我是怎样用AI管理1400+篇文章库的 · 知识工程

面向内容创作者的知识工程实践，由老谭拆解：1400+篇文章库如何借助AI完成下载、整理和标签体系建设。
核心内容：
1. 文章库管理的现实背景与差异化需求
2. 工具选择、批量下载与本地化处理优化
3. 7维标签体系的设计逻辑

KNOWLEDGE MANAGEMENT2026-07-25

1400+篇文章库，我用AI这样管理· 知识工程

一个人的知识工程：从下载走向标签

DOODLE

信息囤积与知识资产之间，只差一套系统

AI工作流知识管理

大家好，我是老谭。

今天聊一个很“实在”的话题：我怎样借助AI管理自己的1400多篇公众号文章。

这不是泛泛而谈的方法论，而是一个真实案例。我会把文章下载、标签体系设计和索引系统搭建的全过程逐一拆开。

如果你同样从事内容创作，云端也积压着几百上千篇不知如何利用的文章，这次实践或许能带来启发。

---

01

PART

为什么要做这件事？

FROM HOARDING TO ASSET

1400多篇文章，是我坚持公众号日更三年的成果。

过去我和多数人一样，文章发布后就不再管理；偶尔需要寻找素材，只能凭记忆翻找半天，找不到便放弃。

去年12月，我作出一个决定：公众号调整到AI方向：名称从「老生常谭」变为「AI Rollup」。

同时创办「老谭备忘录」，延续原先的泛话题风格。

要让两个账号形成差异化，就必须明确：

• AI-Rollup、组织AI化、RaaS等核心概念，应归入哪些适合AI Rollup的素材
• 创业心法、认知成长、投资思考，应如何判断更适合老谭备忘录的内容

02

PART

第一步：批量下载，实现100%本地化

EXPORT EVERYTHING

管理文章的第一步，是先把内容从微信后台“搬出来”。

为此，我找到一个开源项目：wechat-article-exporter（微信公众号文章批量下载工具）。

这个项目的实现方式很巧妙：借助公众号后台“搜索其他公众号文章”的功能，反向抓取自己公众号发布的全部文章。

它能够导出多种格式：

• HTML：能够100%还原排版与样式
• Markdown：便于后续编辑与建立索引
• JSON：提供结构化数据，方便程序处理
• Excel/Word：传统格式

后续标签化处理需要便利，原有文章结构也要保留，基于这两个条件，我选择了Markdown格式。

不过原版工具存在两个问题：下载较慢，并且无法批量处理元数据。

于是，我使用Claude Code对项目进行了优化：

• 使用p-queue管理并发，为工具增加并发下载能力
• 基于Cheerio和Turndown，改进HTML到Markdown的转换逻辑
• 增加自动提取标题、日期、URL等元数据的功能
• 避免反复下载：IndexedDB负责本地缓存

最终，1400+篇文章在不到2小时内全部下载到本地。

这一步至关重要：只有数据掌握在自己手中，后续深度加工才有基础。

03

PART

让AI能够"读懂"文章，第二步是标签体系设计

7-DIMENSIONAL TAGGING

虽然文章已经下载完成，但得到的仍是一批散乱文本文件。

真正的知识管理离不开结构化。

一套「7维标签体系」，花费我一天时间完成设计：

维度1：主题域，也就是讲什么

每篇文章可以设置1-3个标签，例如：

• 大模型、AGI、AI能力边界 — 归入AI基础认知
• AI-Agent智能体 — Agent、智能体、AI员工
• 组织AI化 — 组织形态被AI重构
• 流量方法论 — 流量的底层逻辑
• 创业心法 — 创业、创始人、方向选择
• 认知思维 — 认知、思维方式、心智模型

维度2：招牌概念，也就是我的话语指纹

以下术语由我自创，或与我形成强绑定：

• 核心投资/创业框架 — AI-Rollup
• 组织AI化 — 存量组织被AI改造
• 结果即服务RaaS — 商业模式主张
• 首席流量官 — 个人标签
• 十年战略 — 长期主义
• 共创 — 投资+赋能关系

