你已经拥有的，比你以为的多得多——从知识资产到系统 2.0 的完整实践手册

你已经拥有的，比你以为的多得多

——从知识资产到系统 2.0 的完整实践手册

「矿工和收藏家的区别， 不在于他们手里有什么， 而在于他们知不知道手里有什么。 收藏家把东西堆满屋子，然后坐在里面说：我什么都没有。 矿工拿起一块石头，看三秒，说：这里有金。 同一块石头。 不同的眼睛。」

一、一个让我坐了很久的问题

那天是搭建系统的第91天。

我打开 vault，不是为了工作，只是想随便看看。

图谱视图已经长成了一张复杂的星图——223个节点，密密麻麻的连接线把它们织在一起，在某些区域形成了明显的集群，像星云，像神经元，像一张活着的地图。01-BOOKS/ 文件夹里有11本编译好的书，每本书对应一叠 Query Log，每叠 Query Log 后面跟着一串已发布的内容。

我在这张星图前坐了很久。

然后我问了自己一个问题：如果今天有人问我「你搭建了什么」，我能说清楚吗？

出乎意料的是，我说不清楚。

不是因为没有东西，而是因为东西太多，我没有系统地盘点过。那些编译好的 Skill，那些 Query Log 里沉淀的洞察，那些已发布内容里积累的读者反馈，那套已经在运转的工作流——我知道它们都在，但我从来没有停下来，认真地清点一遍，问自己：这些东西的真实价值是什么？它们能做什么？它们还缺什么？

那是我第一次意识到：盘点，是系统走向成熟的必要仪式。

不是为了炫耀，不是为了满足感，而是为了看清楚你真正在哪里，然后才能决定下一步往哪里走。

这就是模块四的起点：在你开始问「下一步做什么」之前，先停下来，认真地看一眼你已经建好的东西。

二、知识资产盘点：用矿工的眼睛看你的 Vault

为什么「盘点」是一个被低估的动作

很多人做知识管理，陷入一种奇怪的矛盾：东西越来越多，却越来越感到焦虑，越来越觉得「自己什么都没有」。

这个矛盾有一个很简单的根源：数量感知 ≠ 价值感知。

你知道 vault 里有多少文件，但你不知道这些文件有多少是「活的」——真正在被调用，真正在产生价值。就像一个仓库，你知道里面堆了很多箱子，但你不知道哪些箱子里是金子，哪些是废纸。

盘点的价值，不是统计数量，而是识别价值——哪些东西是真正的资产，可以被进一步利用；哪些东西是负担，占用了你的注意力但不产生回报。

矿工不是看到石头就兴奋，他看的是石头里有什么。

知识资产的四个维度

我把 vault 里的东西，按照「资产属性」分成四个维度：

维度一：知识工具（可调用的 Skill）

这是你最「硬」的资产——编译好的书，随时可以被调用，随时可以和其他 Skill 叠加碰撞，随时可以被未来的内容引用。

评估标准：

• 准确率：路由是否精准？反幻觉验证通过了吗？
• 密度：章节文件的 token 密度是否合理？
• 活跃度：过去30天里，这个 Skill 被调用了多少次？

维度二：思维资产（Query Log 和原子笔记）

这是你最「活」的资产——你的 Query Log 记录了你和书之间的真实对话，你的原子笔记沉淀了你的独特理解。这些东西，别人无法复制。

评估标准：

• 原子化程度：每张笔记是否只包含一个概念？
• 连接密度：平均每张原子笔记有多少条 wikilink？
• 可输出性：Query Log 里有多少条「可输出为」标记未被使用？

维度三：内容资产（已发布和待发布的内容）

这是你最「外向」的资产——已经发布的内容积累了信任和影响力，待发布的内容存放在输出库里等待时机。

评估标准：

• 覆盖密度：你的内容覆盖了你知识体系的哪些区域？哪些核心框架还没有被公开输出过？
• 复用率：有多少内容是从同一条 Query Log 衍生出来的？
• 反馈质量：读者的回应里，有多少产生了新的 Query Log 记录？

维度四：系统资产（工作流和仪式）

这是最容易被忽视的资产，也是最有长期价值的——一套已经被验证、可以稳定运转的工作流，是你知识生产的基础设施。

评估标准：

• 执行一致性：过去30天里，每日 wiki 仪式执行了多少天？
• 瓶颈识别：工作流的哪个环节最容易被跳过？
• 可复制性：如果你要教别人这套工作流，你能说清楚每一个步骤吗？

