你相信：

“最重要的是把当下效率最大化。”

那你会偏好：

• 自动化
• 模板化
• 快速生成
• 少摩擦
• 少停顿

但如果你相信：

“有些价值，只能在慢思考里形成。”

那你会偏好：

• 留痕
• 追问
• 手动链接
• 结构化判断
• 保留摩擦

于是我慢慢把它结晶成：

工具选择题的答案，不在工具，在你对时间的态度。

为什么它走得最慢

因为这条判断太容易被说成“价值观鸡汤”。

我要避免它变成一句漂亮但无用的话。

所以我逼自己处理了两个反驳。

最强反驳1

“很多时候真的是工具能力决定体验，不是时间态度决定。”

这个反驳成立。

回应是：

对，工具能力当然重要。
但在多数高频选择里，真正让人坚持或放弃某个工具的，不是功能表，而是它是否匹配你的时间观。

比如：

• 你能不能忍受慢
• 你要不要长期沉淀
• 你愿不愿意为了更清晰牺牲一点即时效率

最强反驳2

“时间态度本身也会被现实约束，比如工作压力、平台节奏、收入需求。”

这个反驳也成立。

所以这条判断最终的边界条件是：

• 当你有一定自主空间时，这条判断很强
• 当你处于强外部约束环境（比如高频交付、短周期业绩）时，工具能力会更直接地影响结果

也正因为加上了这个边界，它才终于能结晶。

五、这90天里，我犯过的3个关键错误

如果只讲成果，这篇文章就不值钱了。

真正有价值的，是那些让我差点把系统带偏的失败。

实践踩坑经验1：一开始的CLAUDE.md写得太复杂

最早版本的CLAUDE.md非常长。

我试图把一切都规定清楚：

• 用户是谁
• AI该怎么说话
• 每个阶段怎么处理
• 哪些词可以用
• 哪些词不能用
• 哪些情况下该追问，哪些情况下该停

结果是：Claude反而抓不住重点。

它有时候执行“语气规范”，但忘了“永远不要先给答案”。

有时候记住了“每次只问一个问题”，却忘了“不要总结”。

我后来才意识到：

CLAUDE.md不是说明书，
它更像宪法。

它应该写原则，不该写细节流程。

流程属于Skill。
原则才属于CLAUDE.md。

后来我把CLAUDE.md大幅压缩，保留最核心的几条：

• 你是思维磨刀石，不是代言人
• 永远不要主动给答案
• 每次只问一个问题
• 不要总结，不要鼓励
• 判断必须经过证据、反驳、边界三个环节

一压缩，系统反而稳定了。

实践踩坑经验2：我太着急把想法结晶成判断

这是第二个大错。

刚开始的前30天，我特别想看到 /judgments/ 文件夹变多。
于是只要一个想法稍微清晰一点，我就想执行 /crystallize。

结果是什么？

系统里出现了一批看起来像判断、其实只是偏好的东西。

例如：

• “我更相信长期主义”
• “深度工作比效率更重要”
• “真正有价值的是原创性”

这些话不能说错，但它们还没有完成真正的检验。

后来我做了一件很关键的事：

给 /crystallize 加了严格前置检查。

只要还在“萌芽”，不能结晶。
如果还说不清最强反驳，也不能结晶。
如果一句话说不明白，继续回去 /think。

这会让系统“产出变慢”，但判断质量明显变高。

这也是我后来真正认同的一件事：

一个系统如果总在鼓励你“快点结晶”，
它大概率在鼓励你更快地把偏见固化。

实践踩坑经验3：冲突检测一度让我更焦虑，而不是更清晰

/clash 是一个很强的Skill，但它也有副作用。

有一周，我让系统一次性扫描出了7个认知冲突。

包括：

• 我一边强调“深度重要”，一边又在别处说“速度是竞争力”
• 我一边说“AI别替你判断”，一边又在几个场景下高度依赖AI推荐
• 我一边批评内容流水线，一边又在设计内容系统

这些冲突当然真实。
问题在于：一次性暴露太多冲突，不会让人更清晰，只会让人怀疑自己是不是根本没有立场。

后来我改了规则：

• 每次 /clash 最多展示2-3个最高优先级冲突
• 处理完一个，再看下一个
• 不追求“冲突清零”，只追求“高优先级冲突被解释”

这次修改让我学到一件事：

一个好的认知系统，不是把问题一次性全亮出来。
而是按人真正能处理的速度，把问题一层层暴露出来。

六、这套系统真正改变了什么，没改变的是什么

这是最需要回答的部分。

没改变的

1. 我的输出速度没有明显提升

甚至在某些阶段，写作变慢了。

因为我不再允许自己直接从一个“感觉对”的句子出发写整篇文章。
我会先问：

• 这是想法，还是判断？
• 它有反驳记录吗？
• 它能撑住被追问吗？

这会拖慢开始速度。

但它减少了后期推翻重写的次数。

2. 我没有减少对AI的使用

恰恰相反，我用AI更频繁了。

只是使用方式变了。

以前是：

• 帮我写
• 帮我扩
• 帮我总结
• 帮我生成

现在更多是：

• 追问我
• 挑战我
• 找冲突
• 帮我检查边界

不是用得更少，而是用得更“逆着本能”。

3. 我没有彻底摆脱工具焦虑

老实说，也没有。

我依然会关注：

• 新的Agent能力
• 新的技能系统
• 新的Obsidian工作流
• 新的本地模型方案

但和以前不同的是：

我不再幻想“下一个工具会替我解决判断问题”。

这个幻想淡了很多。

真正改变的

1. 我开始能说出“这是我的判断”

