摘要

AI 对知识管理的真正突破不是让人“存得更多”，而是让多年沉睡的资料第一次能被语义检索、跨文档归纳并重新进入生产流程。 过去搜索要求记得准确关键词，Notion、语雀等又需要高成本人工分类；现在资料可以分散在文档、群聊、会议和文章里，用户直接提问，AI 再沿引用来源汇总。龙天给出的最低门槛是：“你只要从今天开始，把自己的知识和信息在线化，剩下的可以交给AI去做。”
知识管理长期是创业“大坑”，本质矛盾是每个人的工作流不同，而整理成本常常超过复用价值。 刘飞把它与母婴社区、宠物社区并列：每轮新技术都会有人因现有产品不趁手而重做一遍；他又用印象笔记里堆积的几百万字追问这些资料该如何使用——没有调用机制，知识库只是“知识的坟墓”，用户只是“赛博仓鼠”。
大模型幻觉短期无法从架构上归零，但产品化约束已经能把它压进可用区间。 刘飞主张按任务选择联网、Deep Research、指定出版物等模式，并强制模型只依据给定材料；龙天将幻觉称为这一代模型的“feature”，称多重验证和引用约束可让部分场景的“有据率”超过90%，个别达到98%以上，但直接数字运算仍应交给计算工具。
内容与白领劳动的价值链正在重排：资料整理、美术执行等标准化工作先受到AI冲击，选题、体验与判断暂时成为更稀缺的环节。 刘飞使用Deep Research后，《半拿铁》的资料整理时间“差不多少一半”；庄明浩称游戏生产中的部分二维场景、人物、图标、Logo及其他美术资源，前端部分已有约80%—90%由AI完成。音色、停顿和口癖也能模仿后，播客创作者的核心价值可能从生成内容移向选题，但刘飞坦承“这个问题我没有答案”。
VC 是高度适合AI化的知识劳动，真正悬而未决的是机器决策能否穿越五年、七年甚至十年的回报周期。 创始人背景、产品、竞品、融资轮次等标准问题，仅靠一套提示词就可能先得到约60分的尽调结果；刘飞提到美国已有小基金尝试“一人公司”、AI员工、几乎不见创始人的全数据决策。若这批基金多年后表现优秀，这个行业可能就要翻篇。
庄明浩给出的交易框架是：只要AI长期趋势未破，英伟达仍可持有，100美元以下可买、130美元以上可做波段。 他同时强调这只是个人意见，不构成投资建议；比特币的类比是“10万美元卖出，跌到8万、9万美元左右再买回来”，前提都是AI趋势仍在。
教育与认知的关键不是继续囤积可背诵的信息，而是把问题、主体性和现实经验留在人手里。 当学生已成为“AI原住民”、翻译等职业遭遇直接冲击，记忆和背诵的重要性会下降，融合与创新知识的重要性会上升；但关雅荻提醒，效率之外还有育儿、线下对话等不可压缩的复杂生活。结论不是强迫自己“拥抱AI”，而是“先变成生活的专家，然后让AI为自己所用”。

精读

1. AI让知识管理从存档问题变成调用问题

刘飞写东西已有约十年，最直接的痛点不是没有记录，而是旧文章、日记和工作资料积累到一定规模后，几乎不可能逐篇重读，更难记住“什么时候写过什么”。
旧式搜索还要求用户记得相当准确的关键词；一旦只记得观点、不记得原句，资料实际上便处于失联状态。AI带来的变化，是可以按意思和相关性寻找内容，再把结果抽取、归纳出来。
刘飞概括说：“记录其实很简单，顺手摘录、复制、粘贴就可以了。但是你把这个库建立起来之后，应该怎么用？”过去缺的是最后这一段复用闭环。

2. 知识管理反复成为创业大坑，因为个人需求无法标准化

刘飞回看约2010年以来的十五年，把母婴社区、宠物社区和知识管理并列为互联网创业的知名“大坑”：从业者一旦生孩子、养宠物或需要整理资料，就容易觉得现有产品“不好用”，继而自己下场。
知识管理尤其如此。每个人接触的信息、分类习惯、输出形态和协作关系都不同，很难由一个固定流程完全覆盖。
因而每当新技术出现，都会再有一批人提出“用这个技术重做知识管理”。AI不是第一次创业热潮，只是新一轮试图降低整理与调用成本的技术变量。