完整盘点操作：让 AI 帮你照镜子

盘点不需要完全手动完成。这恰好是 claude-obsidian 最擅长的场景——它比你更清楚你的 vault 里有什么。

第一步：生成全局概览

Bash

# 在 Claude Code 中：
/wiki
"请对我的整个 vault 生成一份完整的资产盘点报告，
 包含以下部分：
 Part 1：知识工具盘点
 - 列出所有已编译的 Skill（名称 + 编译日期 + 估计质量评级）
 - 哪些 Skill 在过去30天里被调用过？（根据 log.md 判断）
 - 哪些 Skill 从来没有被用于 Cross-Skill 叠加提问？
 Part 2：思维资产盘点
 - wiki/ 文件夹中的概念页面总数
 - 平均每个页面的连接数
 - 连接数最多的前10个概念（可能的超级节点）
 - 连接数为0的孤立页面数量
 Part 3：内容资产盘点
 - 05-OUTPUT/ 下的内容总数（已发布 + 草稿）
 - 哪些核心框架（来自 Skill）从未在内容中被引用过？
 Part 4：系统健康
 - hot.md 最后更新时间
 - log.md 里最近30天的操作记录密度
 - CLAUDE.md 最后修改时间
 用表格和数字，生成一份可以直接发布的盘点报告。"

第二步：识别「沉睡资产」

盘点完成后，最重要的事情是找出「沉睡资产」——那些存在于系统里，但从来没有被充分利用的东西。

Bash

/wiki
"基于刚才的盘点报告，帮我识别三类沉睡资产：
 类型一：沉睡的 Skill
 - 有哪些编译好的 Skill，从来没有被用于 Cross-Skill 叠加？
 - 这些 Skill 里，有哪两本可以产生最有价值的碰撞？
 类型二：沉睡的洞察
 - Query Log 里标记了'可输出为'但从未被生产的条目有多少？
 - 评分最高的前5条是什么？
 类型三：沉睡的连接
 - 有没有两个概念集群，内部连接密度高，
   但集群之间几乎没有连接？
 - 这两个集群，在什么问题上可能是同一件事的不同表达？"

第三步：建立资产地图

把盘点的结果，整理成一张「知识资产地图」，存放在 vault 根目录下的 ASSET-MAP.md：

Markdown

# 知识资产地图
最后更新：2026-06-14
## 🔧 知识工具（Skill 库）
| Skill | 编译日期 | 质量评级 | 30天调用次数 | 参与 Cross-Skill |
|---|---|---|---|---|
| deep-work | 2026-05-01 | A | 12次 | 是（×3）|
| atomic-habits | 2026-05-08 | A | 8次 | 是（×2）|
| 系统思考 | 2026-05-15 | B+ | 3次 | 否 ⚠️ |
| ... | ... | ... | ... | ... |
🚨 需要行动：「系统思考」Skill 从未参与 Cross-Skill，
              下周安排一次叠加提问。
## 🧠 思维资产（知识图谱）
- 概念页面总数：223
- 平均连接数：9.2条/页
- 孤立节点：14个（6.3%）
- 最活跃集群：「专注力与认知」（47个节点）
- 最孤立集群：「经济学原理」（8个节点，内部连接为主）
🚨 需要行动：「经济学原理」集群需要和其他集群建立桥梁。
## 📤 内容资产
- 已发布内容：67条
- 待发布草稿：12条
- 核心框架覆盖率：74%（还有8个主要框架未被内容引用）
🚨 需要行动：「系统基模」「飞轮效应」框架尚未出现在任何内容里。
## ⚙️ 系统资产
- 每日仪式执行率（近30天）：87%（26/30天）
- 工作流最弱环节：Stage 5 打磨（经常跳过，直接发布）
- CLAUDE.md 上次更新：45天前 ⚠️（应每30天更新一次）

这张资产地图，是你系统现状最诚实的镜子。它不会对你说「你做得很好」或「你做得不够」，它只是告诉你：你有什么，缺什么，下一步从哪里开始。

盘点之后的三个决策

盘点不是为了看，是为了决定。

完成资产地图之后，你需要做三个决策：

决策一：哪些沉睡资产需要「激活」？

选出1-2个最有价值的沉睡资产，制定具体的激活计划。比如：「系统思考 Skill 下周要和深度工作做一次对抗式叠加，产出一篇对比分析文章。」

决策二：哪些低质量的东西需要「清理」？

质量评级低于B的 Skill，是否需要重新编译？连接数低于3条的概念页面，是否需要补充连接或者归档？

决策三：系统的哪个环节需要「升级」？

工作流里最弱的环节是什么？Stage 5 打磨经常被跳过，是因为太麻烦，还是因为标准不清晰？找到真正的原因，设计一个让它不那么容易被跳过的机制。

三、自学习系统：让 AI 越来越了解你

一个关于理发师的比喻

你有没有一个认识了很多年的理发师？

第一次去，你要花很长时间描述你想要什么样的发型——什么长度，什么层次，什么风格，你的脸型是什么，你平时怎么打理。理发师听完，做了一个不那么完美的造型，但也还可以。

