最简单的 AI➕卢曼卡片盒笔记 实践:

- 工具: 飞书新版多维表格
- 支撑点:
- 子记录形成树形大纲, 进行思维链路CoT存储
- 保留卢曼卡片盒笔记法中的卡片编号, 单独一个字段存储
- AI对话, 支持对整个表格进行RAG, 知识库问答

- 流程:
- 写了新卡后, 直接在AI对话中寻找可能的关联点
- 找到合适的思维链路作为拓展点, 对新卡进行id编号, 存储
- AI对话, 给出一个主题, 在所有卡片中寻找关联点
- 根据关联点, 找到所在整条思维链路, 扩展思考

- 要点:
- AI帮我找关联点, 但真正要找回的是所在思维链路, 也就是回到过去思考的现场
- 卢曼卡片盒笔记法的价值在于: 存储思考而不仅仅是知识
- 利用AI召回的便捷, 多做主动回忆, 而主动回忆是学习的良方
- 善用多维表格, 每一条卡片都可以是结构化多字段存储, 破除卢曼卡片只能做"文科"笔记的妄论
- 图片和视频都能关联存储, 向前看, 不再拘泥手写, 搞antinet这种原教旨没有意义

卢曼卡片盒笔记的抽象要点:
- 存储: 思维链路CoT(chain of thinking不是大模型的专属)存储, 通过编号,形成树形大纲
写卡 --recall--> 取卡/堆 --编号--> 插卡
- 取用: 知识库对话, 与"过去的我"交谈
主题 --recall--> 取卡/堆 --> 对话

recall召回逻辑链路是重中之重:
- CoT模式存储的数据, 不通过静态分类来查找
- 可能的技巧:
- 实体卡片,实体抽屉激活海马体的位置细胞,增强记忆,类似记忆宫殿
- 频繁使用, 高频触发, 类似主动回忆
- 卢曼自身记忆天赋
- 巨大门槛: 卡片多到一定数量, 回想卡片在什么位置, 相当受挫

大模型加持下recall似乎不是难题, 但有新的问题:
- RAG过于容易 --> 放弃知识体系组织管理 --> 随意存储碎片知识 --> 忽视自我思考模型训练

AI+卢曼卡片盒笔记法的思路:
- 必须数字化, 纸笔可以作为加深记忆的手段, 拍照后作为附件
- 认真写卡片, 独立原子化, 语义明确丰满, 便于RAG
- 坚持逻辑关联存储, 新知识之所以被存储, 是因其拓展了已有的思维线索
- AI的价值在于找到已有链路的可能关联点
- 顺着AI找到的点, 取回整条思维链路, 进入深度思考, 可以称之为"顺瓜摸藤", "瓜"不是最大的价值, "藤"还能继续生长