从阅读到知识（二）：脱离原书之后
读完一本书三个月后，翻开划线列表，很多句子已经不知道当时为什么觉得重要了。问题不是记忆力，而是划线这种形式本身依赖上下文——而上下文会消失。修复这个问题的路径是把划线转化为卡片。这篇讲的是筛选的标准、卡片的结构，以及 AI 在这个过程中可以发挥的作用。
阅读
读完一本书三个月后，翻开划线列表，很多句子已经不知道当时为什么觉得重要了。问题不是记忆力，而是划线这种形式本身依赖上下文——而上下文会消失。修复这个问题的路径是把划线转化为卡片。这篇讲的是筛选的标准、卡片的结构，以及 AI 在这个过程中可以发挥的作用。
这是「从阅读到知识」系列的第二篇。上一篇在结尾留了三个问题。这篇回答第一个：我从这些书里真正记住了什么。
答案不乐观——绝大部分划线，在读完之后三个月就没法回忆起来了。问题不是记忆力，而是划线这种形式本身有结构性缺陷：它太依赖上下文，而上下文会随时间消失。
我认为，修复这个缺陷的路径是把划线转化为卡片。但转化本身不是难点，难点是决定什么值得转化，以及如何让卡片在脱离原书之后还能独立存在。
划线时是阅读者在「当前语境」里做标记，已经读了前面几章，知道作者的框架，理解这句话是在什么前提下说的。
六个月后打开划线列表，这些前提都不在了（Chen 注：这个问题在 AI 身上有一个精确的类比。每次开启新的对话，上下文窗口是空的——它不知道你上次聊了什么，也不知道「你」是谁。如果你把一段对话记录扔给它，它能读懂每一句话，但很难还原出你当时提问的真实意图。划线的处境一样：内容还在，但当时阅读它的那个「我」已经不在了。）。很多当时觉得「这个重要」的句子，现在看完全不知道重要在哪里。
「系统的边界不是物理边界，而是决策边界。」甚至可能当时划线的只是「决策边界」这样的短语。这句话是从哪本书里划的？在讲什么？在反驳什么？脱离了上下文，它只是一句听起来不错但很难用的格言。
这是划线的结构性问题：它记录了你的注意力，但没有记录你的理解。注意力是瞬时的，理解才是可以持续使用的东西。
不是所有划线都值得转化。划线其实分两类：
第一类：「作者写得好」——语言精准、表达优雅、句子漂亮。这类划线是审美反应，转化成卡片意义不大，因为离开原文的行文节奏，单独的一句往往失去了原来的力量。
第二类：「这个观点值得记住」——这里有一个判断、一个反直觉的结论、一个可以迁移到其他领域的框架。这类才是卡片的原材料。
筛选标准可以简化成一个问题：如果我从没读过这本书，这句话能让我理解一个新的东西吗？ 能，就值得转化。不能，就保留在划线列表里欣赏。
实践下来，大概 20% 的划线值得变成卡片。这个比例比我最初预期的低得多——我以为自己划的都是精华。
卡片和划线的根本区别在于：卡片不能依赖原书。Niklas Luhmann 的卡片盒方法（Chen 注：Niklas Luhmann 是德国社会学家，用卡片盒（Zettelkasten）方法管理知识长达数十年，最终产出了大量著作。他的卡片盒里有约 9 万张卡片，每张只记录一个想法，卡片之间通过编号互相引用，形成网状结构而非层级结构。）有一条原则：每张卡片必须能独立被理解，不需要回头查阅来源。这条原则的背后逻辑是，一张需要追溯上下文才能理解的卡片，和一条划线没有本质区别。
现在「阅读」页面里每张卡片由两层构成：
两层都需要展示。只有哲思没有原文，读者无从判断提炼是否准确；只有原文没有哲思，就退回到了划线本身——上下文依赖的问题没有解决。
「哲思」这一层的写法要求比较具体：不是复述，不是加形容词，是重新提炼出一个可以被单独引用的判断。如果对一段划线提炼不出这样的判断，说明这段划线属于第一类——写得好但不是独立观点，不值得变成卡片。
把划线变成「哲思」，需要做的事情其实很机械：
这些步骤可以手动做，也可以借助 AI。AI 的好处是快，而且不会因为「这段文字我还蛮欣赏的」就偷懒不改。但 AI 只是提速工具，核心判断——这段话值不值得变成卡片，提炼出来的观点有没有偏差——依然是人在做。
如果借助 API 来处理，可以用 tool_use（Chen 注：tool_use 是 Anthropic API 的一种调用方式：你定义一个带 JSON schema 的「工具」，模型被约束只能通过调用这个工具来响应。好处是返回值的结构是强制的，不需要再解析自由文本。） 约束输出格式，直接得到结构化的卡片数据：
async function generateCards(bookTitle, author, highlights) {
const input = highlights
.map((h, i) => `[${i + 1}] bookmarkId: ${h.bookmarkId}\n章节：${h.chapterTitle ?? ""}\n原文：${h.markText}`)
