AI写作的痛点并非表达能力的局限，而是上下文管理的缺失。本文揭示了一种革命性的知识管理方法——通过构建三层知识库（原始资料层、结构化知识层、内容输出层），将碎片化写作升级为可持续的知识生产系统。从Obsidian实战出发，教你如何让AI成为真正的思维伙伴，而非临时写手。

我一开始也以为，只要把提示词写得足够完整，AI 就能持续帮我产出文章。

尤其是我开始整理自己的知识库、准备做长期输出之后，这个问题变得更明显：我不是缺一篇文章，而是缺一套能反复调用素材和判断的系统。

真正开始准备公域内容后，我发现最消耗精力的并不是写作本身。每次写稿前，我都要重新翻收藏夹、找网页、整理笔记，再把零散素材拼进对话框，向 AI 恢复一遍背景。

我调整流程，不是因为 AI 不会写。它很快就能生成一篇结构完整的稿子。问题在于，它不知道我过去看过什么、做过哪些判断、哪些观点已经验证过、哪些只是暂时保留的线索。换一个对话窗口，上下文又要从头整理。

最近整理 Obsidian 知识库时，我把注意力从“怎么写更强的提示词”，转向“怎么让资料和判断被 AI 持续复用”。

这篇文章不讨论复杂插件，也不追求全自动。我想分享的是一套基础流程：用 AI + 本地知识库，把一次性写稿变成可以积累的个人知识生产系统。

一、我为什么不再直接让 AI 写文章

传统的 AI 写作流程通常只有三步：

1. 找一个选题；
2. 把零散素材复制进对话框；
3. 让 AI 生成文章。

这种方式适合临时应急，但不适合长期输出。每次对话结束之后，资料之间的关系、自己的判断、已经验证过的结论，并没有真正沉淀下来。

下一次写作时，你依然要从头开始。

更关键的是，AI 不知道哪些内容来自真实资料，哪些只是待验证的线索；不知道某个观点曾经出现在哪篇材料里，也不知道哪些结论已经过时。它只能根据当前窗口里的信息，生成一篇“看起来合理”的文章。

对产品经理、运营人员和内容创作者来说，这种问题尤其常见。日常资料可能散落在需求文档、会议纪要、用户反馈、竞品分析、项目复盘、课程笔记和聊天记录里。AI 真正能提升效率的地方，不是替人写几句漂亮话，而是帮助我们把这些分散材料组织成下一次还能继续使用的上下文。

二、AI 写作真正缺的不是表达，而是可复用上下文

我后来把这个问题理解成“上下文管理”。

直接写稿时，我给 AI 的通常是几段临时摘录、一条需求和一个模糊选题。它能够完成当次任务，下一次写相近主题时却很难接着用。

对我来说，可复用的上下文并不复杂：重要判断能回到原始资料，新素材能进入已有主题，新资料出现后旧结论也可以修正。

这也是为什么我开始把知识库当作 AI 的长期工作台，而不是一个更漂亮的收藏夹。

三、我的三层知识库：原始资料层、结构化知识层、内容输出层

我现在更倾向于把知识库拆成三层：

1. 原始资料层：保存事实，不急着改写

这一层放文章、网页、字幕、会议纪要、项目资料、视频笔记等原始内容。

原则很简单：原始资料尽量保留原貌。

因为一旦只保留摘要，很多上下文、案例和细节就会丢失。后续遇到新问题时，也很难回到原文重新判断。

例如，我看到一篇文章或保存了一段课程转写，不会立刻改写成自己的结论，而是先放进 raw。后续写作时仍然可以回看原文，判断它是事实、观点还是待验证线索。

2. 结构化知识层：让 AI 负责提炼和连接

这一层不是简单的“摘要文件夹”，而是持续维护的知识网络。可以包括：

• 来源页：这份资料讲了什么；
• 主题页：某个方向目前有哪些信息；
• 概念页：一个方法、术语或判断是什么；
• 实体页：某个产品、公司、工具或人物有哪些关键信息；
• 综合页：跨多份资料后形成了哪些新结论。

AI 真正适合做的工作，不只是压缩文字，而是判断新资料与哪些旧笔记相关、更新了什么结论，以及哪些内容暂时只能作为线索保留。

继续沿用刚才的例子：一篇进入 raw 的文章，可以先生成一张来源页；如果其中提到了“本地优先”“双向链接”或“上下文管理”，再更新对应的主题页和概念页。多份资料积累后，再形成阶段性判断。

3. 内容输出层：围绕问题重新组织，而不是拼接摘要

文章、公众号推文、汇报材料、课程提纲、SOP，都属于输出层。

输出层的重点不是“把知识库复制出来”，而是围绕读者的问题重新组织：哪些内容应该展开，哪些内容应该舍弃？

知识库负责提供可信的积累，文章负责完成一次有目的的表达。

如果我要为公众号或人人都是产品经理准备一篇文章，就不再从空白对话框开始，而是从主题页和综合页取材料，再回到来源页核对关键细节。文章完成后，它也会回到 outputs，成为后续可以复用的历史输出。

