你以为你在用AI，其实你在用记忆
一只阿木木约 10 分钟Module 1｜认知基础
你以为你在用AI，其实你在用记忆
这一讲不教操作。先把你对"AI工具"和"知识管理"的旧认知，拆干净。
写在前面
我问过很多人一个问题：
你上个月读的那本书，现在还记得几成？
大部分人沉默三秒，然后说——"大概……两三成？"
有些人更诚实："书名还记得，内容基本忘了。"
我不评判这件事。这不是你的问题，是系统的问题。
我们从小被教育的知识管理方式，本质上是为了考试设计的——记住，考完，忘记，循环。
但当你真正想把一本书里的东西，变成解决问题的能力，这套方法就彻底失效了。
更麻烦的是——
现在我们有了 AI。
你以为AI会帮你解决这个问题。
实际上，如果你不改变使用方式，AI 只会让"读了就忘"这件事发生得更快、更多、更没有罪恶感。
这一讲，我们就从这里开始谈。
1.1 先做一个实验
在继续阅读之前，请你拿出一张纸（或者打开备忘录），做这件事：
写下你过去三个月读过或看过的三个内容（书、文章、课程都算）。 然后，针对每一个，写出它最核心的一个框架或原则，以及一个你可以现在用的场景。
不用很长。一两句话就够。
好，写完了吗？
我猜你的结果大概是这几种之一：
A型：记得，但说不清楚。"好像有个什么框架……但具体是什么忘了。"
B型：记得一点，但不知道怎么用。"知道这个概念，但你要问我怎么用，我说不出来。"
C型：干脆忘了。"这本书我读过吗？"
如果你是A或B，恭喜你，你是大多数人。
如果你是C，也别紧张——你只是更诚实而已。
真正的问题不是你的记忆力不好。
真正的问题是：你的知识从来没有被"编译"过。
你读书、看文章、听播客，相当于在不断往大脑里塞原材料。
但这些原材料从来没有被加工成可以随时调用的工具。
它们就停在那里，等待腐烂。
这就是我们今天要谈的第一个认知破点。
1.2 什么是Claude Code Skill：从"可读"到"可执行"
在这套系统里，你会反复听到一个词——Skill。
在我们深入工具之前，我需要先解释清楚这个词到底是什么意思。
因为很多人第一次听到"book-to-skill"，会以为它是一种高级摘要工具。
把书总结得更好、更结构化、更漂亮。
不是的。
Skill 和摘要，是两个完全不同的东西。
摘要是什么？
摘要是回顾性的。
它告诉你这本书讲了什么，帮你在脑海里保留一个印象。
好的摘要读起来很舒服，让你觉得"嗯，我理解了"。
但当你遇到一个真实问题，打开摘要，它能帮你做决策吗？
大概率不能。
因为摘要是把知识压缩，Skill 是把知识结构化为工具。
Skill 是什么？
Skill 的核心逻辑是：提取结构，而不是提取内容。
一个完整的 Skill 包含：
命名框架：这本书里有哪些有名字的思考模型？每个模型的适用场景是什么？ 可操作的原则：遇到具体情况，这些原则告诉你怎么选、怎么做？ 反模式库：哪些做法是书里明确反对的？你怎么识别它？ 决策速查：当你在工作中遇到X类问题，应该调用哪个框架？
这不是让你"记住书"。
这是让书里的思维，成为你工作时可以调用的工具。
一个具体的比较
假设你读了一本关于系统设计的书。
摘要版：
第三章讲了数据库的一致性问题，提出了CAP定理，讨论了在一致性和可用性之间的取舍……
Skill版（cheatsheet节选）：
当你面临分布式系统设计选择时：
如果业务不能接受数据不一致（金融交易）→ 优先一致性，放弃部分可用性 如果用户体验优先（社交点赞数）→ 优先可用性，接受最终一致 触发框架： CAP 权衡矩阵（见 ch03-consistency.md）
你看到区别了吗？
摘要是回头看，Skill 是往前用。
这是 Skill 最核心的设计意图：不是存档，是武器。
1.3 "结构提取"与"内容摘要"：一次亲手做的对比
光靠我说，你不一定有感觉。
我们来做一个对比实验，这会是你这门课程里最值得花时间的十五分钟。
准备： 找一本你读过、但已经有点模糊的书，或一篇比较长的文章。
A 组操作：传统摘要方式
把内容粘贴给Claude（或任意AI），说：
"帮我总结这篇文章/这本书的核心内容，300字。"
把输出保存下来。
B 组操作：Skill 提取方式
把同样的内容给Claude，换一个指令：
"请从这篇内容中提取：
有明确名称的框架或模型（列出名称+一句话定义+适用场景） 可操作的原则（可以直接指导决策的规则） 明确的反模式（什么情况下不该这样做） 一个决策速查表：遇到什么情况，调用哪个框架"
把输出保存下来。
