你正在回复一个客户问题。你明明记得，三个月前看过一篇文章、上过一节课，还写过几句笔记。可你翻完收藏夹、网盘和文件夹，还是找不到能直接用的那一条。

资料不少，分类也不算差。问题出在保存时，你只记录了“它是什么”，没有记录“它将来解决什么”。

很多个人知识库就是这样建起来的：先设计一套漂亮目录，把书摘、课程、聊天记录和旧文章分门别类放进去。整理时很有秩序，做事时仍然要从头找。

知识库应该从任务打开，而不是从文件夹打开。

今天要写一篇文章，它应该能带你找到相关观点、亲历和案例；要回复一个客户，它应该告诉你哪些问题以前出现过、当时怎么处理、结果怎样；要做一个产品方案，它应该区分哪些是当前事实，哪些是历史做法，哪些还需要重新核验。

如果做不到，AI 读到再多文件也没有用。资料没有来源，AI 会把转述说得像亲历；材料没有时间，AI 会把旧规则搬到今天；笔记没有用途，AI 只能在相似词之间猜。

一条能被调用的笔记，至少要留下四个信息：它从哪里来，回答什么问题，适用于什么边界，下一次应该在什么任务里出现。

这四件事看起来比打标签麻烦，却能把收藏变成路径。以后再遇到相似问题，你可以沿着上次留下的判断继续往前走。

也不要一开始就追求完美目录。先选一个今天必须完成的任务。

比如你要写一篇关于 AI 内容课的微博。先找出一条真实用户疑问、一条产品事实、一条你自己的判断；给它们补上来源和适用边界；发布后，再把读者的误解、追问和反馈写回原处。

反过来，每完成一次任务，也要给系统留下些什么：这次用了哪些材料，哪条判断有效，读者在哪里误解，下一次可以少走哪一步。没有回写，知识库只是单向进货；有了回写，它才会越来越懂你的业务。

目录会随着任务慢慢长出来，旧材料也会在使用中暴露问题：有的缺来源，有的已经过期，有的只能内部参考，有的值得升级成长期方法。

知识库不是把过去收得更整齐，而是让过去在下一次任务里及时出现。

当一条材料被找到、被判断、被使用、被反馈修正，它才从“我收藏过”变成“我用得上”。