个人知识管理的三个层次

从随手记录到 AI 协同——如何用纯 Markdown 搭建一套终身知识体系，不锁数据、不依赖平台。

第一层：快速捕获

知识管理的第一步永远是写下来。灵感不会等你准备好再出现——它可能在通勤班车上、在开会间隙、在深夜读论文时。你需要的是一个零摩擦的捕获入口：

• 浏览器插件一键保存网页到本地 知识库
• 命令行 cat note.md | mddock save 直接管道写入
• AI 对话中自动摘录关键结论，带上上下文和决策链
• 移动端分享到 知识库（任何 app → share sheet → .md）

[!TIP] 捕获的秘诀不是分类——是速度。先扔进 inbox，定期整理。你永远不会因为"没分类"而后悔，但会为"没记下来"而后悔。

捕获之后，AI 会自动识别其中的实体（人名、项目、技术栈、时间节点）并建立关联图。这一切在本地运行，不需要联网。

第二层：结构化与连接

当笔记积累到几百条之后，搜索变得不再可靠——你只能找到"你以为自己写过"的东西，却找不到"你真正需要"的洞察。这时候，连接比存储更重要。

双向链接

用 wikilink 把分散的笔记串成网络：

• 异步编程陷阱 连接到具体技术细节
• 2026 年度 OKR 把会议纪要和目标对齐
• Agent 协作规范 让 AI 也能读懂上下文

一张图胜过千言：

loading diagram...

任务跟踪

直接在 Markdown 里管待办事项，没有额外工具：

• 搭建本地 知识库 目录结构
• 接入 AI Agent 自动整理
• 完成"异步 Rust"系列第三篇
• 整理 Q2 读书笔记发布到社区
• 给团队分享知识管理方法论

第三层：AI 协同与记忆外挂

到这里，你的 知识库 已经不再只是一堆文件——它是一个可被 AI 查询的结构化知识图谱。Agent 可以：

# Agent 通过 MCP 协议读写你的 知识库
async def analyze_tech_decisions():
    docs = await mddock.recall("技术选型", graph_depth=2)
    for doc in docs:
        entities = doc.entities  # GLiNER 自动提取的实体
        print(f"{doc.title}: {entities}")

为什么不依赖 Notion / Obsidian / 语雀

三个核心区别：

1. 数据永远在你手里——知识库 就是一个文件夹，可以用 git 管理、可以 tar 打包、可以 Dropbox 同步。平台倒闭了你的文件还在原处可读。
2. AI 是一等公民——不是插件、不是 API 调用权限、不是聊天框。Agent 可以直接读、写、链接你的 markdown 文件，和你协同工作。
3. Markdown 是唯一格式——没有 block 嵌套的复杂度、没有私有数据库 schema、没有"导出成 markdown"的损耗。写出来的东西从今天到 20 年后都能用任何编辑器打开。

下一步

• 🛠️ 下载 MDDock 桌面版 —— macOS / Windows / Linux
• 🌐 浏览社区分享的 知识库 —— 从别人的知识结构获取灵感
• 📖 阅读文档 —— 从纯文本到 AI 记忆的知识体系搭建指南