人不缺想法，缺的是把想法加工成清晰判断的精力——AI 最该接手的正是这段加工。
Synapse 是什么
Synapse 是一个个人 Thinking OS。它的形态不是一个 App，而是一个 Git 仓库——所有内容都是 Markdown 文件，用 Cursor（一个深度集成 AI Agent 的代码编辑器）打开和编辑。需要发布的内容通过 Astro 直接渲染成静态博客，写作和发布共用同一份文件。没有数据库、没有云端锁定，所有东西都是本地的纯文本文件加 Git 版本控制。
打开这个仓库，看到的结构是这样的：
synapse/
├── captures/ # 外部内容剪藏——文章摘录、对话记录，保留原始 URL
│ └── 2026-03/
├── notes/ # 经过消化的正式笔记——自己的判断和论证
│ └── 2026-03/
├── journals/ # 认知迭代日志——记录判断随时间的演变
├── .cursor/
│ ├── rules/ # 编辑规则——写作风格、术语一致性等约束
│ └── skills/ # AI 工作流——每个 Skill 定义一类任务的完整步骤
│ ├── capture/
│ ├── note/
│ ├── cognitive/
│ └── evolve/
└── AGENTS.md # 全局约定——目录结构、命名规则、frontmatter 规范内容文件和 AI 配置共存在同一个仓库里，这是刻意的设计：内容、规则、流程三者版本同步，任何一次改动都有 Git 历史可追溯。
仓库里除了内容文件，还有两类关键配置：Skill 和 Rule。Skill 是写给 AI 的工作流程——“拿到一个 URL 该怎么处理""写 note 的步骤和产出标准是什么”，相当于给 AI 发了一份岗位说明书。Rule 是编辑时自动生效的约束——“术语要前后统一""不要用某种句式”，相当于随时在旁边盯着的风格指南。两者配合，让 AI 不是每次从零开始的陌生人，而是记住了所有偏好和标准的长期协作者。
在这个基础上，日常使用只有三个动作：
| 场景 | 触发的 Skill | 得到什么 |
|---|---|---|
| 读到一篇好文章 | capture — 把 URL 扔给 AI | 一篇提炼了核心论证和关键事例的 capture，存入知识库，随时可查可引用 |
| 脑子里有个判断想理清楚 | note — 带着问题或初步观点和 AI 对话 | 一篇结构清晰、论证完整的 note，可直接分享或发布到博客 |
| 想复盘一段时间的认知变化 | cognitive — 把近期素材和思考交给 AI | 一条可独立阅读的 journal 记录，沉淀判断的演变轨迹 |
三个动作背后是同一套机制：AI 按照积累的规则和技能执行中间工序，产出质量随使用持续提高。 规则体系记住了所有约定（写作风格、术语偏好、结构习惯），自进化机制不断从实际使用中提取新模式。流水线结构、产出标准全部由使用者定义——两个人的 Synapse 用三个月就会长成完全不同的形态。
下面展开讲每一层的设计和背后的判断。
问题不在记录，在于思考的体力活太重
个人知识管理领域不缺工具。从 Notion、Obsidian 到 Logseq，每一代产品都在解决”怎么更方便地记录和组织信息”。但它们解决的都是存储和检索问题——真正卡住人的不是这些。
一篇好文章读完，你知道它有价值。但从”读完了”到”形成自己的判断”之间，隔着一道巨大的体力活：提炼要点、组织结构、关联已有认知、写成可复用的文字。这才是思考过程中最重的工序，也是传统工具完全帮不上忙的环节。结果就是大多数人的收藏夹越来越厚，但真正内化为判断的内容越来越少。
Synapse 的出发点很简单：既然 AI 已经能高质量地完成信息转化，为什么不让它承担”从输入到判断”这条路径上最重的体力活？
三层流水线：从原料到认知的转化路径
Synapse 的核心架构是一条三层流水线。每一层解决一个不同层次的问题，人和 AI 的分工也不同。
[大量资讯涌入]
─────────────────────────────────────────────────
capture 层 │ 人：发现值得留的内容，扔进来
│ AI：自动提炼成可公开阅读的结构化文档
─────────────────────────────────────────────────
note 层 │ 人：基于自己的想法/问题触发
│ AI：围绕判断组织论证、快速产出 first draft、持续迭代
─────────────────────────────────────────────────
journal 层 │ 人：触发认知复盘
│ AI：提炼阶段性洞察，写入可独立阅读的记录三层不是文件夹分类，而是思考的三个阶段：
capture 是原料层。 看到一篇好文章、一段有启发的对话，贴个 URL 或者粘一段文字，AI 自动抓取正文、提炼核心论证链条和关键事例，整理成一篇脱离原始上下文也能独立阅读的文档。这不是全文复制，也不是只列 bullet——是保留了论证过程和”aha moment”的结构化叙述。
note 是认知层。 capture 存的是别人的判断，note 存的是自己的判断。带着一个问题或一个初步判断过来，AI 负责组织论证、补充盲点、快速产出 first draft，再在文件上直接反馈、持续迭代。capture 可以被 note 引用，但 note 的主体始终是自己的立场。
journal 是演化层。 记录认知随时间的变化轨迹——上一次想的是什么，这一次有什么新的判断，变化的原因是什么。回头审视某个判断的形成过程时，journal 能把每一步怎么走过来的讲清楚。
这条流水线的关键设计决策是：AI 负责所有中间工序，人只在两端发力——输入端决定”转化什么”，输出端判断”转化得对不对”。
用 Agent Skills 把流程固化为可复用能力