一条素材的流转路径大致是：

网页文章或课程转写

→ 放入 raw 保留原文

→ AI 生成来源页

→ 更新相关主题页、概念页和阶段性判断

→ 从主题页和综合页取材写作

→ 文章进入 outputs，并回链到相关知识节点

四、最小可执行版本：先跑通一篇文章

如果你准备开始搭建，不需要一上来就追求复杂系统。一个最小版本就够了：

知识库/

├── raw/ # 原始资料

├── wiki/ # 结构化知识

└── outputs/ # 文章、汇报、SOP 等输出

先不要搭几十个目录，也不要急着研究插件。最好的起点，是选一个你真的想写的主题，完整跑通一篇文章。

我自己的变化可以概括成两条路径：

以前：临时找资料 → 临时拼上下文 → 临时生成文章 → 结束后资料再次散掉

现在：资料进入 raw → AI 生成来源页 → 更新主题页 / 概念页

→ 从 wiki 取材写作 → 输出进入 outputs 并回链

第一步：只建立三个文件夹

先建 raw、wiki、outputs。如果后续资料变多，再逐步细分。最小可用系统的重点不是结构完整，而是完成一次真实输出。

第二步：把相关原始资料放进 raw

围绕选题，先放入 3—5 份真正相关的资料，例如两篇网页文章、一段课程转写和一份自己的旧笔记。

第三步：让 AI 生成来源页

每份资料生成一张来源页，至少记录：

• 来源是什么；
• 核心观点有哪些；
• 哪些细节值得保留；
• 哪些内容仍需核验；
• 和当前选题有什么关系。

第四步：抽取主题、概念和判断

不要停留在摘要。让 AI 把多份来源合并到一个主题页，并抽取少量核心概念。比如写“AI + 知识库”，主题页可以记录资料范围、共同结论和待补充问题。

第五步：从主题页和综合页取材写作

写作时，不要只说“根据知识库写一篇文章”，而是给出读者、问题和目标：

面向想长期使用 AI 输出内容的职场人，解释为什么直接让 AI 写稿会越来越空，并给出一套可以先跑通一篇文章的最小工作流。

问题越具体，知识库越容易转化为有读者价值的文章。

第六步：输出后回链，并更新日志

文章完成后放进 outputs，在主题页中记录这篇输出使用了哪些知识节点。再补一条简短日志：这次写了什么、还缺哪些资料。

这一步决定了下一次写作是继续积累，还是再次从零开始。

五、这套系统真正解决了什么问题

这套流程的价值，不是让 AI 自动写出“爆款”，而是减少内容生产中反复找资料、恢复背景和重新判断的消耗。

1. 每次写作不再临时拼上下文

主题页像一张地图，来源页保留依据，综合页保存阶段性判断。写新文章时，不需要重新翻完整个收藏夹。

2. 收藏资料开始进入信息分流

不是所有资料都值得逐篇精读。面对周刊、推荐流和视频列表，可以先做索引；真正遇到选题时，再进行专题化整理。

3. 同一份资料可以被多次复用

一段课程转写，可能先用于写公众号文章，之后又进入汇报材料或 SOP。前提是素材已经被整理成可以再次找到的节点。

4. 结论能够被复核和更新

重要观点保留来源，历史变化写进日志。这样，AI 生成内容时不只是“说得通”，还可以回到资料检查依据。

5. AI 有了明确的工作边界

我会给知识库保留一份简短规则：原始资料只读；新资料先生成来源页；新增概念前先查重；未经验证的信息不能直接写成确定结论；每次输出后更新索引或日志。

AI 负责整理、连接和辅助表达，人仍然负责提出问题、判断价值和承担发布责任。

六、搭建过程中最容易踩的坑

坑一：收藏很多，整理很少

收藏只能缓解焦虑，不能形成知识。真正有价值的是后续的提炼、链接、复用和更新。

坑二：一上来就搭几十个目录

知识库不是一次设计完成的产品。先跑通一篇文章，再根据真实场景扩展结构。

坑三：沉迷插件，而不是工作流

Obsidian 的优势是本地 Markdown 文件可控、可检索、可链接，也容易被 AI 读取。插件可以后续补充，但不应该成为开始行动的前置条件。

坑四：追求全自动

AI 可以负责大量机械工作，但主题判断、事实确认、最终观点和发布责任仍然需要人来承担。

尤其是医疗、投资、法律等高风险内容，AI 更适合做线索整理，而不是替你下结论。

坑五：把“生成摘要”误认为“形成知识”

摘要只是入口。真正的知识需要能被检索、被链接、被验证、被更新，并在下一次任务中再次发挥作用。

七、结语：文章只是输出，系统才是资产

AI 已经让“写出一篇文章”变得越来越容易。

但对于希望长期输出的人来说，真正稀缺的不是生成速度，而是可复用的上下文：自己的资料、判断、经验和历史结论，能够在下一次任务里继续发挥作用。

一个好的知识库，不是资料仓库，也不是数字收藏夹。

它更像一个长期工作台：原始资料保留事实，结构化知识形成连接，输出内容反过来沉淀经验。AI 负责整理和辅助表达，人负责提出问题、判断价值和承担最终责任。

当这套系统开始运转之后，公众号文章、平台投稿、汇报材料和 SOP，都只是不同形式的输出。真正值得积累的，不是某一篇文章，而是一套可以随着使用逐步完善的个人知识生产系统。

如果你也想开始，不必先搭建一套完整知识库。今天只做三件事就够了：建立 raw、wiki、outputs 三个文件夹；放入一份真实资料，让 AI 生成一张来源页；再围绕一个真实选题输出一篇短文，并把文章回链到相关知识节点。

先让流程真正跑起来，再根据自己的工作场景慢慢扩展。比起一次设计出复杂系统，这更接近知识库长期生长的方式。