AI 时代的知识管理范式转变
本篇文章由人类编写大纲，LLM 优化行文流畅度与结构。
这篇文章写得比我预期晚了一些。
今年写个人总结的时候，我就给自己挖了这个坑，原本想写一篇文章，聊聊过去两年借助 AI 之后，我的知识管理方式发生了什么变化。那时候其实还没有想得特别清楚，只是隐约意识到，我对“学习”和“知识管理”的理解，似乎正在发生一次变化。随着这半年的实践，这个变化的轮廓逐渐清晰起来。
我在 2024 年写过一篇谈谈大模型时代下的个人知识管理，当时主要讨论的是如何扬长避短，发挥人与 AI 各自的优势。现在回头看，当时思考的其实还是“如何管理知识”的问题，而这两年 AI 的快速发展，让我开始进一步思考一个更底层的问题：
当知识越来越容易获得，甚至知识的组织和分析也越来越容易被 AI 完成之后，一个人长期真正应该沉淀的，到底是什么？
回头看，我个人的知识管理大概经历了三个阶段：知识笔记、知识体系，以及现在正在进入的认知构建。
从知识，到知识体系
刚成为初级工程师的时候，我对学习的理解非常简单：知道得越多，能力就越强。所以那时候会大量摄取知识，也会大量记笔记。
遇到一个新的技术，就去了解它是什么、怎么使用、有哪些最佳实践，然后把这些内容记录下来。那时候这种方式非常有效，因为一个人的能力首先受限于知识本身。不知道 Redis，就很难解决 Redis 的问题；不知道 Kafka，也很难设计消息系统。
所以最开始，学习本质上就是不断扩大自己的知识边界。
但慢慢地，我发现知识是学不完的。
技术不断发展，新的框架、新的工具、新的概念不断出现，如果始终按照“学一个、记一个”的方式推进，最后很容易得到一个越来越庞大的知识仓库，却很难得到与知识规模相匹配的能力。更重要的是，真正复杂的问题，往往并不是因为你缺少某一个知识点，而是因为你不知道应该如何把已有知识连接起来。
于是，我开始从“积累知识”转向“构建体系”。
学习一个东西时，不再只关心它是什么、怎么用，而会进一步思考它为什么出现、解决了什么问题、和其他事物有什么关系。
比如学习数据库时，不只是记住某种数据库的具体用法，而是开始思考为什么数据库会出现性能瓶颈，为什么需要索引、缓存、分库分表，以及这些方案背后究竟在解决什么问题。学习微服务时，也不只是记住如何拆服务，而是去理解为什么系统会从单体走向拆分，拆分解决了什么问题，又引入了什么新的复杂度。
这个阶段，我真正开始关注的已经不是一个个孤立的知识点，而是知识背后的结构、模式和共性。
知识开始从一个个“点”，逐渐变成一张“网”。
但在这个过程中，我又慢慢发现，知识体系依然不是终点。
因为即使一个人的知识足够多，也建立了一定的知识体系，面对一个全新的问题时，最终还是需要自己判断：哪些知识真正相关，哪些模式可以迁移，哪些经验只是特定环境下的偶然现象，哪些方案看起来合理但实际上并不适用。
这时候我才逐渐意识到，构建知识体系的过程中，真正发生变化的，其实不是知识本身，而是我看待问题的方式。
过去面对一个技术，我更关心“它是什么”“怎么做”；后来开始关心“为什么会有它”“它解决了什么问题”“它的边界是什么”“如果换一个场景，它是否仍然成立”。
也就是说，我开始从“知道一个事物的知识”，转向“理解这个事物本身”。
而这其实已经开始进入认知层面。
AI 让这件事情变得更加明显
为什么我会在这个时候明显感觉到这种变化？因为 AI 正在改变知识本身的稀缺性。
过去学习一个陌生领域，需要自己搜索资料、阅读文档、整理信息、归纳总结。现在这些事情越来越多都可以交给 AI 辅助完成。尤其是在编程领域，这种变化已经非常明显：AI 不仅能够生成代码，还能够理解上下文、分析已有代码、设计架构、排查问题，甚至完成一整段过去需要人来主导的工作。
于是，软件开发正在逐渐从一种“以做为主”的模式，走向“以验为主”的模式。
过去，我们更关心的是能不能把东西做出来；现在越来越需要关注的是，AI 做出来的东西到底对不对。
这两个问题其实对应了两种完全不同的能力。