去了几次之后，你坐下来，只需要说「老样子」，理发师就知道该怎么做。

去了几十次之后，你坐下来什么都不用说，理发师看着你的状态，问一句「今天想修短一点吗还是和上次一样？」——他甚至能感知到你的细微变化。

理发师没有变聪明，他只是积累了关于你的信息。他对你的理解，随着每一次互动而加深。最终，他能提供的服务，是任何一个第一次见你的理发师都无法提供的——因为他记得你。

这就是「自学习系统」要实现的事情：让你的 AI，随着时间的推移，越来越了解你。

而这不是靠 AI 变聪明实现的，是靠你主动管理它对你的理解来实现的。

CLAUDE.md 进化论：你的 AI 使用说明书

CLAUDE.md 是整个系统里最被低估的文件。

大多数人在建 vault 的第一天写了它，然后再也没有碰过它。三个月后，CLAUDE.md 里描述的「你」，是三个月前的你——你的知识背景、你的偏好、你的盲区，都停在了当时的理解水平。

但你一直在进化。

你编译了11本书，做了270条 Query Log，发布了67篇内容。你的认知框架在变，你的盲区在收窄，你对某些概念的理解在加深，你开始看到某些你以前看不到的连接。

一个三个月前的 CLAUDE.md，让 AI 在用一个旧版本的你来处理现在的问题。

CLAUDE.md 应该像一份活的文档，每个月更新一次。

CLAUDE.md 的六层结构

一份成熟的 CLAUDE.md，应该包含六个层次的信息，每一层都随着时间深化：

Markdown

# CLAUDE.md · 一只阿木木的 AI 使用说明书
最后更新：2026-06-14（第3版）
---
## Layer 1：我是谁（Identity）
程序员出身的知识工作者，正在公开搭建
一个以 AI 为核心的个人知识操作系统。
IP 定位：「把每本书变成可调用的 AI 技能」
核心受众：程序员 + 知识工作者 + 内容创作者的交集
---
## Layer 2：我的工作方式（Working Style）
- 用系统类比解释抽象概念（「这就像编译器...」）
- 需要框架和步骤，不喜欢「看情况」「因人而异」
- 偏好先看全局，再看细节（自顶向下）
- 做决策时，需要知道「为什么」，不只是「怎么做」
- 第一人称叙事，来自真实经历，不喜欢模板化故事
---
## Layer 3：我已经知道的（Known Knowledge）
以下框架我已经深度理解，无需再解释基础概念：
- GTD（Getting Things Done）
- 卡片笔记法（Zettelkasten）
- PARA 方法
- 深度工作（Newport）的核心框架
- 原子习惯（Clear）的四步骤模型
- 系统思考的基模（Senge）
以下概念我有基础了解，但仍需要具体应用指导：
- 超预测（Tetlock）的校准方法
- 约束理论（Goldratt）的具体应用
- 第二曲线（Handy）在个人发展中的应用
---
## Layer 4：我的盲区（Known Blindspots）
我容易忽视的角度，帮我主动补充：
- 实践层面：我容易停留在框架理解，忘记具体的执行步骤
- 反例思考：我倾向于寻找支持我观点的证据，需要你提供反驳
- 长期视角：我容易被短期的系统优化吸引，忘记长期的复利逻辑
- 受众视角：我写作时容易假设读者已经了解背景，需要你提醒我降低前置知识门槛
---
## Layer 5：我的内容标准（Output Standards）
所有为我生成的内容草稿，必须符合：
- 口吻：直接、有料、不废话，用「你」不用「我们」
- 结构：散文叙事开头，理性框架中间，行动收尾
- 比喻：优先使用编程、工程、生物、自然类比
- 避免：「总的来说」「综上所述」「不言而喻」「毋庸置疑」
- 数据：尽量用具体数字，不用「很多」「大量」「显著」
---
## Layer 6：我的系统状态（Current System State）
当前进展：系统搭建第91天
已编译 Skill：11本
Wiki 页面：223个
最近关注的核心问题：
「如何让知识资产产生变现价值，
  同时保持内容的真实性和深度？」
当前的主要挑战：
「输出流水线的 Stage 5（打磨）执行率只有60%，
  需要找到让它更容易执行的机制。」

