科学网—如何用AI帮你自动构建卡片笔记盒？
精选
已有 93 次阅读
2026-5-22 10:00
| 系统分类: 科普集锦
缘起 最近我折腾出一个小工具：用 AI 帮我自动构建卡片笔记盒，也就是 Zettelkasten。
它能从我过去写过的文章和 Get 笔记里自动抽取卡片，建立双向链接，再反过来生成选题和文章骨架。
这事儿听起来有点玄。我们先看一位榜样。
他叫尼古拉斯・卢曼（Niklas Luhmann），德国社会学家。
从 1960 年代进入学术机构，到 1990 年代完成《社会的社会》，卢曼持续写作了 30 多年。他一生出版 70 多部著作、近 400 篇学术论文，其中不少后来被翻译成其他语言。
你想想，这个产量放在任何时代都很吓人。不是偶尔灵光一现，而是长期、稳定、高密度地输出。
很多人自然会问：他的秘诀是什么？
卢曼自己的回答是：他有一套卡片笔记写作法。
在纪录片 Niklas Luhmann – Beobachter im Krähennest 中，他展示过自己的纸质卡片系统。那些卡片不是简单的摘抄，而是通过编号、关联和不断增补，长成了一张可以反复进入、不断生长的知识网络。
当然，卢曼的产出不可能只靠工具解释。但他的卡片盒至少说明了一件事：长期写作需要一个能反复调用、不断连接的材料系统。
后来，德国作家申克・阿伦斯（Sönke Ahrens）写了一本书，叫《卡片笔记写作法》。
这本书中文版首发时，我还参与过直播翻译，也给它写过推荐语。
按理说，我应该是这套方法的忠实实践者，对吧？
问题就在这里 —— 你知道的，我这个人比较懒。
你让我真去践行卡片笔记写作法，我一般能起个头，然后热乎三两天。再往后，资料还是散落各处。用好听的话讲，叫「一地珍珠」。
痛点 我的资料主要散在两个地方。
一类是已经发布过的文章。
这些文章从头到尾写完，表面上看，内容已经沉淀下来了。但问题是，文章是线性的。它们像一条条铺好的路，适合读者从开头走到结尾；可它们没有自动拆成可以复用的长期笔记。
卢曼那套方法最重要的一点，恰恰不是「写了很多卡片」，而是这些卡片之间 能形成网络 。一个想法将来可以被不同文章、不同问题反复调用，彼此之间还能发生新的连接。
这一点，我过去做得并不好。
另一类资料在 Get 笔记里。
其实笔记资料原本存放得更碎。只是最近两年，我越来越多地用 Get 笔记做日常记录，才聚拢起来。看到什么有意思的内容，读到什么材料，听到什么想法，或者知识城邦里同步进来的各种信息，都会沉淀进去。
这当然很好。至少资料没有丢。
但是，资料没有丢，不等于资料被用起来了。每次我要写新文章，还是得绞尽脑汁重新琢磨选题。原本卡片网络应该帮助你「自底向上」涌现选题，但现实情况是：网络没长出来，选题还得靠我自己硬憋。作为一个承诺给知识星球用户每个月三篇文章的作者，我时时感到选题压力。
方法 后来我想，现在很多自己不乐意干的事，不都可以让 AI 来帮忙吗？
你懒得做 PPT，AI 可以帮你做。你懒得写报告，AI 可以帮你搭框架。你不愿意从零写数据分析代码，AI 可以给你写出来。甚至在编程领域，AI 辅助也已经很普遍。
既然写代码都在变，卡片笔记的抽取、整理、筛选和关联，为什么不能让 AI 来帮忙？
不过卡片笔记不只是整理格式。它还牵涉来源、观点归属和长期复用，所以不能简单交给 AI 一键生成，必须加几道门控。
我的思路其实很简单。
我先把已有文章和 Get 笔记都当成事实来源。AI 不能凭空给我编卡片。卡片必须来自我已经写过、记过、读过、收集过的材料。否则，生成出来的东西看似丰富，实际上可能只是语料库里漂来的浮萍。
有了来源以后，AI 再从里面抽取候选卡片。所谓抽取，不是机械摘抄一段话就完事，而是把其中可以长期复用的概念、判断、经验、案例拆出来，形成原子化的笔记。
抽出来以后，还要筛选。如果一个主题已经有类似卡片，就不必重复新建。否则重复冗余内容越积越多，最后形成的必然不是知识网络，而是垃圾场。
最后，还要和我的价值观对齐。
这一点听起来有点抽象，但非常关键。Get 笔记里可能保存了很多外部内容，有些来自书，有些来自文章，有些来自别人的观点。它们进入我的笔记系统以后，不能自动变成「我的观点」。
我需要让 AI 根据我以往文章中体现出来的价值观，对这些素材做一次候选判断：这个说法我是否支持？它和我长期强调的东西是否一致？后面我来阅读 AI 给出的这些判断。这就跟抽卡一样，总是充满新鲜和刺激感。它说得对，我签字；它说偏了，我改；它说不清楚，我删。
