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-CSDN博客

本文链接：https://blog.csdn.net/nkwshuyi/article/details/122646218

题图：Photo by Kelly Sikkema on Unsplash

「卡片笔记写作法」用久了，你总会遇到一个问题，就是卡片太多。

这一方面是个效率问题。你要是想把卡片笔记当成严肃的工具，那么底层就得用数据库来组织信息，而非文件系统。Logseq 目前正在做这种迁移。在卡片少的时候，这二者的效率看不出差别，甚至文件组织方式因为直观显得更加友好。但是卡片到了 10 万级别的时候，效率的差别就会显现。效率不达标，随便查找个东西，你都能感受到「卡」。

以我个人的 Roam Research 数据统计为例。虽然「页面」（Page）只有 1 万多，但是别忘了 Roam Research 下的真正卡片单位，是按「块」（block）来计算。

Roam Research 里 Page 的真正含义是什么呢？我觉得是「盒子」，卡片盒嘛。虽不是物理意义上的盒子，有固定形态，但它确实是承载卡片的容器。在 Roam Research 中，如果你的链接都在页面层级，而不是块引用（block reference），那么你其实并没有发挥出它「细粒度」的特性。

效率问题，还只是一个方面。更要命的，是卡片数量庞大之后，你会忘记自己曾经记过某些东西。本文主要讨论的，便是这个恼人的事儿。

最近，「合桃派」团队邀请医学博士 Lan 分享自己的块引用实践。她结合 Cite to write 和 Roam Untangled 两门课程里的方法，利用块引用自底向上构造「问题」，然后用「问题」的块引用来组织论文。她的第一篇综述论文靠着双链笔记工具的加持，超出预期快速写就，且已被录用。Lan 这种学以致用的精神，很值得钦佩。

讨论环节，我问了她一个问题 —— 若是很久前（一两年前）记录的卡片，内容忘记了怎么办？新的笔记若与之相关，怎么回忆、识别并且链接呢？

Lan 回答，她依靠头脑人工记忆完成链接。

这个回答，很实在。对于她来说，记忆这些卡片，没有感觉到什么负担。但我们考察知识管理系统，不能以个案的主观感受作为依据。在 Lan 的这个系统中，人的头脑所承载的，就不仅仅是思考的功能，还包括了跨越时间的记忆。这样，「第二大脑」就必须靠着「第一大脑」的协助，才能正常工作。对于部分人，尤其是我这样的懒人来说，这个负担就有些繁重了。

很多人曾经提过的，长期笔记（permanent note）一定要精选。笔记盒里不应该放太多内容，否则会变成噪声。原因之一，恐怕也是记多了笔记，头脑回忆不起来某条笔记存在，卡片也就会「沉底儿」了，白费功夫，没有效果。

可是笔记真的是记得「少而精」，便于头脑记忆才好吗？

这恐怕就是「削足适履」了。

我请教过《卡片笔记写作法》一书作者 Sönke Ahrens 。他说笔记不应该面向项目，否则就失去了卢曼卡片盒的独特价值。一则灵感笔记，可能对当前项目没有用处。但是将来某个项目中，它可能成为重要的一环。所以，我们不应该设置这样一个「是否符合当前项目需求」的门槛。

雪小豹（李娟）也在文章中提过：

独立性要求最低程度的复杂性。卡片盒需要数年时间才能达到临界水平。在此之前，它仅仅是一个容器，我们可以从中获取所放入的内容。但这种情况会随着卡片盒的规模和复杂性的增加而发生改变。

我们一直啧啧称奇的「知识复利」其实都来自于这种卡片规模与网络链接的复杂性。所以，「少记笔记」肯定不是一个好的解决办法。

那糟糕了。卡片笔记，记少了不管用，记多了会忘掉。这可怎么办呢？

周五晚合桃派直播之后，我带着这个疑问，跟吴刚老师聊了聊。他提到《卡片笔记写作法》中最大的一个缺失，就是这里面有一个默认的回顾过程。如果不进行定期回顾，你基本上就会忘记之前记录的内容，无法把久远的记载与新的笔记有效链接起来。可是书的作者 Sönke Ahrens 似乎内化了这种回顾方式，并没有特别强调。

岂止是没有特别强调啊，Sönke 在文中直接提出，他不认同 ANKI 间隔记忆的方式。

Sönke 对 ANKI 负面看法这个事儿，我问过《卡片笔记写作法》的译者陈琳。他觉得对于卡片笔记来说，类似 ANKI 的回顾是很必要的。虽然他在翻译的时候忠于原作，但是书中对 ANKI 的评价他不认同。