维度3：体裁，也就是什么形式

• 观点评论 — 针对某件事表达判断
• 方法论干货 — 包含步骤和指南，可以复用
• 案例拆解 — 围绕具体公司或产品展开分析
• 个人随笔 — 记录心境、节奏的短文
• 深度长文 — 结构完整的重点文章

维度4：立场，也就是论点倾向

• 看多或乐观 — 对某项趋势持积极判断
• 看空或警示 — 泼冷水、拆穿、揭遮羞布
• 行动号召 — 呼吁读者或企业尽快行动
• 反思自省 — 修正自己过去的判断

维度5：可复用分，也就是素材质量分档

• 深度论证 + 招牌概念 + 观点长青 — 高
• 中 — 具备一定价值，但表现并不突出
• 低 — 纯日常随笔、过期热点或篇幅极短

维度6：实体，也就是涉及谁

采用自动抽取的动态词表：

• DeepSeek、OpenClaw、Claude、微信、视频号...：公司/产品
• 巴菲特、芒格、Sam Altman、马斯克...：人物

维度7：写作用途，也就是可以用来做什么

• 观点素材 — 能够作为论点或金句来源
• 案例素材 — 能够作为论据或例子调用
• 可作为新文章范本，结构清晰 — 框架模板
• 概念定义源 — 对招牌概念进行权威阐述

为什么采用7维，而不是传统文件夹分类？

因为同一篇文章可能同时涉及AI应用、组织转型和投资逻辑，无法放进单一类别。使用多维标签后，就能进行组合查询，例如：

可复用分=高 ∩ 体裁=方法论 ∩ 主题=组织AI化

借此可以准确找到关于组织AI化且能够复用的方法论文章。

这套标签体系构成了我的知识图谱“元数据层”。

---

04

PART

第三步：让Claude批量完成标签标注

AI-POWERED TAGGING

标签体系已经完成，但面对1400多篇文章，显然不能逐篇进行人工标注。

此时，Claude便能发挥作用。

自动打标签的流程，是我借助Claude Code编写的：

步骤1：读取标签体系

先让Claude理解各标签含义：输入7维标签的样本案例、判定标准和定义。

步骤2：批量分析文章

所有Markdown文件由Python脚本逐一遍历，再交给Claude按篇分析：

• 读取文章内容
• 依据标签体系生成7维标签
• 生成YAML格式的frontmatter

步骤3：写入元数据

使用YAML frontmatter格式，将标签写入每篇文章开头：

---

AI时代的生存法则：做减法，是最高级的护城河，字段为title

date: 2026-02-18

url: https://mp.weixin.qq.com/s/xxx

主题域: 认知与个人成长

招牌概念: AI-Rollup

体裁: 方法论干货

实体: 巴菲特

立场: 行动号召

写作用途: 观点素材, 框架模板

可复用分: 高

---

步骤4：人工校验

我会在Claude打完标签后抽样检查；一旦发现问题，就先修改标签体系的判定标准，再把流程完整重跑。

最关键的是，我并非只让AI打标签，而是在与AI共同“训练”这套标签体系。

例如，有些文章被标为“AI基础认知”，实际内容却只是在AI时代背景下讨论其他话题。发现这一点后，我重新明确标准：

“AI基础认知”应当指围绕AI能力边界、AGI、大模型进行判断与科普，而不是借AI时代背景讨论其他话题。

经过几轮反复迭代，标签准确度便逐步提高。

读取、打标签、写入元数据、更新索引都由流程自动完成。今天（7月25日），我用它处理了19篇新文章，整个过程不到10分钟。

过去要由一个团队承担的工作，如今借助AI，一个人便能完成。

---

05

PART

第四步：搭建6维索引系统

6-DIMENSIONAL INDEX

标签标注完成后，仍然存在一个问题：怎样快速检索？

我既不想每次进入文件夹逐一翻找，也不希望依靠全文搜索碰运气。

我真正需要的是按任意维度组合查询，并立即定位目标文章。

为此，我建立了6个索引文件：

索引1：按年度

索引_by_年度.md

• 2026年（47篇）
• 2025年（xxx篇）
• 2024年（xxx篇）
• ...

