如何用 AI 做笔记
一句话概括: 一份可行的分工：什么交给 AI、什么继续自己做，以及决定结果是否可信的三道控制——上下文、确认、核对。
AI 可靠的地方，是对你已有的笔记做变换——概括、抽取、归类、翻译、查找；它不可靠的地方，是判断什么是真的、什么对你更重要。守住这条线，决定了 AI 是让你的笔记系统变好，还是悄悄把它变糟。落到具体做法，是三道控制：限定上下文、写入之前先确认、按出错代价决定核对强度。
一份站得住的分工
AI 擅长对你已有文本做变换：概括、重构、抽取、翻译和查找。它不擅长任何需要判断「什么是真的」「你的本意是什么」「两件事哪件对你更重要」的工作。
所以持久的分界是：AI 搬运和重塑你的材料，由你决定材料在说什么。下面每一种失败模式，都是这条线被越过的某个版本。
- 可以交出去：概括、抽取待办、按主题归拢、起草大纲
- 要留在自己手里：判断什么是真的、什么重要、最终措辞怎么写
控制一：刻意限定上下文
指向你写过的全部内容的助手，给出的答案会差于指向真正相关的那四条笔记的助手。宽泛的上下文会引入看似相关、实则不相关的材料，而模型很不擅长告诉你它这么做了。
为一个问题先挑选相关笔记，是提高答案质量的重要一步。MemoFlow AI 只在你选定的笔记范围内工作，正是出于这个原因。
控制二：写入之前先确认
「提出修改」的助手和「直接应用修改」的助手差别巨大。前者是协作者；后者是对你档案的一种缓慢而沉默的侵蚀——那些小改写你不会察觉，直到你需要原文的那一天。
重要写入必须可预览。MemoFlow 会在重要修改写入笔记前先展示，得到你的同意后再应用，让这条笔记始终是你写的，而不是漂移成的。
控制三：对你要依赖的内容做核对
不是所有内容都需要核对。主题归类稍有偏差没有代价。但你即将引用进报告的数字、即将据以复习的定义、即将安到同事头上的承诺，都需要回看来源。
有用的原则是按比例：出错的代价有多大，就核对到什么程度。这让核对可以长期坚持，而这比核对得彻底更重要。
- 凡是要引用、要提交、要发给别人的，都核对
- 人名、数字、日期永远核对——错误集中在这里
- 低风险的排版重整可以放过
AI 修不好的东西
AI 修不好采集习惯。如果笔记根本没被记下，再好的助手也只是对着空无一物给出更好的答案。它也修不好组织：模型能在一团乱里找到东西，于是整理的压力消失了——这在乱堆里出现同一事实的三个互相矛盾的版本之前都还管用。
那些不体面的部分——持续采集、每周回顾、删掉已死内容——仍然是地基。AI 抬高一个可用系统的上限，但它不会替你创造出一个系统。
要点
- 让 AI 变换材料，把「材料在说什么」的判断留给自己。
- 把上下文收窄到真正相关的笔记——这是最大的质量杠杆。
- 任何写入笔记的动作都要求先确认。
- 按出错代价的大小决定核对强度，人名和数字则永远核对。