AI 与上下文知识与笔记

我去查了查,“Contexte”里到底有什么是我真正发明的

花了几个月搭建的方法,会不会早已以别的名字存在于别处?查证的做法可以归结为几步:把想法拆解成机制,检索功能而不是词汇,走出本学科和英语世界,并事先规定一项新发现必须改变什么才算数。每一轮检索,可以宣称为原创的部分都在缩小,而方法本身的定位反而更清楚了。

Info

原文为法语。由 AI 翻译——保留的是含义,而非文风。

《Le contexte》一书封面
本主题在《Le contexte》一书中有详细展开

这个主题在我的书 Le contexte 中有详细展开。想读的话,可以下载,或者在 Amazon 上购买。

之前还没在这里提过:我正在写一本关于 Contexte 的书。

Contexte 一书封面

这本书的封面,书还在写。

Contexte 是我正在搭建的一套方法,目的是让人和 AI 能够围绕一项任务长期协作,不必每次对话都从零开始,同时保留:

  • 来源;
  • 产出的知识;
  • 决策;
  • 工作的状态,以及日后接续工作所需的一切。

这本书现在差不多写完了。

到了这一步,我本可以继续通读、改几处措辞、补充例子、准备出版。

但我反而问了自己一个相当令人不舒服的问题:

这里面,到底有什么是我真正发明的?

不是那种每个想法都要能声称归属于我的“发明”。

问题要简单得多:

我是不是正在把一个早已存在、只是被我在不知情中重新发明了一遍的东西,当作一套新方法推出来?

这首先是一个关于科学的怀疑文化的问题。

一件东西做了好几个月,人很容易不自觉地去寻找一切能证明自己的想法好、与众不同、有原创性的证据。

我试着反过来做。

有条理地去找一切可能动摇这个信念的东西。

在我称为 Contexte 方法的全部内容里: - 哪些早已存在? - 哪些是我有意借来的? - 哪些是我改造过的? - 哪些是我在不知情中重新发现的? - 哪些早已在别处被拼装过? - 还有什么,可能是我把这一切组合起来的方式所独有的?

起初,我以为自己只是在做一次先例检索。

实际上,我主要学会的是一点点动摇自己原本笃定的看法。

我早就知道自己不是从零出发

有些影响是显而易见的。

Domain-Driven Design 的 bounded context 是我公开承认的灵感来源。

原子笔记自然把我引向了 Zettelkasten。

PARA 和 Second Brain 影响了我思考知识空间的方式。

在偏技术的部分,我也有意借用了 Git 的一些直觉,尤其是分离、复制和 merge,还有 Observer 模式,用于 Contexte 之间的某些关系。

所以问题并不是:

“我所有的想法都是新的吗?”

我早就知道不是。

我更感兴趣的是拼装。

在书里,一个 Contexte 是一个由任务划定边界的空间。它包含来源、基于这些来源产出的知识、当前状态、历史、决策、矛盾、行动和交付物。它必须能被中断,然后再接续。它必须随着工作推进不断积累知识。多个 Contexte 之间还必须能够交换信息,同时不丧失各自的自主性。

于是我想:这些构件肯定来自别处。

但它们的组合方式也许是独特的。

我开始尝试推翻的,正是这个假设。

第一个错误:用自己的词去搜

检索一套方法的先例时,第一个问题马上就会出现。

没有人非得用过你的词汇。

搜 "Contexte" + AI + 记忆,几乎无法告诉你是否存在类似的机制。

一个医疗团队可能五十年来一直在做某种很像你的 handoff 的事情,却从没用过这个词。

一个档案学体系可能早已把来源出处、原始资料和诠释形式化,却从没谈过 knowledge management。

一款 1990 年代的软件,可能早已解决了你以为自己在 2026 年用 AI 智能体时才遇到的复制与依赖问题。

所以必须停止搜索 Contexte 这个词。

我先从拆解这本书开始。

我和 ChatGPT 一起提取出了 24 个概念和 12 种结构性关系。

思路是把这本书变成足够简单的对象,好让人能对它们提问。

不只是问:

有没有人已经设想过一个持久的工作空间?

还要问:

有没有人已经把原始来源和派生知识分开?

有没有哪个系统区分当前状态和历史日志?