现在，拿着这两份输出，问自己一个问题：
三个月后，如果我遇到一个真实问题，哪份输出更可能帮到我？
我不需要你现在告诉我答案。
但我可以几乎确定，你会感受到一种具体的差别——
A 组的摘要，你觉得"还不错，读起来顺"。 B 组的 Skill，你觉得"这个……感觉是个工具"。
这个感觉，就是这一讲最核心的认知。
1.4 LLM Wiki 的底层逻辑：为什么知识可以复合增长
讲完 Skill，我们来谈整个系统更底层的逻辑。
这里有一个比较技术但非常关键的概念区分——
RAG 思维 vs LLM Wiki 思维。
大多数 AI 知识工具在做什么？
你剪藏了一篇文章，你问AI："这篇文章讲了什么？"
AI 去检索，找出和你问题最相关的段落，拼一个回答给你。
这是 RAG（检索增强生成）。
它像一个图书管理员——你问什么，它去书架上找最相关的那本书，翻出那几页，念给你听。
RAG 有个根本限制：每次都是重新读原文。
你的知识库积累再多，每次查询的效率还是一样的。信息和信息之间的关联，没有人帮你建立。
LLM Wiki 是什么不同的逻辑？
LLM Wiki 的思路是——在知识进入系统的那一刻，就把它处理成结构化的知识。
不是等你查询的时候再读原文，而是：
进来一篇文章，AI 立刻：
提取关键实体和概念，创建独立页面 把新概念和已有知识建立关联 标记和已有内容的矛盾点 更新整个知识库的索引
你查询的时候，读的是已经被综合过的知识库，不是原文碎片的拼接。
这有什么实质区别？
用一个更直白的比喻：
RAG = 你有一个装满笔记的抽屉。每次要用，翻抽屉找。
LLM Wiki = 你有一个会自我整理的大脑。每次新知识进来，它自动和已有知识对话，形成新的连接。旧知识在新知识的映照下，产生新的意义。
这就是为什么我们说——知识会复合增长。
不是你的知识越来越多，而是知识和知识之间的关联密度越来越高。
你积累的第 100 条知识，不是和前 99 条并列的——它和前 99 条每一条都产生了关系，产生了新的理解。
这个复合效应，是 RAG 系统永远无法提供的。
一个你可以马上体会的例子
假设你已经积累了这些内容：
读过《精益创业》→ 提取了 MVP 框架 读过《用户故事地图》→ 提取了用户旅程结构 剪藏了一篇关于 B2B 产品冷启动的文章
某天你在做一个新产品规划，你问系统：
"我要做一个面向中小企业的 SaaS 工具，第一步应该怎么验证方向？"
RAG 系统 会给你找出三个来源里最相关的段落，拼一个通用回答。
LLM Wiki 系统 会这样回答你：
"基于你积累的知识，结合《精益创业》里的 MVP 框架，《用户故事地图》里的客户旅程提取方法，以及冷启动文章里的 B2B 接触策略，建议你这样做……"
后者给你的，是你自己积累的知识视角，不是一个通用答案。
这才是真正的"第二大脑"。
1.5 三工具协作的完整心智模型
现在我们可以来建立整个系统的认知地图了。
book-to-skill、claude-obsidian、Claudian——这三个工具，是整套系统的三个层次。
很多人以为它们是三个独立的工具，选一个用就行。
不是的。它们是同一个系统的三个分工，缺一不可。
一个工厂类比
把整个知识系统想象成一个工厂：
text
原材料 加工系统 操控界面
│ │ │
▼ ▼ ▼
书籍、文章、想法 → claude-obsidian → Claudian（Obsidian 内）
│ （知识引擎） 或 Claude Code（终端）
▼
book-to-skill
（专项深加工）
book-to-skill 是精炼机。
当你有一本值得反复使用的书，它把书里的结构提取出来，生成一个 Claude 随时可以调用的 Skill。不是每次都重读，而是一次提炼，永久可用。
claude-obsidian 是知识引擎。
所有进入系统的内容——书的 Skill、剪藏的文章、你的笔记——都在这里被处理、关联、维护。它不是一个存档库，它是一个持续生长的知识有机体。
Claudian 是操控界面。
当你在 Obsidian 里工作，你不需要打开终端，不需要切换工具。Claudian 把整个知识引擎的能力，带到你正在写的笔记旁边。
三层数据流动
理解这个系统，最关键的是理解信息在这三层之间怎么流动：
text
[输入层] → [存储层] → [交互层]
书籍 Skill 你工作时的对话
文章 Wiki
笔记 CLAUDE.md（系统宪法）
往右流：新知识进来，被处理成结构化知识，存入系统。
