让我们紧接着上一次未讨论完的内容继续。

1. 启示：RAG 无处不在

完成这个项目后，我不禁思考：等等，原来如此？这就是 RAG？

它看似简单得令人意外。

但从 “匹配关键词” 到 “理解意图” 的转变，正是 RAG 的强大之处。当我在自己的系统中看到它的运作后，不禁持续思索：如果我们用作 “第二大脑” 的许多工具（如 Obsidian、Notion、Cursor），其底层都在悄然使用类 RAG 概念呢？

这个认知将我带入了一段探索之旅，彻底改变了我看待所有 AI 工具的方式。

🧠 Obsidian：结构化的思维

Obsidian 可能是最接近原始形态 “第二大脑” 的工具。它是一个本地优先、基于 Markdown 的笔记应用，具备双向链接和知识图谱。开箱即用状态下没有 AI、没有嵌入向量，只有纯粹的结构。

但当我添加插件并连接到 LLM API（大语言模型接口）后，神奇的事情发生了：我能分析写作模式、总结内容，并基于上下文拓展观点。为进一步探索，我通过 Ollama 下载了几个本地 LLM 进行实验。尽管有些插件效果参差不齐，但 Copilot 插件格外突出，它能辅助总结、改写和内容拓展。

Obsidian 界面显示 Copilot 插件聊天框，本地 LLM 帮助检索选中的相关笔记

这个写作助手不再是简单堆砌关键词，而是基于语义浮现概念、推荐措辞并提供反馈。它并未以 RAG 自居，但行为模式却如出一辙。

⚙️ 自动化 + Notion + AI

如果说有一个概念每次使用都让我觉得革命性，那就是自动化。它无处不在，贯穿教程和工作流，却从未褪去影响力 —— 尤其是与 Notion 的结构化数据库架构结合时。

我曾用 n8n 构建系统：从 Gmail 提取 AI 相关邮件，发送至 API，并将原始内容与 AI 增强内容存储在 Notion 数据库中。一旦数据入库，查询就像语义搜索一样：

n8n 工作流截图，用于从 Gmail 检索 AI 相关邮件

我可以问：

“哪些 AI 项目涉及语音转录？”

或：

“有什么与游戏相关的内容？”

Notion AI 聊天框返回可靠答案

即使文本中没有完全匹配的词汇，结果依然相关。同样，这并非官方定义的 RAG，却完全遵循 RAG 逻辑。

💻 Cursor：我的无声第二大脑

有趣的是：如果今天要重建我的 RAG 网站并完全本地化运行，我只需打开 Cursor，指向写作文件夹，直接提问即可 —— 这正是我目前用它进行写作、编码、头脑风暴和编辑的方式。

关键在于其底层逻辑完全一致。Cursor 的工作原理是嵌入文件、运行相似度搜索，并将上下文输入语言模型，与我在项目中构建的 RAG 架构如出一辙。

有时我告诉别人如何用 Cursor 进行编辑或项目指导时，他们会用奇怪的眼神看我，但对我而言，这正是 “第二大脑” 应有的形态：

• 浮现相关洞见

• 理解任务目标

• 基于你的工作实时提供建议

换句话说，它是伪装成代码编辑器的 RAG。

🖼 超越文本：视觉 “RAG”？

在反思文本场景后，我开始思考图像：这让我回想起一个项目 —— 在一个充满未标记、随机命名图片的巨大文件夹中搜索。没有标签或文件名，但输入查询就能立即找到所需内容。

ImageFinder 应用截图，支持基于内容而非文件名搜索图片

其底层使用了：

• OpenAI 的 CLIP 模型，将图像和文本嵌入同一向量空间

• 余弦相似度，用于匹配文本提示与视觉内容

• 本地处理，无需外部数据库或 LLM

需要明确的是，这并非完整的 RAG，缺少上下文增强和生成步骤，但无疑属于类 RAG。即便不符合定义，它也源自相同的思维框架。

⚡ 你已在使用的实时 RAG

当看到 RAG 概念在文本和图像中都能奏效后，我开始注意到日常工具中的类似应用 —— 即使它们并未宣扬这一点：

• Unsplash：搜索 “cozy winter cabin”（舒适的冬日小屋），即使文件名不匹配也能精准返回结果。这不是关键词搜索，而是使用了类似 CLIP 的图文嵌入。

