我最近给自己的 Observe 调一条入库规则，一晚上剪进了十几条链接。
Observe 是我自己长期在用的一套知识整理系统。我做它，不是为了归档，而是为了给写作和判断持续供稿。资料先进 Inbox，再被提炼进 Digest，最后只留下少数能反复调用的判断。
也正因为它离“出口”很近，我很快发现，问题从来不只是抓取得够不够快。剪一篇，存一篇，再让 AI 总结一篇，表面上每一步都更高效。
第二天回看，我却说不出自己到底记住了什么。
今天最容易被做大的，其实是收藏夹。
这不是小习惯问题。对产品经理和知识工作者来说，资料系统一旦只会吞吐、不会筛分，最后影响的就是写作、沟通和产品取舍。AI 越会读，越会写，很多人的“第二大脑”越像一座无人认领的仓库。
仓库不是记忆。
后来我慢慢意识到，真正卡住我的，不是抓取能力，而是每条内容进来以后，谁来决定它值不值得留下，跟什么东西连起来，又该在什么时刻被取出来。
这个问题，我最近在三个样本里反复看见：Karpathy 的 LLM Wiki、Bush 当年的 Memex，还有我自己这套一直在跑的 Observe。
Karpathy 先把人机分工的边界留了下来
我第一次看 Karpathy 公开展示 LLM Wiki，最吸引我的不是它能写多少页面，而是它刻意留下的空白。
Karpathy 的 LLM Wiki 展示了一条被刻意保留下来的边界：来源仍然要人自己挑选，LLM 再接手摘要、组织与关联。Karpathy 在公开表述里也把这条分工线说得很明确：人负责策展来源、引导分析、提好问题、思考意义，LLM 负责其余整理劳动。
这种克制在今天很反常。不少知识工具的设计，像是在假设：只要吞得够多，沉淀就会自然发生。
可一旦摘要生成变成秒级动作，收藏的幻觉也会被一起批量生产。你看到的是一页页整理好的内容，脑子里留下的却常常只是“我处理过了”。
我早就踩过这个坑。
早期我也让系统自动把新链接压成摘要，结果同一类观点被写得越来越顺，反而更难分辨谁在讲事实，谁只是在换个说法。
来源一旦被折叠、分歧一旦被抹平，人就很容易把“整理完”误当成“理解完”。
LLM Wiki 出现得很巧。它落在生成成本继续下探的时候，也正因为如此，这条分工线更值得看。
名人工作流当然容易被神化，但如果这只是 Karpathy 的个人习惯，它很难解释为什么更早的 Memex 和我自己的 Observe 里，也都把最关键的一步留给了人。
因为便宜的是整理，不是意义。
知识库最稀缺的，一直都是判断权
上周我在 Observe 的 Inbox 连续剪入不少链接，第二轮只留下少数进入 Digest。
被删掉的往往不是差内容，而是暂时没有判断位置的内容：没有用途，没有冲突，没有要回答的问题。这个删留动作看起来很笨，却比自动摘要更关键——它决定什么东西有资格占用我未来的注意力。
有一次，我把一篇讲长期记忆的文章和一篇讲 agent 工作流的帖子一起扔进 Digest。
系统会先回我一些候选概念和交叉链接，其中有一条把“认知债务”连到了“内部人失忆症”。
这个回应有用，不是因为它替我想明白了，而是因为它逼我马上判断：这条连接到底是不是我自己的连接。输入是两篇来源，系统回的是候选路径，真正要落笔的仍是人。
1945 年，Vannevar Bush 提出 Memex 时，最有穿透力的部分不是设备想象，而是 trails。
人不是把材料塞进更深的目录里，而是把材料连成个人可追溯的路径。今天回看，这一点仍然扎眼；至少在我用过的不少知识工具里，系统更强地奖励收集量，而不是你留下的连接。
Karpathy 公开讲的人机分工，与 Bush 的 trails 其实互相照亮。
前者把“谁来选、谁来问、谁来想意义”说清了，后者把“知识为什么要按个人路径组织”说早了。我把这条分工叫“判断簿记”：人给准入、命名和意义，LLM 负责摘要、标签和互链。
两者放在一起，我越来越在意的其实是判断权，容量反而没那么重要。
关键不在谁存得多，而在谁能把一条内容安放到自己的判断链里。
在 Observe 里，这个判断权不会只出现在开头一次。它先表现为准入，接着表现为命名，最后表现为调用。
Inbox 只是粗筛；到了 Digest，我还要给条目起名字，决定它是概念、案例，还是反例；到了 Spotlight，我会把一句可复用的判断单独拎出来，避免它被整篇文章的情绪带走。
