你关注了多少个公众号？
我关注了11个固收类的号……两年下来，每个号少说几百篇文章，加起来2833篇。
每篇都想"回头细看"。
回头了吗？没有。看了不到50篇。
收藏不等于掌握
这不是懒，是机制问题。
公众号文章存在微信里，没有分类、没有标签、没有搜索。你唯一能找到它的方式，是记得"那篇文章大概是上个月某天看过的"。
2833篇堆在一起，跟没有是一样的。
我需要的不是"收藏"，是能检索的知识库。
四步，把收藏变成知识库
我搭了一套系统，把2833篇公众号文章变成了可检索的个人知识库。四个步骤：
第一步：批量下载
用工具把关注的11个公众号的历史文章全部抓取下来，存成Markdown格式。每篇文章保留标题、作者、发布时间、正文。
11个号，2833篇，跑了一个晚上。
第二步：AI自动分类
2833篇文章，人工分类不现实。让AI来。
每篇文章，AI读标题和前500字，输出一个分类标签。一共11个标签：
宏观数据、利率策略、银行研究、流动性跟踪、信用分析、高频跟踪、汇率外贸、理财行业、定期报告、深度研究、其他
分类准确率大概八成左右。剩下的两成，手动调一下就行。总比2833篇全手动强太多了。
第三步：写入知识库
每篇文章自动加上一段元数据——标题、日期、来源公众号、分类、标签——然后按"公众号/分类"的目录结构存进Obsidian。
目录长这样：
sources/├── 固收彬法/│ ├── 利率策略/│ ├── 信用分析/│ └── …├── 一瑜中的/│ ├── 宏观数据/│ └── …└── …第四步：同步到云端
Obsidian是本地的，但有时候需要在手机上查。所以再同步一份到云端知识库，随时能搜。
从"找不到"到"3秒找到"
系统搭好之后，最大的变化是什么？
不是"我终于把2833篇都看了"——那不可能，也没必要。
变化是：需要的时候，能立刻找到。
比如开会前，领导问"化债这块最近有什么研报？"以前我要翻微信聊天记录、翻收藏夹、翻公众号历史消息，至少20分钟。
现在：打开Obsidian，搜"化债"，3秒出结果。按时间排序，最新的排前面，点进去就是全文。
再比如写报告需要引用某个数据，记得某篇研报里提过。搜关键词，秒出。
这才是知识库的价值——不是让你看完所有文章，是让你在需要的时候找到那一篇。
11个分类标签怎么定的？
分类体系不是拍脑袋想的。
先让AI读了100篇研报的标题，输出它认为的分类。然后我根据实际使用习惯调整——有些分类AI觉得该分在一起，但从业务角度应该拆开（比如"宏观数据"和"利率策略"，AI经常搞混）。
最终定了11个，覆盖固收研究的主要方向。不完美，但够用。
分类这件事，不需要100%准确，需要的是"大致能用"。 80%的准确率+手动修正，比追求100%但永远搭不起来强。
知识管理的核心不是存，是用
2833篇研报躺在收藏夹里，跟不存在一样。
2833篇研报分类归档、随时可查，才是真正的知识资产。
区别不在于你收藏了多少，而在于你需要的时候能不能找到。
AI在这套系统里的角色，不是"替你读文章"，而是"替你整理书架"。书架整理好了，你才会去翻。
工具清单：文章下载用公众号抓取工具，分类用LLM，归档用Obsidian，云端同步用腾讯IMA。全部免费或开源。
