我怎样用AI管理1400+篇文章库的 · 知识工程

从批量下载到搭建标签体系，老谭完整拆解用AI管理1400+篇文章库的实践，为内容创作者呈现知识工程全流程。
核心内容：
1. 管理文章库的背景和差异化需求
2. 工具选择、优化方法与批量下载及本地化处理
3. 7维标签体系的设计逻辑

KNOWLEDGE MANAGEMENT2026-07-25

1400+篇文章库如何交给AI管理· 知识工程

一个人的知识工程：从下载走向标签化

一套系统，让信息囤积转化为知识资产

大家好，我是老谭。

今天和你们聊个很实在的话题：我怎样用AI管理自己的1400多篇公众号文章。

这是一则真实案例，并非空泛的方法论。我会拆开呈现文章下载、标签体系设计和索引系统搭建的全过程。

如果你从事内容创作，云端也躺着几百上千篇不知如何利用的文章，或许能从本文获得一些启发。

01

PART

为什么要做这件事？

FROM HOARDING TO ASSET

1400多篇文章，是我坚持三年公众号日更留下的成果。

过去我和多数人一样，文章发布后便不再管理；偶尔需要素材，不是凭记忆翻找很久，就是干脆放弃。

去年12月，我作出一个决定：公众号开始聚焦AI方向后，「老生常谭」也换成了新名称「AI Rollup」。

同时创办「老谭备忘录」，延续原先的泛话题风格。

要让两个号形成差异化，首先必须弄清楚：

• AI Rollup适配素材的判断范围（核心概念包括AI-Rollup、组织AI化、RaaS等）
• 老谭备忘录的适配内容范围（包括创业心法、认知成长、投资思考）

02

PART

第一步：批量下载，实现100%本地化

EXPORT EVERYTHING

管理文章的第一步，是把它们从微信后台搬到本地。

我找到一个开源项目：wechat-article-exporter（微信公众号文章批量下载工具）。

项目采用的是一种反向思路：借助公众号后台的"搜索其他公众号文章"功能，把自己公众号的所有文章爬取下来，原理很巧妙。

它可导出多种格式：

• HTML：100%还原排版和样式
• Markdown：便于后续编辑及建立索引
• JSON：提供结构化数据，方便程序处理
• Excel/Word：传统格式

后续要进行标签化处理，同时还得保留文章结构，基于这两点，我选择了Markdown格式。

不过原版工具存在两个问题：下载较慢，也无法批量处理元数据。

因此，我用Claude Code对项目进行了优化：

• 用p-queue管理并发，增加并发下载能力
• 基于Cheerio和Turndown，优化HTML转换为Markdown的逻辑
• 加入自动提取标题、日期、URL等元数据的功能
• 使用IndexedDB在本地缓存，防止重复下载

最终，1400+篇文章不到2小时便全部下载至本地。

只有先把数据掌握在自己手中，后续深度加工才有可能，因此这一步非常关键。

03

PART

第二步：搭建标签体系，帮助AI读懂文章

7-DIMENSIONAL TAGGING

文章虽然已经下载，但得到的仍是一批零散文本文件。

真正的知识管理，需要结构化。

一套「7维标签体系」的设计，花掉了我一天时间：

维度1：主题域（内容讲什么）

每篇文章可设置1-3个标签，例如：

• 大模型、AGI、AI能力边界 — AI基础认知
• AI-Agent智能体 — Agent、智能体、AI员工
• 组织AI化 — AI重构组织形态
• 流量方法论 — 流量背后的底层逻辑
• 创业心法 — 创业、创始人、方向选择
• 认知思维 — 认知、思维方式、心智模型

维度2：招牌概念（个人话语指纹）

以下是我自创或与我强绑定的术语：

• 核心投资/创业框架 — AI-Rollup
• 组织AI化 — AI改造存量组织
• 结果即服务RaaS — 商业模式主张
• 首席流量官 — 个人标签
• 十年战略 — 长期主义
• 共创 — 投资+赋能关系

