从批量下载到标签体系，老谭拆解用AI管理1400+篇文章库的完整流程，分享内容创作者可借鉴的知识工程实践。
核心内容：
1. 文章库管理的背景及差异化需求
2. 工具如何支持本地化批量下载及其优化
3. 7维标签体系的设计逻辑

KNOWLEDGE MANAGEMENT2026-07-25

知识工程· AI如何帮我打理1400+篇文章库

一个人的知识工程：从下载走向标签化

DOODLE

一套系统，让信息囤积转化为知识资产

AI工作流与知识管理

大家好，我是老谭。

我这1400多篇公众号文章是怎么交给AI管理的，今天就聊聊这个很实在的话题。

这是真实案例，不是空泛的方法论。我会拆开呈现文章下载、标签体系设计以及索引系统搭建的全过程。

如果你从事内容创作，云端也积压着几百上千篇不知如何利用的文章，或许能从本文获得一些启发。

---

01

PART

为什么要做这件事？

FROM HOARDING TO ASSET

1400多篇文章，是我日更公众号三年留下的成果。

过去我和多数人一样，文章发布后便不再处理；偶尔需要素材，只能凭记忆翻找许久，找不到就直接放弃。

去年12月，我作出一个决定：公众号转向AI方向后，「老生常谭」也换成了「AI Rollup」这个名称。

同时创办「老谭备忘录」，延续原先的泛话题风格。

要让两个号形成差异化，必须先弄清楚：

• 面向AI Rollup筛选素材：核心概念包括AI-Rollup、组织AI化、RaaS等
• 面向老谭备忘录筛选内容：创业心法、认知成长、投资思考

02

PART

第一步：批量下载，实现100%本地化

EXPORT EVERYTHING

管理文章的第一步，是把内容从微信后台搬到本地。

我找到一个开源项目：wechat-article-exporter（微信公众号文章批量下载工具）。

该项目的思路很巧妙：借助公众号后台的搜索其他公众号文章功能，反向抓取自己公众号的全部文章。

它可导出多种格式：

• HTML：100%还原排版和样式
• Markdown：便于后续编辑与索引
• JSON：提供结构化数据，方便程序处理
• Excel/Word：传统格式

后续标签化处理需要便利，文章结构也要保留下来，因此我选用了Markdown格式。

下载速度慢、元数据不能批量处理，是原版工具存在的两个问题。

因此，我用Claude Code对项目进行了优化：

• 并发由p-queue管理，工具因此具备了并发下载能力
• 基于Cheerio和Turndown，重新调整从HTML转换至Markdown的逻辑
• 标题、日期、URL等元数据现在能够自动提取
• 使用IndexedDB在本地缓存，防止重复下载

不到2小时，本地就完成了全部1400+篇文章的下载。

这一步至关重要：只有数据掌握在自己手中，才能继续进行深度加工。

03

PART

第二步：让AI读懂文章，先把标签体系设计出来

7-DIMENSIONAL TAGGING

文章虽然下载完成，得到的却仍是一批零散文本文件。

真正的知识管理，需要结构化。

一套「7维标签体系」的设计，花掉了我一天时间：

维度1：主题域（内容讲什么）

每篇文章可标注1-3个标签，例如：

• 大模型、AGI、AI能力边界 — AI基础认知
• AI-Agent智能体 — Agent、智能体、AI员工
• 组织AI化 — AI重构组织形态
• 流量方法论 — 流量背后的底层逻辑
• 创业心法 — 创业、创始人、方向选择
• 认知思维 — 认知、思维方式、心智模型

维度2：招牌概念（我的话语指纹）

这些术语由我自创，或与我形成强绑定：

• 核心投资/创业框架 — AI-Rollup
• 组织AI化 — AI改造存量组织
• 结果即服务RaaS — 商业模式主张
• 首席流量官 — 个人标签
• 十年战略 — 长期主义
• 共创 — 投资+赋能关系

