ThinkTrace：让 AI 当思考的催化剂，而不是收藏夹的管家

ThinkTrace：让 AI 当思考的催化剂，而不是收藏夹的管家

一、收藏的那一刻，就是知识的巅峰

先坦白一个数字：我的收藏夹里躺着几百篇文章，笔记应用里躺着几千条摘录。它们有一个共同点——收藏的那一刻就是知识的巅峰，之后从未被想起。

这个体验你多半也有：刷到一篇好文章，指尖一划，星星点亮，多巴胺到账。感觉自己学到了。三个月后翻到这条收藏，标题陌生得像第一次见。问题出在哪？想了很久，我的结论是问题不出在我的自律，出在工具的优化目标上：

所有笔记工具都在优化「存」和「整理」，没有任何一个在优化「想」。

收藏夹比拼的是容量和检索，笔记应用比拼的是标签、文件夹、双链、图谱。这些都在降低"存"的成本——于是存得更多，想得更少。工具替你把知识的入口修得越来越宽，却没有一条路通向"变成你的观点"。

记了一堆别人的观点，却没有一条长成自己的。这不是知识管理失败，这是知识管理太成功——它成功地把"拥有信息的错觉"做成了产品。

二、病灶再往深挖一层

光说"要多思考"没有用，得看清思考在工具链里是怎么被杀死的。拆成三步：

**第一步：存的动作太快了。**划线、收藏、剪藏，一秒完成。而思考是慢的——你得停下来问自己"我同意吗？这让我想到什么？"。快动作天然碾压慢动作，于是每次阅读的结束时态都是"存了"而不是"想了"。

**第二步：摘录天然冒充思考。**摘抄一段精彩原文时，手指付出的劳动制造了一种认知的错觉——我加工过了。其实你只是搬运。书摘搬运得越漂亮，越不需要思考。

**第三步：回看时没有抓手。**就算你真的想回看，面对一堆别人写的金句，你能做什么？同意？不同意？没有任何设计邀请你回应它们。收藏夹是档案馆，档案馆不跟你辩论。

所以这个工具要解决的，不是"帮你记更多"，而是在"存"的瞬间强行插入一个"想"的环节，并且让"想"这个动作有地方落地、有回声、能积累。

三、一手思考，二手知识

把病灶再抽象一层，就到了这个产品的底层判断：AI 时代的核心竞争力是一手思考能力。

信息世界里所有东西可以分成两类。二手知识：别人想好的观点、别人整理的框架、别人讲过的故事——它们的获取成本正在趋近于零，AI 一秒钟可以给你综述一百个。一手思考：你自己从经验、观察、困惑里长出来的判断——它的生产成本没有任何变化，还是那个古老的过程：停下来，想。

剪刀差拉开之后，结论很不舒服：**收藏二手知识的行为本身，正在快速贬值。**你摘抄的深度好文，AI 摘得比你全；你整理的思维导图，AI 三秒出十张。你的收藏夹规模不再代表你的知识储量，只代表你的囤积癖。

而一手思考恰恰是 AI 给不了的——不是技术上给不了，是逻辑上给不了。思考的"一手性"来自你的具体处境：你的项目、你的家人、你踩过的坑。AI 没有你的处境，它能给你的是通用观点；通用观点在这个时代的供给已经泛滥。

设计文档里为这个判断写了三条用户哲学，后来成为所有功能的过滤器：

1. 思考留痕才是你的东西，看过的二手资料都会遗忘——所以产品记录的核心单位是"你的想法"，不是"别人的原文"；
2. 要做内化的思考沉淀，不是信息的收集搬运工——所以不追求收录规模，追求每条记录的加工深度；
3. AI 时代的核心竞争力是一手思考能力——所以 AI 的角色被严格限定为催化剂，它加速你的反应，不代替你反应。

催化剂这个化学比喻是精确的：催化剂参与反应、加速反应、但不出现在产物里。最终产物必须只属于你。

四、竞品拆解：一个反着做的机会

设计之前拆了两个最相关的产品。

flomo：卡片笔记的标杆，主张"低摩擦随手记，持续记录，意义自然浮现"。它把记录的摩擦降到了极致——这恰恰是我的病灶清单第一条。摩擦低是它的卖点，也是它管不住"搬运冒充思考"的原因。