维度3：体裁（采用什么形式）

• 观点评论 — 针对某件事表达判断
• 方法论干货 — 包含可复用的步骤、指南
• 案例拆解 — 分析具体公司/产品
• 个人随笔 — 关于心境、节奏的短文
• 深度长文 — 结构完整的重要文章

维度4：立场（论点的倾向）

• 看多/乐观 — 积极判断某种趋势
• 看空/警示 — 泼冷水、拆穿、揭遮羞布
• 行动号召 — 呼吁读者/企业立即行动
• 反思自省 — 修正自己过去的判断

维度5：可复用分（划分素材质量）

• 含招牌概念 + 观点长青 + 有深度论证 — 高
• 中 — 具备一定价值，但不够突出
• 低 — 纯日常随笔、过期热点、篇幅极短

维度6：实体（文章涉及谁）

自动提取形成的动态词表：

• DeepSeek、OpenClaw、Claude、微信、视频号...：公司/产品
• 巴菲特、芒格、Sam Altman、马斯克...：人物

维度7：写作用途（可以用来做什么）

• 观点素材 — 可用作论点/金句的来源
• 案例素材 — 可作为论据/例子使用
• 可作为新文章范本，结构清晰 — 框架模板
• 概念定义源 — 对招牌概念的权威阐释

为什么采用7维，而不使用传统文件夹分类？

一篇文章可能同时涉及AI应用、组织转型与投资逻辑，无法纳入单一分类；多维标签则支持组合查询，例如：

可复用分=高 ∩ 体裁=方法论 ∩ 主题=组织AI化

借助这一组合，就能准确找到关于组织AI化且可以复用的方法论文章。

在我的知识图谱中，"元数据层"对应的就是这套标签体系。

04

PART

第三步：使用Claude批量标注标签

AI-POWERED TAGGING

标签体系完成后，面对1400多篇文章，显然不能逐篇依靠人工标注。

此时，Claude便能发挥作用。

自动打标签这套流程，是我用Claude Code写成的：

步骤1：读取标签体系

先让Claude理解每个标签的含义，输入材料包括7维标签的样本案例、判定标准与定义。

步骤2：批量分析文章

所有Markdown文件先由Python脚本完成遍历，随后交给Claude逐篇分析：

• 读取文章正文
• 依据标签体系生成7维标签
• 生成YAML格式的frontmatter

步骤3：写入元数据

以YAML frontmatter格式，把标签写入每篇文章开头：

---

AI时代的生存法则：最高级的护城河，是做减法 title:

date: 2026-02-18

url: https://mp.weixin.qq.com/s/xxx

主题域: [认知与个人成长]

招牌概念: [AI-Rollup]

体裁: 方法论干货

实体: [巴菲特]

立场: 行动号召

写作用途: [观点素材, 框架模板]

可复用分: 高

---

步骤4：人工校验

Claude完成标注后，我会抽查部分文章；一旦发现问题，便调整标签体系的判断标准，再重新运行。

关键并非只让AI标注标签，而是由我和AI共同训练这套标签体系。

例如，一些文章虽只是在AI时代背景下讨论其他话题，却被标为AI基础认知，因此我进一步明确标准：

AI基础认知应该是围绕AI能力边界、大模型与AGI作出判断并进行科普，不能是在AI时代背景下讨论其他话题。

经过几轮反复迭代，标签的准确度便得到提升。

从读取到打标签，再到写入元数据和更新索引，整套流程均为自动化。今天（7月25日）我刚处理完19篇新文章，总耗时不到10分钟。

过去需要团队完成的工作，如今一个人借助AI就能做好。

05

PART

第四步：构建6维索引系统

6-DIMENSIONAL INDEX

完成标签标注后，还有一个问题需要解决：怎样快速检索？

我既不想每次进入文件夹逐个翻找，也不愿靠全文搜索碰运气。

我的目标是按任意维度组合查询，并立即定位所需文章。

为此，我建立了6个索引文件：

索引1：按照年度

索引_by_年度.md

• 2026年（47篇）
• 2025年（xxx篇）
• 2024年（xxx篇）
• ...

