目的

• 把原始材料、时间性思考和长期可复用知识分开处理，避免在整理过程中被静默抹平。
• 让知识对象同时具备三种性质：人可读、AI 可检索、来源可审计。
• 通过“对象分型 + 渐进蒸馏 + provenance 保留”提高知识工作的长期复用价值，而不是只追求当下读起来顺。

适用场景

• 把聊天、会议记录、网页、论文、视频转成笔记或知识对象
• 总结、综合、归纳多份来源材料
• 更新长期可复用的说明文档、知识库页面或概念索引
• 把原始材料整理成 tutorial、how-to、reference、explanation、overview
• 为现有知识库补充 claims、来源、关系、未决问题或导航结构
• 设计知识对象的结构、命名、层次与蒸馏策略

不适用场景

• 主要任务是实现、调试、重构或 code review
• 主要任务是 recommendation、优先级排序或 trade-off 决策
• 主要任务是重写 AGENTS、SKILL、prompt 架构或 routing 描述
• 主要任务是面向发布渠道的博客打磨、读者体验优化或文章结构诊断

先判断知识对象类型

不要把所有“整理”都当成同一种工作。先判断当前最接近哪一类对象，再决定如何组织：

• 时间性快照：记录某个时间点的判断、困惑、计划、排查过程或阶段性结论
• source digest：对单一来源做提取、压缩与标注，便于以后回看
• grounded claims：从一份或多份来源中提炼可单独审视的主张，并保留支持证据
• reference：稳定概念、人物、工具、术语、接口、名词的索引或说明
• explanation / synthesis：围绕一个问题或主题，综合多份材料给出结构化理解
• how-to / tutorial：帮助读者完成任务的步骤性知识对象
• overview / map：为一组笔记或主题提供导航、边界和进入路径

若用户没有指定对象类型，优先选择最保守且最利于未来复用的一类，并明确说明。

AI 时代的核心约束

1. 正文服务人，底层服务 AI

• 默认把正文当作给人阅读和回看的界面。
• provenance、claim 分层、来源映射、作者归属是底层，不应把正文写成 schema dump。
• 如果机器友好的信息会明显伤害阅读流畅度，把它下沉到 frontmatter、附录、注释、字段或单独区块。

2. 先保留来源，再做综合

• 区分：来源原话、已观察事实、整理后的表述、综合判断、猜测 / 建议。
• 任何综合结论都应能回答“它来自哪里”。
• 如果来源不足以支撑强结论，降低结论强度，不要用顺滑措辞掩盖证据薄弱。

3. 时间语义不能丢

• 时间性快照保留“当时为什么这么想”的上下文，不要按后见之明重写。
• 常青知识与阶段性判断分开存放或分段表达。
• 如果内容具有保质期、版本依赖或时效性，要显式标出。

4. AI 辅助思考，不替代思考

• AI 可以帮助提取、比较、压缩、重组，但不要默认替用户完成全部认知加工。
• 当任务本质上需要用户立场、判断或价值取舍时，不要把 AI 生成内容伪装成用户已经认可的结论。
• 对高不确定性材料，优先保留 tensions、open questions、候选解释，而不是强行收束成整齐答案。

5. 多模态材料先归一化，再入知识层

• 音频、视频、图片、幻灯片先转成可引用的文本证据层，再做综合。
• 归一化时保留来源类型、标题、时间、段落 / 页面 / 时间戳等可追踪定位。
• 不要直接基于模糊印象写总结。

工作流程

1. 明确 request 与复用目标

在动手前至少明确：

• 用户想得到什么知识对象
• 这个对象主要给谁用：自己回看、团队共享、AI 检索、外部读者，还是同时服务多方
• 原始材料是什么，哪些是可信来源，哪些只是草稿或随手想法
• 当前输出是一次性消费，还是未来会继续更新
• 哪些内容必须保留原貌，哪些允许被蒸馏或重组

2. 先做材料分层

至少把材料分成这些层：

• raw source：原文、原话、摘录、记录
• observed facts：已观察到的事实性内容
• grounded claims：可独立审视的主张及其依据
• synthesis：跨来源整合后的理解
• open questions / tensions：尚未解决的冲突、缺口、不确定性

不要直接从 raw source 跳到 polished summary。

3. 选择最小但正确的蒸馏路径

优先使用下面这条默认路径：

• source -> digest -> grounded claims -> synthesis / reference / how-to

只有在用户明确只要简短摘要，或材料本身极简单时，才缩短路径。

如果已经存在旧对象，默认增量更新，而不是整篇推倒重写。除非用户明确要求覆盖。

4. 按对象类型组织内容

时间性快照

• 保留时间、情境、触发原因和当时的不确定性。
• 允许保留未成熟表达，不要强行改写成 evergreen 结论。
• 若后来认知变化，优先新增后续笔记或补充链接，而不是偷偷改写过去。