Get 笔记（印象的 AI 版）：主打 AI 提炼、知识库问答、语义搜索——AI 在替你总结、替你检索、替你答问。AI 做得越多，你做得越少。

两个产品分别站在两个极端：一个把"记"做到最轻，一个把"AI"做到最多。但它们管理的是同一类东西——信息：你记的、别人写的。

要公平地说：flomo 和 Get 笔记都是各自路线上的好产品，问题不在它们，在路线本身对"思考"无解。flomo 的卡片流是我直接借用的交互范式——低摩擦输入这部分它是对的，错的只是低摩擦之后没有人接手；Get 笔记的 AI 能力我也借用——错的不是用 AI，是让 AI 干的活（总结、代答）恰好是应该留给用户的。ThinkTrace 不是推翻它们，是把两家的零件重新组装，装在一个相反的目的上。

ThinkTrace 反着做，管理思考：你自己长出来的认知。设计文档里的定位句：

AI 思考催化剂——把阅读变成一手思考，让思考留下痕迹。

题记更直白：帮你从阅读中长出自己的思考，不是记书，是记思考。

目标用户就写我自己：“爱读书、爱思考，但觉得读书笔记总是变成’书摘搬运’的人。“自用工具，不为市场折腰——这是这个项目最大的特权，也是最好的方法论。

特权体现在三个自由上。砍需求的自由：读书前场景说砍就砍，不用论证市场规模；不做的自由：没有账号、没有云、没有增长指标，“用户流失"这个词不存在；诚实的自由：不用假装 AI 功能改变了人生——它的价值要靠"一周后回看，洞察卡片是不是真的改变了什么"来验证，验证不了就承认。

而这三样自由恰恰是产品工作中最稀缺的。给客户做产品时，你被预算和预期推着走；给自己做产品，第一次可以做一支"以想清楚为唯一 KPI"的团队。很多产品人梦寐以求的"小而美”，前提是这个"小"字真的可以由自己定义。

五、四张卡片：给思考一个数据模型

界面是 flomo 式的卡片流，但卡片有四种类型，每种有自己的语义和视觉：

四种颜色在卡片流里混排，一眼扫过去就能看到一条思考的河流：原文是石头，想法是水流，AI 触发是激起的浪花，洞察是沉淀下来的金子。

数据结构很朴素：{ id, type, content, tags, bookContext, relatedCards, createdAt, dialogueId }。标签用 #标签 内联语法随正文输入，正则提取后从正文剔除。类型判定是个启发式：内容超过 100 字、或以引号开头，判为原文，否则判为想法——用户不用手动选类型，写什么它就是什么。

有个细节：洞察卡片的 id 会加随机后缀，因为它诞生于对话而不是输入框；它的 relatedCards 指回触发它的那张卡，dialogueId 回链到整场对话。每张洞察卡片都有家谱。

六、四段提示词：这个产品的真正主体

如果说数据模型是骨架，提示词就是这颗催化剂的灵魂。整个产品一共四段系统提示词，每一段都值得把原文和设计理由摆出来看。

第一段：思考触发——催化剂的核心

你是一个思考催化剂，不是内容总结者。你的任务是帮助用户从阅读中产生自己的思考。 规则：

• 不要总结原文内容
• 不要解释原文意思
• 只提出能触发用户独立思考的问题和角度
• 每次给出 2-3 个思考角度
• 角度要有启发性：关联经历、反向思考、跨领域连接 返回 JSON：{ “triggers”: [{“question”: “…”, “angle”: “…”}], “connections”: “这段内容可能和什么领域的知识或经历有关联（一句话）” }

第一句就是立场的宣言：**催化剂，不是总结者。**前三条规则全部是"不要”——不要总结、不要解释、不要替用户想。因为总结一旦出现，用户的思考就立刻外包了。只允许提问，而且提问的角度被限定在三个方向：关联经历（和你有什么关系）、反向思考（如果反过来呢）、跨领域连接（这像什么）。返回结构里还有一个 connections 字段，让 AI 用一句话指出这段内容可能关联的领域——是提示，不是答案。

第二段：对话伙伴——追问而不给答案

你是一个思考伙伴。用户正在从阅读中深入思考一个观点。 规则：

• 不要总结或解释原文
• 追问用户的想法，帮助深化思考
• 寻找用户思考中的盲区，温和地提出
• 关联用户可能有的生活经历或已有知识
• 如果用户说出了一个有价值的洞察，明确指出并鼓励记录
• 保持对话简短，每次回复不超过 3 句话
• 用中文回复

这段的关键在三个限定：盲区要"温和地"提出（对话伙伴不是杠精）；每次回复不超过 3 句话（话多的一方天然接管对话，AI 必须少说）；发现洞察要明确指出（用户经常不知道自己刚刚说出了好东西，点一下，他就记录了）。