索引2：按照体裁

索引_by_体裁.md

• 观点评论（xxx篇）
• 方法论干货（xxx篇）
• 案例拆解（xxx篇）
• 个人随笔（xxx篇）
• 深度长文（xxx篇）

索引3：按照立场

索引_by_立场.md

• 看多/乐观（xxx篇）
• 看空/警示（xxx篇）
• 行动号召（xxx篇）
• 反思自省（xxx篇）

索引4：按照可复用分

索引_by_可复用分.md

• 高（xxx篇）— 写作系统优先使用
• 中（xxx篇）— 根据需要使用
• 低（xxx篇）— 只保留检索功能

索引5：按照主题域

索引_by_主题域.md

• AI-Agent智能体（xxx篇）
• AI基础认知（xxx篇）
• 组织AI化（xxx篇）
• 流量方法论（xxx篇）
• 创业心法（xxx篇）
• 投资逻辑（xxx篇）
• 认知思维（xxx篇）
• ...

索引6：按照招牌概念

索引_by_招牌概念.md

• AI-Rollup（42篇）
• 组织AI化（24篇）
• 结果即服务RaaS（22篇）
• 共创（14篇）
• 首席流量官（4篇）
• 十年战略（5篇）
• ...

按倒序时间排列且采用统一格式的每个索引，本质上都是一个Markdown文件：

## AI-Rollup (42)

日期 标题

|---|---|

2026/创业与商业/xxx.md 对应文章从四次失败到确定性：我的创业成长史，日期为2026-07-24

2026/投资与资本/xxx.md 对应文章十年投资路：从财务投资人到AI产业投资人，日期为2026-07-23

| ...

这6个索引文件如同从6种视角编排的目录，使我可以从任意角度进入知识库。

例如：

• 打开索引_by_招牌概念.md，回顾过去42篇的写法 → 为撰写AI-Rollup相关文章做准备
• 筛选"高"+"方法论干货"，需先打开索引_by_可复用分.md → 用于寻找高质量的方法论素材
• 要回顾某一时期的思考 → 打开索引_by_年度.md，沿时间线查看

每次修改标签或新增文章，Python脚本都会重新生成索引，因此这些索引文件能够自动更新。

06

PART

实践效果：把信息坟场变成知识金矿

WHAT CHANGED

一种真切的感受，在这1400多篇文章整理完成后浮现出来：信息囤积与知识资产之间，所差的只是一套系统。

改变1：写作效率提高10倍

过去写文章需要引用旧观点时，我不是凭记忆搜索，就是直接放弃。

现在打开索引，按主题域+招牌概念进行筛选，所有相关文章都能立即找到。

还可以优先调用标记为高可复用分、经过深入论证的观点，从而避免反复造轮子。

写作不再从零开始，而是转为组装素材。

改变2：双号定位更加明确

借助标签体系，我能迅速辨别：

• AI Rollup适配文章的判断范围（核心概念包括AI-Rollup、组织AI化、RaaS等）
• 老谭备忘录的适配文章范围（包括个人随笔、创业心法、认知成长）

