信息≠知识
收藏和转发只是获取，还没有形成自己的理解。
AI·LAB / 信息沉淀系统
我们的信息如何沉淀到大脑
信息不是被收藏就变成知识。它要经过获取、过滤、加工、审阅与确认，才能成为可长期调用的认知资产。
收藏解决的是“以后可能会看”。知识系统解决的是“需要时能够准确找到、理解和调用”。
这套系统不追求存得更多。它先判断什么值得留下，再把经过确认的部分变成结构化知识。
核心理念
先把三个误区划掉
系统的价值不在于自动保存一切，而在于让每一步都有清楚的门槛。
加工≠沉淀
进入缓冲区只是等待处理，还不能成为长期记忆。
公开≠自动
进入公开层之前，必须经过脱敏、审阅和确认。
三种机制同时运转
单条信息有路径，整套系统是并行的
获取、自动化和信息减法不是三个先后阶段。它们同时工作，但每一条具体信息仍要依次经过获取、筛选、审阅和入库门槛。
把“收藏”改成“发给 AI”
看到值得保留的内容，直接交给 AI 获取原文和来源。视频、文章、网页与零散笔记先集中进入待处理缓冲区。
解决的是：别让有价值的信息散落。让规模化输入先完成预处理
系统提取信号、交叉验证、生成候选并给出置信度。异常或有冲突的内容进入审阅队列，最终由人决定。
解决的是：人不必从头阅读每一条。先减少噪音，再增加输入
优先保留权威、可追溯、长期有用的来源。社区讨论只用于观察，营销软文和重复内容不进入正式知识库。
解决的是：注意力不被低质量内容稀释。自动处理区
- 原始输入
- 信号提取
- 候选评分
人工判断区
- 异常队列
- 审阅确认
长期沉淀区
- 正式知识库
自动化负责缩小范围，人负责处理冲突、边界和最终落点。
信源减法
真正稀缺的不是信息，是注意力
系统先建立来源原则，再决定抓什么。可追溯、长期有用的内容优先；仍需判断的内容暂存观察；明显噪音不进入知识库。
主动搜索与 Deep Research 属于规划能力，将在需要时按任务发起，不承诺自动常驻抓取。
知识结构
一张卡片，既给人读，也给 AI 找
Front Matter 是卡片顶部的结构化说明。正文负责讲清概念，顶部字段负责标注类型、领域、层级、标签和来源。
脱敏示例 / 不对应真实路径或真实卡片
---
type: knowledge-card
domain: 公开示例领域
level: 核心概念
tags: [示例标签, 可复用]
source: 已脱敏公开来源
---知识卡片标题
- 一句话定义
- 先说明它是什么。
- 核心机制
- 再解释它为什么成立。
- 适用边界
- 说明什么时候不能直接套用。
- 关联卡片
- 连接前置概念与延伸知识。
置信度与审阅
不是所有候选，都配得上同一种处理
置信度不是替人做决定的分数。它只帮助系统安排审阅顺序，最终仍要服从来源、证据和公开边界。
01高置信度
来源可靠、可验证、与现有知识一致
快速确认，或按已批准规则入库
02中置信度
新主题、有冲突，或需要补充语境
保留在审阅队列，由人决定更新、合并或延后
03低置信度
重复、不可追溯，或存在明显风险
不进入正式知识库
多种输入→待处理缓冲区→候选知识卡片→人工审阅→正式知识库
系统组成
沉淀之后，还要能继续生长与输出
系统由三部分组成。第一部分已经在日常运行，后两部分用于未来扩展，不把规划写成已经上线的能力。
知识卡片沉淀
把收藏、笔记与规模化输入转成候选卡片，经过筛选与审阅后进入正式知识库。
- 获取输入
- 生成候选
- 人工确认
- 结构化入库
主动搜索 / Deep Research
围绕真实问题拆解搜索方向，分派调研，形成报告，再提炼可复用的知识卡片。
推荐 Skill：Deep Research（待接入）
AI 外脑专栏
从私有知识库中挑选适合公开的内容，完成脱敏和人工确认后，持续更新到独立站。
公开出口：AI 外脑（待接入）
产出总图
从信息噪音，到可复用认知网络
单条内容只有走完门槛路径，才可能成为正式知识。公开内容则在正式知识之上，再多一道脱敏与确认。
Skill 获取笔记同步规模化输入
↓ 集中暂存原始输入，保留来源和最初问题。
提取信号，形成知识卡片候选和可参考资料。
根据来源、证据、置信度和适用边界决定去向。
Front Matter 加 Markdown 卡片，持续连接、修订和调用。
只呈现经过脱敏、审阅和人工确认的公开子集。
结论
信息沉淀不会自动发生。
它需要获取、过滤、加工、审阅与确认的闭环，才能从噪音里长出可复用的认知网络。