Obsidian 外脑系统

最开始，我只是想把散落在各处的资料收回来。后来目录越来越多，标签越来越细，系统看起来更完整，我却更少打开它。

我逐渐意识到，知识库的目标不该是保存更多资料，而是参与我的判断、训练和输出。

我为什么重做这套系统

读完一篇文章、看完一个访谈或者完成一次项目复盘，都很容易获得“我已经理解”的错觉。

真正困难的是，离开原文以后，我还能不能复述核心判断；遇到新问题时，我能不能调用它；现实给出反馈以后，我会不会回来修改原来的理解。

整理的终点不是整齐，是下一次还能找到并使用。

五个动作

我把需要反复发生的动作压缩成五件事：

1. 高频输入：持续接触真实问题、代码、论文、产品和业务材料。
2. 强压缩：把大段输入压缩成能复述、能迁移、能行动的模型。
3. 主动回忆：不用原文也能讲清楚概念、判断和取舍。
4. 项目化输出：把学习转成 Demo、策略、作品集、决策或生活动作。
5. 反馈评估：用结果、复盘和下一步问题继续更新系统。

这五件事不是五个新目录。它们是一条从输入到反馈的流水线。

笔记不该只有一层

原始输入、压缩后的判断和最终项目资产，不应该混在同一层。

原始输入

聊天记录、闪念、截图和临时材料先进入收集箱。这里允许不完整，但要留下来源和未来用途。

压缩卡

值得保留的输入要回答四个问题：它帮助我理解什么、判断什么、优化什么，以及下一次会在哪里使用。

主题地图

同类判断积累到一定数量后，再进入主题地图。地图负责提供入口，不负责复制每篇笔记的全文。

项目资产

最终，知识要进入一个可运行 Demo、一份项目复盘、一次真实决策或者一篇能被别人阅读的文章。

每天只跑一个闭环

我不要求自己每天维护整套系统。每天只完成一个很小的闭环：

输入一条材料
→ 压缩一个判断
→ 主动回忆一次
→ 连接一个长期问题
→ 决定一个下一步动作

关键不是每天做很多，而是不要让输入长期停在收藏状态。

质量标准

一篇笔记如果不能回答下面任意一个问题，就需要继续压缩：

1. 它帮助我理解什么？
2. 它帮助我判断什么？
3. 它帮助我优化什么？
4. 它能不能转成项目、表达、决策或生活动作？

工具越强，这个标准反而越重要。AI 可以帮助我整理、关联和召回，但它不能替我决定什么值得留下。

这套系统怎么继续长

新的内容先进入收集箱。只有当它开始影响判断、行动或输出时，才进入更稳定的入口。

系统不是一次搭好，而是在使用中慢慢变轻。最终留下来的，不一定是最完整的结构，而是我真的会反复打开的那一部分。