内容策略由拍脑袋转向数据驱动。

改变3：知识复利逐渐显现

从前写过的文章，发布后很快便会沉底。

如今，一个观点、一个案例或一个框架都成为可调用模块，可以在新文章中复用、改写和升级。

我的"知识复利"来自这1400多篇文章，它们不是历史包袱。

改变4：奠定AI写作系统基础设施

未来可直接接入AI写作系统的，是这套完成标签化与索引化的内容库：

• 让AI依据主题自动调用相关素材
• 让AI学习我的体裁、立场和招牌概念等写作风格
• 让AI自动生成文章初稿，我仅负责润色

从人工写作迈向AI辅助写作，所需基础设施已经准备完成。

07

PART

几项关键认知

KEY INSIGHTS

认知1：知识管理的核心在于减法

如果对1400多篇文章一视同仁，实际上就等于没有进行管理。

真正进行知识管理，需要给每篇文章标注高、中、低三个可复用分等级。

只有包含招牌概念、具备深入论证且观点长青的高质量文章才是核心资产，其余只是历史记录。

认知2：标签体系比AI工具更关键

许多人过度相信AI工具，以为拥有ChatGPT便能自动完成知识管理。

错了。

标签体系才是元规则，AI只负责执行。

AI能否按你的规则分类和检索，取决于你是否先定义"什么叫可复用""什么是招牌概念""什么是好文章"。

作为知识资产的"操作系统"，标签体系不会因工具过时而失去价值。

认知3：一个人+AI，能力超过一个小团队

若在两年前建设这套系统，至少需要：

• 1个产品经理负责设计标签体系
• 2个工程师负责编写爬虫和索引脚本
• 3个编辑负责逐篇标注标签

成本至少达到几十万。

如今，我一个人+Claude Code，用1天即可完成。

AI时代的生产力革命并非取代人，而是赋予一个人整个团队的能力。

认知4：亲自入局才能真正理解AI

关于AI Rollup、组织AI化和RaaS，我可以写100篇文章。

但如果我自己不用AI管理知识、不用AI优化工具、不用AI写代码，那些都是纸上谈兵。

唯有亲自入局，才能真正认识AI的能力与边界。

我的"AI实验室"，指的正是这套知识管理系统。

∞

CODA

写在最后：个人IP的第二大脑

FROM INFORMATION OVERLOAD TO KNOWLEDGE ASSET

整理这些文章为什么值得花这么多时间？很多人都曾这样问我，老谭。

我的回答是：因为它就是我的第二大脑。

人脑记忆有限，而AI+标签系统能够实现：

• 精准回忆：通过任意组合查询立即定位
• 跨时间连接：串联不同时期形成的思考
• 知识复利：让过去的积累成为未来的杠杆

AI时代，个人IP的竞争力不仅取决于能否生产内容，更取决于能否管理知识。

如果你同样积累了几百上千篇文章，我的建议是：

• 不要让文章闲置云端，应将其下载并完成本地化
• 设计符合自身需要的标签体系，让AI能够理解文章
• 搭建索引系统，使知识能够检索、复用和迭代

信息囤积与知识资产之间，所差的只是一套系统。

进入AI时代后，一个人便能完成这套系统。

我是老谭。组织AI化推动者躬身入局，产业投资人只投AI产业。今天，你开始管理自己的知识资产了吗？

附：技术栈介绍

若想复刻这套系统，可以使用以下工具：

第一步：下载文章

• wechat-article-exporter：开源项目
• 技术栈：Nuxt 3 + Vue 3 + Nitro
• 并发下载和元数据提取由Claude Code增加：优化

第二步：进行标签化

• 工具：Claude Code (Opus 4.8)
• 生成YAML frontmatter ← 批量分析文章 ← 读取标签体系：方法
• 语言：Python 3.11 + PyYAML

第三步：生成索引

• 语言：Python 3.11
• 生成Markdown索引 ← 按维度分组 ← 解析YAML ← 遍历所有文章：逻辑

第四步：管理文件

• 结构：年份/分类/文章.md
• 索引：6个维度对应的Markdown文件
• 版本控制：Git（可选）

除Claude订阅外，整套系统成本为0元；所用工具全部开源，也支持私有部署。

完整的标签体系设计文档，我会分享给在公众号后台回复「知识管理」的人；如果你感兴趣，可以参与。

如果今天的内容让你有所收获，欢迎点赞、在看、收藏三连，下篇见

THANKS FOR READING

登录后查看剩余 70% 内容