有没有这样一种传统:处理一个问题的工作,会充实一个可供后续问题复用的知识库?

当一条知识从一个自主空间被复制到另一个空间时,会发生什么?

检索的面貌就此彻底改变。

第一个意外:几乎所有构件都早已存在

系统一旦拆解开来,前身便开始随处出现。

举几个例子:

到这一步,这些都没让我真正惊讶。

一套复杂的方法,很少由凭空出现的机制构成。

第一个结论看起来相当让人安心:

构件不是新的,但拼装也许是。

这是个合理的结论。

它没撑多久。

第二轮迭代:检索功能,而不是概念

我们换了方法。

不再检索书中的概念,而是开始检索这些概念所回应的问题。

  • 工作中断之后,如何接续?
  • 如何把一份案卷交接得足够好,让另一个人能继续下去?
  • 如何把成千上万条零散信息变成证据,再变成假设?
  • 如何同时保留几种相互竞争的解释,而不人为地选定其中一种?
  • 一个工作空间如何同时维持其运行状态和可复用的知识?

这一次,检索很快就走出了软件领域。

它把我们带向: - 情报; - 法律; - 医学; - 事件管理; - 认知科学; - 档案学; - 科学研究。

比如 Peter Pirolli 和 Stuart Card 的 sensemaking 模型,描述的过程是:分析人员从外部来源出发,筛选相关信息,形成证据,构建图式和假设,最后产出分析结果。Pirolli & Card — The sensemaking process and leverage points for analyst technology

这显然不是 Contexte。

但机制上的相近程度很值得玩味。

Jakob Bardram 的 Activity-Based Computing 也是如此。

2005 年,Bardram 描述了一种基础设施,其中的核心单元不再是应用程序,而是人的活动,以及与之相关的任务和计算资源。这套架构的设计目标之一,是让活动能够在不同环境之间移动、协作并保持连续。Aarhus University — Activity-Based Computing: Support for Mobility and Collaboration

换句话说,“要让工作得以延续,就得保存比一份文档更丰富的东西”这个想法,显然不是等到 AI 智能体出现才有的。

医学、指挥中心和事件管理也各有自己的交接(handoff)机制。

到这里,领地已经开始缩小。

接续并不独特。

handoff 也不独特。

就连这条链:

来源 → 诠释 → 推理 → 产出

也有非常扎实的前身。

于是有了新的假设:

也许独特之处在于“活的案卷”与“知识资产”之间的衔接。

换句话说:一边处理一个问题,一边构建某种在问题解决后依然留存的东西。

这个假设撑的时间更短。

最大程度改变检索的一次绕路:走出英语世界

在此之前,即便换了学科,我们基本上仍然困在一个西方的、英语的语料库里。

于是我们用日语、中文、俄语和阿拉伯语展开了检索。

从这里开始,检索真正变得有意思了。

在日本,我碰到了川喜田二郎(Jirō Kawakita)的 KJ法。

川喜田描述了一种自下而上的方法:从实地数据出发,把它们写在可以自由摆弄的卡片上,再依据含义逐步把卡片归拢、组合,让一个结构浮现出来。J-STAGE — Emergence and Essence of the KJ Method,川喜田二郎访谈

这时发生了一件挺好笑的事。

几个月前,在完全不知道 KJ法 的情况下,我自己也开始用一种我称为支柱卡片的东西工作。

我最近在这里写过:Cartes piliers : entretenir sa mémoire pour continuer à penser

这不是同一种方法。

KJ法 主要用于从零散的材料出发,通过归类和重组,让结构逐步浮现。

我的支柱卡片,作用更多是让少数几个结构性的想法保持鲜活,反复回看,并不断拿它们去对照我读到的和亲身尝试的东西。

但两者之间确实有一种家族相似,这让我很感兴趣:

  • 把思考的单元从脑子里拿出来;
  • 让它们可以被摆弄;
  • 把它们维持为相对独立的对象;
  • 把它们放到一起、加以重组;
  • 借助这些归拢与对照继续思考。