这套实现目前跑的是定时任务：每天凌晨通过 QStash fan-out（Chen 注：QStash 是 Upstash 提供的消息队列服务。这里用作任务分发：dispatcher 拉取最多 200 本书的 notebook 列表，给每本书投递一条消息；QStash 并发分发，每本书由独立的 serverless 函数处理，互不阻塞。） 把任务分发到每本书独立处理——先拉该书的全部划线，跳过已存在的，对新划线逐条调用 API 生成卡片再将新划线每 100 条打包为一次 Claude 请求批量生成对新划线逐条调用 API 生成卡片（Chen 注：原实现每条划线单独一次 Claude 调用，划线量大时会超时。现改为批量：每 100 条打包为一次请求，通过 tool_use 返回整批的卡片数组，`bookmarkId` 原样返回用于对应。），写入 Redis。也可以不自动化，改成读完一本书手动触发一次，在审查草稿之后再存入——取决于你愿意在这件事上花多少摩擦。
卡片存在 Redis 里，没有本地文件。每张卡片对应一个 hash key，用 bookmarkId（微信读书划线的唯一 ID）作为主键：
weread:cards ← sorted set，score = 划线时间戳，用于按时间排序
weread:card:{id} ← hash，存卡片的所有字段写入时用 pipeline 保证原子性：
export async function storeCard(
bookmarkId: string,
card: StoredCard,
timestamp: number
) {
const pipeline = redis.pipeline();
pipeline.set(CARD_KEY(bookmarkId), card);
pipeline.zadd(CARDS_INDEX, { score: timestamp, member: bookmarkId });
await pipeline.exec();
}每次同步前先查 EXISTS weread:card:{bookmarkId}，已存在的跳过，避免重复生成。全量读取时用 ZRANGE … REV 按时间倒序拿 ID 列表，再 MGET 批量取卡片内容。
存在 Redis 而不是本地文件，有两个好处：不需要维护代码仓库（卡片不进 git），以及可以在 Vercel 的 serverless 环境里直接读写。本地文件方案在 serverless 上是只读的，每次部署才能更新；Redis 的卡片库随时可以新增，不依赖部署。
卡片的入口在「阅读」页面的卡片 tab（Chen 注：第一篇设计的版本没有 tab 结构。书架是页面主体，统计数据排在底部。加入卡片之后，整个页面重构为三个 tab：卡片、书架、统计。主次因此变清晰了：卡片是理解和沉淀的载体，是这个页面真正的重点；书架和统计退为辅助信息，切过去看即可。页面的焦点从「我读了多少」转移到「我理解了什么」。），分两个区块：
今日：每天一张，用日期字符串做种子，对所有卡片做哈希，挑出得分最小的那张。同一天不管刷新多少次，结果不变；第二天自动换一张。这比「今天的新划线」更合理，因为跑批是凌晨的定时任务，不一定每天都有新内容。
发现：从所有卡片里跨分类各取一张，共五张，混排展示。有「换一批」按钮，点击重新随机。这个随机是客户端种子驱动的，刷新页面不会变——只有点换一批才会变。
每张卡片的视觉结构也对应双层设计：上方是「原文」胶囊，下方是「哲思」胶囊。封面 hover 会弹出 BookModal，里面有书名、分类、标签以及从微信读书 API 实时拉取的前三条划线预览。
这样的展示逻辑，是让卡片在没有刻意检索的情况下也能「出现」。读者不需要有目的地去翻，只是浏览页面就会碰到某张卡片，然后可能想起那本书，或者觉得这个判断和某件事有关。随机出现的价值不比主动检索低，有时候更高。
所有划线从微信读书 API 拉取。上一篇里提到的 /api/weread 代理支持 /book/bookmarklist，返回某本书的全部划线。目前传给 AI 的上下文是书名和作者，已经足够让模型判断领域和风格。
如果想进一步提升提炼质量，可以额外拉 /book/chapterinfo 把章节标题也带进去——很多划线放回章节标题下就能立刻理解背景。目前没做这一步，因为单靠书名作者生成的卡片质量已经够用。现已实现，章节标题同时进入 prompt 和卡片展示层。目前没做这一步，因为单靠书名作者生成的卡片质量已经够用。（Chen 注：现已实现：处理每本书时额外调用 `/book/chapterinfo`，建立 chapterUid → title 的映射，章节标题随划线一起传入 prompt。卡片展示时也在原文末尾以 `# 章节名` 的形式标注来源章节。）
这套系统现在能回答的：
但它还不能回答：
这些问题需要卡片之间产生连接，而不只是堆在一个目录里。第一个问题加上上一篇还没解决的「不同书的观点怎么呼应或矛盾」，已在第三篇里处理。最后两个问题——盲区和阅读路径——留到第四篇。