我有个很老的习惯：每学一个新领域，先囤书，再囤网页，然后把它们全塞浏览器的收藏夹里。去年我想认真学一个和自己程序员职业毫无关系的东西——行为经济学，结果两周下来，书倒是翻了不少，脑子里只剩下一堆"启发式""锚定效应""前景理论"这类零散名词，谁和谁有关、哪个是哪个的前提，完全说不清。后来我把工具换成了 Obsidian + AI，整个流程变成了一套可以复用的方法论：先用AI拆出学习路径，再按路径建知识库，最后用知识库反哺书稿。大约四个月后，我不仅把行为经济学从入门到核心分支理了个遍，还整理出一份约20万字的书稿框架。这篇文章就是这套流程的完整复盘，写给所有想系统性学习陌生领域、搭建个人知识库、甚至打算把学习成果写成书的人。
1. 陌生领域入门最大的障碍：不是记不住，而是不知道学什么
1.1 从“信息过载”到“知识地图”
很多自学者的困境很像在黑夜里拼一幅没有参考图的拼图。你手里的碎片越来越多——一篇公众号文章、一段网课摘要、一张别人分享的思维导图——但你就是不知道它们应该在什么位置，缺了哪几块也完全没数。我最初的行为经济学学习就是这副德性：看到"损失厌恶"觉得重要，复制下来；看到"社会偏好"也觉得重要，复制下来；可“损失厌恶”是"前景理论"的一部分，“前景理论”又是描述性决策理论的一支，这些层级关系在当时一片混沌。
要打破这个困局，第一步不是“多学”，而是先画一张领域地图。这张地图不需要精细到每条路，但要明确：这个领域主要回答什么问题，分成了哪些子方向，每个子方向底下有哪些基石概念，它们之间有什么依赖。有了地图，你才谈得上安排学习顺序——先学哪个后学哪个，哪些可以暂时放一放，哪些必须优先啃透。
我试过直接对着教材目录画地图，但问题在于：陌生领域里你连教材目录里那些词都看不懂，硬画只能画出个寂寞。这时候AI的价值就体现出来了，它可以先给你一张草稿地图，让你有个抓手，然后靠人工一点点修正。
1.2 为什么我选择 Obsidian + AI 而不是别的组合
市面上能记笔记的工具很多，我几乎都试过，最后留在手里的是一套“本地Markdown + 双向链接 + 模板化”的组合，也就是 Obsidian。
先说说我和其他工具的磨合经历。Notion 的数据库功能很强，适合做项目管理和协同，但对大规模知识笔记来说太“重”——每条笔记都要想结构，写起来有负担，而且数据在云端，偶尔想用脚本处理笔记时很别扭。Roam Research 的双链理念很纯粹，但上手门槛高、卡顿体验不佳，对中文输入的支持也一般。至于纯手写或Word，检索和关联能力几乎为零，笔记一旦多起来就等于仓库里堆满纸箱。
Obsidian 吸引我的点很具体：一是所有笔记都是本地 Markdown 文件，不锁定格式，我能用脚本批量处理；二是双向链接让概念之间可以自由连接，形成真正的知识网络；三是社区插件生态丰富，我会用到 Templater、Dataview、Kanban 等插件来辅助管理流程。更重要的是，Obsidian 的文件结构足够开放，能让我把 AI 生成的内容也当成普通笔记来存放和关联。
AI 在这个组合里承担的是“速记员、伴读和编辑”的角色——它帮我把碎片信息结构化、把概念讲人话、将草稿做逻辑检查。但最后做判断、做取舍、建立深层连接的，仍然是人。所以这套方案的核心是：AI 负责把知识从无序变成有序，Obsidian 负责把有序变成网络，人负责给网络赋予意义。
2. 学习路径生成策略：用 AI 画草图，用人工修边界
2.1 让 AI 拆解领域的最小知识集合
拿到一幅领域地图之前，先要明确一个问题：一个零基础的人，最少需要知道哪些东西，才算踏进了这个领域？这就是“最小知识集合”的思路。我的做法是先丢给 AI 这样一个提示词：
我是一个行为经济学的零基础学习者，没有任何经济学和心理学背景。 请你帮我做三件事： 1. 列出行为经济学最核心的 10 个子领域（如决策理论、心理账户、社会偏好等）， 并用一句话解释每个子领域研究什么。 2. 在每一子领域下，列出 3-5 个必须掌握的基础概念。 3. 用箭头标出概念之间的依赖关系，例如“前景理论 → 损失厌恶”。 4. 不要讲细节，只给出框架。AI 很快会给出一张结构化的大纲，比如“决策理论”底下会冒出“期望效用理论”“前景理论”“框架效应”，还会备注“期望效用理论是理解前景理论的参照系”。这张大纲确实能把骨架搭出来，但必须清醒地知道：它只是一个草图，里面可能混杂着错误、过时或者过度简化的问题。所以接下来是人工修边界的阶段。