最重要的是:我是在建立这个习惯很久之后才发现 KJ法 的。

这正是我希望通过这次检索找到的那类东西。

不是为了能说“我也想到过同样的点子”。

恰恰相反。

而是为了确认:一个人完全可以真诚地独立做出某样东西,之后才发现另一个传统早在几十年前就探索过相近的机制。

我们还找到了梅棹忠夫(Tadao Umesao)。他早在 1969 年就描述了一套由独立卡片组成、可供重组的系统,而重组所产生的新知识,本身也可以再纳入这个系统。

换句话说:

已有知识资产 → 重组 → 新知识 → 更丰富的知识资产

这已经离得不远了。

然后我们来到了中国。

在那里,我发现了综合集成研讨厅(Hall for Workshop of Meta-Synthetic Engineering),简称 HWMSE。

HWMSE:假设真正开始倒下的时刻

综合集成(Meta-Synthesis)方法在 1990 年代初围绕钱学森发展起来,用于处理复杂系统。

HWMSE 则是为了把它付诸实践而设计的环境。

它的架构明确地结合了: - 人类专家; - 机器系统; - 知识系统。

目标不只是使用已有知识。

作者们还谈到了知识创造。

他们把通用知识系统和针对研究对象的专门知识系统区分开来,并指出后者必须能够通过使用而持续积累。Yu, Zhou & Feng — Man-machine collaborated knowledge creation in HWMSE

这已经和我试图用 Contexte 表达的东西非常像了。

而且它不只是一个概念图。

HWMSE 的相关工作催生了原型和实验性应用,尤其是在宏观经济决策方面。JAIST — Knowledge System Construction and Knowledge Creation in HWMSE

那个让人安心的区分:

案卷系统管理工作,知识系统管理知识资产,Contexte 把两者合而为一

已经站不太住了。

别人早已构建过把这两个维度的相当大一部分结合起来的系统。

还得再往下深入一层。

第三轮迭代:寻找架构上的竞争者

我们不再问:

“哪个概念像 Contexte?”

取而代之,我们定义了几个特征: - 这个系统是否管理一项围绕某个问题展开的具体工作? - 它是否把信息转化为知识? - 这些知识能否用于其他案例? - 它是否区分几种不同类型的记忆? - 多个空间能否在保持自主的同时协作?

这次检索找出了好几个比预想中相近得多的系统。

Experience Factory

Experience Factory 围绕 Victor Basili 的研究和 NASA Software Engineering Laboratory 的实践发展而来,它明确地把两种职能分开。

一边,项目组织完成它的项目。

另一边,Experience Factory: - 回收项目产生的经验; - 加以分析; - 加以综合; - 把它转化为可复用的单元; - 再提供给未来的项目使用。

早在 1992 年,NASA Goddard 的 Software Engineering Laboratory 就被描述为一个正在运行的 Experience Factory 范例,当时它已运作了十五年,完成了数百项研究。NASA — The Software Engineering Laboratory: An operational software experience factory

随后,Basili 和 Caldiera 明确地把 Experience Factory 描述为一个独立于项目之外、负责沉淀并复用经验的组织。NASA — The Experience Factory: Strategy and Practice

这直接冲击了我原以为很重要的另一个想法:

交付物不是知识资产;项目的工作必须充实某种在项目结束后依然留存的东西。

Experience Factory 早就这么说了。

Knowledge-Centered Service

接着,Knowledge-Centered Service(KCS)带来了同一机制的另一个版本。

在 KCS 中,知识不应该在一个与工作分离的流程里产出。

它的解决循环主要包括: - 检索已有知识; - 复用它; - 在使用时改进它; - 必要时记录新知识。

Consortium for Service Innovation 用一句格外清楚的话概括了这个思路:reuse is review。知识就在工作流程本身之中被核实和改进。Consortium for Service Innovation — The Solve Loop

又缩小了一圈。

就连:

把日常工作变成一台生产和改进可复用知识的机器

也早已被形式化了。

第四轮迭代:攻击最后的细节

到这一步,继续堆积宏观类比已经没什么意义了。

于是我们挑出了几个看起来仍相对独特的元素: - 原始来源与派生知识之间的严格区分; - state / history / synthesis / handoff 的划分; - 原子笔记作为一个有出处、可被支持也可被反驳的命题; - 引用一条信息,与复制它并从此承担其维护责任,这两者之间的差别。