对 AI 基于你价值观给出的自动评语进行人工审查， 这个步骤非常重要，不能省略 。AI 不根据你的价值观进行初步评论，岂不是让别人在你的头脑里纵马驰骋？AI 给了评论你看都不看直接用，那这个笔记库的主人，便不再是你，而是 AI。
有了这几道门控，AI 才不是替我思考，而是替我做那些机械、重复、但又必须做的下手活。
技术 技术上，我用的是龙虾，也就是 OpenClaw，再加上 Codex 订阅。
如果你不关心技术细节，可以先把它理解成：我写了一套规则，让 AI 按规则替我整理资料。
这套规则在 Claude / OpenClaw 语境里叫 Skill，你可以把它理解成一份给 AI 用的操作说明书。Agent 就是具体干活的 AI 执行者。它按照这份说明书，去读取我的资料、抽取卡片、建立连接、生成候选选题和文章骨架。
当然，这件事也不是没有代价。
我做实验时，Codex 用量界面显示：大概一天时间，这个任务消耗了我当周额度的约 50%。这个数字看着还是挺恐怖的。
但反过来说，它干活儿的产出成果，也着实让人倒吸一口凉气。
过程 这是它昨天夜里工作的样子。
那一夜，它主要在扫描旧文章、抽取候选卡片、写入来源链接。录屏里能看出，它连续跑了很久。等我第二天再看，任务已经完成。
我看完之后真觉得，这就是现代版的 AI 打工人。它不喊累，也不分神，踏踏实实把一件长时间重要任务做完了。这也是 OpenClaw 第一次帮我完成这样的任务。我很满意。
这些活要让我自己干，不是说一定会把我累成什么样，而是我从一开始就不会启动。别忘了，王老师是个懒人。
效果 那它最后做出来的效果怎么样？
我主要看三个效果：卡片有没有来源，卡片之间有没有连接，这些连接能不能反过来生成选题。
我把结果目录放在 Obsidian 里面打开。
左侧是它抽取出来的一系列笔记列表。每张卡片都有自己的来源，不是凭空生成。再看右侧，会出现一系列相关卡片。这些卡片之间已经建立了关联，不再是一条孤零零的摘录。
有一张卡片来自 Get 笔记，是 2021 年 1 月我当时阅读相关内容时留下的记录。
原文很短，但下面出现了一个「我的判断」。
注意，这个「我的判断」不是我手写进去的。它是 AI 拿着我以往文章中抽取出来的价值观，对这条原始笔记进行衡量后给出的结果。
这一条我觉得总结得很到位，直接签字就好。换一条不准的，我照样会改。
另一个例子，是 2025 年 9 月 29 日关于 Agent 系统构建的一些想法。卡片里不但有「我的判断」，还有原文链接。
点进去之后，可以直接跳回原始记录。那条记录本身是一个录音笔记，里面讲到了强化学习、多智能体协作等内容。
新生成的卡片和原始资料之间，通过双向链接接上了。你不是只看到一张「AI 总结卡」，而是随时可以回到源头，检查它到底从哪里来，从而找到更为丰富的原始信息。
这一宿下来，OpenClaw + Codex 利用我的 Skill 生成了上千张卡片，以及这些卡片和原始资料之间的引用关系。
当然，这种大网图本身更多是为了好看。它能说明数量很多，也能说明关联已经建立起来了，但你不能指望靠一张网状图看出所有结构。
真正有用的是下一步： 怎么用这些卡片帮助你产生选题和文章骨架 。
为了让候选题目更容易浏览，我让它定期生成一个简单的 HTML 页面，展示排在前三位的候选题目。
我拿这个试了一下，发现从生动易理解的角度来看，确实比静态 Markdown 更直观。
它给我列了三个候选，都是利用卡片关联聚簇分析自动涌现的。我们主要看第一条：教学幻灯流水线。
系统会告诉我，这个选题背后有多少张卡片支撑，它们之间连接是否紧密，为什么这个选题值得写。
然后，它会给出一个初步大纲。
这个大纲不是凭空拍脑袋来的，而是把不同模块和对应卡片放在一起。每个模块下面有哪些卡片支撑，卡片又来自哪些原始资料，都可以继续点进去看。
这比你先写一个大纲，再逼着 AI 去找材料、甚至让它自己编材料，稳得多。
好处主要在两点。每个模块下面能追到原始卡片，我不是让 AI 临时补材料，而是在已有材料网络里找结构。写文章时，不是临时现浇混凝土，而是在已有结构件的基础上拼装。
更有意思的是，它还会告诉我这个选题目前有什么漏洞。
比如这个例子里它会说：这里缺少反方视角，缺少对抗性审视；缺少案例和实证。
这就很有价值。
因为很多时候，我们写文章最容易陷入的毛病，就是顺着自己的观点一路写下去，越写越顺，最后看上去很完整，其实没有经过反方压力测试。