索引2：按体裁

索引_by_体裁.md

• 观点评论（xxx篇）
• 方法论干货（xxx篇）
• 案例拆解（xxx篇）
• 个人随笔（xxx篇）
• 深度长文（xxx篇）

索引3：按立场

索引_by_立场.md

• 看多或乐观（xxx篇）
• 看空或警示（xxx篇）
• 行动号召（xxx篇）
• 反思自省（xxx篇）

索引4：按可复用分

索引_by_可复用分.md

• 高（xxx篇）— 写作系统优先调用
• 中（xxx篇）— 根据需要调用
• 低（xxx篇）— 只保留检索能力

索引5：按主题域

索引_by_主题域.md

• AI-Agent智能体（xxx篇）
• AI基础认知（xxx篇）
• 组织AI化（xxx篇）
• 流量方法论（xxx篇）
• 创业心法（xxx篇）
• 投资逻辑（xxx篇）
• 认知思维（xxx篇）
• ...

索引6：按招牌概念

索引_by_招牌概念.md

• AI-Rollup（42篇）
• 组织AI化（24篇）
• 结果即服务RaaS（22篇）
• 共创（14篇）
• 首席流量官（4篇）
• 十年战略（5篇）
• ...

格式统一并按时间倒序排列，是每个Markdown索引文件的组织方式：

## AI-Rollup (42)

日期 标题

|---|---|

日期2026-07-24；标题从四次失败到确定性：我的创业成长史；路径2026/创业与商业/xxx.md

路径2026/投资与资本/xxx.md；标题十年投资路：从财务投资人到AI产业投资人；日期2026-07-23

| ...

这6个索引文件如同6份视角不同的“目录”，让我能够从任意角度进入知识库。

例如：

• 准备写AI-Rollup相关文章时，可打开索引_by_招牌概念.md，查看过去42篇采用了哪些写法
• 筛选"高"+"方法论干货"之前，先打开索引_by_可复用分.md，即可寻找高质量的方法论素材
• 希望了解某个时期的个人思考时，可打开索引_by_年度.md，沿时间线回顾

新增文章或修改标签时，Python脚本都会再次生成索引，因此这些索引文件能够自动更新。

---

06

PART

实践效果：从“信息坟场”走向“知识金矿”

WHAT CHANGED

完成这1400多篇文章的整理后，我有了非常真切的感受：从信息囤积走向知识资产，中间只差一套系统。

改变1：写作效率提高10倍

过去写文章时，如果要引用以前的观点，我只能凭记忆搜索；实在找不到，就直接放弃。

如今打开索引，再按主题域+招牌概念筛选，所有相关文章都能立即找到。

还可以直接识别哪些内容属于“高可复用分”，优先调用已经过深度论证的观点，从而避免重复造轮子。

写作由“从零开始”转变为“组装素材”。

改变2：双账号定位更加明确

标签体系建成以后，我可以迅速看出：

• AI-Rollup、组织AI化、RaaS等核心概念，可用来判断哪些文章更适合AI Rollup
• 个人随笔、创业心法、认知成长，可用来判断哪些内容更适合老谭备忘录

内容策略由“拍脑袋”转向“数据驱动”。

改变3：知识复利开始出现

过去的文章发布以后，很快就会沉底。

如今，它们都成为“可调用的模块”：无论观点、案例还是框架，都能在新文章中继续复用、改写和升级。

我的"知识复利"来自1400多篇文章，它们并非历史包袱。

改变4：形成AI写作系统的基础设施

未来可直接连接AI写作系统的，是已经标签化、索引化的这套内容库：

• 让AI按照主题自动调用相关素材
• 让AI学习我的体裁、立场和招牌概念等写作风格
• 由AI自动生成文章初稿，我只负责润色

从“人工写作”迈向“AI辅助写作”的基础设施已经准备完成。

---

07

PART

几个关键认识

KEY INSIGHTS

认知1：知识管理的本质在于“减法”