命名这一步很费神，但也正是在这一步，资料第一次从别人的内容变成我的材料。
在我的使用里，你把十几篇相近材料全量吞进去，模型往往更容易把共识写圆，却不会主动替你保留分歧的锋利。
产品经理真正需要的，常常不是“这类观点大意是什么”，而是“哪两条判断在打架，我该站哪边”。
Bush 当年不是在谈今天的 AI 产品，我也不想硬做时代映射；但这三个样本重复出现的，是同一种动作：人亲手建立关联，系统负责把关联记牢。
所以连接先于收藏。
Observe 的真实流转：判断在哪里下注，簿记在哪里外包
我把一篇访谈送进 Digest，系统会回我概念、框架和交叉链接。它还会顺手给一个很像样的标题。
真正慢的部分不在这儿，真正慢的是我得决定：这篇东西最后是进 Spotlight，还是直接删掉。
Observe 看着像笔记工具，实际更像一条知识管线：入口做删留，中段做命名，出口做供稿。每个节点都在问同一件事：这一条内容，到底要不要占用未来的注意力。
在 Inbox，我输入的只是链接、摘句，偶尔加一句“为什么先存”。
我现在把 Inbox 配成不会立刻替我写成长文，而是先给我一个短回执，比如来源类型、重复提醒、可能关联项。这个回执的价值不在聪明，而在它让我当场做删留，不把拖延包装成归档。
到了 Digest，LLM 接手的是簿记。
它负责把材料压成可读摘要，抽出概念，补齐标签，生成交叉链接，顺手把格式整理干净。但这里最容易被误解的一点是：摘要不是结论，标签也不是意义。
如果没有人去命名这条内容为什么重要，整理就很容易退化成看起来很整齐的库存。
Spotlight 是我最舍不得自动化的一层。这里只有原子化知识卡片，不收整篇文章的情绪，也不收作者的修辞，只留下可被重复调用的判断。
比如一篇讲 AI 自动总结的文章，进 Spotlight 后最后只剩一句：“生成成本降了，验收成本没有。”
这时候系统做的是把来源、出处、相关卡片都记准，我做的是决定这句话值不值得反复调用。
最后，材料沉到 docs/ammo.md。这里不是总库，而是单一供稿口。写文章时，我给系统一个主题，它返回的不是所有相关材料，而是已经过筛、带出处、能直接进入论证的几条判断。
写作时，docs/ammo.md 会被反复调用，真正进正文的通常只是少数几条。这个比例很好，因为写作需要的是判断密度，而不是资料饱和。
连接之所以比收藏重要，是因为只有被判断过的连接，才能在出口处变成可调用的材料。
所以我宁愿让 LLM 做簿记，也不愿把判断一起外包出去。
我把摘要、标签和交叉链接交给它，自己盯准入、命名和删留。对需要持续写作、复盘或做产品判断的人来说，没有稳定出口，这套东西就很容易退化成更复杂的收藏夹。
我的原则是：判断下注，簿记外包。
产品真正会拉开差距的，在出口
最近我用 docs/ammo.md 写一篇企业知识系统的文章，系统会先回一批相关材料。
我删到最后，只留下少数判断和一个反例，因为正文真正需要的是立场，不是热闹。
一旦知识库是为了供稿，而不只是归档，产品差异就会从“收多少”转向“送什么出去”。
这个出口场景让我越来越清楚，AI 知识产品接下来未必会在“更会收”上分出胜负。
获取信息和生成内容的成本继续下探以后，自动抓取和批量总结会越来越廉价。
问题是，自动总结一切，并没有替我完成意义选择。
你省掉的是整理劳动，堆起来的却是认知债务；等到下次真要写、真要决策，连自己为什么存过这条都要重新考古，这就是我理解的内部人失忆症。
抓取只能解决入口，沉淀依赖的还是判断。
每次写作前我从 docs/ammo.md 往回倒推，都会发现：好知识库的关键，在于能把判断稳定送到出口。
入口有没有人工准入，决定它是仓库还是判断器。中段会不会把来源冲突和命名动作留下来，决定你拿到的是圆滑摘要，还是可辩论的材料。
出口能不能稳定返回可直接调用的判断，最后决定它服务的是沉淀，还是继续囤积。这里真正难做的，不是模型多会写，而是产品愿不愿意把人的责任留下来。
即使长上下文继续增强，我也不认为人工判断会退出知识库的核心环节。
把 Karpathy 的克制、Bush 的 trails 和 Observe 的流转放在一起看，我更愿意押注的是：生成会继续变便宜，但连接和判断不会。
“人给判断，LLM 做簿记”，差不多就是 AI 知识库的责任边界。
能接到出口的判断链，才是资产。