维度3：体裁（采用什么形式）

• 观点评论 — 针对某件事表达判断
• 方法论干货 — 包含步骤、指南，可以复用
• 案例拆解 — 围绕具体公司/产品展开分析
• 个人随笔 — 记录心境、节奏的短文
• 深度长文 — 结构完整的重点文章

维度4：立场（论点倾向）

• 看多/乐观 — 对某项趋势作出积极判断
• 看空/警示 — 泼冷水、拆穿、揭遮羞布
• 行动号召 — 呼吁读者/企业立即行动
• 反思自省 — 修正自己过去的判断

维度5：可复用分（素材质量分档）

• 含招牌概念 + 观点长青 + 有深度论证 — 高
• 中 — 具备一定价值，但不够突出
• 低 — 纯日常随笔、过期热点、篇幅极短

维度6：实体（涉及哪些对象）

动态词表由系统自动抽取：

• DeepSeek、OpenClaw、Claude、微信、视频号...归入公司/产品
• 巴菲特、芒格、Sam Altman、马斯克...归入人物

维度7：写作用途（可以用来做什么）

• 观点素材 — 可作为论点/金句的来源
• 案例素材 — 可作为论据/例子使用
• 新文章可参照的清晰结构 — 框架模板
• 概念定义源 — 对招牌概念的权威阐述

为什么选择7维，而不采用传统文件夹分类？

一篇文章可能同时涉及AI应用、组织转型与投资逻辑，单一分类无法容纳；多维标签则能组合查询，例如：

可复用分=高 ∩ 体裁=方法论 ∩ 主题=组织AI化

关于组织AI化的方法论文章，由此能够被精准检索出来，而且具备可复用性。

我的知识图谱中，承担元数据层作用的正是这套标签体系。

---

04

PART

第三步：使用Claude批量标注标签

AI-POWERED TAGGING

标签体系已经设计完成，但面对1400多篇文章，不可能再逐篇手工标注。

这时，Claude便能发挥作用。

自动打标签这套流程，是我通过Claude Code写出来的：

步骤1：读取标签体系

为了让Claude明白每个标签，我把样本案例以及7维标签的判定标准和定义全部提供给它。

步骤2：批量分析文章

所有Markdown文件先由Python脚本完成遍历，Claude随后逐篇分析：

• 读取文章内容
• 按照标签体系生成7维标签
• 生成YAML格式的frontmatter

步骤3：写入元数据

以YAML frontmatter格式，将标签写入每篇文章开头：

---

title: 做减法，是最高级的护城河：AI时代的生存法则

date: 2026-02-18

url: https://mp.weixin.qq.com/s/xxx

主题域: [认知与个人成长]

招牌概念: [AI-Rollup]

体裁: 方法论干货

实体: [巴菲特]

立场: 行动号召

写作用途: [观点素材, 框架模板]

可复用分: 高

---

步骤4：人工校验

标签由Claude打完，我先抽查其中一部分；一旦发现问题，就修改标签体系的判定标准并再跑一遍。

关键在于，我并非只让AI执行标注，而是在与AI共同训练这套标签体系。

例如，有些文章被标为AI基础认知，实际却只是在AI时代背景下讨论其他话题。为此，我进一步明确标准：

AI基础认知应该是围绕AI能力边界、大模型与AGI进行判断和科普，而非在AI时代背景下讨论其他话题。

经过几轮反复迭代，标签准确度便得到提升。

读取、打标签、写入元数据和更新索引都由系统自动完成；今天（7月25日）我用这套流程处理19篇新文章，总耗时不到10分钟。

过去需要一支团队完成的工作，如今一个人借助AI即可完成。

---

05

PART

第四步：搭建6维索引系统

6-DIMENSIONAL INDEX

完成标签标注后，还有一个问题：怎样快速检索？

我既不想每次进入文件夹逐个翻找，也不愿依赖全文搜索碰运气。

我的目标是按任意维度组合查询，并立即定位目标文章。

于是，我创建了6个索引文件：

索引1：按照年度

索引_by_年度.md

• 2026年（47篇）
• 2025年（xxx篇）
• 2024年（xxx篇）
• ...

