16.3 日常使用：记录、检索与知识连接
面向经管学生、研究者与从业者的 AI 智能体设计教材
系统搭好后，日常使用围绕三个场景展开：记笔记、问答检索、处理附件。
记笔记
在笔记库目录下启动 Claude Code，用 /takenote 或自然语言输入内容。
/takenote 今天和供应商开了个会，他们说原材料涨价 15%，两周内要决定是否锁价，涉及采购、财务和销售三个部门协调。也可以用自然语言：
记一下：刚读完一篇关于双边市场定价策略的论文，核心发现是平台对价格弹性更高的一边应该补贴，和 Rochet-Tirole 2003 的理论预测一致。作者用 Uber 数据做了实证。Claude Code 收到输入后，按 CLAUDE.md 定义的 7 步流程处理：分析主题 → 读规则和背景 → 搜索已有笔记 → 判断归类 → 创建笔记 → 更新索引 → 汇报结果。
你不用自己判断内容该放哪个文件夹。第一条是会议记录，AI 会放进 5_会议/；第二条是论文阅读笔记，会放进 4_学习/ 或 6_研究/。不同类型的输入走不同的处理路径：想法类内容精简提炼放入 2_想法/，会议类内容提取决策项和待办，研究类内容保留核心发现和方法论。
问答检索
当你需要找某条旧笔记时，直接提问：
我上个月记了什么关于供应链风险的内容？Claude Code 的检索路径：先读根目录结构，判断可能在 3_工作/ 或 6_研究/（具体目录名视你自己的笔记库结构而定），进入这些文件夹读取 _index.md，根据索引中的一句话说明定位具体文件，读取完整内容后给出摘要。
索引导航让检索既准又快。如果库里有 500 篇笔记，不需要遍历全部文件，只需要读几份 _index.md 就能缩小范围。
附件处理
PDF、录音转写、邮件导出这类附件，先放进 8_附件/，再把路径发给 Claude Code：
/takenote 8_附件/央行货币政策报告2026-Q1.pdf 请提炼核心要点，整理成研究笔记Claude Code 读取 PDF 内容后，判断它是研究材料还是工作资料，提炼核心观点，写成格式规范的笔记放进对应文件夹。附件原文保留在 8_附件/，整理后的笔记放在 6_研究/ 或其他目标目录。附件和整理结果是两份东西：一个保留原文，一个保留理解和提炼。
Claude Code 能直接读取本地的 PDF 和文本文件。对于图片，它也能识别内容并提取文字信息。会议白板照片、PPT 截图都可以作为输入来源。
研究驱动的知识沉淀
/takenote 处理的是你已有的内容——会议记录、读书笔记、一闪而过的想法。但很多时候，你面对的是一个还不了解的主题，需要先调研再沉淀。/research-save 解决的就是这个问题：给一个主题，AI 自动完成深度网络调研，把结果整理成结构化笔记写入知识库。
使用方式：
/research-save 行为博弈论中的公平偏好实验设计也可以用自然语言触发：
研究并保存：双边市场中平台补贴策略的最新实证研究 --folder 6_研究收到指令后，Claude Code 委派 web-researcher 子代理进行深度网络调研，要求覆盖 10 个以上来源。调研完成后，自动生成一篇 1500 字以上的结构化笔记，包含摘要、主要发现、数据表格和完整参考文献列表。笔记写入目标文件夹后，Claude Code 搜索已有笔记建立 wiki 链接，并更新对应文件夹的 _index.md。
去重合并：如果库里已有同主题笔记（主题重叠度超过 70%），Claude Code 不会重复创建新文件，而是在已有笔记末尾追加一个”研究更新”段落，标注更新日期和新发现。
质量回退：当可用来源不足或调研结果质量不够时，笔记会被标记为 #status/incomplete，提醒你后续补充。这比强行拼凑一份低质量笔记更诚实。
一次典型的调研结果：
已创建笔记：6_研究/双边市场平台补贴策略实证研究.md
- 来源数量：14 篇（学术论文 8 篇、行业报告 4 篇、政策文件 2 篇）
- 笔记长度：2100 字
- 标签：topic/platform-economics, topic/two-sided-market, status/complete
- 关联笔记：
- 3_论文笔记/Rochet-Tirole-2003-平台竞争.md
- 2_研究想法/网络效应与平台定价.md
- 已更新：6_研究/_index.md--folder 参数指定目标目录，--link [[笔记名]] 可以显式关联某篇已有笔记。不加参数时，Claude Code 根据主题自动判断归属。
对一个新领域，先用 /research-save 建立基础认知，再用 /takenote 记录自己在此基础上产生的想法。两者写入同一文件夹后，后续检索时 AI 可以同时看到调研结果和你的判断。
为什么个人知识库不需要 RAG
熟悉技术的读者可能会问：为什么不用 RAG（Retrieval-Augmented Generation，检索增强生成）？
RAG 的做法是把文档切成每几百字一段，转换成向量（vector），按相关度匹配最接近的片段。问题在于，切片会丢失上下文。一段关于央行利率决策的分析，切成 500 字的片段后，前因后果可能被拆散。
Claude Code 的方式不同：通过索引找到相关文件，读取完整内容。对于几百到几千篇笔记的个人知识库，这种全文读取方案的准确率更高。
两种方案的对比：
| 维度 | RAG（向量检索） | 索引 + 全文读取 |
|---|---|---|
| 检索方式 | 向量相似度匹配 | 索引导航 + 完整阅读 |
| 上下文完整性 | 切片后丢失 | 完整保留 |
| 适用规模 | 万篇以上文档 | 几百到几千篇 |
| 额外依赖 | 向量数据库 | 无 |
| 维护成本 | 需维护向量库 | 只维护 Markdown 索引 |
当笔记数量超过几千篇、单次查询涉及大量文件时，全文读取方案会受到上下文窗口限制。到那个阶段，可以考虑引入 MCP 对接向量数据库。但对大多数个人知识库来说，索引 + 全文读取足够用。