吴刚老师目前在合桃派带着大家做 30 天卡片记录的训练营，「合桃派」视频号里面有群组入口。他在尝试把 Supermemo 这样的 SRS （间隔记忆系统）融入到卡片的记录与回顾中，帮助大家形成回顾笔记的习惯，让卡片笔记系统得以正常运转。

吴刚老师说，大多数人一旦形成了习惯，很多困境（例如写作障碍、拖延症）都迎刃而解。关键是要扫清障碍，尽早迈出第一步。

我俩在交流中，各自讲述「偷懒」的事迹，愈加投缘，哈哈。

不过若是比「懒」，我觉得自己更加突出一些。吴刚老师所做的，还是潜移默化帮助你构建习惯；而我则希望更进一步，让你不必作出改变，也能把「偷懒」进行到底。

换句话说，有没有更低成本方式，解决远期卡片的回顾和连接呢？

这个当然可以有。因为我们有人工智能嘛。

很多人揶揄，说现在的「人工智能」不如叫做「人工智障」。对于机器做的很多事情，都不屑一顾。

但我不是这样看。目前机器虽不具备强人工智能，可在某些特定领域，早就把人类这种碳基生物甩得远远的。

不服？你去和 AlaphaGo 下盘围棋试试。

我这篇文章的草稿，是对着 Roam Research 里卡片搭建的纲要，用语音输入自动转换文字生成，识别率很高。背后就是人工智能模型。

我现在做视频已经不用绿幕了，嫌麻烦。随便找个背景录制之后，机器自动视频抠像。效果虽然不能说完美，但是我觉得够用。没有机器学习，这显然无法实现。

我在课上展示几种不同大型猫科动物的图片，让学生来分辨。他们分辨效果不好，能错1/3，甚至一半儿。同样的问题，拿给迁移学习训练出来的机器模型，准确率都在 99% 以上。

就连考试的时候，不允许你带电子设备，不也是怕你开外挂吗？别人考英语翻译纯凭记忆搜肠刮肚，你这边开个 OCR + DeepL ，那岂不成了碾压？

创作知识不是一场考试。我们应该把所有能开的外挂，都给它开开。

让机器帮忙找寻相关的自然语言内容，其实并不是什么新的功能。Devonthink 就有。

我第一次听说 Devonthink，就是看到万维钢老师这段文字：

人脑发挥创造力最重要的一个手段，就是把两个不同的想法连接起来。这个连接越是意想不到，创造出来的东西就可能越有意思。想要让想法连接，你得先拥有很多很多想法才行，而现在你可以把想法寄存在一个外部工具里，让计算机帮你建立连接！ ……DEVONthink，能用更复杂的算法提供更多的相关内容，而且还有量化的相关度评估。

不过 Devonthink 更善于英文的相关度评估。中文处理上，尽管 3.x 版本已经有了显著提升，却还有待改进。

我于是就想，干脆把 Devonthink 的文本近似度计算，直接迁移到 Roam Research 上，不就好了？

目标有了，其实解决起来非常简单。这几年，我的研究一直跟人工智能打交道。

自然语言处理领域，目前研究出的 Transformer 模型是越来越大。咱们个人使用，杀鸡焉用牛刀。GPT-3 这种规模的模型就别用了，太贵。我直接拿一个几年前的 BERT 基础款模型，就把这事儿干了。

方法很简单。BERT 模型可以吃进文本，突出一串数字（向量）来表示它。我们只需要测量两串数字的近似程度，就能判断两个输入文本之间的关联度。

用 BERT 的好处，主要在于以下两个方面：

第一，见多识广。BERT 训练的时候，采用了大量的语料，因此大部分的通用词汇，都认得；

第二，无需预处理。什么分词、停用词查表、语序、词性…… 全都不用咱们用户考虑，简单粗暴。

靠着这俩优势，写出来的程序也是短小精悍。

为了把工具的不对称优势进行到底，我顺带着还用 Streamlit 做成了个 Web 应用。

你看，这是运行之后的基本界面。

你把最新的一则笔记，放到最上方的文本输入栏里面，然后下面 3 个输入框，提供一些搜寻的范围。

第一个输入框，是标签的白名单。

假如你喜欢把长期笔记都叫做 #evergreen ，那么就可以把这个标记放到其中。我不喜欢 #evergreen ，因为太长，懒得敲那么多字儿。于是我用的是 #zk 。

我这里包含的默认标签列表都是依照自己使用习惯设置的，逗号分隔。其中甚至包括一些 Readwise 自动导入的 Highlights ，以及 Cubox 链接。这样一来，即便你当初高亮的时候没有做任何批注和回顾，它也依然会因为高相似度关联过来。这样你再也不用漫无目的地回顾所有笔记，而是以「输入新的笔记内容」作为触发，唤起对应的久远记忆。

