前几天我对自己做了一个小实验：不看笔记，试着回忆过去几周整理的 6 条核心洞察。结果让我意外——我能想起每条洞察”大概在说什么”，但几乎说不出它们对我个人意味着什么、具体怎么用、我当时犯了什么错。
这才意识到一个问题：我很少回看 AI 整理的知识库。不是因为懒，而是因为我下意识觉得”讨论过的就等于学会了”。
这个错觉有个名字：流畅性错觉（Fluency Illusion）。
为什么和 LLM 讨论是完美的错觉制造机
和 LLM 对话时，它会实时适应你的理解水平——你卡在哪里，它就换一种方式解释；你理解了，它就推进到下一步。整个过程极其流畅，一切都感觉通了。
但问题在于：重建知识的认知重活是 LLM 做的，不是你。 它帮你搭好了脚手架、铺好了路，你顺着走过去确实理解了——但那是工作记忆里的理解，不是长期记忆。讨论一结束，脚手架撤掉，你站在原地，发现自己没有真正”修”出那条路。
回忆测试的结果
我对 6 条洞察做了当场回忆测试，发现了一个很清晰的保留模式：
| 保留了的 | 丢失了的 |
|---|---|
| 概念定义（“X 是什么”） | 个人意义（“X 对我意味着什么”） |
| 可执行方法（“X 具体怎么用”） | |
| 失败教训（“我当时犯了什么错”） |
讽刺的是：保留的部分（定义）恰好是随时可查的；丢失的部分（意义、方法、教训）才是需要内化的。换句话说，我记住了最不需要记住的东西，忘掉了最需要记住的东西。
Karpathy 的外脑模式 vs 我的内化需求
差不多同一时间，Karpathy 发了一条关于 LLM 知识库的推文。他的思路是外脑模式：wiki 是给 LLM 读的中间表示，价值来自”能问出好问题”，不需要人记住内容。
这个方案很优雅，但不适合我的场景。我的洞察库不是要建一个可查询的百科全书——它需要改变我的思维框架和决策直觉。“通胀是稀释”这个概念，如果只是存在文件里等我下次查，那它和维基百科没区别。它的价值在于：下次看到某个经济新闻时，我能不查笔记就自动用这个框架去理解。
两种模式需要完全不同的设计。直接照搬 Karpathy 的方法，会强化问题而非解决问题。
设计推导：从失败方案到连接门
我最初的想法是：既然问题是”不复习”，那就建一个挑战系统——定期测试、间隔重复、Anki 风格的卡片。
但对抗性分析后，这个方案被推翻了：
- “用更多 Claude 基础设施解决过度依赖 Claude 的问题”——方向就错了
- 挑战协议会变成”为 Claude 表演”，和 Anki 的不可协商 pass/fail 完全不同
- 我是探索型人格，对纯复习毫无动力。“自律去复习”的方案注定会失败
最终我想到了一个最小化的方案：连接门（Connection Gate）。
规则很简单：当新讨论触及旧洞察时，Claude 不主动说出关联，而是让我自己去连接。比如讨论到某个 Agent 设计问题时，如果和之前的”Harness 六层架构”相关，Claude 不会说”这和你之前的 insight 003 有关”——它会停下来，等我自己发现这个关联。
这个设计的精妙之处在于：
- 它嵌在新探索的自然流程中，不是独立的复习环节——所以不需要额外动力
- 它是减少 Claude 的角色，而不是增加——对抗过度依赖的方向是对的
- 它迫使我做那个最关键的认知动作：主动从记忆中检索并建立连接
信念更新
| 原信念 | 更新后 |
|---|---|
| ”和 AI 讨论过就理解了" | "讨论中的理解是工作记忆，不是长期记忆" |
| "知识库越丰富越好" | "知识库的价值不在存储，在于能否触发你自己的认知连接" |
| "解决学习问题需要更好的系统" | "好的机制是最小的行为改变，不是最大的系统建设” |
最后一条对我触动最大。我的第一反应总是”建一个系统来解决这个问题”，但这次的正确答案是：只改变一个行为。不需要新工具、新流程、新基础设施——只需要在一个特定时刻，让 Claude 闭嘴，让我自己想。