修边界前，我会先把AI结果复制到 Obsidian 的一则笔记里，存成“行为经济学知识地图 v0.1”，然后在后面列出三个检查点，一步步校正。
2.2 人工校准的三个关键检查点
第一个检查点是术语真实性。AI 有时会一本正经地编造一些看起来专业但实际不存在的概念。我在别的话题上遇到过“认知冗余”“效应场”这种不知道从哪冒出来的词。我会把 AI 列出的每个专业术语都单独复制到 Google 学术或中文数据库里搜一下，确认是否被主流文献使用，如果查不到就立刻删掉。
第二个检查点是依赖关系合理性。AI 给出的箭头只是它的推测，不一定对应真实的教学顺序。最可靠的参照是经典教材的目录。比如行为经济学的基础教材通常会先讲理性人假设的缺陷，再讲启发式与偏差，然后过渡到前景理论，最后是社会偏好和跨期选择。我会拿AI生成的大纲对比一两本经典教材的目录，调整顺序，保证“先修概念”在“后修概念”之前出现。
第三个检查点是覆盖度。我担心AI漏掉重要分支，所以会额外让它对比其他公认框架。提示词可以这样：
我已经有了一份行为经济学知识地图草稿（见下文）。请你扮演一位严格的系主任，审核这份地图是否覆盖了该领域的全部核心研究板块，指出遗漏的子领域和每个子领域中最不该省略的三篇奠基性论文（或经典实验）。虽然AI偶尔会把“奠基性论文”列得有点偏门，但通过这种交叉提问，确实能发现地图缺口，比如我最初就漏掉了“神经经济学”和“实验方法学”这两个偏方法或交叉的子领域。
2.3 从路径到执行：周计划与进度追踪
地图出来以后，不是把它贴墙上当装饰，要变成可执行的周计划。我会把地图按依赖顺序切成大概八到十周的任务，每周末在 Obsidian 里建一则“周计划”笔记，模板长这样：
--- week: 3 topic: 启发式与偏差 status: 进行中 --- ## 本周任务 - [ ] 阅读《思考，快与慢》第2-5章，整理 20 个启发式偏差案例 - [ ] 观看公开课视频: 决策偏误（片长 45 分钟） - [ ] 制作概念卡: 代表性启发法 - [ ] 制作问题卡: 为什么平均律判断会系统性地偏差？ - [ ] 连线: 代表性启发法与可得性启发法的区别 - [ ] 输出一篇随笔: 买股票时我中了哪种启发式的招？ ## 复盘 - 哪些任务超时了？ - 哪个概念解释得最吃力？为什么？ - 下周的地图需要调整吗？每周日晚上我会花二十分钟做复盘，把“学到的”“困惑的”“需要调整的”写进同一则笔记。这些复盘本质上是在记录一个外行如何一步步变成内行的过程，后面写书稿时它们是最鲜活的素材。
执行阶段有个很重要的心态：知识地图不是一次性做完的，它是一边学一边改的动态结构。刚开始时我对“制度经济学”这个子领域的权重判断就是错的，以为它很边缘，学到后面才发现它和行为经济学有大量交叉。所以每两三周要回到地图笔记里，用不同颜色标注哪些是新增的、哪些是删掉的、哪些是调度的，让地图和真实认知一同生长。
3. 知识库框架搭建：MOC、双链与 AI 辅助笔记处理
3.1 文件夹 vs MOC：我采用的混合结构
知识地图落到笔头上后，面对的问题是：笔记文件怎么组织？很多新手会按文件夹把概念分类，比如"经济学/行为经济学/前景理论"，看起来整齐，但知识一旦交叉就会崩溃——比如“前景理论”既属于决策理论，又和心理账户相关，你放哪个文件夹都对，也都不全对。
我的做法是混合结构：极少的顶层文件夹 + 大量的 MOC（内容地图）入口。
顶层文件夹只有几个：
00_Inbox // 临时想法、未处理摘录 10_MOC // 所有地图类笔记，如行为经济学总地图、各子领域MOC 20_Zettel // 原子化笔记：概念卡、问题卡、观点卡、文献笔记 30_Book // 书稿相关：大纲、章节、草稿 90_Attachments // 图片、PDF、数据文件概念笔记全部平铺在/20_Zettel里，文件名用短横线连接词，例如前景理论.md、损失厌恶.md。真正定义知识结构的不是路径，而是每则笔记里的双向链接，以及10_MOC里的地图入口。比如我在“前景理论”笔记的顶部加上：
