我是如何用AI管理1400+篇文章库的 · 知识工程

KNOWLEDGE MANAGEMENT2026-07-25

我是如何用AI管理1400+篇文章库的· 知识工程

从下载到标签，一个人的知识工程

DOODLE

从信息囤积到知识资产，只差一套系统

AI工作流知识管理

大家好，我是老谭。

今天想和你们聊一个很"实在"的话题——我是如何用AI管理我这1400多篇公众号文章的。

这不是一篇空泛的方法论，而是一个真实的案例：从文章下载、到标签体系设计、再到索引系统搭建，我把整个过程拆给你看。

如果你也在做内容创作，也有几百上千篇文章躺在云端不知道怎么用，这篇文章或许能给你一些启发。

---

01

PART

为什么要折腾这件事？

FROM HOARDING TO ASSET

三年公众号日更，我写下了1400多篇文章。

以前我也像大多数人一样，文章发完就完了，偶尔想找点素材，要么凭记忆翻半天，要么就放弃了。

去年12月，我做了一个决定：把公众号「老生常谭」改名为「AI Rollup」，聚焦AI方向。

同时新起了「老谭备忘录」，继承原来的泛话题风格。

两个号要形成差异化，就得清楚知道：

• 哪些素材更适合AI Rollup（AI-Rollup、组织AI化、RaaS等核心概念）
• 哪些更适合老谭备忘录（创业心法、认知成长、投资思考）

02

PART

第一步：批量下载，100%本地化

EXPORT EVERYTHING

要管理文章，第一步是把它们从微信后台"搬出来"。

我找到了一个开源项目：wechat-article-exporter（微信公众号文章批量下载工具）。

这个项目的原理很巧妙——利用公众号后台的"搜索其他公众号文章"功能，反向爬取自己公众号的所有文章。

它支持多种导出格式：

• HTML：100%还原排版和样式
• Markdown：方便后续编辑和索引
• JSON：结构化数据，便于程序处理
• Excel/Word：传统格式

我选择了Markdown格式，因为它既保留了文章结构，又便于后续的标签化处理。

但原版工具有个问题：下载速度慢，而且没法批量处理元数据。

于是我用Claude Code优化了这个项目：

• 增加了并发下载能力（用p-queue管理并发）
• 优化了HTML到Markdown的转换逻辑（基于Cheerio和Turndown）
• 添加了自动提取元数据的功能（标题、日期、URL等）
• 本地用IndexedDB缓存，避免重复下载

最终效果：1400+篇文章，全部下载到本地，耗时不到2小时。

这一步很关键——数据在自己手里，才能做后续的深度加工。

03

PART

第二步：设计标签体系，让AI能"读懂"文章

7-DIMENSIONAL TAGGING

文章下载下来了，但还是一堆散乱的文本文件。

真正的知识管理，需要结构化。

我花了一天时间，设计了一套「7维标签体系」：

维度1：主题域（讲什么）

一篇文章可以打1-3个标签，比如：

• AI基础认知 — 大模型、AGI、AI能力边界
• AI-Agent智能体 — Agent、智能体、AI员工
• 组织AI化 — 组织形态被AI重构
• 流量方法论 — 流量的底层逻辑
• 创业心法 — 创业、创始人、方向选择
• 认知思维 — 认知、思维方式、心智模型

维度2：招牌概念（我的话语指纹）

这些是我自创或强绑定的术语：

• AI-Rollup — 核心投资/创业框架
• 组织AI化 — 存量组织被AI改造
• 结果即服务RaaS — 商业模式主张
• 首席流量官 — 个人标签
• 十年战略 — 长期主义
• 共创 — 投资+赋能关系

维度3：体裁（什么形式）

• 观点评论 — 就某事表达判断
• 方法论干货 — 含步骤、指南，可复用
• 案例拆解 — 围绕具体公司/产品分析
• 个人随笔 — 心境、节奏类短文
• 深度长文 — 结构完整的重头文章

维度4：立场（论点倾向）

• 看多/乐观 — 对某趋势持积极判断
• 看空/警示 — 泼冷水、拆穿、揭遮羞布
• 行动号召 — 呼吁读者/企业赶紧行动
• 反思自省 — 对自己过往判断的修正

维度5：可复用分（素材质量分档）

• 高 — 有深度论证 + 含招牌概念 + 观点长青
• 中 — 有一定价值但不突出
• 低 — 纯日常随笔、过期热点、篇幅极短

维度6：实体（涉及谁）

自动抽取的动态词表：

• 公司/产品：DeepSeek、OpenClaw、Claude、微信、视频号...
• 人物：巴菲特、芒格、Sam Altman、马斯克...

