从 2022 年开始使用 Logseq 到现在，我的 Mesh-Shaped 知识管理模式 已经相对稳定。最近一年引入 AI 后，系统的重心发生了变化：从“更好地记录知识”转向“更快地完成任务”。

AI Powered

最大的变化是输入成本显著下降。在旧流程里：

• 需要通过多种工具来收集信息，包括任务、稍后阅读、知识等
• 需要在Logseq中进行信息初筛，任务规划，以确定哪些是闪念、哪些是需要深入学习的知识、哪些是任务
• 需要在Logseq中存储和分类大量的笔记，建立双链
• 需要定期整理、总结、精炼

有了 AI 之后，我几乎没有再复制过超过200字的文本，也没有再添加过超过10张图片或是超链接。你可以仅保存一个AI的会话链接，或是一段Prompt，就可以得到超过1000字的回答。

因此我重新构建了我的工作流，并将AI显式化的嵌入到各个流程内。

任务驱动

我将我的工作流程分为了三个部分：

• 任务驱动：“飞轮”系统
  • 飞轮系统是一种更宏观的目标管理方法，它侧重于长期愿景和持续的进步：
  • 愿景：设定一个长远的愿景或目标，这个目标可能并不具体，但提供了方向。
  • 行动：在执行过程中，通过不断的尝试和调整，逐步接近愿景。
  • 反馈：从行动中获得反馈，这些反馈可能会产生新的GTD任务或是调整飞轮任务。
  • 迭代：根据反馈不断调整行动计划，以确保持续向愿景靠近。

• 任务执行：GTD 系统
  • GTD系统强调的是任务的明确性和可操作性，它要求任务有明确的目标和步骤
  • 收集：将所有任务和想法收集到一个“收集箱”中，以便不会忘记任何事情。
  • 处理：对收集到的任务进行快速处理，决定是立即执行、委派、延迟还是删除。
  • 组织：将任务分类并放入不同的“篮子”中，比如等待清单、项目清单、日程表等。
  • 回顾：定期回顾任务清单，确保所有任务都得到适当的关注。
  • 执行：根据优先级和可用时间执行任务。

• 获得反馈
  • 输出型反馈，写文留存
  • 输入性反馈，新任务

所有事务都以任务形式存在，比如读一本书、尝试一个工具，并配置对应反馈机制，形成持续迭代。

过去 PKM 往往以笔记为中心，重在收集与整理。AI 加入后，真正的瓶颈不再是“存不下”，而是“做不完”。因此系统应转向任务驱动，以价值交付为核心。

可以看到，AI 可以在目标管理、任务拆解、任务执行（信息收集、整理、编码）等多个环节中发挥作用，从而提高工作效率。

工具使用

我主要会用到以下 AI 工具：

• Copilot：代码、文档、博客编写（处理所有在VSCode里完成的任务）
• Logseq AI Assistant 插件：处理所有Logseq内的任务，代替人工的总结、翻译、tag、任务拆分、OKR & Retro ...
• Kimi：闪念和稍后阅读
  • 免费，且全平台可用（App、微信、Web）
  • 所有的想法和链接我都会先丢给 Kimi
    • 可以获得即时的反馈，比如一个问题的答案、一篇文章的摘要、一张图片的描述
    • 可以保存会话链接来“保存”这个想法，以便后续进一步处理
  • 对于有价值的内容，仅需要将会话链接保存到Logseq中，加上少量的描述和tag即可

随想

传统知识管理的边际收益在下降

原本的 Knowledge Management 也是为了解决信息过载的问题，利用软件（页、块、tag）建立索引，以便快速找到需要的信息。但随着 AI 技术的发展，索引变成了Prompt，信息变成了AI的回答并且存储在云端。

PKM 的目标始终是提升执行效率。AI 让我们可以把更多精力放在决策与行动，而不是信息搬运。因此，新一代 PKM 更应围绕任务推进与反馈闭环来设计。