- 属于: [[行为经济学知识地图总览]] - 子概念: [[价值函数]] [[权重函数]] [[损失厌恶]] - 对应理论: [[期望效用理论]] - 应用场景: [[现状偏差]] [[寡赋效应]]这样一来，打开任意一则笔记，它和整个网络的连接都一目了然；从总览MOC进去，又能一层层钻到具体概念。这就是双链笔记比传统文件夹强的地方。
3.2 三类核心笔记：概念卡、问题卡、观点卡
学陌生领域时，最容易犯的毛病是把笔记写成摘抄。抄定义、抄例子，看起来很努力，但抄完什么也没留下。我的知识库里只允许存在三类卡片，每类有固定模板，逼着自己进行加工：
第一类：概念卡——用来解释“是什么”。模板字段包括：定义（用自己的话）、标准定义（引用）、一个例子、一个反例、易混淆概念、至少一个链接到实际生活或工作场景的延伸。例如“锚定效应”的概念卡里，我会写：否定时站在星巴克家买咖啡，先看到38元的中杯，再看到加3元升大杯，这个“38元”就是锚。AI 可以帮我初拟结构，但例子必须从我自己经验里找。
第二类：问题卡——用来记录“为什么”和“怎么争论”。模板字段包括：问题描述、主流回答、反对观点、证据缺口、我的假设。行为经济学里“人们真的偏好公平吗？”就是一张很好的问题卡，AI 能快速帮我列出利他惩罚实验、最后通牒游戏的经典结论，但对结论的质疑要靠我自己读书、看论文、思考后补进去。
第三类：观点卡——用来沉淀“我认为”。模板字段包括：我的观点、支持证据、反对证据、前提条件、与该领域其他观点的冲突。只有在这种卡上动手，知识才会从“别人说的”变成“我懂的”。
这三类卡片不是分开玩的。我会给每张卡打的标签里带上类型，比如#type/concept#type/question#type/opinion，然后用 Dataview 插件做自动聚合，例如在“前景理论”的MOC底下自动列出所有提及它的概念卡、问题卡和观点卡，形成一个小型“主题报告”。
3.3 AI 在笔记环节的三种用法：摘要、连线、问答
有了卡片的骨架，还需要填充血肉。我的习惯是把所有原始资料先丢给 AI 做粗加工，再人工校验，放进 Obsidian。这里有三个我用得最顺手的场景。
用法一：长文摘要。行为经济学有很多经典的 40 页论文，直接读很耗时。我会先让 AI 写一个 500 字摘要，要求包含：研究问题、实验设计、主要结果、局限。这个摘要贴到文献笔记的页头，原始PDF放进附件。等于是先有个地图索引，再按需阅读原文。注意：摘要必须加上“AI 生成，未与原文核对”的标记，因为AI偶尔会漏掉细节。
用法二：概念连线。我会直接打开某则概念卡，在底部让 AI 回答：“请阅读以下两个概念的定义，找出它们之间最深刻的联系，以及在行为经济学中它们是如何相互作用的。”然后把AI的答案当作候选，自己判断对错，将靠谱的拆成若干双链表拉到笔记里。这是双链网络质量的重要来源——你能连什么，比你记住什么更能体现理解水平。
用法三：问答检索。Obsidian 自带的搜索只能做关键词匹配，找不着那些换了说法但意思相近的内容。我会每个月把某一子领域相关的所有笔记导出为一段文本，让 AI 扮演“熟悉这些笔记的读者”回答我的问题。比如“根据我的笔记，框架效应在哪些实验中被复现？它和我笔记里提到的前景理论有什么关系？”这相当于给知识库装了一个自然语言搜索引擎。
4. 从知识库到一本书：输出倒逼输入的完整流程
4.1 书稿大纲的生成：从 MOC 到章节目录
当知识库积累到一定程度——我是在完成大约 6 个子领域、200 多张卡片之后——就可以考虑成书了。书稿不是从头开始写的，而是从知识库里“长”出来的。
我的做法是先整理所有子领域 MOC，把它们作为书稿的天然章节来源，然后让 AI 生成一份大纲草稿。提示词大概长这样：
我准备写一本面向零基础读者、系统介绍行为经济学的书。 下面是我知识库中主要 MOC 的标题和层级结构： [贴上 8-10 个 MOC 标题及子概念列表] 请你基于这些材料生成一份书的目录，要求： 1. 包含前言、主体章节、结语，章节数不超过12章； 2. 每章标明核心论点和需要覆盖的关键概念； 3. 每章末尾附一个思考题； 4. 注意章节之间有逻辑递进，不要平铺直叙地堆主题。AI 给的大纲通常会把“理性人假设的破产”作为第一章，把“前景理论”作为核心章，这和我知识库里的依赖顺序吻合。但AI生成的目录有个常见问题：章节之间太均匀，缺少重点。所以我会手工调整——把我认为最重要的“前景理论”拆成三章，把“神经经济学”压缩成裁判一章，甚至砍掉无法写出足够例证的部分。