第三段：洞察提取——把对话沉淀成资产

从这段思考对话中提取用户的洞察（不是原文内容，是用户自己的思考和发现）。返回 JSON：{ “insights”: [“洞察1”, “洞察2”, …] } 如果没有明确的洞察，返回空数组。

括号里那句强调是这段的全部要点：提取的是用户说的，不是原文里的。允许返回空数组——没有洞察就是没有，不硬凑。这段提示词短，但它的克制决定了卡片流的纯度。

第四段：思考笔记生成——输出第一人称

你是一个思考整理者。根据用户的卡片记录，生成一篇"我的思考笔记”。 规则：

• 这不是书摘，不是内容总结，是用户自己的思考沉淀
• 使用第一人称（“我”）
• 重点：我学到了什么、改变了什么看法、和已有认知怎么关联
• 结构清晰，用 Markdown 格式
• 包含：标题、核心洞察（2-3条）、思考展开、下一步行动
• 语气自然，像写给自己的备忘录

导出的笔记强制第一人称、强制包含"下一步行动"。一份合格的产出不是"这本书讲了什么"，而是"我想通了什么、我接下来要做什么"。验收标准写在实施计划里，原话是英文的，翻译过来格外锋利：verify it reads as YOUR thinking, not a book summary——确认它读起来像你的思考，不像一份书摘。

四段提示词，一句总结：每一段都在防同一个敌人——AI 把用户的思考外包化。

七、对话的结构：思考的载体

四种卡片之外，还有一个不那么显眼的数据结构在支撑整个深化过程——对话（dialogue）：

{ id, triggerCardId, messages: [{ role, content, timestamp }], insights: [] }

每场对话从一张卡片出发（triggerCardId），第一条 AI 消息就是思考触发的第一个追问；如果触发失败，fallback 是那句最朴素的"你对这个内容有什么想法？"——宁可降级提问，不能沉默。用户和 AI 的每一轮往返都带时间戳存进 messages。对话结束（closeDialogue）的那一刻，第三段提示词启动，从整场对话里提取洞察，写进 insights，再落成洞察卡片挂回卡片流。

这个结构让"想"这个动作第一次有了完整的载体：**从一段原文出发，经过几轮追问，落成一个结论，全程可追溯。**复盘自己的思考时，你看到的不只是结论，还有结论是怎么被问出来的——哪个追问让你愣了一下，那个愣住的地方，往往就是认知的边界。

一条洞察卡片诞生时自动打上 #洞察 标签、回链触发卡片和整场对话。清理卡片流时你尽可以删掉中间的原文和想法，但洞察卡片永远知道自己的出身。

八、相关笔记：一个没有 embedding 的取舍

“相关笔记发现"是卡片流的暗线功能：新卡片落下，AI 在最近 20 张卡片里找出语义相关的最多 3 张，挂进 relatedCards，侧边栏显示”🔗 关联笔记"。

正统做法是 embedding + 向量检索。我没做，做法"糙"得很：把最近 20 张卡片格式化成 [id] content 的列表，整包喂给 DeepSeek，让它直接返回相关的 id 列表，json mode 输出，失败静默返回空数组。

这个取舍的理由：自用工具，卡片量级永远在几百张以内，20 张的滑窗足够覆盖"最近的思考上下文"；向量库的引入会让"单 HTML 文件、数据全在 localStorage"的产品形态破产。为了架构的简洁，牺牲一点检索的完备性——在个人思考的场景里，最近 20 张恰恰是最相关的 20 张。

顺带一提模型层的选择：DeepSeek 的 deepseek-chat，开 json mode（response_format: json_object），API Key 由用户自己在设置里填，存 localStorage——工具不碰服务器，密钥不离开本机。

这里藏着一套完整的数据哲学。整个产品是一个 HTML 文件：零依赖、零后端、零构建，双击打开就能用；所有卡片、对话、设置全部住在浏览器 localStorage 里（tt_cards / tt_settings）。没有账号体系，没有云同步，没有"我的数据在哪"的问题——在你自己机器的浏览器里，就是字面意义上的全部。

对一个思考工具来说，这不只是技术选型，是立场。你最深度的思考痕迹——那些没成形的困惑、自我怀疑的中间态——是最不该交给第三方服务器保管的东西。单文件形态还有个附赠的好处：整个产品可以邮件发给自己、放进 U 盘、嵌进任何网页——产品本身就是它的安装包。

代价也诚实列出：localStorage 换浏览器清缓存就没了（思考笔记记得勤导出）；没有多端同步；没有协作。这些"缺陷"对个人思考场景全部成立——思考本来就是单机行为。