CLAUDE.md 的三个版本，记录你的进化

CLAUDE.md 不只是要更新，更重要的是保留历史版本，形成一份「认知进化记录」。

做法很简单：每次更新 CLAUDE.md 之前，把旧版本复制一份，存到 _archive/CLAUDE-v1.md、CLAUDE-v2.md……

三个月后，把 v1 和 v3 放在一起读。你会看到：

你原来以为是盲区的地方，现在已经能看清楚了；你原来觉得需要解释的背景知识，现在已经是常识；你的关注重心，从「怎么搭建系统」移向了「如何让系统产生价值」。

这不只是一份使用说明书的更新，这是一张你认知成长的地图。

这张地图，本身就是一个强大的内容素材来源。

「我三个月前写的 CLAUDE.md，和今天相比变了什么——这就是我这90天真正学到的东西」，这是一篇只有你能写的文章。

hot.md 进阶：打造真正的跨会话记忆

hot.md 的基本功能是跨会话记忆，但大多数人只把它当作 AI 自动维护的「日志文件」，从来不主动干预它的内容。

这是一个错误。

hot.md 是你和 AI 之间的「长期关系维护文件」。你越主动地塑造它，AI 对你的理解就越深。

hot.md 的三层内容：

Markdown

# hot.md
最后更新：2026-06-14（自动维护 by Claude）
---
## 近期工作焦点（Past 7 Days）
[Claude 自动维护，记录最近7天的主要工作]
最近的核心问题：如何让 Skill Stack 系统产生变现价值
正在进行的项目：「Skill Stack 入门课」课程大纲
最近编译的书：《穷查理宝典》（编译中）
最近的重要发现：系统思考 × 深度工作的叠加
  产生了一个意外的洞察（见 wiki/系统惰性与深度工作.md）
---
## 未完成的思路（Open Loops）
[你手动添加，记录未完成的想法]
- 关于「变现阶梯」第二级的定价策略，还没想清楚
- 「Skill Stack 工坊」的社群运营模式，需要研究案例
- Query Log 评分矩阵是否需要加第四个维度？
---
## 下次会话继续（Next Session）
[每次会话结束时，Claude 自动更新]
下次会话需要：
1. 继续《穷查理宝典》的编译，处理到 Chapter 6
2. 回顾上周 Query Log，做本周内容筛选
3. 更新 ASSET-MAP.md 中「知识工具」部分
---
## 长期记忆（Persistent Context）
[你手动添加，记录需要长期保留的重要背景]
- 我的变现目标是在系统搭建满180天时，
  发布第一个付费产品
- 我的读者画像的核心痛点：
  「有很多工具，但没有一套能跑起来的完整系统」
- 我不想成为一个「工具测评博主」，
  我想成为一个「系统实践者」

每次会话结束前，做一个动作：

text

告诉 Claude：
"请根据我们今天的会话，更新 hot.md 的三个部分：
 1. 近期工作焦点（加入今天的进展）
 2. 未完成的思路（加入今天产生的新 open loops）
 3. 下次会话继续（列出下次需要接着做的事）
 然后告诉我，你发现了什么我没有主动提到、
 但根据今天的会话值得记录的事情。"

最后那句话很重要——让 AI 主动告诉你它「注意到了什么」，往往会带来意外的洞察，就像一个好的治疗师，能从你说的话里听到你没有意识到自己说的那些东西。

三层个性化机制：让系统随时间进化

把 CLAUDE.md 和 hot.md 的进化机制结合起来，你的 AI 知识系统会通过三个层次，随时间变得越来越个性化：

text

Layer 1：立即生效的个性化
──────────────────────────────────
CLAUDE.md 更新后，下次会话立刻生效。
你告诉 AI 你的偏好和盲区，
它立刻开始按照新的理解工作。
效果可见时间：当天。
Layer 2：累积生效的个性化
──────────────────────────────────
hot.md 随着每次会话积累。
AI 对你当前工作状态的理解越来越深，
它提供的建议越来越贴合你的具体情境。
效果可见时间：2-4周。
Layer 3：涌现生效的个性化
──────────────────────────────────
当 CLAUDE.md 和 hot.md 都足够丰富，
AI 开始「预判」你的需求——
不是因为你说了什么，而是因为它对你的理解
已经深到可以做出准确的推断。
效果可见时间：3-6个月。