3. 知识库不是一个文件夹，而是从输入到输出的生产链

刘飞给出的朴素定义是：日常接触的公众号文章、报告、收藏、群聊和文档，经过存储、分类、归纳、加工、协作，最终形成报告、文案或分享成果；这条信息流就是知识管理。
刘飞去年年底的总结有132页，底层材料可能包括几百份报告、几百张图表和几百篇文章。人脑无法完整保存，必然需要外部系统承担存储、筛选、拼接和更新。
问题在于信息通常分散于微信公众号、微信群、聊天记录、飞书文档乃至其他数据库，加工时又需切换工具。人人都想要一体化产品，但真实工作习惯仍使“一站式”很难成立。
因此，知识库的价值不能按保存了多少文件衡量，而要看资料能否在下一次写作、决策或协作时，重新转化为结果。

4. 人工分类成本把漂亮的知识库变成“知识的坟墓”

刘飞认为语雀、Notion等产品本身做得很好，旧问题却始终是使用门槛：每放入一篇文章，都要人工判断它与旧资料的关系，再分类、排版、加标签，这对普通人是不可持续的成本。
他见过整理得最好的是刘少男，但刘少男本身就在做知识整理，并有付费专栏产品，因此具备普通用户没有的持续动力。
刘飞自己曾把文章不断丢进印象笔记，累积到几百万字后，问题变成不知道怎样再使用。看似拥有了海量内容，拥有感却只是“虚幻的知识”。
刘飞还提到“赛博仓鼠”：公开信息获取成本接近于零，人便不停圈进来、堆起来；若技术不能重新建立关系，那不是知识库，而是“知识的坟墓”，甚至只是装垃圾的文件夹。

5. 语义检索允许资料继续分散，用户只需保留问题

AI的优势不只是把“电商”这个词搜出来，还可能把双边平台、网约车、外卖和交易平台的相关经验一并关联，让用户发现自己未曾设置过的分类。
龙天主张先把知识和信息在线化，产生的信息越多也不必过度担心，后续分类、抽取和关联可以交给更聪明的工具完成。
他以本次播客节为例：活动进展散落在几十篇文档和几十个群聊里，他只需问整体计划到了什么程度，AI就能汇总出结构化结论，并列出引用来源。
线上会议也经历了两轮需求增长：第一轮来自特殊时期，第二轮来自AI。过去录完音仍要人工整理，如今一段对话已可直接生成相对可靠的纪要。

6. 飞书试图把AI做成基础设施，但复杂度仍是产品负债

龙天对飞书的定位不是只服务“打工人”，而是普通人也能使用的知识生产与管理工具；飞书妙记、文档和知识库共同覆盖对话记录、协作与后续调用。
面对“界面是否过于复杂”的质疑，他承认功能越强大，产品就越复杂，刚上手的用户确实会增加理解成本。飞书会持续做用户体验优化，并针对不同用户层提供更简洁、清晰的使用方式。
关于培训和案例，现场建议关注提供的课程和资料。产品化方向是让用户更容易找到与自己相关的功能，而不是要求所有人理解全部能力。
国际业务方面，国内使用飞书，国际版本叫Lucky；两者会因产品部署方式、当地法律法规和合规要求而有所不同。跨国企业可使用对应的全球协同方案。

7. 幻觉无法归零，但可以被证据、边界和多重验证约束

刘飞强调，不同AI产品及其功能配置并不相同：DeepSeek、元宝、豆包、飞书、GPT的联网、深度思考和Deep Research模式都会改变结果，搜索哪些中文或英文来源也会影响输出。
制作《半拿铁》时，他遇到过模型“纯编”的商业故事；但把完整传记或正式出版物交给模型，并要求必须按照材料内容输出，错误便会明显减少，随后仍需人工复核。
庄明浩的判断是，现有架构短期内看不到百分之百消灭幻觉的办法；可行做法是缩小任务边界、限制来源和输出格式，让模型在一个可验证的小环境里完成工作。
龙天更激进：“幻觉不是这一代AI的一个问题，而是它的一个特征，是它的一个feature。”产品可像人类核查一样进行双重、多重验证；他称工程化后部分场景的“有据率”可超过90%，个别场景达到98%以上。