三层流水线不是靠人记住流程来运转的。每一层的转化逻辑被编码成了 Cursor Agent Skill——一份详细的工作指令，告诉 AI 在每个阶段该做什么、怎么做、产出标准是什么。
| Skill | 层级 | 做什么 |
|---|---|---|
capture | 原料层 | 抓取 URL 正文 → 提炼论证链和关键事例 → 写入 captures/ |
note | 认知层 | 围绕用户的判断组织论证 → 产出 first draft → 持续迭代 |
cognitive | 演化层 | 提炼阶段性认知变化 → 追加到 journals/ |
evolve | 自进化 | 从工作会话中提取可复用模式 → 固化到规范体系 |
最后一个 skill——evolve——让 Synapse 具备了自进化能力：使用过程中发现的模式和偏好，不是停留在脑子里，而是被提取出来、写入规范体系，下次自动生效。这是后面”个性化”章节的基础机制。
四层治理：让 AI 像团队成员一样协作
AI 不是一次性的问答工具。在 Synapse 里，AI 是长期协作者。但长期协作需要共识——什么是对的，什么是不允许的，遇到特定场景该怎么处理。
这些共识被组织成四层结构：
| 层级 | 载体 | 回答什么问题 |
|---|---|---|
| 全局约定 | AGENTS.md | 什么是对的：目录结构、命名规则、frontmatter 规范 |
| 目录约定 | {dir}/AGENTS.md | 这个目录有什么特殊要求 |
| 编辑规则 | .cursor/rules/*.mdc | 编辑时该注意什么：写作风格、术语一致性 |
| 工作流 | .cursor/skills/*/SKILL.md | 完成一件事的完整步骤 |
这套分层不是过度设计，而是踩过坑之后的实用选择。AI 不怕规则多，怕的是规则散——同一件事在三个地方有三种说法。分层治理让每条规范有唯一的归属，约定、规则和流程各归其位，不会互相打架。
每个人的 Synapse 都不一样
大多数工具提供的是固定模板：相同的字段、相同的工作流、相同的 AI prompt。Synapse 完全相反——整个系统的行为逻辑都是使用者自己定义的，而且会随着使用持续演化。
个性化发生在三个维度：
| 维度 | 含义 | 举例 |
|---|---|---|
| 流程 | 流水线结构可变，加层、改层、调整转化逻辑 | 增加”待深入研究”队列，把 journal 拆成多个独立主题 |
| 标准 | 产出质量的定义由使用者决定，写入规则和 Skill | 偏好克制分析文 vs. 冲击力观点文；capture 保留细节 vs. 只留论证链 |
| 演化 | evolve skill 从实际使用中持续提取模式并固化 | 纠正了一个术语 → 下次自动遵守；调整了一种结构 → 成为默认行为 |
第三个维度是关键。传统工具的个性化是一次性配置；Synapse 的个性化是持续生长的——每一次使用中的反馈都会沉淀为系统的默认行为，两个人用同一套初始配置，三个月后会长成完全不同的形态。
这带来一个重要的结果：对 AI 协作的投入是可积累的。 在通用 AI 工具里，每次对话都是从零开始；在 Synapse 里，每次协作都在上一次的基础上进行。教过的东西不会丢失，建立的标准持续生效，Thinking OS 越来越像自己思维方式的延伸。
技术选型：为什么是 Git + Markdown + Astro
Synapse 的技术栈刻意选择了”笨”方案：
- Git 是唯一 Source of Truth。 所有内容版本可追溯、可回滚、可离线工作。不依赖任何云端数据库或 SaaS 服务的存续。
- Markdown 是唯一内容格式。 零迁移成本，任何编辑器都能打开，任何 AI 都能读写。不需要在”导出”功能上押注。
- Astro 负责发布。 直接把
notes/和captures/渲染成静态博客。写作和发布共用同一份文件，没有”从笔记导出到博客”的额外步骤。 - Cursor 是核心编辑器。 不是因为它是最好的 Markdown 编辑器，而是因为它是目前 AI Agent 集成最深的编辑器。Agent Skills 让每次交互都能按照积累的规范执行，而不是每次都从头教。
这组选型背后的统一逻辑是：内容的寿命比任何工具都长。 Git + Markdown 确保即使 Cursor 不存在了、Astro 不维护了，内容本身零损耗地迁移到下一代工具。
实际运转效果
运转一段时间后，几个观察：
capture 的实际使用率显著高于传统收藏。 AI 在入库时就完成了结构化整理，capture 不是”存了以后看”，而是”存的时候就已经读透了”。回头查阅时，一篇 capture 就能快速唤起核心信息。
note 的产出速度和深度同时提升。 以前写一篇有判断力的长文需要半天到一天，现在从触发到满意的 first draft 通常在一轮对话内完成，后续迭代也是在文件上直接反馈，不需要反复描述上下文。
自进化带来的复利效应开始显现。 写作风格规范、术语一致性要求、正文结构偏好——这些早期靠手工纠正的问题，固化成规则后就不再重复出现。系统的默认产出质量在持续提高。
这不是给所有人的方案
Synapse 有一个隐含假设：使用者已经在持续思考、持续形成判断，只是从想法到成文之间的工序太重。如果输入端本身是空的——没有在持续阅读、持续追问、持续形成观点——再好的流水线也无米可炊。
另一个限制是工具链的门槛。Git、Markdown、Cursor、命令行——这不是大众消费品的技术栈。但对于本身就在这些工具里工作的人来说，零额外学习成本，反而比专门的笔记应用更顺手。
但这些限制反过来也是优势：正因为整个系统是透明的、可编程的，才能真正把它改造成自己的形状，而不是在别人设计好的框框里做选择题。
当思考的体力活趋近于零，剩下的全是判断力本身——这恰恰是唯一值得投入的东西。