Heptabase 究竟好在哪儿?

Heptabase知识管理工具凭借其独特的Journal功能和流畅的输入体验赢得了用户深度喜爱,即使在竞争激烈的市场中也能保持良好生存状态。文章探讨了Heptabase的卡片转换、白板特性、空间关联优势以及与竞品的区别。
摘要由CSDN通过智能技术生成

(注:本文为小报童精选文章,已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费

Heptabase 1.0 正式版发布,你可以免费尝试了。

4ee7ee6be0ebe77b175c42cd5a1ce3fd.jpeg

赞誉

我因为研究各种知识管理工具,常年混迹在不同的社区、群组与论坛中。用户很多时候会表达对某款工具的喜爱,甚至会说自己是某款工具的 believer 。但是一般来说,这种表达往往特指工具的某些特性满足了自己的需求,解决了痛点,所以出来点个赞。但是在 Heptabase 的 Discord 里面,这位用户的留言还是很让我觉得惊讶。

5067194f4262705ecc4842abcd4215d2.jpeg

这已经是把产品和自己的幸福快乐联系在了一起。之前我只在某些汽车论坛看到过类似的倾情表述。这也是用户对产品最高级别的赞誉了。而且,你不要以为用户只会在口头上表达喜爱,他们可是用真金白银来支持 Heptabase 的。

Heptabase 自从公测开始,就一直是收费产品,连免费试用期都没有提供过,用户却毅然掏钱不离不弃。Alan 自己在访谈中坦诚,之前获得的 100 多万美金的融资压根儿就没用过。开发团队完全靠着软件订阅产生的现金流养活。不仅过得挺好,还逐步招收新人加入团队。关于这一点,Alan 在最新的邮件中,是这样详细描述的:

我們在 2022 年初向 Y Combinator、HOF Capital、Kleiner Perkins、Moving Capital 等許多一流的矽谷的投資機構和投資人籌集了將近 170 萬美元的種子輪資金。然而,與許多矽谷的軟體公司不同,我們打從成立公司的第一年便已將現金流轉正。在過去二年期間,我們沒有花過任何投資人的錢,所有的公司支出全數都是源自公司的營收,而公司的營收則在沒有投入任何行銷費用的前提下以每年至少三倍的幅度在穩定成長。

如今笔记工具(或者叫做「知识管理」或「第二大脑」)这个赛道,已经可以用「人满为患」来形容。Obsidian, Logseq, Roam Research, Notion, Tana, Marginnote, Ulysses, Bear, Craft, Muse, Flomo, Metion …… 这个名单,显然还没有说全。差得远。

在如此激烈的竞争环境下,Heptabase 目前的生存状态,无疑是能让很多竞争者羡慕的。作为一名已经连续两年交钱订阅的用户,我不禁在思考,Heptabase 究竟好在哪里呢?

输入

我只要坐在电脑前,输入内容就直接用Heptabase了。这种输入,与根据项目压榨大脑冥思苦想的输入有明显区别——我是在轻松地写流水账

没错,就是流水账。每天见到的,让我感兴趣的事情,我都一股脑写在 Journal 下面。

你可能会不以为然 —— 对于卡片笔记来说,这样的「污染」,不是最可怕的吗?久而久之,你的重要信息会被日记内容淹没啊!

别着急,在 Heptabase 里面,内容是有类型差别的。当你觉得前面输入的这一部分,其实可以成为一张卡片时,只需要选中它们,然后点击左侧的「转换成新卡片」,它们立即就成了卡片。

aff0156f60e2146e922a990d116770e9.gif

卡片会以链接的形式,留存在 Journal 的原始位置,点击即可右侧显示卡片内容。

更有意思的是,不论是图片、视频、声音、PDF,还是任何类型的文件,都能放进 Heptabase 来。例如刚才这段录屏的视频。

a68cf8224565eb105e9c8a5a37c5d45f.jpeg

你可能会问,直接建立一张卡片不就好了吗?为什么还要从 Journal 里面选择内容再转换呢?