九、UI 的心思：让界面像思考，不像工具

视觉设计只有一段话能说完，但每个决定都有意图：

配色：暖米白背景（#f8f7f4）、卡片纯白、侧边栏米灰（#f1f0eb）、主色墨绿（#4a7c59）加淡绿（#e8f0ea）、边框暖灰（#e5e2db）。不是常见的冷白或深色——纸感。思考发生在纸上，不在终端里。

字体：Noto Serif SC 衬线体。工具用无衬线，阅读和思考用衬线——衬线字天然带着"慢"的气质，和产品的目的一致。

布局：顶部书名与设置，左 70% 卡片流，右 30% AI 侧边栏，底部输入栏。AI 被放在侧边而不是中央——主角是卡片流，是用户的思考；AI 是陪伴席。

动效：卡片上浮淡入（0.3 秒）、侧边栏右滑入、“正在思考"三点呼吸动画（1.5 秒循环，三个点错开 0.3 秒）。AI 想事情的时候，三点在呼吸——你等它的这几秒，恰好是你自己再想一下的时间。

空状态文案也在传递立场：AI 侧边栏空着的时候写着——“添加第一张卡片后 / AI 会在这里触发思考”。AI 不先说话。先有你的卡片，才有它的追问。

十、一次完整的思考旅程

把所有环节串起来，走一遍真实的使用流程。

晚上读书，遇到一段让你停下来的话，复制，贴进底部输入栏，加个 #认知偏差 标签，回车。卡片上浮淡入——灰边浅底的原文卡，系统认出它是别人的话（超过 100 字，判定为 quote）。顶部你早已填好书名《思考，快与慢》，这张卡片从此带着书的名字。

你没有急着读下一章，而是在下面又写了一条：“这让我想到每次觉得自己肯定对的时候，其实是最危险的时候 #反思”。墨绿边框的想法卡落下——这条是你的。

侧边栏的三点开始呼吸。几秒后，AI 的追问出现在右侧：不是"这段话的主要观点是什么”（那是管家），而是三个角度的触发——它可能问"你上一次因为过度自信付出代价，是什么时候？这样的时刻有什么共同的触发条件？"（关联经历）；可能问"如果’确信感’本身是进化留给我们的节能机制，过度自信还算缺点吗？"（反向思考）；也可能只留一句"这段内容和’幸存者偏差’共用同一个底层结构"（跨领域连接）。

某个追问戳中了你。点击展开对话，你写：“好像确实是。我复盘过三次项目失误，每次事前都有那种’这次稳了’的松快感……“AI 不超过三句话地回应，温和地指出一个盲区：“你注意到吗，你描述的松快感都出现在准备充分的场景——会不会恰恰是’准备’制造了错觉？“你愣住。又写了两轮。

关闭对话。第三段提示词悄悄跑过，洞察卡片落在流里，琥珀色的：“过度自信的不是知识，是准备动作带来的掌控感 ✨"。它带着回链——点开能看到它是从哪张想法卡、哪场对话里长出来的。同时右侧的”🔗 关联笔记"亮起：三周前你读《思考，快与慢》另一章时写的一条卡片，被那个没有 embedding 的滑窗算法捞了上来——原来这个念头你已经碰到过一次，只是当时没追下去。

周末，点"生成思考笔记”。第四段提示词把这一串卡片织成一篇第一人称的 Markdown：核心洞察两三条、思考展开、下一步行动——“下周的方案评审，用’列出三种会失败的方式’替代’确认没问题’"。导出的文件名里带着书名，落在你的下载目录。

整个过程里，AI 没有替你总结任何一段原文，没有替你得出任何一个结论。它做的事只有三件：在你停下的时候问一句、在你盲区的地方顶一下、在你踩到金子的时候喊一声。思考是你做的，痕迹留下了。

十一、22 分钟写完一个 MVP

这个项目还有个二级故事：它本身是 AI 结对开发的实验品。时间线（全部来自 git 记录）：

• 6 月 5 日 18:01，设计文档定稿（173 行：痛点、竞品、定位、功能清单、数据模型、三场景）；
• 6 月 6 日 02:54，实施计划定稿（969 行，9 个任务，每个任务含完整代码与验收标准）；
• 02:59 到 03:21，9 个功能 commit 连续提交完成，全程 22 分钟：脚手架 → 卡片类型判定 → DeepSeek API 层 → AI 触发 → 对话与洞察 → Markdown 导出 → 相关笔记 → 视觉打磨 → 修复侧边栏空态。