Source digest

• 记录来源身份：作者 / 标题 / 时间 / 形式 / 链接或出处。
• 提取关键观点、关键事实、与你当前问题最相关的部分。
• 标出“为什么值得记”与“哪些还没验证”。
• 避免把单一来源的立场伪装成客观共识。

Grounded claims

• 每条 claim 应足够具体，能被单独质疑、引用或复用。
• 每条 claim 尽量附最小必要证据：来源、片段、页码、时间戳、相关笔记。
• 如果多个来源互相冲突，保留冲突，而不是只选最顺的一边。

Reference

• 优先回答“这是什么”“边界在哪”“和哪些对象容易混淆”。
• 保持紧凑、稳定、低叙事性。
• 不把一次性的个人思考或阶段性争论直接写进 reference 主体。

Explanation / synthesis

• 先给核心问题或核心结论，再展开支持它的 claims。
• 明确哪些部分来自来源，哪些部分是你的整理和归纳。
• 如果材料不足以给结论，输出“当前最可信的理解 + 仍待确认的问题”。

How-to / tutorial

• 明确前置条件、输入、步骤、预期结果、常见失败点。
• 把步骤和解释分开：正文先服务执行，背景解释放后面或单独分段。
• Reference 细节不要塞满流程；需要时链接到参考对象。

Overview / map

• 说明范围、边界、子主题和推荐进入路径。
• 它是导航层，不是把底下所有内容再说一遍。
• 如果 overview 已经过时且会误导，宁可删减到最小，也不要维持伪完整。

5. 做双重可读性检查

完成初稿后，用两套标准自检：

对人是否友好

• 首次回看时能否快速知道这是什么、为什么值得读、该从哪里读起
• 结构是否自然，而不是为机器拆得支离破碎
• 关键结论、关键来源、关键未决问题是否一眼可见
• 是否保留了必要的语境，而不是只剩干瘪要点

对 AI 是否友好

• 对象类型是否清楚
• 时间、实体、概念、关系、状态是否显式
• 是否能追到关键结论的来源
• 是否把稳定知识和阶段性判断混在一起
• 是否留下可继续扩展、链接、引用的边界

6. 明确作者归属与治理边界

• 当输出混合了用户原文、来源摘录与 AI 综合时，要让边界可识别。
• 未经要求，不要用 AI 的声音覆盖用户的原始判断。
• 对可能改变原意的重写、合并、删减，默认保留回溯路径或显式说明。

常见输出形状

整理单一来源

至少包含：

• 来源身份
• 关键内容
• 与当前主题的关系
• 未验证点或局限

多来源综合

至少包含：

• 要回答的问题
• 关键 claims
• 每个 claim 的主要依据
• 冲突与不确定性
• 当前综合结论或暂时结论

更新知识库对象

至少包含：

• 这是在更新什么对象
• 新增了哪些信息
• 哪些是稳定知识，哪些是阶段性信息
• 是否需要保留旧表述或链接到历史版本

设计知识结构

至少包含：

• 对象类型划分
• 每类对象的边界
• 蒸馏路径
• provenance 保留方式
• 人读界面与 AI 底层如何分层

输出要求

• 优先交付可直接使用的知识对象，而不是泛泛建议。
• 对来源敏感或事实性较强的内容，显式报告验证状态。
• 需要引用或归因时，优先给出可追踪来源，而不是“据一些资料”。
• 当你做了综合、重述或压缩，要让读者看得出这是整理后的表述。
• 若用户要求严格格式，遵循其格式；本协议只定义知识工作质量门槛，不覆盖仓库本地格式规范。

完成标准

• 已选择合适的知识对象类型，而不是把不同任务混成一种“整理”。
• 输出同时兼顾人类回看体验、AI 可检索性和来源可审计性。
• 时间语义、作者归属和关键不确定性没有被静默抹平。
• 综合结论能追溯到足够的证据，或已明确说明证据不足。
• 结果具备未来继续更新、链接或复用的清晰边界。

反模式

• 把时间性快照抹平成常青知识
• 把 raw notes 直接改写成 polished summary，失去回溯路径
• 把来源原话、事实、综合判断、建议混成一层
• 为了 AI 检索而把正文写成难读的数据库导出
• 为了可读性而删除关键 provenance
• 把单一来源的立场伪装成共识
• 强行把所有对象都做成 claim 列表，破坏自然阅读
• 在没有足够证据时输出过强、过稳的综合结论
• 悄悄覆盖用户原文或原始立场，却不说明这是 AI 重写