如果对1400多篇文章全部一视同仁，实际上就等于没有进行管理。

真正的知识管理，需要为每篇文章设置“可复用分”，分为高、中、低。

只有包含招牌概念、具备深度论证且观点长青的高质量文章才是核心资产，其余内容都属于“历史记录”。

认知2：标签体系的重要性超过AI工具

许多人过度迷信AI工具，认为只要有了ChatGPT，知识便能自动得到管理。

这是错的。

AI负责执行，标签体系才是真正的“元规则”。

必须先定义“怎样才算好文章”“什么属于招牌概念”“何为可复用”，AI才能遵循你的规则完成分类与检索。

知识资产的"操作系统"是标签体系；与之相比，工具终会过时。

认知3：一个人+AI，可以胜过一个小团队

如果在两年前搭建这套系统，至少需要：

• 1个产品经理负责设计标签体系
• 2个工程师负责开发爬虫及索引脚本
• 3个编辑负责逐篇标注标签

成本至少需要几十万。

1天之内，我一个人配合Claude Code，就在现在完成了。

这正是AI时代的生产力革命：重点并非替代人，而是让一个人具备团队级能力。

认知4：只有躬身入局，才能真正理解AI

围绕RaaS、组织AI化和AI Rollup，我可以分别展开，写出100篇文章。

但如果我自己不用AI管理知识、不用AI优化工具、不用AI写代码，那些都是纸上谈兵。

真正理解AI的威力与边界，必须亲自躬身入局。

我的"AI实验室"，正是由这套知识管理系统充当。

---

∞

CODA

写在最后：个人IP的“第二大脑”

FROM INFORMATION OVERLOAD TO KNOWLEDGE ASSET

为什么要投入这么多时间整理这些文章？很多人都这样问过我：“老谭。”

我的回答是：因为它们构成了我的“第二大脑”。

人脑记忆容量有限，AI+标签系统却能够做到：

• 精准回忆：通过任意组合查询，立即完成定位
• 跨时间连接：串联不同时期形成的思考
• 知识复利：让过去的积累成为未来的杠杆

AI时代的个人IP竞争力，不仅取决于“能否生产内容”，还取决于“能否管理知识”。

如果你也积累了几百上千篇文章，我的建议是：

• 不要让它们留在云端吃灰，先下载并完成本地化
• 建立适合自己的标签体系，使AI能够读懂文章
• 让知识具备"可检索、可复用、可迭代"能力，需要索引系统

从信息囤积转化为知识资产，所缺的只是一套系统。

而在AI时代，一个人便能完成这套系统。

---

我是老谭。躬身入局推动组织AI化，同时作为产业投资人只投AI产业。今天，你已经开始管理自己的知识资产了吗？

---

附：技术栈说明

如果准备复刻这套系统，下面是我使用的工具：

第一步：文章下载

• wechat-article-exporter：开源项目
• 技术栈：Nuxt 3 + Vue 3 + Nitro
• 并发下载和元数据提取均由Claude Code增加，以此完成优化

第二步：标签化

• 工具：Claude Code (Opus 4.8)
• 生成YAML frontmatter ← 批量分析文章 ← 读取标签体系：方法
• 语言：Python 3.11 + PyYAML

第三步：索引生成

• 语言：Python 3.11
• 生成Markdown索引 ← 按维度分组 ← 解析YAML ← 遍历所有文章：逻辑

第四步：文件管理

• 结构：年份/分类/文章.md
• 索引：6个维度的Markdown文件
• 版本控制：Git（可选）

整套系统成本为0元（Claude订阅除外），全部采用开源工具，并支持私有部署。

完整的标签体系设计文档，我会分享给在公众号后台回复「知识管理」的感兴趣读者。

如果今天的文章让你有所收获，欢迎点赞、在看、收藏三连，我们下篇再见

赞在看收藏

THANKS FOR READING

登录查看剩余 70% 内容