即便如此,这些壁垒也一个接一个被攻破。

nanopublications 和 micropublications 早已在表示附带出处、支持依据、有时还附带质疑的小型断言。

联邦数据库系统长期以来一直在研究远程数据与可能产生偏离的本地副本之间的区别。

认知架构区分了工作记忆、情景记忆和语义记忆。

forensic computing(计算机取证)的做法是保留原件、在副本上工作,以保全证据。

每一次,某个看起来仍然独特的东西,最后都成了已知机制的重组。

最后一个真正的发现:ScholOnto 与 SWAN

不过,我们还得弄清楚:到底是已经走到了尽头,还是只是搜累了。

于是我们加了一条标准。

一个新来源不再仅仅因为像 Contexte 就算数。

它必须改变整体版图。

比如:

  • 比我们已经找到的更早;
  • 明显更相近;
  • 把此前分散的几种机制结合在一起;
  • 或者迫使我们修改结论。

这条规则让我们得以继续检索,而不会陷入硬凑任何类比的游戏。

还有两个系统通过了这项检验。

ScholOnto

ScholOnto 项目从 2000 年起获得资助,活跃于 2000 年代初,致力于构建一种基础设施,让研究者能够发表 claims,把它们与文献相连,并对其提出质疑。

它的 ClaiMaker 系统可以用来构建和浏览这些 claims 与论证构成的网络。Knowledge Media Institute — ScholOnto / ClaiMaker

SWAN

随后,生物医学研究领域的 SWAN 走得更远。

SWAN 明确区分外部科学资源和系统内产生的话语元素。

一条 Research Statement 可以从一篇论文或其他资源中派生出来,保留其出处,并通过 supports、refutes 或 alternativeTo 等关系与其他 statements 相连。

当一条 statement 演变时,系统还会保留它之前的版本。Ciccarese et al. — The SWAN Scientific Discourse Ontology

到这时,它和我的原子笔记之间的相近程度已经难以忽视: - 独立的来源; - 诠释; - 命题; - 出处; - 支持; - 矛盾; - 复用; - 随时间演变。

而且同样,这不只是一套理论本体:作者们描述了用于构建和浏览这个知识库的 Workbench 和 Browser。PubMed — The SWAN biomedical discourse ontology

大部分零件早已存在。

然后,结果不再改变结论

这大概是整个方法中最重要的部分。

到了某个时候,必须停下来。

不是因为已经证明不存在其他先例。

那是不可能的。

而是因为新的检索开始反复给出同样几个家族。

一篇新论文把某个日期提前了一点。

另一个来源多加了一个例子。

某个系统用了不同的词汇,覆盖的却是一个已经识别过的机制。

或者更糟:你开始需要花十行字去解释,为什么某样东西或许勉强可以拿来比较。

到了这个时候,就有风险了。

你不再是在检验自己的假设。

你开始制造你本来就想找到的相似性。

因此,我们认为这次检索已经达到了合理的饱和。

那么,什么才是原创的?

结论并不是我一开始所想象的那样。

我不再认为在 Contexte 内部寻找“新想法”有多大意义。

它几乎所有重要的构件都有前身。

构件之间的许多关系也有。

而且好几个更早的系统已经拼装出了其中的大块内容。

例如: - HWMSE 把人、机器、问题求解和知识沉淀结合在一起; - Experience Factory 把项目与“把项目经验转化为知识资产”的组织机制分开; - KCS 把知识的创造和改进直接融入日常工作; - Project Memory 处理项目的历史和背景; - ScholOnto 和 SWAN 结构化地组织命题、来源、出处和矛盾; - 联邦系统处理自主性、导入、复制和依赖。

这并不意味着 Contexte 毫无贡献。

而是意味着它的贡献在别处。

如今我会这样表述:

Contexte 是对来自多个传统的机制所做的一次明确的选择、组合和规范化,并把它们汇集成一套可操作的方法,用于与 AI 长期协作。

这个系统尤其拥有: - 自己的词汇; - 自己的对象; - 自己的约束; - 自己的流程; - 它独特的方式,用来区分来源、知识、状态、历史、综合、决策、矛盾、handoff 和交付物; - 它让信息在多个自主的 Contexte 之间流转的规则。

我没有找到一个恰好拥有这整套语法的历史系统。

但这套语法中几乎每一个组成部分,在 Contexte 之前都有自己的历史。

说到底,这个答案让我满意得多。

科学的怀疑文化

一开始,问题大致是这样的:

我的想法真的有原创性吗?

