Audit
15-Tech-AI 知识库体检与可视化方案
2026-02-01 · Zon（个人 Obsidian 知识库） · 05-Knowledge/15-Tech-AI
把“导入的资料”变成“可复用的知识资产”
现状：内容以剪藏/导入为主，少量结构化学习笔记（Agent）质量较高，但链接与元数据不统一、部分资源路径断裂。 结论：先做‘命名+元数据+修链接’的最小规范，再用 Dataview/Charts 做仪表盘，把蒸馏与复用变成每周流程。
ObsidianDataviewVisualizationRefactor
结论：这个目录的瓶颈不是“内容不够”，而是“导入残留 + 断链 + 链接密度低”导致无法快速复用；
先做最小规范（命名/元数据/修链接/MOC），再做可视化（Dashboard/Charts/Boards）。
- Quick wins：修 6 处断链；把 5 篇核心笔记加上 YAML；补一个 MOC。
- 中期目标：每周蒸馏 3 条剪藏 → 形成可链接断言 → 至少产出 1 次复用。
范围：05-Knowledge/15-Tech-AI · 生成时间：2026-02-01 00:16
Files
34
Markdown
28
Stub (<400B)
8
Broken Links
6
健康评分（快速体检）
| 维度 | 评分 | 证据 |
|---|---|---|
| 结构（目录/索引） | 2/5 | README 过轻，缺少 MOC；内容类型混杂 |
| 命名（可检索） | 2/5 | 17/28 文件名带导入ID |
| 链接（可跳转） | 2/5 | wikilink 仅 12 处；markdown 断链 6 处 |
| 元数据（标签/类型） | 2/5 | 含 Notion/导入元信息的笔记 0 篇；YAML frontmatter 仅 2 篇 |
| 复用（可产出） | 3/5 | Agent 学习路线图/核心概念具备复用潜力；提示词库信息量大但结构松散 |
- 类型混杂：剪藏/学习笔记/提示词/代码与图片放在同一层级，缺少“入口页”（MOC）做导航。
- 导入残留：0 篇含 Notion 风格元信息；17 篇文件名含导入 ID，影响检索与链接。
- 链接稀疏：wikilinks 仅 12 处，局部图谱无法形成“可漫游的知识网络”。
- 可用性问题：发现 6 处 Markdown 断链（图片/CSV/脚本链接），会直接影响复用。
你已经装了 dataview / obsidian-charts / card-board / chronology，可以把“目录”升级为“可视化入口”。
| 可视化 | 展示什么 | 用什么做 | 成本 | 收益 |
|---|---|---|---|---|
| Tech-AI Dashboard（主页） | 最近更新/待蒸馏/提示词入口/关键资源表 | Dataview + Charts | 低 | 把“找东西”变成 1 次点击 |
| 主题 MOC + Local Graph | Agent / RAG / Prompt / Tools 四个入口 | MOC + Graph 过滤 | 低 | 把链接密度做起来 |
| 提示词卡片板 | 按场景（编程/写作/分镜/风格）分组，卡片直接复制 | card-board / task-board | 中 | 把提示词库变成可用的“组件库” |
| 学习时间线 | Agent 学习里程碑/每周复盘记录 | chronology | 中 | 让学习路径可追踪、可复盘 |
Phase 0 · 30 分钟 Quick Wins
- 修 6 处 Markdown 断链（提示词合集/爬虫/Hello-Agents）
- 给 5 篇“最常用笔记”补上 YAML：
type / tags / source / updated - 新增一个 MOC：把入口变成 4 个（Agent / RAG / Prompts / Tools）
Phase 1 · 1–2 小时 结构化
- 统一命名：优先移除文件名尾部导入 ID（17 篇）
- 把
Tags:/Parent item:转为 YAML frontmatter（0 篇） - 为“剪藏类”加上
summary / takeaways / next_action三段