维度7：写作用途（能当什么用）

• 观点素材 — 可作为论点/金句来源
• 案例素材 — 可作为论据/例子调用
• 框架模板 — 结构清晰，可作为新文章范本
• 概念定义源 — 招牌概念的权威阐述

为什么是7维，而不是传统的文件夹分类？

因为一篇文章可能同时讲AI应用、组织转型和投资逻辑，单一分类放不下。多维标签可以做组合查询，比如：

主题=组织AI化 ∩ 体裁=方法论 ∩ 可复用分=高

这样就能精准找到"关于组织AI化的、可复用的方法论文章"。

这套标签体系，就是我的知识图谱的"元数据层"。

---

04

PART

第三步：让Claude批量打标签

AI-POWERED TAGGING

标签体系设计完了，但面对1400多篇文章，总不能一篇篇人工打标签吧？

这时候Claude就派上用场了。

我用Claude Code写了一个自动打标签的流程：

步骤1：读取标签体系

把7维标签的定义、判定标准、样本案例全部喂给Claude，让它理解每个标签的含义。

步骤2：批量分析文章

用Python脚本遍历所有Markdown文件，逐篇让Claude分析：

• 读取文章内容
• 根据标签体系给出7维标签
• 生成YAML格式的frontmatter

步骤3：写入元数据

把标签写到每篇文章的开头，用YAML frontmatter格式：

---

title: AI时代的生存法则：做减法，是最高级的护城河

date: 2026-02-18

url: https://mp.weixin.qq.com/s/xxx

主题域: [认知与个人成长]

招牌概念: [AI-Rollup]

体裁: 方法论干货

实体: [巴菲特]

立场: 行动号召

写作用途: [观点素材, 框架模板]

可复用分: 高

---

步骤4：人工校验

Claude打完标签后，我会抽查一部分，发现问题就调整标签体系的判定标准，然后重新跑一遍。

最关键的是：我不只是让AI打标签，而是和AI一起"训练"这套标签体系。

比如我发现有些文章被打了"AI基础认知"标签，但其实只是在AI时代背景下讲其他话题。于是我就明确了标准：

"AI基础认知"应该是大模型、AGI、AI能力边界的科普与判断，而不是"在AI时代下讲其他话题"。

这样反复迭代几轮，标签准确度就上去了。

今天（7月25日）我刚用这套流程处理了19篇新文章，从读取、打标签、写入元数据、更新索引，全程自动化，耗时不到10分钟。

一个人，用AI，就能完成过去需要一个团队的工作。

---

05

PART

第四步：建立6维索引系统

6-DIMENSIONAL INDEX

标签打完了，但还有一个问题：如何快速检索？

我不想每次都去文件夹里翻文件，也不想靠全文搜索碰运气。

我要的是：按任意维度组合查询，瞬间定位到想要的文章。

于是我建立了6个索引文件：

索引1：按年度

索引_by_年度.md

• 2026年（47篇）
• 2025年（xxx篇）
• 2024年（xxx篇）
• ...

索引2：按体裁

索引_by_体裁.md

• 观点评论（xxx篇）
• 方法论干货（xxx篇）
• 案例拆解（xxx篇）
• 个人随笔（xxx篇）
• 深度长文（xxx篇）

索引3：按立场

索引_by_立场.md

• 看多/乐观（xxx篇）
• 看空/警示（xxx篇）
• 行动号召（xxx篇）
• 反思自省（xxx篇）

索引4：按可复用分

索引_by_可复用分.md

• 高（xxx篇）— 写作系统优先调用
• 中（xxx篇）— 按需调用
• 低（xxx篇）— 仅保留检索

索引5：按主题域

索引_by_主题域.md

• AI-Agent智能体（xxx篇）
• AI基础认知（xxx篇）
• 组织AI化（xxx篇）
• 流量方法论（xxx篇）
• 创业心法（xxx篇）
• 投资逻辑（xxx篇）
• 认知思维（xxx篇）
• ...

索引6：按招牌概念

索引_by_招牌概念.md

• AI-Rollup（42篇）
• 组织AI化（24篇）
• 结果即服务RaaS（22篇）
• 共创（14篇）
• 首席流量官（4篇）
• 十年战略（5篇）
• ...

每个索引都是一个Markdown文件，按倒序时间排列，格式统一：

## AI-Rollup (42)

| 日期 | 标题 |

|---|---|

| 2026-07-24 | [从四次失败到确定性：我的创业成长史](2026/创业与商业/xxx.md) |

| 2026-07-23 | [十年投资路：从财务投资人到AI产业投资人](2026/投资与资本/xxx.md) |

| ...