现在系统会提醒你：这里证据还不够，这里需要补洞。
当然，为了把自己的懒惰进行到底，我还在 Skill 中要求，如果发现有需要补漏的地方，可以自动调用深度研究技能，也就是让 AI 去补找论据、资料和案例。
这里仍然有一道闸门：补找来的材料不会直接塞进文章，而是先进入待审来源库。确认来源可靠、确实和当前问题相关之后，才会被做成新的卡片，并且和已有卡片建立关联。
这就形成了一个很有意思的闭环。
你的卡片网络生成选题；选题暴露缺口；缺口触发补充研究；补充研究又变成新的卡片，回到网络里。
这有点「生长」的味道吧？
时效 我给学生看这个系统时，他们眼睛都直了。
但有个学生问了一个很好的问题：
如果把以前的资料都拿进来，看起来确实丰富，可这里面会不会有时效性问题？比如某些旧工具、旧模型、过期通知之类的内容，系统会不会还把它们抽成卡片？
我说，好问题。
你看这张图。
这是当天早晨 6 点 09 分左右处理过程中的记录。它当时并没有把所有来源都无脑变成新卡片。
为什么？
因为它会跳过一些强时效性、且距离现在已经比较久的内容。
比如限时免费、邀请码、模型工具版本消息。这些内容当时可能有价值，但过了那个时间窗口，再进入长期卡片系统，反而会污染网络。
所以，能进入卡片盒的，不应该是所有信息，而应该是适合长期复用的信息。
这一点很关键。
卡片笔记盒不是垃圾桶。它不是「来者不拒」的资料仓库。它应该像一个筛子，把短期噪音过滤掉，把能够跨时间复用的东西留下来。
分享 学生看完以后很兴奋，问我：老师，这个怎么获得？
我说，我分享给大伙儿。
他说，太好了。老师你要是不公开分享，我就想跑到你的 GitHub 上去拿。
我心说：这是学生，还是劫道的啊？😂
好在我本来就打算公开分享这个 Skill。GitHub 地址在这里：
https://github.com/wshuyi/zettel-builder
哦，对了，如果你觉得有用，可以顺手点颗星。
这个 Skill 现在还在快速迭代。你看到这篇文章时，GitHub 上的版本很可能已经比我录视频那会儿更新、更好用了。
小结 最后，我们回到开头的问题：AI 到底能不能帮你构建卡片笔记盒？
我的答案是：能，但你要理解它能帮到哪里，也要知道它不能替你做什么。
它能帮你做机械任务。
比如从大量资料中抽取候选卡片，查找原始来源，建立双向链接，生成相关卡片列表，定期扫描选题候选，发现证据缺口。
这些事情重要吗？重要。
这些事情烦吗？非常烦。
这些事情如果完全靠我自己做，我会不会坚持？大概率不会。
所以，让 AI 做这些下手活，很合理。
你可以把它想象成厨房里的切菜工。它先把菜洗好、切好、分类摆好，甚至提醒你：这道菜少了点酸味，那边还缺一个配菜。
但主厨依然是你自己。
最后这道菜做成什么味道，哪些材料能进锅，哪些判断要留下，哪些观点要删掉，哪些结论要承担责任，还是你来拍板。
我知道有些卡片笔记写作法的严肃实践者，看到这里可能会担心：卡片如果不是自己亲手消化，会不会只剩壳子，没有理解？
我理解这个担心。
如果你的领域变化不快，问题边界稳定，你能踏踏实实、慢悠悠地手工打磨卡片，那是一种幸福。
但不是所有领域都有这样的幸福。
在外部环境快速变化、工具不断迭代、信息密度越来越高的时候，完全手工整理可能会在效率上吃亏。至少对我来说，如果还完全靠手工整理，很多选题可能根本来不及长出来。
我们要做的，不是把思考交给 AI，而是把那些阻碍我们开始思考的机械门槛，尽量降下来。
AI 帮你切菜。
主厨，还是你自己。
祝 AI 辅助卡片笔记写作愉快。
如果你觉得本文有用，请 点击文章底部的「推荐到博客首页」按钮 。
如果本文可能对你的朋友有帮助，请 转发 给他们。
欢迎 关注 我的专栏 ，以便及时收到后续的更新内容。
延伸阅读 • 文献综述能放心交给 AI 吗？ 聊聊如何搭建「不翻车」的科研工作流
• Claude Skill 快照：给你的 AI 技能迭代加个「后悔药」
• 卡片笔记太多，回忆不起来？快用人工智能帮你自动找寻关联
• AI 时代，请停止「做作业」，去创造属于你的「作品」
• Claude Skills 入门：一篇文章搞懂 AI 怎么从「嘴替」升级成「打工人」
转载本文请联系原作者获取授权，同时请注明本文来自王树义科学网博客。 链接地址： https://blog.sciencenet.cn/blog-377709-1535920.html
上一篇： GPT Image 2 让图文并茂不再稀罕