使用Zettelkasten方法结合生成式人工智能构建个人知识网络

Zettelkasten 笔记方法的本质在于通过个体卡片的相互连接建立知识网络，使思想能够自然生长。在人工智能时代，我们需要考虑人工智能如何在这一过程中帮助我们，更有效地建立一个思想可以蓬勃发展的知识网络。

Zettelkasten方法是一种个人知识网络，依赖用户通过“编码”和“超链接”等方法在网络内构建各种路径。在吕曼的Zettelkasten中，他有时会在卡片上指出其他卡片可以“相关”，类似于超链接的功能。下面，我们将参考网站https://niklas-luhmann-archiv.de 上可用的数字化卡片进行观察。

在卡片7的结尾，卢曼指出了几张相关的卡片，其中一张编号为7，7e16b。卢曼的每张卡片都有编号，编号本身暗示了它所处的上下文。例如，7，2l表明前面的卡片像7，2j和7，2k，而7，7e16b表明它在7，7e16a之后。当7，2l与7，7e16b连接时，编号暗示这些节点连接了两个注释序列。如果我们想要了解7，2l的上下文，我们应该查看序列7，2j，7，2k和7，2l。同样地，要了解7，7e16b的上下文，我们应该回顾7，7e16a，甚至再往上到7，7e16。创建在卡片上的“超链接”使卢曼能够在卡片之间“跳转”，建立知识路径，并且多个超链接可以组织成几个知识路径。然而，如果我们只关注7，2l和7，7e16b之间的连接而不考虑它们各自的上下文，我们实际上将它们从具体的上下文中移除。

根据卢曼的方法，每张卡片都是特定笔记序列的一部分，意味着每个笔记都有其背景。当我们使用“超链接”连接来自不同序列的特定卡片时，可以通过跟踪超链接在不同背景之间“跳转” 。当我们连接来自不同序列的特定卡片，表明“这两张卡片相关”时，我们不仅考虑它们的关联，还要探索这两个笔记序列，以加深对这些卡片的理解。.

常见的“图表视图”知识表示法通过展示知识节点的组织结构，帮助我们观察特定知识是如何通过不同概念进行组织结构的。然而，它的局限性在于无法显示知识结构内个别概念所处的上下文。例如，如果知识图以卡片 A、B 和 C 的内容组织路径，而 A、B 和 C 分别标号为 1.3、2.b7 和 3.7，观察这个知识路径时，标号会指示它们所处的顺序。没有这些数字，A、B 和 C 就会脱离它们的笔记顺序，失去上下文。我们可能不需要判断哪种方法更好，而应考虑我们的需求。如果用户将不同的知识节点视为探索不同上下文的起点，那么指示上下文的 Zettelkasten 卡片编号可能至关重要。

如果我们将Zettelkasten笔记视为AI阅读和生成特定问题答案的数据源，那么AI会根据其算法提供答案，从而提供知识路径。 AI创建的知识路径可以与我们自己的知识网络进行对比。我们可以使用知识网络评估由AI生成的知识路径，将其用作激发我们思考的参考点。当AI生成知识路径时，可能会产生像3.5a、5.7b3a和6.1d3c这样的组合，这些组合与我们在Zettelkasten中的逻辑顺序编码不同，后者遵循的顺序是3.1、3.2、3.3、3.4，然后是3.5a、3.5b等。在这种意义上，像3.5a、5.7b3a和6.1d3c这样的组合似乎起到“超链接”的作用，形成一个知识路径。如果我们评估AI生成的知识路径是可靠的，我们可以根据其结果完善我们现有的知识网络。换句话说，当考虑AI生成答案的影响时，它在不同笔记之间跳转的能力可能有助于我们评估我们的笔记中是否存在潜在的“超链接”连接。

卢曼的卡片盒方法可以直观地保留用户自己的思维过程。如果我们允许人工智能阅读我们的笔记，让其根据我们的问题搜索笔记，生成答案，并建立特定的知识路径，我们可以与其进行对话，评估其答案的质量，激发我们的思维，甚至帮助我们建立笔记之间的各种可能联系。在这个过程中，我们并不打算把“连接笔记”的任务委托给人工智能，而是让其提供建议，作为对话伙伴，当我们根据其建议复习笔记时，加深我们对内容的理解。