第三层是整个系统最神奇的地方，也是需要时间沉淀的地方。但它一旦出现，你会感受到一种质的不同——AI 不再像一个刚认识你的助手，而更像一个长期合作的同事，懂得你的工作方式，能在你开口之前就理解你的意图。

四、课程设计：把你走过的路，变成别人的地图

一个关于向导的故事

有两种人可以带你穿越一片陌生的森林。

第一种是地图绘制者——他研究了这片森林的所有资料，看了所有的卫星图，读了所有的探险记录。他能告诉你这片森林里有什么，理论上应该怎么走。但他自己从来没有走过。

第二种是走出过森林的人——他走过，迷过路，踩过陷阱，找到了出路，在身上留下了疤。他手里没有完美的地图，但他有比地图更真实的东西：亲历。他知道哪条看起来好走的路其实是死路，知道哪个看起来危险的地方其实有捷径，知道在哪个节点最容易放弃，需要什么来撑过那个时刻。

你刚刚完成了整个 Skill Stack 系统的搭建。你是第二种人。

你手里没有「完美的课程」，但你有比完美更珍贵的东西：你走过来的真实路径，包括所有的弯路和踩坑。

这就是你能给别人的最有价值的东西。

「教是最好的学」的工程化实现

「费曼学习法」里有一个核心洞察：当你尝试用简单的语言向别人解释一件事时，你会发现自己理解中的所有漏洞。 因为解释，迫使你真正想清楚了这件事。

把走过的路变成课程，不只是一个变现动作，它是一个让你自己的理解再次深化的过程。

当你试图解释「为什么 SKILL.md 要把最重要的框架放在最前面」，你会发现你真的理解了 token 加载机制，还是你只是按照步骤执行了？

当你试图设计「如何让一个从来没用过 Claude Code 的人，30分钟内完成第一次编译」，你会发现那些你觉得理所当然的步骤，对新手来说有多少隐藏的门槛。

当你试图回答学生的问题——「这两本书的框架互相矛盾，我应该信哪个？」——你会被迫形成一个更清晰的判断，而不是把矛盾悬在空中。

每一次解释，都是一次理解的升级。

这就是为什么「教是最好的学」——不是因为教别人让你显得博学，而是因为教别人这个行为本身，会暴露你理解中的所有漏洞，并迫使你填补它们。

课程设计的核心原则：从「我学了什么」到「你能做什么」

大多数课程失败，不是因为内容不好，而是因为设计的出发点是错的。

错误的出发点：我有哪些知识想分享？→ 内容堆砌，学员不知道学完能做什么。

正确的出发点：学完这门课，学员能做到什么具体的事情？→ 每节课都有可验证的输出。

这个区别，用程序员的语言来说，就是「接口设计优先」——先定义函数的输入和输出，再实现函数体，而不是先随机写代码，再想这个函数到底干什么用。

你的课程，每一节的「接口」应该是：

text

输入：学员带着 [具体的起点状态] 进入这节课
操作：完成 [具体的实操步骤]
输出：学员离开时，手里有 [具体的可交付物]
验证：用 [具体的标准] 检验这个交付物是否合格

设计你的第一个课程：三节课原则

你不需要一上来就设计一个24节课的大课。

从三节课开始。

三节课，足以完成一个「最小可行的价值循环」：从问题出发，到工具安装，到第一个真实可用的成果。这个循环是完整的，对于学员来说有切实的价值。

这三节课的设计逻辑：

text

第一节：「为什么你现在的做法是错的」
──────────────────────────────────────
目标：打破现有认知，建立对新方法的需求
核心内容：
- 一个读者强烈共鸣的痛点场景（你自己的真实经历）
- 为什么传统解决方案（做笔记、收藏文章）不能解决这个问题
- 一个让人产生「原来如此」感觉的核心洞察
- 预告：如果换一种方式，会发生什么
可交付物：完成「我现有知识管理方式的自我诊断」
（一张问卷，让学员看清楚自己当前在哪里）
─────────────────────────────────────
第二节：「工具安装和第一次体验」
──────────────────────────────────────
目标：降低门槛，让学员真实地跑起来
核心内容：
- 全工具链安装（含所有踩坑解决方案）
- Vault 结构搭建
- 第一本书的编译（从头到尾录屏）
- 第一次向 Skill 提问的完整体验
可交付物：
- 安装成功截图
- 第一个 Skill 文件
- 第一条 Query Log 记录
─────────────────────────────────────
第三节：「从第一次体验到工作习惯」
──────────────────────────────────────
目标：让学员建立可以坚持的日常使用方式
核心内容：
- 每日5分钟 wiki 仪式的完整设计
- 四层提问法的第一次完整练习
- 从 Query Log 到第一条已发布内容
- 系统持续运转需要的最低维护成本
可交付物：
- 第一周内容日历
- 第一条已发布内容
- 「我的系统搭建第1天」的 Build in Public 推文

