我的 AI 工作流：从 Cubox 到 Claude

试过很多工具组合，绝大多数最后都废了。留下来的这套很简单，只有三个环节：收口、加工、归档。工具会换，环节不会。

输入：Cubox 负责收口

信息源太散是最大的问题——微信文章、技术博客、内部文档、群里的链接。以前我在不同地方存不同来源，结果就是想找时哪儿都找不到。

现在的规则只有一条：所有想读的东西只进一个入口。Cubox 的价值不在功能多，而在它在手机、浏览器、微信里都能一键收藏。

我只用三个标签维度：

• 状态：待读 / 已读待整理 / 已沉淀
• 主题：架构 / 银行业务 / AI / 其他
• 强度：需要精读 / 扫一遍就行

标签体系越简单越可能被坚持。我曾经设过十几个分类，两周后就懒得选了。

收藏不等于阅读，阅读不等于沉淀。我给自己定的比例是每收藏十篇，至少有一篇要走完到沉淀环节。剩下九篇没读完也不内疚——收口的意义就是让它们不再占用注意力。

加工：Claude 负责结构化

这一环是变化最大的。以前读完一篇长文要自己做摘要，成本高到经常跳过。现在的做法是把原文丢给 Claude，用固定的提示词做第一轮结构化：

请阅读以下技术文章，按此结构输出：

1. 核心论点（不超过三句）
2. 作者的关键假设与适用前提
3. 论证中的证据类型（生产数据 / 基准测试 / 个人经验 / 无证据）
4. 与我已有认知可能冲突的点
5. 值得进一步查证的三个问题

要求：不要复述细节，不要评价文笔。若某项在原文中缺失，直接写"原文未提供"。

第 3 项和第 5 项是我加上去之后价值最大的两条。技术文章里很多结论是没有证据的个人经验，明确标出来能避免我把别人的经验当事实用。

对于代码类的材料，我会让它先跑一遍可行性判断，而不是直接接受：

# 让 Claude Code 直接在本地验证文章里的写法能不能跑通
cbc -p "读取 notes/inbox/kafka-idempotent.md 里的示例代码，
在 sandbox/ 下建最小可运行工程验证结论是否成立，
把不成立的地方列出来并说明原因"

能跑通的写法才进笔记，跑不通的记录成"待查证"。这一步过滤掉了不少看起来很对的博客结论。

输出与归档

加工后的结构化内容我不直接存成笔记，而是必须先回答一个问题：这东西我什么场景下会用到？ 答不上来就不存。

能答上来的，按用途归到三类里：

1. 可直接用的方案：写进技术方案库，附上适用条件。
2. 概念性理解：合并进对应主题的长期笔记，不单独建文件。
3. 待验证的猜想：进一个单独的清单，隔一个月回看一次。

第三类清单很有意思，回看时经常发现当时觉得很重要的东西根本没再想起过——这是判断信息价值的免费标尺。

整套流程的关键不是工具，是那条"答不上用途就不存"的规则。AI 让加工成本降到几乎为零，反而更需要在归档环节设卡，否则笔记库会以极快的速度变成第二个收藏夹。