8. AI像优秀文科生，任务分配比盲目替换更重要

刘飞给出的简明边界是：生成式AI像“一个非常优秀的文科生”，创作、总结和部分推理可以大胆交给它，但直接数字运算通常不是它最擅长的任务。
数字计算已有成熟工具，较合适的做法是让人或Agent调用这些工具，而不是要求语言模型凭文本能力完成全部运算。
庄明浩认为，打工人未来很长一段时间都要判断“什么任务交给AI”。AI到来并不意味着旧工具失效；某些事情现有方案更准确、更稳定，通用Agent反而未必是最优解。

9. VC尽调高度标准化，六十分结果已经可以由提示词生成

庄明浩参与早期投资。他指出，VC关心的维度长期相对固定：创始人背景、产品、竞争对手、融资轮次等，本质上是重复的信息收集、整理与判断劳动。
他引用一位美国投资人的简短提示词，认为今天给到模型后，大概率能得到“还不错、可能六十分”的初步结果，甚至不必先搭建复杂工作流。前提是投资人先把自己需要的维度归纳清楚。
中国市场更本地化的部分仍受数据可得性限制，例如工商、专利等信息需调用专门数据库；国内暂时还没有特别好的工作流产品可以直接解决这些问题。
庄明浩的尖锐判断是，对知识化信息的收集、整理和输出，“人类已经几乎被打得体无完肤了”。传统VC的手艺感，并不等于其中每一步都具备高技术壁垒。

10. 全AI基金正在测试VC是否还能以“感觉”为核心

刘飞提到，美国已有小型新基金走向光谱另一端：几乎不介入人为因素、不见面，通过数据和AI完成分析、打分、跟踪，甚至由AI员工处理资料与投资协议签署流程。
这类基金可能只有一个人，所有员工都是AI员工，与传统依赖见面、喜好和创始人感觉的投资方式形成极端对照；刘飞没有断言哪一端必胜，只强调实验已经开始。
早期投资无法即时验证，项目通常需要五年、七年甚至十年才能看到结果。只有等这一批全技术基金兑现长期表现，行业才可能得到答案；若表现确实很好，“这个行业可能就要翻篇了”。

11. 英伟达的长线逻辑仍在，短线框架是百元以下买、130以上做波段

庄明浩以“仅代表个人意见、不构成任何投资建议”为前提表示，只要AI浪潮仍保持当前趋势，英伟达的长线逻辑没有改变，仍可持有；过去一段时间尤其最近几个月的剧烈波动，叠加了政策、关税等因素。
他的短线价格框架是：英伟达100美元以下可以买；如果价格超过130美元，可以做一些波段，跌回100美元以下再买回来。
他把策略类比为比特币：“10万美元卖出，跌到8万、9万美元左右再买回来。”这个经验被限定在趋势仍持续的条件下，并被标注为个人观点。

12. 播客的执行成本骤降，创作者护城河可能退到选题

刘飞认为，对谈播客暂时更难替代，因为主持人需要实时理解嘉宾并追问；《半拿铁》式商业故事主要依赖公开资料和出版物，理论上更容易被模型复制。
一百多期节目已构成足够语料，模型可以学习表达方式；原以为音色、情绪和口癖是保护层，但现在生成播客的工具已经可以模仿节奏、停顿乃至口癖。
他的诚实回答是：“这个问题我没有答案。”核心价值未来可能不再是生成内容，而是选题；但如果另一位创作者选题能力强，并用AI完成资料、润色和声音生产，同样可能替代现有节目。
AI已实质改变工作量。刘飞大量使用Deep Research，让模型先梳理几十万字乃至上百万字的书籍资料，再人工核验、润色，整理阶段“差不多少一半的时间”。

13. 学习效率提高的同时，旧式“重要过程”也会失去地位

关雅荻以过去做课程需要读很多本书为例：AI可以迅速产出一份稿子，却也可能替代大脑在阅读和蒸馏过程中的一部分训练。
现场问题因此落到：即时反馈的快感是否会降低人对学习痛苦的耐受，并削弱深度思考？刘飞认为这种变化“不可避免”。
他的判断是：“有很多我们本来以为重要的工作，未来会变得不重要。”九年义务教育中大量背诵和知识点记忆，曾是建立基础知识体系的必要手段，但AI和互联网正在提供外部兜底。
文科不会因此消失，竞争力会换位置：记忆和背诵下降，能否融合知识、创新知识更重要。教育体系会发生巨大变化，但现场并未给出一套已经成熟的新课程答案。