如果 AI 可以很快给出一套架构方案，那么一个工程师真正稀缺的能力，就不再只是“会不会设计这套架构”，而是能不能判断这套方案是不是解决了真正的问题，它依赖了哪些假设，哪些地方可能存在风险，什么时候应该采用它，什么时候又应该放弃它。
所以有一个很有意思的变化：
AI 越强，人对判断力的需求反而越高。
因为 AI 可以越来越擅长回答“怎么做”，但最终仍然需要有人回答“为什么做”“做这个到底对不对”。
这也是为什么我现在开始觉得，AI 对知识管理真正产生的影响，并不只是让我们“不需要记那么多东西”了。
更深层的变化是：过去一个人的竞争力，很大一部分来自知识储备和知识组织能力；而当 AI 在这两个维度都越来越强之后，人真正需要长期积累的东西，就会逐渐向更高一层迁移。
这也是我现在所理解的“认知构建”。
从知识管理，到认知构建
我理解的认知，并不是泛泛地说一个人的世界观、价值观，或者“思维要深刻”。
更具体一点，它更像是一个人对事物形成的一套稳定解释模型：这个东西为什么存在，它解决了什么问题，它如何运作，它的前提和边界是什么，它和其他事物有什么关系，以及在什么条件下应该如何做出判断。
所以现在学习一个东西时，我已经越来越不满足于知道它是什么、怎么做，而会更关心它为什么会出现，从何而来，又会走向哪里。我会尝试从最原子的第一性原理出发，一层层向上推导，同时寻找它和其他事物之间的联系。
如果只是记住一个知识点，你获得的是一个答案；如果把很多知识点组织起来，你获得的是一个体系；而如果能够进一步理解这些知识背后的结构，并将它们迁移到新的问题上，你才开始真正形成自己的认知。
因此，现在我的知识管理方式其实已经发生了一个比较明显的变化。
过去，我会问自己：
这件事情是什么？怎么做？
现在我会更倾向于继续追问：
为什么会有这件事情？ 它解决的本质问题是什么？ 它成立的前提是什么？ 它的边界在哪里？ 它和其他事物背后有没有相同的结构？
我越来越在意的，不再只是“我有没有学过这个东西”，而是“我有没有形成一个能够解释这个东西的模型”。
当然，这并不意味着知识和知识体系已经失去了意义。
恰恰相反，认知构建依然必须从知识开始。我们不可能凭空建立认知，通常还是要经历一个从具象到抽象的过程：摄取知识，提炼模式，形成认知，然后再把认知投入实践，在现实反馈中不断修正。
所以从这个角度看，知识体系在知识管理中的位置发生了变化：
它不再是终点，而更像是一种中间结构。
过去可能是“知识 → 知识体系”，而现在我更倾向于把它理解成：
知识 → 体系 → 认知 → 判断 → 实践 → 反馈 → 修正认知。
这实际上也是一个不断螺旋上升的过程。
我们对一个事物的认知，不是一开始就能够建立起来的。通常都是先看到表象，接触更多知识，再发现背后的结构，形成一个初步模型，然后进入实践。实践过程中又会发现模型与现实不一致的地方，于是重新学习、重新抽象、重新修正。
所以所谓“稳定内核”，并不是建立一套永远正确的答案。
稳定的是认知方式，而不是具体结论。
知识会更新，技术会变化，环境会变化，我们的认知也应该随着新的输入和现实反馈不断修正。否则所谓的“稳定内核”，最后很容易变成一种顽固。
对我来说，这可能也是 AI 时代知识管理最值得思考的问题：
当 AI 可以越来越低成本地帮助我们获得知识、整理知识、解释知识，甚至完成大量知识工作之后，我们究竟应该把什么长期留在自己身上？
我的答案目前越来越明确：
不是更多的知识，也不只是更庞大的知识体系，而是一套属于自己的、能够持续解释世界、判断问题、指导实践，并且能够接受现实修正的认知模型。
知识是输入，体系是结构，认知才是最终的沉淀。
这当然也不会是知识管理的终点。
随着 AI 能力继续发展，未来人的工作方式、学习方式，甚至认知方式都还会继续变化。今天我认为重要的能力，几年之后也许还会发生迁移。
所以我现在更愿意把知识管理看成一件长期的事情：不断从知识中提炼结构，从结构中形成认知，再用实践去验证和修正认知。
不是建立一个越来越大的知识仓库，而是在不断构建一个能够帮助自己理解世界的模型。
这可能就是我现阶段对知识管理的理解。