往左用：你遇到问题，系统从已有知识库里找相关内容，组合成真正基于你积累的答案。
关键一环：这一切的核心是 CLAUDE.md。
它是这个系统的宪法——定义了知识怎么分类、怎么存、怎么关联、怎么调用。
没有 CLAUDE.md，你有的只是一堆文件夹。有了 CLAUDE.md，你才有了一个有规则在运行的知识系统。
（Module 3 会专门深入讲这个文件。那是整门课程最重要的一讲。）
一张你现在需要贴在桌边的认知卡片
text
┌────────────────────────────────────────────┐
│ book-to-skill = 把书变成可执行的知识武器 │
│ claude-obsidian = 自我生长的知识引擎 │
│ Claudian = 不离开 Obsidian 的交互入口 │
│ │
│ 三者的关系： │
│ book-to-skill 生产燃料 │
│ claude-obsidian 是引擎 │
│ Claudian 是方向盘 │
│ │
│ 缺少任何一个，系统都不完整。 │
└────────────────────────────────────────────┘
1.6 你的认知到底需要破哪几个地方
讲了这么多，我来明确说：
这门课程开始之前，你可能有这些旧认知。它们会在你实践的过程中，成为最大的阻力。
旧认知 1：AI 会帮我记住知识
不会。AI 没有你自己的长期记忆。
每一次对话，它都是全新开始。你上周跟它聊的那本书，它下次对话不记得了。
这套系统要解决的，正是这个问题——通过外置的结构化知识库，让 AI 能够在每次对话里调用你积累的所有知识。
但这需要你主动建立那个知识库。
旧认知 2：Skill 是更好的摘要
不是。Skill 是可执行的知识结构，不是更漂亮的读书报告。
如果你用 Skill 只是为了"记住书"，你错过了它最重要的用法——在工作时随时调用。
旧认知 3：工具越多越好，先都装上
不对。
这套系统的价值，不来自工具的数量，来自数据在工具之间流动的质量。
三个工具装上但不理解它们的分工，还不如用一个工具把数据流跑通。
旧认知 4：知识库建好了就有价值
错。
知识库的价值来自查询频率，不来自积累量。
一个存了 500 篇文章但你从来不问它问题的知识库，价值约等于零。
知识系统的飞轮，是"积累 → 查询 → 发现新连接 → 继续积累"的循环。
如果你只转动积累那半圈，飞轮永远转不起来。
模块作业
在继续之前，请完成以下两件事：
作业一：画你自己的三工具协作图
不要复制课程里的图。
用你自己的语言，画出 book-to-skill、claude-obsidian、Claudian 三者的关系，以及信息在它们之间的流动方式。
只要你画得出来，说明你真的理解了。
画不出来，说明你需要再回头读一遍 1.5 节。
作业二：写下你的"旧认知清单"
根据 1.6 节的内容，加上你自己的补充——
你在开始这门课程之前，对 AI 知识管理有哪些假设？
把它们列出来。
等你做完 Module 8 的真实项目，再回来对照这张清单。
你会发现哪些被彻底打破了，哪些出乎意料地保留了。
本讲总结
text
这一讲你应该带走三件事：1. Skill ≠ 摘要
摘要是回顾，Skill 是工具。
提取结构，不是提取内容。
2. LLM Wiki ≠ RAG
RAG 是每次重新读原文。
LLM Wiki 是让知识在摄入时就相互理解。
差别是：复合增长 vs 线性堆积。
3. 三工具是一个系统，不是三个工具
book-to-skill 是燃料生产器
claude-obsidian 是知识引擎
Claudian 是交互界面
缺一不可，顺序也不可以颠倒。
下一讲，我们开始动手。
环境搭建，不是"先装工具再理解"——而是"装的过程本身就是理解架构的最好方式"。
如果你在作业里画出来的那张图，和你装完工具之后的理解不一样——说明你真的学进去了。
**Module 1 认知破点：Skill 是可执行知识，不是摘要；知识系统的价值来自查询，不来自积累
我是【一只阿木木】——公开建造我的 AI 第二大脑。
普通人如何用 AI 搭建自己的知识操作系统？
一个程序员出身的知识工作者，公开记录自己如何用 AI 工具搭建个人知识系统、把读过的书和做过的项目变成可复用资产的全过程。
欢迎加入行动营👇获取更多Obsidian + AI数字大脑实践
我相信：在 AI 时代，每个普通人都该拥有一个自动生长的知识系统
欢迎关注【一只阿木木】🌊