过去谈个人知识管理，我们通常在讨论如何记录、分类、连接和再次找到信息。Wiki 强调结构，双链笔记强调关联，它们都默认一个前提：人需要亲自完成从信息到知识的大部分加工过程。
大模型带来的变化，不是笔记突然失去价值，而是整理和访问知识的成本正在重新分配。越来越多的归纳、检索和重组可以交给系统，人则把精力留给输入、提问、验证和判断。
从管理结构，转向设计访问
传统路径通常是收集、整理、连接、总结，最后形成知识。当 AI 能够在获得授权的前提下读取材料，这条路径可以缩短：原始内容保留在稳定的数据层，系统按问题动态形成答案或结构。
这意味着笔记工具更像可靠的数据层，而 AI 成为认知接口。重点不再只是“这条笔记应该放在哪里”，而是“资料是否开放、可迁移、可追溯，并且能够被安全地读取”。
未来的知识使用方式，可能从“翻笔记”逐渐变成“向自己的资料提问”。
我目前使用的工程化组合
现阶段没有一个工具能自然完成所有环节，所以我更愿意把知识系统拆成几个职责清晰的部分。
- 用 Obsidian 和 Markdown 记录内容，保证文件本地可控、长期可读。
- 用 Git 管理版本，让大规模整理和改写可以回溯。
- 让 AI 工具在明确范围内读取资料，完成检索、归纳、格式转换和内容草拟。
- 通过人工复核决定哪些结果可以进入正式知识或对外内容。
系统仍然需要边界
让 AI 读取更多资料并不自动等于更好的答案。数据权限、隐私范围、来源质量和更新时间都会影响结果。重要判断仍应回到原文或事实来源，不能把生成结果当成天然正确的知识。
同样，结构不会完全消失。稳定的命名、基本目录和清晰来源仍然有价值，只是不必为了追求完美结构消耗过多精力。结构应该服务于输入和访问，而不是成为知识管理本身。
能力的重心正在变化
如果系统承担更多整理工作，个人能力的重心会从记忆和分类，逐渐转向提出好问题、辨别信息质量、理解上下文并做出判断。
知识管理没有消失。我们只是从维护一套复杂的记录系统，走向设计一个可信、可控、能够持续协作的认知接口。