回头看,这大概不是最好的问题。

先例检索主要让我明白了我的想法是由什么构成的。

哪些直觉来自我熟悉的传统。

哪些存在于我从没想过去看的领域。

哪些部分早已被拼装过。

以及我的工作中,有哪一部分主要是在翻译、简化、重组那些分散的机制,并让它们变得可用。

这正好说明了我所说的科学的怀疑文化。

我原本有一个隐含的假设:

也许 Contexte 的这一部分是新的。

检验它的正确方式,不是去找相信它的理由。

而是去找最有力的反例。

然后,每找到一个,就修改假设。

每一轮迭代,我能合理地宣称为特有的领地都在缩小: - 先是构件; - 然后是某些拼装; - 然后是“让工作本身成为知识沉淀机制”这个想法; - 然后是信息语法本身的一部分。

矛盾的是,这套方法的主张反而变得更清晰了。

我宁愿能够说:

这是我借来的,这是我改造的,这是我组合的,这是我最终赋予它的形态

也不愿声称一个想法是新的,仅仅因为我从未遇见过它的祖先。

我会再次使用的方法

如果要对另一个想法再做一次这样的检索,我不会像这次一样重新起步。

我会直接这样做:

  • 把想法拆解成组成部分和关系;
  • 检索机制,而不是它的词汇;
  • 分别比较组成部分、关系、拼装和目的;
  • 尽快走出原有学科;
  • 用多种语言检索;
  • 看真正构建出来的系统,而不只是理论;
  • 追溯最佳来源的参考文献,再看引用了它们的研究;
  • 主动寻找能够推翻当前结论的反例;
  • 规定一项新发现必须改变什么,才能被视为重要;
  • 当新来源带来的只剩已绘入版图的前身的变体时,就停下来。

追溯一个好来源的参考文献、再顺着引用它的文献往下找,这种做法有时被称为 snowballing。

名称没有机制重要。

一个好来源会成为一扇门,通向一整套词汇和一整个传统,而这些是关键词检索也许永远找不到的。

最后一点,懂得停下来,大概是最难的。

检索永远可以继续。

总会有: - 一篇新论文; - 一项新专利; - 一个新学科; - 另一种语言; - 一个新关键词。

问题不在于是否已经找到了一切。

问题在于:

继续下去,还会改变答案吗?

局限

这个方法显然无法证明先例不存在。

它取决于: - 搜索引擎; - 你想得到的语言; - 已经数字化的文献; - 仍然可以获取的出版物; - 它们的索引方式; - 作者选用的词汇; - 以及我们自己能否在两套不同词汇背后认出同一种机制。

它也取决于我们如何判断两种机制是否真正可比。

相似不等于相同。

核电站里使用的一项技术,不会仅仅因为它有 handoff,就成为某个 AI 记忆系统的直系祖先。

同样,事后发现一种日本方法也使用卡片,并不意味着我的支柱卡片就是 KJ法。

必须能够同时说:

这已经足够相近,值得关注

以及:

这不是同一回事。

也正因为如此,没有找到结果,就必须仍然只是没有找到结果。

而不能变成:

从来没有人做过。

我从中得到的

我开始这次检索时,想弄清楚自己发明了什么。

结束时,问题略有不同:

我用一切早已存在的东西,构建出了什么?

在我看来,这个答案更有意思。

Contexte 之所以值得关注,大概不是因为它发现了:

  • 出处;
  • 原子笔记;
  • handoff;
  • 组织记忆;
  • 有边界的空间;
  • 知识沉淀。

这些都早已存在。

如果它的拼装能让这些机制足够简单、足够一致,让一个人和一个 AI 能够连续几周甚至几个月一起工作而不丢失所学到的东西,那它才变得有意思。

所以,我走出这次检索时,并没有找到一块可以插旗的处女地。

我带出来的是一张地图。

而要理解自己正在构建的东西,一张好地图大概比一面旗帜有价值得多。