• NotebookLM：谷歌的 AI 笔记工具。上传文档后，它通过检索相关内容并生成回答 —— 这正是 RAG 的实际应用。

• Spotify 搜索也开始有 RAG 感：输入 “lo-fi beats for focus”（专注用低保真节拍），它不仅匹配流派，更在理解氛围、上下文和意图。

这些工具可能不会标榜自己是 RAG，但底层都在做同一件事：检索→理解→响应。

所以是的，RAG 是技术性的，但它早已成为你日常生活的一部分。

1. 策略性转变：选择适合你的正确第二大脑

当我意识到所有这些工具共享相同的底层逻辑时，终于明白为何自己一直在它们之间跳转 —— 我曾将它们视为“不同物种”，实则它们是“同一类动物的不同品种”。

不再对比功能列表后，我开始思考正确的问题：

• 这个工具最擅长检索什么类型的内容？ Cursor 擅长处理代码和项目文件，NotebookLM 适合文档与研究，Obsidian 则在互联笔记中创造奇迹。

• 它如何理解上下文？ 有些工具优先考虑近期交互，另一些侧重相似度权重，还有些会纳入你的行为模式。

• 哪种响应风格匹配我的思维？ 我需要对话式的来回交互、快速的上下文建议，还是结构化分析？

这些工具并非真正在竞争，而是针对不同思维类型做了优化。一旦理解它们的 RAG 基因，你就能将其与实际工作流匹配，而非追逐最新功能。

反切换框架

以下三步法最终让我停止不断切换工具：

步骤 1：绘制你的思维模式

在选择任何工具前，花一周时间记录你何时以及为何寻求 AI 帮助。注意：

• 写作时需要快速答案吗？（检索导向）

• 正在头脑风暴并连接想法吗？（探索导向）

• 处理结构化数据和文档吗？（组织导向）

大多数人在某一领域最强，先识别自己的类型。

不要猜测，切实记录一周：“周二下午 2 点：需要帮助向客户解释复杂概念（检索导向）” 或 “周四上午 10 点：卡在项目方向上，需要探索可能性（探索导向）。”

步骤 2：选择基础工具

根据你的主导模式，选择唯一主要工具：

• 检索导向：从 Cursor 或 NotebookLM 开始 —— 它们擅长从现有工作中查找和呈现相关上下文。

• 探索导向：带 AI 插件的 Obsidian 为连接想法和发现新洞见提供最佳思考场域。

• 组织导向：Notion AI 无缝处理结构化内容和工作流，尤其与自动化结合时。

关键在于：抵制优化的冲动。基础工具无需在所有方面完美，只需在你的主导思维模式上表现卓越。

步骤 3：构建 RAG 思维模式

现在你已理解这些工具的真正运作方式（它们都在执行 “检索→理解→响应”），可以更有意地使用它们：

• 向工具输入真实工作内容，而非随机提示。 上传文档、连接项目、导入笔记 —— 当工具理解你的特定上下文时，魔法才会发生。

• 提出基于历史上下文的问题。 不要每次都重新开始，参考之前的对话，在已有洞见上拓展，创建思维脉络。

• 让工具建议你可能忽略的连接。 利用它们的模式识别能力，呈现想法、项目或研究之间的关联。

• 将工具输出视为思考伙伴，而非最终答案。 最佳交互发生在你与工具协作时，而不仅是消费其输出。

深度原则

魔力不在工具本身，而在于创建随时间变得更智能的一致上下文。每一次对话、每一份添加的文档、每一个提出的问题，都在构建对工作和思维模式更丰富的理解。

这就是频繁切换工具适得其反的原因：每次切换都会丢失累积的上下文，本质上是在每个新工具中重新开始，从未让任何系统真正理解你的工作。

现在轮到你开始

今晚就选择基础工具。根据主导思维模式，选一个工具并承诺至少使用 30 天。

明天，花 10 分钟向它输入实际在做的内容：当前项目、笔记文件夹、或正在困扰你的文档。问一个关于工作的真实问题 —— 不是测试问题，而是你真正想探索的内容。

就是这样：无需复杂设置，无需完美系统。只有一个工具、一个上下文、一个问题。

最重要的不是使用哪个工具，而是问：

“我需要在什么方面获得帮助？”

“最舒适、无摩擦的实现方式是什么？”

当你承诺深度而非广度时，切换行为就会停止。这些工具并非在争夺你的注意力，而是来支持你的思考方式、创作方式和工作意愿。