这6个索引文件，就像6个不同视角的"目录"，让我能从任意角度切入知识库。

比如：

• 想写AI-Rollup相关的文章 → 打开索引_by_招牌概念.md，看看过去42篇都怎么写的
• 想找高质量的方法论素材 → 打开索引_by_可复用分.md，筛选"高"+"方法论干货"
• 想了解自己在某个时期的思考 → 打开索引_by_年度.md，按时间线回顾

而且这些索引文件会自动更新——每次新增文章、修改标签，Python脚本会自动重新生成索引。

---

06

PART

实战效果：从"信息坟场"到"知识金矿"

WHAT CHANGED

整理完这1400多篇文章后，我真切感受到：从信息囤积到知识资产，只差一套系统。

改变1：写作效率提升10倍

以前写文章，想引用自己之前的观点，要么凭记忆搜，要么就放弃。

现在只需要打开索引，按主题域+招牌概念筛选，瞬间找到所有相关文章。

甚至可以直接看哪些是"高可复用分"的，优先调用那些深度论证过的观点，避免重复造轮子。

写作从"从零开始"变成了"组装素材"。

改变2：双号定位更清晰

有了标签体系，我可以一眼看出：

• 哪些文章更适合AI Rollup（AI-Rollup、组织AI化、RaaS等核心概念）
• 哪些更适合老谭备忘录（个人随笔、创业心法、认知成长）

内容策略从"拍脑袋"变成了"数据驱动"。

改变3：知识复利开始显现

过去写过的文章，发完就沉底了。

现在它们变成了"可调用的模块"——一个观点、一个案例、一个框架，都可以在新文章中复用、改写、升级。

1400多篇文章不是历史包袱，而是我的"知识复利"。

改变4：AI写作系统的基础设施

这套标签化、索引化的内容库，未来可以直接接入AI写作系统：

• 让AI根据主题自动调取相关素材
• 让AI学习我的写作风格（体裁、立场、招牌概念）
• 让AI自动生成文章初稿，我只需要润色

从"人工写作"到"AI辅助写作"，基础设施已经就位。

---

07

PART

几个关键认知

KEY INSIGHTS

认知1：知识管理的本质是"减法"

1400多篇文章，如果全都平等对待，那就等于没有管理。

真正的知识管理，是给每篇文章打上"可复用分"——高、中、低。

高质量的文章（含招牌概念、深度论证、观点长青）才是核心资产，其他的都是"历史记录"。

认知2：标签体系比AI工具更重要

很多人迷信AI工具，觉得有了ChatGPT就能自动管理知识。

错了。

AI只是执行者，标签体系才是"元规则"。

你得先定义"什么是好文章""什么是招牌概念""什么叫可复用"，AI才能按你的规则分类和检索。

工具会过时，但标签体系是你的知识资产的"操作系统"。

认知3：一个人+AI，胜过一个小团队

这套系统，如果放在两年前，至少需要：

• 1个产品经理设计标签体系
• 2个工程师写爬虫和索引脚本
• 3个编辑逐篇打标签

成本至少几十万。

但现在，我一个人+Claude Code，1天搞定。

这就是AI时代的生产力革命——不是替代人，而是让一个人拥有团队的能力。

认知4：躬身入局才能真正理解AI

我可以写100篇文章讲AI Rollup、讲组织AI化、讲RaaS。

但如果我自己不用AI管理知识、不用AI优化工具、不用AI写代码，那些都是纸上谈兵。

只有躬身入局，才能真正理解AI的威力和边界。

这套知识管理系统，就是我的"AI实验室"。

---

∞

CODA

写在最后：个人IP的"第二大脑"

FROM INFORMATION OVERLOAD TO KNOWLEDGE ASSET

很多人问我：老谭，你为什么要花这么多时间整理这些文章？

我的答案是：因为这是我的"第二大脑"。

人脑的记忆力有限，但AI+标签系统可以做到：

• 精准回忆：任意组合查询，瞬间定位
• 跨时间连接：把不同时期的思考串联起来
• 知识复利：过去的积累，成为未来的杠杆

在AI时代，个人IP的竞争力不只是"能生产内容"，更是"能管理知识"。

如果你也有几百上千篇文章，我的建议是：

• 别让它们躺在云端吃灰，下载下来，本地化
• 设计一套适合你的标签体系，让AI能读懂你的文章
• 建立索引系统，让知识"可检索、可复用、可迭代"

从信息囤积到知识资产，只差一套系统。

而这套系统，在AI时代，一个人就能搞定。

---

本文由 JOTO AI 智库从已授权的 53AI 知识库同步。

原始来源：53AI FDE 知识库