Phase 2 · 每周节奏（可持续）
- 每周固定一次：从 Inbox/剪藏里挑 3 条做蒸馏（15–30 分钟）
- 每条蒸馏必须产生至少 2 个链接（连到 MOC/相关概念/项目）
- 每周至少 1 次“复用输出”：写一段总结/做一个小 demo/更新一份清单
Tiago Forte（Building a Second Brain）
Thesis：把笔记组织成“可用于行动/项目”的中间产品，而不是按学科堆资料。
- 为每条内容标注“用在哪里”：项目/领域/资源（P.A.R.A 思路）
- 优先沉淀可复用的清单、模板、决策记录（而不是全文搬运）
- 把“整理”从完美主义变成“可用主义”：先能用，再逐步精炼
Limits：限制：如果你的目标是“研究型理解”（而不是项目交付），需要补充更强的概念链接与反思。
Andy Matuschak（Evergreen Notes）
Thesis：让每个笔记都能回答一个可辩驳的问题，并通过链接形成“思考网络”。
- 把大段剪藏拆成可引用的“原子断言”（atomic claims）
- 建立“结构笔记/MOC”作为导航，而不是靠文件夹层级
- 写作时反向驱动：当你要输出时，哪些笔记会被链接出来？
Limits：限制：这种写法需要持续维护；如果没有固定的复盘节奏，很容易回到“收藏夹”。
Edward Tufte（信息可视化）
Thesis：可视化的目标不是“好看”，而是“更快看出差异/趋势/因果”。
- 优先做对比：现状 vs 目标、方案 A vs B、风险大小排序
- 用注释把图变成“可行动的信息”：每个条形/节点对应下一步
- 减少装饰、增加信息密度：一页看清关键结构与数字
Limits：限制：如果底层数据（标签、类型、日期）不干净，图会“精确地误导”。
Bret Victor（动态媒介 / 交互探索）
Thesis：最好的“第二大脑”是能让你即时探索与反馈的交互系统。
- 把 Dashboard 做成“可点击钻取”：从主题→笔记→原文/代码/提示词
- 用小工具/脚本自动生成视图（比如：断链清单、待蒸馏清单）
- 缩短反馈回路：每周一次“体检→修复→产出”
Limits：限制：交互系统会诱导你做“工具”而不是“内容”；需要用输出目标约束范围。
Agent学习/Agent核心概念.md把“概念”拆成可链接的原子笔记（ReAct / Memory / Tool Use / RAG），并在每条上补一个“何时用/反例”。
Agent学习/Hello-Agents学习路线图.md把阶段拆成 checklist + 里程碑；每周复盘写到 chronology 时间线。
AI前端.md保留原文作 clip，同时写一页“Artifacts 对前端的 5 个影响 + 可试验的 3 个小项目”。
关于国外的学术数据库的AI.md把表格升级为“选择建议”：你的场景→推荐工具；并把裸 URL 改成 Markdown 链接。
提示词prompt合集…/prompt/*.md为每条 prompt 补：变量位、输出格式、示例、适用/禁用场景；用 card-board 做可浏览入口。
One next action
先修“可用性摩擦”，再上可视化
- 把
提示词prompt合集… .md的 3 个断链改成正确相对路径 - 把
爬虫… .md的findlink.py和图片链接改成当前目录结构 - 新增
00-MOC · Tech-AI.md，作为所有笔记的入口（之后再慢慢补链接）
结尾总结
- 你已经有两类高价值资产：结构化学习笔记（Agent） 与 可复用提示词库；但它们还没被“索引/链接/元数据”串起来。
- 最大的杠杆点是：先把导入残留与断链修掉，让搜索/跳转变顺滑；再用 Dashboard 把“找→用→复盘”固化成流程。
下一步：修复断链 + 建 MOC（一次性 30–60 分钟）
- 本报告基于本地文件扫描：
05-Knowledge/15-Tech-AI - 关键统计：Markdown 28 篇；断链 6；文件名含导入 ID 17
- 最后更新文件：
05-Knowledge/15-Tech-AI/Agent学习/Agent学习路线图.md（2026-01-18 00:36）
把结论变成第一步，把第一步变成习惯。
— Closing note