Month: July 2022

学习的本质就是记忆 纸笔模型 念书的时候很多人都有做笔记的习惯，我也不例外。上课的时候我习惯的会把课堂笔记写在书页的边角，课后再转抄到笔记本上。一方面重抄强化了记忆，另一方面我会在重抄的时候把散落的知识点整理一下，让它尽可能有条理。 课程在编写时有考虑到知识的连贯性，所以对于课程的知识图谱很容易被梳理出来。我把这种模型成为“纸笔模型”。它基于几个假设： 每个知识节点在创建后基本趋于稳定，不会有过多修改。即便有修改，数字化后的纸笔模型也是“修改友好”的 节点之间的联系稳定且有限 完整的知识图谱内容有限，体积不会太大 节点是随时间添加，检索起来也比较方便，比如按教科书章节检索 纸笔模型的挑战 工作了之后，我也有尝试过很多次做工作笔记，却收效甚微。和学习笔记不太一样，工作中接触到的知识很散乱。更多的时候需要快速学到一个全新的领域知识，然后应用在工作中，然后再学习下一个领域知识，循环往复。学到的知识本身也会随着时间被更新，或者推翻。这些工具/知识之间并不甚相关，导致了知识的碎片化，并且很难被检索。 这时，纸笔模型的假设受到了挑战：知识点之间的联系微弱，需要大量的背景知识来建立，这些知识会导致没有一个完整的图谱，或者一个巨大的图谱；知识点本身会频繁的更新；检索困难，很多时候单纯的关键字检索很难找到所有相关的节点。这三个挑战推向同一个结论：传统的纸笔模型，甚至说数字化后（对更新节点更友好）的纸笔模型已经不适用于工作笔记了。 简言之，传统的纸笔模型更适合一个有主干，有直线，内容有限的叶脉结构——教科书等天然适合使用这种工具。 知识图模型 而如同之前所讨论的，工作之后接触到的很多领域知识是驳杂，正交的。这样的知识图谱就是很多细小碎屑的枝干，缺乏一个主干来统一。这种模型我称之为知识图模型。 知识图模型的一大挑战就是对节点的多维度，联想性检索。在检索节点时，目前绝大多数工具都只能做到关键字检索。很少，或几乎没有工具能够把“与XX”相关联作为条件来检索节点。 举个例子，假如我今天读到了一个知识，通胀与央行加息之间的关系是如何如何。除非我在这个知识节点内放了“通胀”“加息”“贷款”“利率”等等关键字，否则很难在未来的某天，我想了解”贷款利率”与“通胀”之间的关系。 Logseq 一个好的PKMS工具，需要有这种能力，将相关联的碎片信息进行整理，连接，并在我需要的时候，能够通过寥寥几个节点的检索，就能够将整个图谱的内容提取出来，比如能够帮助我从“贷款”联想到“利率”，到“加息”，一直到“通胀”。 这里介绍一个我自己在用的PKMS工具，logseq。logseq是一个markdown驱动的PKM软件。它通过节点间的双向连接生成知识图谱，并且可以通过关键字，标签，页面引用等来对节点进行多个维度的整理。比如上文的例子中，“通胀与央行加息之间的关系”节点中我可以通过#通胀，#加息，#经济 等不同标签使这个节点和不同的节点互通。当然在可视化时，它也能够从根据不同的维度，快速的建立不同的可视化结构。 除此之外，logseq 还可以通过不同的宏把pkms和各种不同的管理工具结合到一起，比如TODO，读书笔记，个人周报等。还可以在TODO中按优先级，ddl进行排序，永远把“最重要”的事项显示给你。也可以按需来添加不同的插件，进行强大的功能拓展。 它既是一个笔记本，也可以是一个日记本，一个知识图归纳器，一个PKMS，一个TODO，等等等等。更多与logseq相关用法，请参考这里。 希望这篇文章能对同样挣扎在碎片化知识的小伙伴们提供一种思路，以期早日进入work hard, play hard的状态。