我们如果只去写卡片,那么就成了「只知道低头走路,不知道抬头看全局」。卡片只是你的预制件而已,你需要把它们以合适的方式组装起来,才能形成自己的宏伟知识大厦。而制作「预制件」(写卡片)与「组装」(排布整理)经常并不同时发生,所以当你需要利用卡片的时候,往往需要一些线索帮助自己迅速找回记录时的上下文。

在 Journal 里面记录内容,再转换成卡片,你就多出了一个时间维度线索

当你之后翻看卡片盒的时候,某张卡片可能孤零零的,没有存放在某个白板上,也没有打标签。但是你希望获得更多的上下文信息。这时候,你就可以通过它所在的日期,来找寻时间上的相关性。

那一天,你受到了哪些触动?激发了什么样的思考?这些不仅给你组织内容提供更多的线索,也可以激发你的其他灵感。

其实在很多工具上,你都能使用 Journal 功能(或者叫做 Daily Notes 或其他名字),但是目前这种日常记录最为流畅的,偏偏就是 Heptabase 。它有以下几个特点:

  • 可以离线记录。你不需要网络,就能更新内容。到了有网络的时候,Heptabase会立即自动帮你把同步工作做好。因为有离线版本,所以你上传的媒体文件(包括但不限于图片)都是飞快完成并且正常显示,而不像某些 Web 应用那样,等 Firebase 慢慢上传,再逐步显示出来;

  • 跨平台。你可以直接打开手机上的 Heptabase 应用来记录日记。特别是,如果你使用的是 Windows 电脑 + iPhone 手机,那么你会发现即便没有 Photos 和 Airdrop 来共享照片,你也可以快速把手机图片记录同步到 Windows 的 Heptabase 中。自从有了更为稳定快速的同步功能,我现在使用不同平台的电脑和手机、平板已经有「草木竹石皆可为剑」的感受,很是洒脱;

  • 白板配合默契。当你使用白板的时候,可以直接点按按钮,把 Journal 放在右侧窗口,这样你的碎碎念,可以立即变成白板中放在合适位置的卡片。

bcd2f3fb10159b20ddd43155ac1e230b.gif

你可能会觉得,这没有什么稀奇。没错,从功能上来讲,我不认为 Heptabase 的这些特性有什么样的门槛;但是效果上,能让我输入如此流畅爽快的,之前还真就只有 Craft 可以与之匹敌。只不过,我对 Craft 的界面设计有一些保留意见,所以没有继续深入使用。

流畅的输入,会让你很容易写下很多的东西。而写的东西多了,你才有可能记录下更多有用、有价值的内容。否则再好的灵感,也容易随风飘逝。这有让我想起来了之前文章中给你举的例子

B 站 UP 主林捂捂在一期评测节目中感慨说,有的时候你明明带了价格不菲的专业拍摄设备,却犹豫着懒得拿出来拍照;结果一趟旅行下来,发现最好的照片,全都来自于手机。

当然,输入的流畅,只是 Heptabase 特点的冰山一角。

整理

Heptabase 很早就提供了白板功能,你可以在上面安置摆放和整理卡片笔记。许多人一提到 Heptabase,就会想到白板。然后随着岁月的流逝和竞争者的出现,「至今已觉不新鲜」。

d7ae220aee5e484c498291525783148b.jpeg

有人就会问出这样的问题:

Heptabase 不就是个白板吗?XXX 和 YYY 也有啊,还不要钱,不香吗?

坦率地说,我并不歧视其他笔记工具的白板功能。Obsidian 刚有白板的时候,还没有公开发布。我特意买了个 Insider 版本来支持和测试,并且第一时间展示了该功能。

486f0d6c274cd4b16bac43be6c7bad6a.jpeg

但是,Heptabase的白板,确实很特殊

在很多笔记应用里,白板只是个整理项目卡片(Project Notes)的工具。就如同 Antinet Zettelkasten 这种古典卡片笔记流派的做法,是要在最终输出的时候,才把卡片摆布在桌子上的。平时?它们都在抽屉里啊。

然而在Heptabase中,白板才是真正的卡片盒。它绝不仅仅面向于最终的项目级别输出,而是在你的第二大脑中随时等待调用,并且一直以你的好奇心和经验为驱动力,不断延伸生长。

如果你能够用好Heptabase的白板,不仅可以帮自己梳理「已知」内容,还能有效帮你探索未知。简单地说,它是个有效的学习与研究工具

我非常建议你 阅读 Heptabase Public Wiki 上的这篇文章。

5df74bad4dba258c1e4a88c9b6a81986.jpeg

在该文中,Heptabase 的联合创始人 Alan (雨安)介绍了他自己是怎么用 Heptabase 来学习、研究、规划和写作。文字简洁生动,非常值得你阅读。

我在这篇文章里,特意摘抄了以下内容:

不管是 PKM 白板還是 CKM 白板,它們帶給我的最大好處是讓我可以連續幾個月去逐步發展針對某個主題的研究。每當我有新的訪談資料或產品想法時,我總是可以回到這些白板中去將它們整合到我既有的研究成果上,我認為這件事情至關重要。

以及这一段:

透過這個例子你會發現,在 Heptabase 寫筆記時,你不需要在一開始就把白板之間的階層架構關係想清楚。你只要按照你的學習和研究方式去發展你的白板,時候到了你自然會將相關性高的白板用最適合它們的方式整理在一起。在 Heptabase,梳理架構是一件自然、低阻力的過程,兒不像在其他筆記軟體那般痛苦。

我的评论是,使用 Heptabase 中的白板可以让你把自己的卡片笔记架构当成是一个有生命的动物来培育,而不是一个死气沉沉的铜像,需要你来雕刻穿凿。你不需要一上来就把架构划定,自顶向下规划好一切。可以先来个大致的混乱样子,不断填充内容,然后逐渐让自己的思路随着卡片的积累变得清晰。

这样的解读,好像没有太大的力量。毕竟 Tana 出现以后,很多 Heptabase 的用户也都跑了过去,觉得 Supertag 才是最重要的发明。但你想想,Supertag 在知识整理上,最吸引你的特性是哪一点?

对我来说最关键的要素在于灵活性。Supertag 的 Field 灵活设计,各种继承关系能够自动承接父子 Supertag 之间的属性。因此我不必在设定某个 Supertag 的时候,匠心独运提前思考预计好以后一切需要填入的内容,以及当前标签和其他 Supertag 样例之间的连接关系……我只需要稍加设定,先用起来;后面看着不顺眼,改就好了嘛。

不过在看过 Alan 的这期访谈后,我突然想明白了,其实 Supertag 能实现的这种灵活性,Heptabase 用白板系统一样可以实现。

1294ecb6124f30e381120e0138a56033.jpeg

在白板里你可以直接描述两张卡片之间的关系。你可以用 Section 把一些卡片聚拢起来,形成更高级别的抽象;你还可以在卡片层级进行嵌套……总之,你要表达不同实体之间的关系,用这种拟物的方式,很少能遇到障碍。况且,对于普通用户来说,白板、Section 和卡片,远比 Supertags 理解起来容易

我原以为,理解到了「简单」和「有用」这一层,就算是掌握了白板功能的特性了。但是我后来发现自己想得不够深远。

万维钢先生在《延展大脑:超越大脑的思考革命》(The Extended Mind: The Power of Thinking Outside the Brain)一书的解读中,提到了空间的作用:

记录空间位置是大脑的本能,是无需努力、不必占用思考资源就自动进行的操作;而把新信息和空间位置映射起来,会显著加深你对那个信息的印象。这就是为什么如果你一边散步一边听有声书,你会很容易一想到书中的一个什么内容,首先想到当时的你是在什么地方。空间位置,给信息提供了方便的挂靠点。你要调用什么信息,身体给你提供了直观而且毫不费力的导航。

这就是我们大脑的局限与特点了。数万年的进化,让我们的大脑更容易处理视觉信号,视觉化的应用也更方便我们记住内容。可目前 Tana 中的 Supertags ,根本无法给你可视化提供空间线索信息。Heptabase 的白板却可以。

万维钢先生说,看完这本书他最想做的是买个大显示器。而我,则更想把Heptabase的白板用好,这样其实是对自己的大脑好一些

你兴许会说觉得,空间感和拟物这种事儿都只不过是在电脑屏幕上的近似而已。要想真正获得空间感甚至触觉,还是得用 Antinet Zettelkasten 大法 —— 用纸质卡片。

诚然,在单张卡片的记忆和理解效果上,纸笔是更强的。而且有的时候,你手头没有电脑,语音输入也不方便时,纸质卡片确实是更好的选择。

6bebc57b52245ee01abe4e5ef539e680.jpeg

然而知识管理这项工作,我们如果对比电子笔记和纸质笔记,也不能比较一隅,而要看全局。

且不说输入的速度和便捷程度,单论卡片管理和使用的根本问题 —— 纸质卡片同一时刻只能放在某一个盒子中,对吧?可是 Heptabase 中的卡片,却可以同时出现在若干白板中,随时让你联系到不同的上下文。在不同的主题下进行思维激荡。

1c5a3d1192e876a495e283c9ed574598.jpeg

我觉得,仅这一点根本差异,就使得白板比实体卡片盒的功能更为强大。

输出

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值