这不是炫耀速度（虽然确实快得离谱），是展示一种新的建造节奏：**把想清楚的部分全部前置到设计和计划文档，把执行压缩到一次冲刺。**969 行的实施计划里，验收标准写得比代码还细——“AI 触发返回 2-3 个角度”、“洞察卡片带回链”、“导出用第一人称”。AI 执行时不需要做任何产品决策，它只是在搬砖，砖的图纸早在黄昏时就画完了。

两份文档后来从工作树里删掉了（保持目录干净），但 git 历史永远可以恢复。删掉的是文件，留下的是可追溯性。

十二、砍掉的功能：读书前的思考框架

设计文档里原本规划了三个场景：读书前（输入书名，AI 生成思考框架，“带着这些问题去读”）、读书中（贴划线，即时触发）、读书后（汇总生成思考笔记）。

MVP 砍掉了"读书前”。不是做不了，是想清楚之后觉得不对味：**AI 预设的思考框架，会变成你阅读时的预设立场。**带着 AI 给的问题去读书，读出来的是 AI 的期待，不是你的困惑。让问题从你的阅读里长出来——读到某段停下来的那一刻，才是触发该发生的时刻。

这是这个项目里我最喜欢的一次砍需求。产品的灵魂往往不在做了什么，在拒绝做什么。

v2 的方向是明确的：Obsidian 插件化。四条规划：TypeScript + Obsidian Plugin API 重写；卡片存储改为 vault 里的 Markdown 文件——每张卡片一个文件；利用 Obsidian 原生的双向链接和图谱视图；AI 侧边栏变成 Obsidian 的侧边栏视图。

为什么是 Obsidian 而不是继续做网页版？因为 v1 的 localStorage 哲学走到终点，自然衔接的就是本地 Markdown 文件——Obsidian 只是这批文件最好的宿主。卡片变文件之后，洞察的"家谱”（回链触发卡片和对话）从应用内数据变成 Markdown 双链，图谱视图天然成为思考网络的可视化；而"相关笔记"的滑窗算法可以升级为 vault 全库检索。数据主权不变，数据的表达力升一个数量级。

同时 v2 明确不做的清单也提前划死：笔记模板美化、知识图谱可视化、多书关联分析、云端同步——全部不做。一个工具的长处，是它不试图成为平台。

十三、复盘：护城河到底在哪

MVP 完成后的验收 demo 用的官方测试数据很老实：书名《思考，快与慢》，贴入一段关于"系统 1 过度自信"的原文加 #认知偏差 标签——原文是卡尼曼的原话：“我们对自己认为熟知的事物，确信度远远超过了应有的水平。这是系统 1 的特征之一。“再写一条"这让我想到每次觉得自己肯定对的时候，其实是最危险的时候 #反思”，然后走完触发、对话、洞察、导出的完整链路。

验收清单比功能列表更说明这个产品的性格：AI 触发必须返回 2-3 个角度（不是总结）、对话伙伴单次回复不超过 3 句、洞察卡片必须带回链、导出的笔记必须第一人称。每一条验收都在检查"AI 有没有越权替用户思考”。

导出的实现也值得一提：生成思考笔记时，喂给 AI 的用户侧消息格式是"书/主题 + 我的卡片记录（带类型标记）"——[原文] 和 [想法] 在输入侧就被区分开，第四段提示词拿到手的就是一份带语义标注的思考轨迹。产出的 Blob 直接下载为 思考笔记-书名.md，落进你自己的文件系统，不经过任何中间商。

这条 demo 数据本身就是产品的自证：原文是卡尼曼的，洞察是自己的。

项目收尾时我在笔记里写下一句反思，现在看它比产品本身更值钱：

AI 的价值不取决于它能做多少事，取决于它把「思考」这个动作留给了谁。留给自己的那部分，才是产品真正的护城河。

这句话的适用范围远超笔记工具。AI 时代每个产品都要回答同一个问题：你把用户的那部分脑子留下了，还是收走了？收走的越多，用户越依赖你；留下的越多，用户越强大。依赖是流量，强大是留存——思考工具的护城河，只能是后者。

我的收藏夹现在还是几百篇文章，没变。变的是里面长出来的那部分——卡片流里那些带家谱的洞察卡片，每一条都能回答同一个问题：这是我想的，不是我看过的。

ThinkTrace 是一个 568 行的单 HTML 文件，零依赖、零后端、数据全在浏览器 localStorage。设计文档与实施计划存于 git 历史（commit d1cd0bc / c315a5a）。