14. 这一轮AI令人不安，因为它第一次直接做普通人的工作

关雅荻指出，上一代AI会下围棋、下象棋、打星际争霸、开车，甚至击败世界冠军，但大部分人并不靠这些活动谋生。
生成式AI每天写邮件、做数据分析、整理资料，而“那就是我们的工作”。普通人第一次看到机器熟练完成自己反复训练的任务，因而比世界冠军输给机器更有切身体感。
关雅荻还说，在一次职业替代排序中，她和另一位嘉宾不约而同地把翻译放在第一位，并指出许多主流大型会议的同声翻译已经不是人来做，而是AI来做。问题不再只是“将来会不会”，而是原有从业者正在面对什么处境。

15. AI原住民已经出现，六七十分的通用解足以扩大能力边界

龙天在校招最终场询问全球优秀学生谁日常使用GPT，现场几乎百分之百举手。他的判断是：这一代学生不用GPT写论文，可能就写不过使用者，他们已是“AI原住民的一代”。
更小的孩子则直接和豆包对话，连续追问“十万个为什么”。获取信息的默认界面已经从搜索框、书本转向可交流的模型。
DeepSeek展示思维链后，许多普通用户第一次看到问题如何拆成步骤。龙天举例，一名拿几千元预算、原本不知道如何筹备活动的前台运营同事，把任务交给DeepSeek后，模型列出第一、第二、第三步，结果可能比他自己做得还好，而且他也因此学会了。
专家可能觉得推导过程不够好，但对完全陌生的任务，一个六七十分的框架已能让人开工。龙天的乐观来自这一点：“这个世界本来就很草台”，通用知识足以弥补大量基础指导缺口。

16. 技术革命会创造新工种，但适应周期正在快过人的一生

龙天提醒，每次大的工业与技术革命之后都会产生新的工种；十年前很难预见“短视频编辑”会成为一份工作。新技术也会带来岗位变化，但新增岗位究竟多于还是少于被改变的岗位，并不确定。
人类具备经过一段时间适应新变化的能力，但具体需要多久没有人知道。
他给出的时间序列是：第一次工业革命可能经历约一百年，才真正提升生产效率并让全人类GDP得到巨大提升；第二次可能用了五十至七十年；从计算机、芯片到网络的第三次可能用了三十至四十年。AI会是二十年、十年还是五年，没人知道。
上帝视角里三十年、五十年只是历史的一页，“但对于很多人就是自己的一生”。巨变同时意味着机会和可能性，但个体也正在承担转型过程。

17. 纯效率工作更易替代，体验和复杂性保留了人的位置

刘飞把需求分为效率型与体验型。纺织品主要看最终结果，机器在大部分场景可与人工等价甚至更好，因此工业化能大规模替代纺织工。
电视没有消灭电影，电影也没有消灭话剧，因为与他人共同处在影院、观看真人在舞台上表演，本身就是产品体验，不能被另一种更高效的媒介完全等价替换。
判断职业风险时，可以追问自己的工作只是完成Excel、公式和标准结果，还是还包括选题、内容结构、人与人互动及不可复制的体验；后者的替代逻辑不同。
关雅荻把这种价值称为“复杂性”：带孩子晒太阳、解决家中烟道倒烟、线下坐着长时间对谈，都不以效率为第一目标。手写也可能像书法一样，从主流记录方式转为体验与表达。

18. AI查AI正在形成“魔法对轰”，教育制度却让学生承担结果

庄明浩列举论文AI检测中的问题：把《滕王阁序》交给AI，可能查出74%的重复率；把《三体》交给它，也可能查出60%多。这说明AI查重本身同样可能产生幻觉。
与此同时，学生可能被要求文科不能超过20%、理科不能超过15%。学生用AI写，学校用AI查，荒谬之处是“两个AI互相对轰，最后却由人类承担结果”。
中小学已经尝试建立更细规则。庄明浩五年级孩子的学校分别给老师和学生制定规范：语文、英文大作文不能使用AI，英文项目作业的观点部分不能用，但PPT样式可以用。
执行仍依赖教师经验。老师根据五年级学生通常的语言水平判断其英文作文可能由AI生成，并要求重写；随着模型能力继续提升，这类判断和边界只会更难。