大纲定下来后，我把它放进30_Book/书稿大纲.md，并给每章建立独立笔记：ch01-理性人假设哪里破了.md。这些章节笔记和知识库里的概念卡用双链连接，写作时直接引用就能保证内容有凭有据。
4.2 利用 AI 做“第二读者”：审稿与提示
一个人写书最大的风险是自嗨——你觉得讲明白了，读者可能一头雾水。我很早就发现，AI 是一个极廉价的“第二读者”，可以扮演不同层次的人来审稿。
写完一章草稿，我会把它整体粘贴给AI，然后说：
请你以一名高中毕业但从未接触过经济学的读者身份阅读下面这段文字。 指出： 1. 哪些术语你无法理解？ 2. 哪个论证链条出现了跳跃？ 3. 哪里的例子不够贴切？ 4. 你读完后能用自己的话说出核心观点吗？AI 的反馈虽然有时偏温和，但确实能猛然揪出我忘定义的关键词。比如写“心理账户”那章时，我默认读者懂“机会成本”，AI 就提出“中彩票的钱和工资为什么花起来感觉不同”之前，应该先用两句话解释什么是机会成本。这种查漏补缺靠人工一读再读很难发现。
更进阶的用法是让 AI 扮演不同流派的反方辩手。我写完一章后，会让 AI 说：“请你整理行为经济学中最常被引用的十点批评，与我每章的论点逐一对照。”这能让我及时补充“局限性与回应”的小节，避免书稿显得像单方面输出。
4.3 写作节奏和成书框架管理
写书的节奏和地名很相关。一开始我想按顺序从第一章写到第十二章，结果写到第三章就卡住了，因为心里总惦记着后面的内容。后来我改成“边学边写”的循环：学习一个子领域，做完概念卡和问题卡，立刻尝试写出对应的书稿初稿。写的时候发现问题，再回知识库补充研究。这样每个章节都有充足素材垫着，写作瓶颈自然少了很多。
进度管理我用 Obsidian 的 Kanban 插件做了一张“书稿状态看板”，每一章是一张卡片，状态分四个阶段：素材收集、初稿完成、AI审校、定稿排版。每天打开看板只留一条规则：把至少一张卡片推到下一阶段。这样别管今天灵感多差，推进度总归比空想强。
章节笔记本身也用前刺标记状态标签，比如status: draft，方便用 Dataview 自动统计全书完成百分比。看到百分比一点点涨起来，是支撑我完成这个长期项目最大的心理奖励。
5. 我在这个流程中踩过的坑与优化心得
整个方法看起来行云流水，其实踩了不止一个坑。挑几个我印象最深的讲，能帮你避开。
第一个坑：AI 生成的学习路径有过载倾向。我最初让AI列子领域，它一口气给了二十多个，我照单全收，结果前两周全在收集术语，一个正经问题都没深入。后来我强制给自己设一条规则：地图上每一层节点不超过七个，如果超过就直接合并或删除。因为人工作记忆容量有限，地图太密等于没有地图。
第二个坑：笔记不标来源，导致书稿写不下去。AI 生成的摘要和概念解释有出处，但我自己补的很多观点没记录来自哪篇论文或哪本书。到写书稿时想回溯证据，只能重新下图书馆乱翻。后来所有概念卡强制带上source属性，哪怕是“我个人经验”也要写清楚是哪种来源。
第三个坑：过度整理。有一段时间我沉迷于把每篇笔记的标签、双链、别名都打造得完美，后来发现卡片数量增长停滞，而“整理”一整天也填不满一张概念卡。做下沉意识后发现，知识的精度不是靠整理提高的，是靠提问、解释和争论提高的。现在我每张卡的标签和链接用半小时内一次性做完，后面只在真正需要时才修改。
第四个坑：把 AI 的解释当权威。有一次我向AI问“心理账户理论由谁首次提出”，它回答了正确年份但把论文名字放错了。幸好那天我顺手查阅了原始文献，否则这个错会被我打进书稿。后来我给自己立了条铁律：AI提供的事实性信息必须至少有一个人工来源做交叉验证，如果找不到就不写。
说回最后一点心得：这套流程最让我惊喜的其实不是效率提升，而是它把“学”和“写”真正融成了一件事。以前我总觉得要先把一个领域完全学完才能动笔写书，实际上你永远不可能完全学完。但只要你用知识地图划清了边界，用知识库囤足了论据，再借AI做试读警探，你书架上那个“未来想写一本关于XX的书”的念头，就有极大可能在几个月内变成初稿。我的行为经济学书稿现在已经推进到第二章定稿阶段，里面每一章都能顺着双链回到几百张原始笔记，这种底气是收藏一百篇教学视频给不了我的。