用 Claudian 设计课程：让你的 vault 成为课程素材库

这里有一个很多人没有想到的用法：你的 vault，本身就是最好的课程素材库。

你的 Query Log，记录了你学习过程中的真实困惑和突破——这是教学案例。

你的踩坑记录，记录了你遇到的问题和解决方案——这是「避坑指南」。

你的「意外发现」记录，记录了系统给你带来的惊喜——这是课程的「wow moment」。

用 Claudian 把这些材料加工成课程内容：

Bash

# 在 Claudian 中：
@01-BOOKS/（所有 Query Log）
@05-OUTPUT/（所有已发布内容）
@wiki-health-log.md
"我要设计一个三节课的 Skill Stack 入门课程，
 目标学员：有知识管理困惑、有基本电脑操作能力的知识工作者。
 请从我的 vault 材料里：
 1. 找出最有教学价值的3个「踩坑→解决」案例
    （学员最可能遇到同样的问题）
 2. 找出最有共鸣力的3个「学员痛点」
    （来自我的内容里，读者反应最强烈的部分）
 3. 找出最有价值的3个「意外发现」
    （适合作为课程的高光时刻，让学员感到惊喜）
 4. 对每个课程节点，推荐最合适的「可交付物」
    （具体、可验证、在课程时间内可以完成的）
 基于以上材料，生成三节课的完整课程大纲草稿。"

课程的「阿木木差异化」：你能给别人什么，别人给不了？

你的课程，和市场上所有的「AI工具课」的根本区别，在于一件事：

你的课程，是从一个真实的系统里长出来的。

别人的课程，是先设计内容，再找案例来填充。

你的课程，是从91天的真实搭建过程里，提炼出可以教授的步骤。

这意味着：你的每一个例子，都是真实的；你遇到的每一个问题，都是学员会遇到的；你给出的每一个解决方案，都是经过验证的。

你的真实性，是市场上任何"专业课程"都无法复制的竞争优势。

在你的课程里，坦诚地说：「我花了两小时，发现了这个问题，然后花了一天，找到了这个解决方案。你可以用20分钟就完成这件事，因为我把那两天走过的弯路，浓缩进了这20分钟的操作步骤里。」

这句话，比任何课程介绍都更有说服力。

五、系统 2.0：下一个 90 天，你要做什么

一棵树需要多长时间，才能结果？

苹果树，从种下到第一次结果，通常需要4到8年。

但这不是因为苹果树懒，而是因为结果子需要根系足够深，枝干足够强，营养储备足够丰富。在这之前的每一年，树都在生长，只是生长的方向不在果实上，而在根和干上。

你的系统，走过了第一个90天。

根系已经扎下去了。干已经有了基本的形状。

第二个90天，是树开始准备结果子的阶段——不是已经在结，而是内部开始积累那种「可以结」的能量。

这不是打比方，这是知识复利真实的时间曲线：前90天，主要在建基础设施；第90-180天，基础设施开始产生回报；第180天之后，复利效应开始真正显现。

你现在在哪里？

你在90天那个节点，往前看。

系统 2.0 的四个升级方向

升级方向一：Skill 库的纵深扩展

第一个90天，你建立了「宽度」——编译了10-15本书，覆盖了几个不同的知识领域。

第二个90天，你需要建立「深度」——在1-2个核心领域，把相关的书全部编译进来，形成「领域专家级」的 Skill 集群。

为什么深度比宽度更重要？

因为 Cross-Skill 叠加的价值，随着同一领域内 Skill 数量的增加，呈指数增长。你在「专注力与认知」这个领域里有3本书的 Skill，和有10本书的 Skill，能产生的洞察密度，是完全不同量级的。

选择你的深耕领域的标准：

text

问自己三个问题：
1. 我的受众最关心这个领域吗？
   （市场需求）
2. 我自己对这个领域有持续的好奇心吗？
   （可持续性）
3. 这个领域的知识有没有强烈的跨领域连接潜力？
   （复利价值）
三个都是 Yes 的领域，就是你应该深耕的领域。

