知识管理实践：带领 AI 一起进入心流状态这两年，对话类 AI 工具层出不穷，几乎成了模型厂商的试金石。

还在“心流 1.0”的问答研究时期，我就有一个比较笨拙的习惯：每次开启新任务前，要找到类似任务对应的历史记录继续对话，期望能省去重述语境的时间，快速获取到这次任务的答案。不过用不了多久，它的记忆就开始混乱，内容质量也会大不如前。

这是上下文规则决定的。在不断堆叠的对话里，LLM 难免产生误解——没有特意强调的关键点被裁剪，无关紧要的细节却被牢记，然后在偏离本意的路上越跑越远。

怎么能让 AI 跟着我们一起往前走？

在信息学领域，“香农·韦弗模式”概括了经典的信息传递过程：五个向前推进的正功能（信源→发射器→信道→接收器→信宿）和一个随时出现的负功能（噪音）。这在 AI 对话中也同样成立：

AI 检索、整合、生成，再通过对话框把内容递到你面前，整个过程都有不同程度的“噪音”干扰，可能是庞杂参差的网络来源，也可能是刚才提到的上下文错误裁剪。

这种干扰无法避免，只能减轻。有两种方案：

第一种是 Memory 工程，也就是基于对话过程“记笔记”。这要求 AI 工具具备判断与取舍能力，筛选出值得成为长期记忆的信息，整理成一份相对稳定的档案。久而久之，AI 会侧写出你的习惯，你不需要反复提醒，它自然记得你的常用术语、偏好表达与边界。你们之间的交流也会变得顺滑、省力。

第二种是使用知识管理工具，主动限制知识的来源。通过存储“有限的知识”，或者从检索就开始筛选，形成一个来源的私有空间。让 AI 在这样一个私有空间里思考和回应，会尽可能减轻干扰。这种有效筛选再获得的逻辑，相比普通对话更容易生成、沉淀你想要的知识。也更加适合学习与工作场景。

从心流 1.0 到心流 2.0，正是第二种方案的演进。私有空间是一个个知识库，当你点开知识库，就带领 AI 一起进入了心流状态。

「来源」

David Allen 在《搞定》里有一句话我深以为然——"Your mind is for having ideas, not holding them."你的笔记系统的价值，不在于你存了多少，而在于你能在关键时刻取出什么。

我们生活在一个信息过载的时代，随手就能碰到值得保存的内容：公众号里的长文、小红书上的攻略、知乎的精华回答……时间长了，应用里的收藏夹越来越满，想翻找看过的内容就像考古一样困难。静下心投入学习更是件难事。所以，应该有这样一个工具，不仅能整合你随手收藏的内容，还可以回归基本的学习研究过程：查找资料——筛选资料——学习——记忆——应用。

“全能”收藏夹

心流 2.0 提供了多种资源添加方式，可以上传本地文件，自动识别公众号文章、知乎/CSDN等网页链接，包含钉钉文档、百度网盘等第三方应用授权上传文件，且支持文本粘贴（自动生成 md 文件）。

通过这种形式，你可以将手头上宝贵的知识上传到知识库，并且自动总结归纳这个知识库的定位与框架，便于你后续学习管理

比如，在想深入了解知识管理时，我就搭建了这样一个知识库，上传我发现的好文章与好观点：

当然，也可以尝试直接搜索新来源，三种方式满足你的检索与调研需求。其中「深度研究」所利用的多智能体系统iFlow-Researcher在DeepResearch-Bench-II 登顶，详见：（心流AI助手）

更精准地消化知识

在 PKM（Personal Knowledge Management）这条路上，我渐渐不再把“整理”当成单纯的收纳，而更愿意把它看作是学习和内化的一部分。这也与心流 2.0 的设计思路相关，区别于其他的知识管理工具，不再追求于将过载的信息进行聚合，而是来源统一经过自己的思考、理解、分析的筛选，辨别哪些是真正有用的知识。

还是上文的案例，经过我选中的文章似乎也有了某种魔力，可以让我随时进入心流状态：

「对话」

起初，我和绝大多数用户一样，认为「对话」功能仅是呈现 AI 解析能力的容器。就像无数个文章伴读的 AI 弹窗一样，引诱你跳过阅读，发送“帮我概括”、“总结主旨”，直接获得被模型咀嚼过的知识干货。

真正上手后，我发现它可以快速落地这句“Knowledge isn’t power until it’s applied”（知识只有被应用，才能转化为力量）。

结合左侧已输入的知识来源，你可以随时（比如应对我那个笨拙习惯——间隔很久再从历史记录里打开）通过对话检验知识是否已经掌握，并且当然可以实现不输问答式 AI 的文本输出能力。

检验知识是否掌握

比如考试题目模拟：

比如答辩问题预设：

参照文档生成素材

比如制定旅游攻略：

比如规划工作事项：

因此，「对话」功能并非单纯解析，而是一个融合递进的过程：分解知识，消解困惑，解决问题。

在最近的迭代中，这个递进过程有了进一步的升级：从原来的单轮问答，转向了 Agent 方式。

产品老师提供了一些评测数据：

问答能力提升：最新 PROD 版本问答准确率提升 15.78 pp（70.98%-> 85.86%），首次反超 NotebookLM 0504版本基线（84.85%），检索证据更充分后答案质量整体提升；

检索能力提升：上下文精确率达提升至93.57%（78.50%->93.57%），检索到的内容对正确答案的支撑比例更高，相关段落排序更靠前；

证据充分度提升：平均引用段落数提升 82%（2.4->4.3），PROD 版本中 21% 的“零检索失败”情况清零，能召回更多辅助回答的上下文。

基于这次的迭代，「对话」功能更强更准了。

小结

我们习惯了在学生时代管理考点和论文，那是明确的、有标准答案的知识。现在，我们更多面对的是碎片化经验、转瞬即逝的灵感和还在演化的项目，是关于个人兴趣、发展与成长。

无论是「来源」还是「对话」，以及过往介绍过多次的「创作」，心流 2.0 希望能提供一种路径，应和知识管理的游戏规则，帮助大家主动地、便捷地、系统地学习知识。

基于心流 2.0 更多玩法，欢迎大家持续开拓和探索。

此外，文章开篇提到的 Memory 工程也已经上线，欢迎关注心流，下期我们将详细介绍。