以前很多时候，我说的是：

• “我感觉……”
• “可能是……”
• “好像是……”
• “大概吧……”

现在我更能说：

• “我目前的判断是……”
• “这个判断成立的前提是……”
• “我接受的最强反驳是……”
• “如果出现X，我会改这个判断”

这不是语气变化，这是认知结构变化。

2. 我开始区分“听起来对”和“我真正相信”

这可能是90天里最根本的收获。

很多公共叙事都“听起来对”：

• 长期主义
• 复利
• 第一性原理
• 用户价值
• 做自己
• AI时代要有判断力

这些词都很容易被认同。
但认同不等于相信。

相信意味着：

• 你愿意拿它做决策依据
• 你愿意接受它被反驳
• 你愿意承受它带来的代价

90天后，我更少说“我同意”，更多问“我真的相信吗”。

3. 我的写作起点变了

过去写文章，我常常从主题出发：

• AI时代怎么做知识管理？
• 为什么判断力更重要？
• 工具应该怎么选？

现在我更多从判断出发：

• 我这次真正想主张的是什么？
• 这个主张成立的证据是什么？
• 我最怕别人怎么反驳我？
• 我准备怎么回应？

于是写作不再是“组织材料”，而更像“展开判断”。

这会让文章更慢，但也更像自己。

七、 before / after

为了不让这篇文章停留在抽象层面，我给一个 before / after。

Before

别人问我：

“你怎么看AI会不会让人失去思考能力？”

我通常会这样回答：

“我觉得会有这个风险吧。因为现在很多人太依赖AI了。
但也不一定，要看怎么用。
总之，关键还是人自己要保持思考。”

你会发现这段话的问题：

• 没有真正判断
• 没有机制解释
• 没有边界
• 没有可追问性
• 本质是“听起来都对”

After

现在我更可能这样回答：

“我目前的判断是：
AI不会自动削弱思考能力，但会放大一个人的默认使用方式。
如果你把AI当成资料和视角来源，它可能增强思考；
如果你把它当成结论生成器，长期会削弱你的判断环节。
所以问题不在AI本身，而在你是否持续外包判断。”

这段回答不是因为我更会表达了。

而是因为它背后真的有一个判断档案。

里面有：

• 核心论断
• 支撑证据
• 最强反驳
• 边界条件

这就是区别。

八、这90天之后，我对“第二大脑”有了一个不太讨喜的结论

如果要我用一句话概括这90天最大的认知变化，那就是：

大多数知识管理系统，解决的是存储问题；
但真正决定你认知质量的，是判断问题。

更进一步说：

一个不能帮你形成判断的第二大脑，最后很容易变成第二个仓库。

仓库当然有价值。
但仓库不等于认知系统。

你可以有一万条笔记，仍然说不清自己真正相信什么。
你也可以只有二十条判断档案，却拥有一个远比一万条笔记更可依赖的认知核心。

这就是我现在对“沉淀”这个词的理解变化：

以前我以为沉淀是“越积越多”。
现在我更相信，沉淀是“越留下来的，越能代表你”。

不是总量，而是密度。

不是收藏，而是结晶。

九、如果你现在要开始，第一步不是搭系统

很多人读到这里，可能会问：

“所以我要不要也立刻搭一个Obsidian + Claude + Skills系统？”

我的回答反而是：

可以，但那不是第一步。

第一步不是搭系统。
第一步是先接受一件事：

你现在脑子里大量“看起来不错”的想法，
其实并没有成熟到值得被你长期相信。

这件事有点刺耳。
但一旦接受了，你就会真正需要这套系统。

因为系统的意义，不是替你证明“我很会想”。
而是持续提醒你：

• 很多想法还不够好
• 很多判断还不够稳
• 很多立场还需要被反驳
• 很多你以为自己相信的东西，其实只是熟悉

只要你愿意接受这个前提，工具才开始有意义。

十、最后：我现在的Judgments文件夹里，有什么

如果今天你打开我的 /judgments/ 文件夹，你不会看到“宏大知识体系”。

你会看到一些很朴素、但我愿意负责的话，比如：

• 速度是执行的价值，判断是思考的价值
• 一个你说不清楚的想法，不是深刻，是未完成
• 工具选择题的答案，不在工具，在你对时间的态度
• AI不会自动削弱判断力，持续外包判断的人才会
• 不是所有摩擦都该消除，有些摩擦就是思考本身
• 没有边界条件的判断，不是判断，是口号

这些判断并不壮观。
但它们比“我收藏了多少资料”更重要。

因为当别人问我“你怎么看”，我终于不必先去搜。
我可以先回到这些我已经认真想过、被反驳过、仍然愿意保留的东西。

这就是这90天最大的收获。

不是更多信息。
不是更强效率。
不是更聪明的AI。

而是：

我终于开始拥有一套能代表我自己的判断。

写在最后

如果你准备开始，不需要一次做很多。

今天只做一件事就够了：

打开Claude。
说出你最近最常挂在嘴边的一句话。
然后让它追问你：

“你真正的意思是什么？”
“最强的反驳是什么？”
“它在什么情况下不成立？”

如果你能认真答完这三个问题，
你已经比绝大多数“在用AI思考”的人，更接近真正的判断力了。