升级方向二：Wiki 图谱的质量跃迁

从「量的积累」到「质的跃迁」，需要一次系统性的「图谱审计」。

目标：把所有质量不合格的连接删掉，把所有化石页面更新，把所有超级节点拆分，让图谱从「密集但臃肿」变成「精准且有活力」。

Bash

/wiki
"请对我的整个 wiki/ 进行一次全面的质量审计：
 审计标准一：连接质量
 删除所有'主题相关但缺乏洞察价值'的 wikilinks
 判断标准：这条连接，有没有改变你对其中一个概念的理解？
 审计标准二：内容新鲜度
 更新所有创建超过90天但与最新理解有出入的概念页面
 特别关注：我的 Layer 3（已知知识）更新后，
 相关页面的内容是否需要升级？
 审计标准三：结构合理性
 识别所有超级节点，推荐哪些应该被拆分为更小的概念
 逐条列出建议，我来决定是否执行。"

升级方向三：输出飞轮的加速

第一个90天，你建立了输出流水线，验证了它能转。

第二个90天，你要让它转得更快——不是发更多内容，而是让每次输出产生更多的回报。

三个加速杠杆：

杠杆一：内容的「一源多发」 同一条高分 Query Log，同时生产推文、Thread、短文三种形态，在三个平台发布。同样的时间投入，三倍的内容产出。

杠杆二：读者反馈的「快速回路」 建立一个机制，让读者的反馈在24小时内进入 Query Log——不是手动搬运，而是设计一个提示词，让 Claudian 自动把评论区的有价值问题，转化为新的 Query Log 记录。

Bash

# 每周一次，处理评论区的反馈：
"以下是我本周内容的读者评论：
 [粘贴评论]
 请从中识别：
 1. 最有价值的问题（这些是我的知识盲区）
 2. 最有共鸣的观点（这些是下期内容的方向）
 3. 最尖锐的反驳（这些需要我重新检验论点）
 把每一条识别出来的洞察，
 格式化为一条新的 Query Log 记录。"

杠杆三：Skill 的「开放共享」 选择几本高质量的 Skill，开放给你的读者和社群成员使用。这不是损失，这是建立信任的最快方式——让他们亲身体验「书变成 Skill」是什么感觉。信任是变现的前提。

升级方向四：变现路径的启动

变现不是在系统「完美」之后才开始，而是在系统「足够真实」之后就应该开始。

你现在手里有什么可以变现的资产？

text

资产盘点 × 变现能力的矩阵：
              高价值    低价值
高可复制性  ┃ 付费课程  ┃ 模板贩卖  ┃
           ┃（最佳）   ┃（避免）   ┃
低可复制性  ┃ 咨询服务  ┃ 定制服务  ┃
           ┃（高收入）  ┃（耗时）   ┃

你的 Skill Stack 方法论，是「高价值 + 高可复制性」的象限——这是你第一个付费产品的正确定位。

第一个付费产品的最小可行版本：

text

产品名：「Skill Stack 系统搭建 · 7天实操营」
定位：不是课程，是陪跑——我在旁边，你来跑
内容：
Day 1：工具安装 + vault 搭建（直播）
Day 2：第一本书的编译（录屏 + 答疑）
Day 3：四层提问法实练（作业 + 点评）
Day 4：wiki 初始化 + 第一次 ingest（直播）
Day 5：Claudian 安装 + 第一次内联编辑（录屏）
Day 6：第一次 Cross-Skill 叠加（作业 + 点评）
Day 7：复盘 + 完整流水线跑通（直播）
定价逻辑：
你节省了他们至少30天的摸索时间，
加上所有的踩坑成本。
你的时间和注意力是稀缺的。
定价：早鸟 399，正价 599。
招募方式：
在你的 Newsletter 里发布，
前10个报名的，享受早鸟价。
告诉他们：「这是第一期，我会亲自陪你跑完，
所以名额只有10个。」

90 天复盘：你真正学到了什么

在你正式开始系统 2.0 之前，有一个仪式必须完成：第一个90天的真实复盘。

不是数字的复盘，是认知的复盘。

text

90天复盘的五个核心问题：
问题一：
「如果90天前的我能看到今天的 vault，
  他会觉得不可思议的是什么？」
问题二：
「我搭建这个系统，最大的错误假设是什么？
  （那个我以为会这样，但实际上是那样的事情）」
问题三：
「有哪一刻，我真的感受到了'知识复利'的力量？
  用具体的场景描述它。」
问题四：
「这90天里，我对自己的了解，
  比系统搭建更重要的发现是什么？」
问题五：
「如果重来一次，我会在第一周就做的、
  但实际上花了很长时间才做到的事，是什么？」