19. 最好的个人知识库往往不是最先进，而是路径最短

庄明浩自称很懒，最终形成的方法论是：用最少步骤完成知识管理。他把粉丝微信群当知识库，因为群里聊天不多，可以持续把报告、图表、链接和PDF发进去。
等到真正需要使用时，他直接搜索群聊里的图片、链接和文件，找到需要的材料后开始工作。这个方案并不精美，却使用最熟悉的工具，也没有额外整理步骤。
刘飞的对应工具是即刻和Flomo：适合公开的思考发即刻，不适合公开的记在Flomo。重点不是转存原文，而是留下自己的判断；三十多岁以后，早晨的灵感可能晚上就忘。
庄明浩补充，在场主播都有输出习惯，容易高估普通人的输出需求。“输出倒逼输入”对创作者有效，但多数人未必有明确表达场景，因此也不必照搬内容生产者的重型系统。

20. 知识只有接入具体问题才有价值，否则只是换皮娱乐

刘飞建议“带着问题去做自己的知识管理”。AI很热，不代表每个人都要从头读完OpenAI的全部论文；先搞清与自身领域、毕业课题或正在解决的工作问题相关的部分即可。
仅因某个品牌最近很火、某个行业热门便随意研究，未必构成知识；若买了某家公司的股票并实际亏损，需要理解它的创始团队、业务和涨跌，资料才进入真实问题。
他的定义非常直接：“对我们有用的才是知识。”缺乏现实连接的随机阅读，即便对象是名著，也可能只是娱乐。
这并非贬低娱乐。关雅荻乱翻书、收藏上万本书可以是生活兴趣；真正要警惕的是把收藏误认成掌握，把数字囤积带来的拥有感当成认知增长。

21. 信任决定AI能否进入内容现场，炫技式数字人仍然不值钱

现场以兰溪老师直播后的超长总结“兰溪一言”为标杆：读者相信那是可靠总结，而面对AI的第一道坎是信任。信任来自不断沟通、对话的深度、一次次返回结果，以及反复核验后与原文之间的差距是否缩小。
龙天回忆飞书内部曾让AI主持一场嘉宾聊天活动，结果“一塌糊涂”：长Prompt运行慢、响应不流畅，也无法形成真正对话。那次实验说明，能生成回答不等于能承担现场节奏。
他认为现在只要不是长推理模型，实时对话已经不是特别难的问题；但原则仍是不要“为了用AI而用AI”，放一个只为猎奇的数字人没有意义。
关雅荻提出一个节目实验：前45分钟让嘉宾的AI分身与观众对话，中间休息时再揭示真人嘉宾其实一直在现场。龙天认为这个方案有表演性，但强调AI真正自然发生时大家拦也拦不住，不能为了使用AI而硬凹造型；关雅荻则说给技术一点迭代时间，到11月可能已经完全不同。

22. AI会像互联网一样融入生活，认知框架不必为工具整体重写

刘飞的收束是：“没必要因为这是AI时代，就强迫自己拥抱AI。”十年前也没人天天宣称拥抱互联网，Word、Excel和手机最终都在真实需求里自然进入工作生活。
庄明浩以1999年的“互联网生存挑战”作对照：当年把人关进酒店，只给电脑和钱，看能否通过网络生活；二十多年后，若拿今天的手机回到1999年，很难解释订餐、机票、导航、联系人和虚拟世界从何讲起。
龙天观察自己的60后父母：互联网初期注册账号还要子女帮助，如今回家会看到他们自己网购的包裹。成熟技术最终会像基础设施一样消失，未必需要每个人先接受系统教育。
关雅荻坚持把主体性留在人手里：“让生活指引我应该学习什么知识、积累什么经验，借用什么工具。”她的最终表达不是反效率，而是“先变成生活的专家，然后让AI为自己所用”。

Pershing Square Challenge 2025 获胜者：Carlisle $CSL Duolingo联合创始人 Severin Hacker：AI如何影响未来的工作与教育