第二个输入框，是标签的黑名单。

我平时就把日记都放在 Roam Research 里面，检索的时候我不希望这些内容进来捣乱，直接通过标签排除掉它们即可。

第三个输入框，是你主动检索的关键词。

需要扩大搜寻范围，不局限上述标签涵盖内容时，你可以用这些关键词伸出「钩子」，把全库中包含这个关键词的所有笔记（block）都「捞进来」一起分析。

这个例子里，我这里选择默认的方式，不扩展关键词。

好了，点一下 start ，开始执行。

因为调用 Transformer 模型还是需要一些时间上的开销的。所以程序首先分析并且提示，这一轮你新加入了多少条笔记作为候选。

如果你看到数字过大，可能需要考虑重新调整一下过滤器的设置。不然为了看结果，可能得等上一段时间了。

确认要执行，点击一下 “Just do it” 按钮就行了。

将近50条新内容加入，分析过程大概持续30多秒。注意我做的这个应用有缓存机制。你这一轮已经分析过的卡片（block）内容，下次分析的时候，就不需要额外花时间调用 BERT 模型处理了。换句话说，你用得越久，这个工具执行速度就越快。不错吧？

如上图所示，结果提供的是一个字典。这个字典里，Roam Research 里面的 block id 作为键（key），而取值（value）是对应的块文本内容。

从结果来看，筛选出来的内容相关度挺高。

这个工具并非直接帮助你去建立链接，而是给你找寻一些候选卡片，由你自行决定是否连接起来。链接方法很简单，block id 都在这里呢，拷贝过来加两个括号（例如本例中((71qLjxnbS))），就建立块链接了，对吧？这样保证了笔记之间细粒度的关联性。

之后我换一段内容输入，这次是历史相关内容，讲「佟佳氏」的记载。

你会看到，检索出来的相关内容，画风立刻为之一变。

结果大部分都是我平时阅读并且同步到 Readwise 里面的「历史」主题内容。可见，本应用基于 BERT 语义近似度的计算，确实能够根据输入文本的特征，钩沉不同类别的卡片内容。

注意这里分析的对象，并非直接调取 Roam Research 数据库。每隔一小时， Github Actions 会替我自动更新导出 Roam JSON 文件。我就是用这个一直更新的 JSON 文件做分析。

为什么不直接分析 Roam Research 数据库呢？因为没必要。我每天重度使用 Roam Research ，这个数据本身，就是不断变化的，读取的时候需要考虑太多细节。而静态 JSON 文件，分析起来要简单很多。不抄近道儿，还算是懒人吗？

这样分析静态的内容，会不会有功能欠缺？

我觉得不会。

因为你要关联的，是时间上的远距离记录，是你大概率已经忘掉的部分卡片。我想，你还不至于把一个小时以内写的东西，都忘记了吧？

对于 Roam Research 来说，只考虑文本语义相似度，图数据库的真实威力还远远没有发挥出来。下一步，应该加上块引用构成的网状结构，做图机器学习（Graph Machine Learning）。但是，相对于人工强制性定期回顾卡片，这种基于自然语言处理模型的自动化辅助方式，已经往前迈进了一大步。

讲到这里，有人可能又要开黑了。什么「机器准确度不到百分之百，只能做个参考」，「关键还得看人的能力」云云。

这些陈词滥调一点儿也不新鲜。最近总有人宣传「工具无用论」，说什么最重要的是头脑，而不是方法，更不是工具。

这话我同意一半。这一半，就是头脑的重要性。没办法，老天爷并没有给每一个人相同的智商。爱因斯坦那脑子，在专利局当办事员，也遮掩不住光芒万丈。

但是，工具没有用吗？

近视的人，可以通过戴眼镜来矫正视力。

不会四则口算的收银员，也可以按计算器来得出正确结果。

你从三岁练武，学了一身「五虎断魂枪」的上乘功夫。我手无缚鸡之力，但是手里端着把上膛的手枪，你也得忌惮三分不是？

都赛博格时代了，为什么还有人无视技术与工具的威力，甚至公开宣扬「工具无用论」呢？

因为技术和工具的进步，埋没了部分人先天的优势，甚至抵消掉后天的努力，让他们没有了可以炫耀的资本。

他们寒窗苦读很多年，才能无障碍阅读英文文献。

你往浏览器里装了个插件，英文文献瞬间变成了中文，看得津津有味。

他们拍废了无数胶卷，才知道如何处理摄像的景深，获得专业的画面质感。