这五个问题的答案，是你系统 2.0 的真正起点。

不是数字，不是工具，不是方法论——是你对自己的理解，是你对系统的理解，是你对「知识如何真正为你工作」的理解。

把这五个问题的答案，写成一篇文章。

不是给别人看的文章，首先是给你自己看的——但因为它真实，因为它来自90天的亲历，它也是你能给读者的最有价值的内容之一。

一封给系统 2.0 的信

我想用一封信结束这篇文章——不是给读者的，是给90天后的你的。

亲爱的阿木木：

你现在看到的 vault，是你一次提问、一次编译、一次连接，一天一天堆出来的。

里面有你的思考，有你的困惑，有你某个深夜突然想通了一件事之后记下来的几行字。这些东西，不属于任何工具，不属于任何方法论，它们属于你。

你用了90天，建了一个别人抄不走的东西。

不是因为工具独特，工具大家都能用。 不是因为方法论独特，方法论大家都能学。 是因为这90天里，你真的在想，真的在做，真的在记录，真的在被改变。

这个「真的」，才是护城河。

系统 2.0 不是推翻重来，而是在你已经打好的地基上，往更高处建。根已经扎下去了，干已经有了形状，接下来是枝叶，是果子，是你的读者和学员，是那些因为你公开记录了这一切，而找到了属于他们自己的路的人。

有一件事我希望你记住：

你搭建这个系统，不是为了成为「AI知识管理专家」。 你搭建这个系统，是为了让你真正想做的那件事—— 无论它是写作、教学、研究、还是某个你还没有完全想清楚的事—— 有一个比任何时候都更强大的知识基础设施来支撑它。

系统是手段。你真正想做的事，才是目的。

别忘了这一点。

一只阿木木，继续建。

附录：模块四完整操作清单

Markdown

## 模块四 · 完整操作清单
### 一、知识资产盘点
- [ ] 生成全局资产盘点报告（/wiki 命令）
- [ ] 建立 ASSET-MAP.md，完成四维度资产地图
- [ ] 识别并记录所有「沉睡资产」
- [ ] 完成三个决策：激活什么、清理什么、升级什么
- [ ] 发布「我的 Skill Stack 90天资产盘点」文章
### 二、自学习系统建立
- [ ] 对比 CLAUDE.md v1 和当前的知识状态，找出需要更新的部分
- [ ] 完成 CLAUDE.md v2（包含六层结构）
- [ ] 将 v1 存档为 CLAUDE-v1.md
- [ ] 重新设计 hot.md 模板（加入「未完成思路」和「长期记忆」层）
- [ ] 建立「每次会话结束更新 hot.md」的固定习惯
- [ ] 写「CLAUDE.md 进化史：我的 AI 对我的理解变了什么」
### 三、课程设计
- [ ] 完成「走过的路」素材整理（踩坑案例 + 痛点 + 意外发现）
- [ ] 用 Claudian 生成三节课大纲草稿
- [ ] 按「接口设计」原则，为每节课定义可交付物
- [ ] 录制三节课的第一版试讲（哪怕只是给自己听）
- [ ] 邀请1-2个信任的朋友，体验课程，收集反馈
- [ ] 基于反馈，完成第一次课程迭代
### 四、系统 2.0 规划
- [ ] 完成90天复盘五问，写成一篇文章
- [ ] 确定第二个90天的「深耕领域」
- [ ] 制定 Skill 库纵深扩展计划（目标：核心领域10本书）
- [ ] 设计第一个付费产品的最小可行版本
- [ ] 在 Newsletter 里发布「系统 2.0 宣言」
- [ ] 设置180天的系统里程碑，在日历里写下来
### 五、Build in Public（模块四专属）
- [ ] 发布「我的知识资产地图长什么样」（附截图）
- [ ] 发布「CLAUDE.md 更新了，AI 对我的理解变了什么」
- [ ] 发布「我设计了一个三节课，这是我走过的路」
- [ ] 发布「90天 · 一只阿木木的真实复盘」
      （这是你整个旅程中最有价值的一篇文章）

「第一个90天，你建了一个系统。

第二个90天，系统开始建你。

它会推着你读更深的书，问更难的问题，写更真实的内容，遇到更多因为你的记录而受益的人。

这就是知识复利真正开始发生的时刻——不是你拥有了更多，而是你拥有的开始主动为你工作。

去吧。你的系统 2.0，从今天开始。」

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】🌊