最开始接触笔记的时候，应该是看了一个基于 Logseq 的笔记使用的分享。

当时看到的场景大概是这样的：

• 日常记录，习惯性的对一些名词，使用[]符号，创建出一个空连接。
• 之后某一天，我在其他的地方学习到关于这个名词的内容的时候，他们会自然的产生关联
• 之后某一天，我想专题的去写一写关于这个名词的内容的时候，自然可以关联出我所有关于这个内容的笔记来
• 并且有一个看起来很酷炫的「图谱」

于是，很自然的，我被说服了，并开始把印象笔记和 Notion 里的大部分内容，迁移到 Logseq。

而最近一年多，我开始意识到这样的笔记管理和记录的构架，并不能很有效的组织我脑子里的东西，看起来酷炫的图谱，实际上也并没有帮助到我什么。

直到我了解到这：

Evergreen notes： https://notes.andymatuschak.org/About_these_notes?stackedNotes=z5E5QawiXCMbtNtupvxeoEX

Evergreen Notes 的核心仍然基于所谓的卡片笔记法，但是更明确的约定了一些最佳实践：

1. Evergreen notes should be atomic 笔记应该具有原子性

和大部分的笔记实践一样，一篇笔记只写一件事。值得一提的是，从学习过程的角度，笔记不应该是「摘抄」，你应该至少用你自己的语言，一句话来概括一篇笔记的内容——如果一句话做不到，大概率你需要再拆一次。

2. Evergreen notes should be concept-oriented 笔记应该基于概念/观念 （而不是名词）

这一条是对我的影响最大的，因为这才是符合知识在大脑里生长的规律的，也符合当我们产生记录的欲望的时候，脑子里大概率出现是基于名词的一些年头，而不是名词本身。

3. Evergreen notes should be densely linked 笔记之间应该自然的连接起来

减少手工维护笔记之间的关联，或者有能力自动的发现笔记之间的关联，是笔记工具最重要的能力之一了。

4. Prefer associative ontologies to hierarchical taxonomies 尽量用关联去替代层级管理你的笔记

我曾经在花了很多的脑力在如何物理上设计层级（因为 Obsidian 这样的工具需要你管理文件的层级，Notion 也有这个问题），这并不是人脑需要的。

5. Write notes for yourself by default, disregarding audience 为自己记笔记，不要考虑受众

这一点，对我个人其实没有啥影响。但很多笔记工具都有类似于直接 Publish 的功能（包括 Notion），于是也许会容易影响写的时候的考量，让人过多的考虑排班，内容，措辞等不必要的东西。

基于这些：我的实践是，笔记基于 Concept，而 Tag 基于名词去连接（类似于 Map of Content 的概念）

笔记大概是这样：

标签大概是这样：

写了这么多，主要是希望给 @Heptabase 提个需求：

希望提供让 ChatGPT 阅读 Note，然后自动分析出相关的名词并生成 Tag 的能力，实现自动化的笔记在 MoC 角度上的关联的能力。

用本地的 Stable diffusion 免费配图真方便啊。