索引2：按照体裁

索引_by_体裁.md

• 观点评论（xxx篇）
• 方法论干货（xxx篇）
• 案例拆解（xxx篇）
• 个人随笔（xxx篇）
• 深度长文（xxx篇）

索引3：按照立场

索引_by_立场.md

• 看多/乐观（xxx篇）
• 看空/警示（xxx篇）
• 行动号召（xxx篇）
• 反思自省（xxx篇）

索引4：按照可复用分

索引_by_可复用分.md

• 高（xxx篇）— 写作系统优先调用
• 中（xxx篇）— 根据需要调用
• 低（xxx篇）— 只保留检索功能

索引5：按照主题域

索引_by_主题域.md

• AI-Agent智能体（xxx篇）
• AI基础认知（xxx篇）
• 组织AI化（xxx篇）
• 流量方法论（xxx篇）
• 创业心法（xxx篇）
• 投资逻辑（xxx篇）
• 认知思维（xxx篇）
• ...

索引6：按照招牌概念

索引_by_招牌概念.md

• AI-Rollup（42篇）
• 组织AI化（24篇）
• 结果即服务RaaS（22篇）
• 共创（14篇）
• 首席流量官（4篇）
• 十年战略（5篇）
• ...

各索引均为Markdown文件，采用统一格式，并按时间倒序排列：

## AI-Rollup (42)

日期 标题

|---|---|

从四次失败到确定性：我的创业成长史 2026/创业与商业/xxx.md 2026-07-24

十年投资路：从财务投资人到AI产业投资人 2026/投资与资本/xxx.md 2026-07-23

| ...

知识库可以从任意角度切入，因为这6个索引文件提供了6个不同视角的目录。

例如：

• 打开索引_by_招牌概念.md，回看过去42篇的写法 → 用于构思AI-Rollup相关文章
• 筛选高+方法论干货，要在索引_by_可复用分.md中完成 → 用于寻找高质量的方法论素材
• 沿时间线回顾时，打开索引_by_年度.md → 用于了解自己在某个时期的思考

Python脚本会在文章新增或标签修改后重新生成索引，因此这些索引文件可以自动更新。

---

06

PART

实战成果：让信息坟场变成知识金矿

WHAT CHANGED

这1400多篇文章全部整理结束后，我的感受非常真切：信息囤积与知识资产之间，只隔着一套系统。

改变1：写作效率提高10倍

过去写文章时，若要引用以前的观点，我只能凭记忆搜索，实在找不到便放弃。

现在打开索引，按主题域+招牌概念进行筛选，就能立即找到全部相关文章。

还可以优先查看高可复用分内容，调用经过深度论证的观点，从而避免重复造轮子。

写作不再从零开始，而是转向素材组装。

改变2：双号定位更加清楚

借助标签体系，我可以迅速判断：

• 面向AI Rollup判断文章适配度：核心概念包括AI-Rollup、组织AI化、RaaS等
• 面向老谭备忘录判断内容适配度：个人随笔、创业心法、认知成长

内容策略由拍脑袋转变为数据驱动。

改变3：知识复利逐渐显现

过去的文章发布之后，很快便会沉底。

如今，它们都成为可调用的模块；无论观点、案例还是框架，都能在新文章中复用、改写和升级。

我的知识复利来自这1400多篇文章，它们绝非历史包袱。

改变4：构成AI写作系统的基础设施

未来直接接入AI写作系统的，是这套已经完成标签化与索引化的内容库：

• 由AI按照主题自动调用相关素材
• 由AI学习体裁、立场、招牌概念，掌握我的写作风格
• 让AI生成文章初稿，我只负责润色

从人工写作迈向AI辅助写作，所需基础设施已经准备就绪。

---

07

PART

几项关键认知

KEY INSIGHTS

认知1：知识管理的本质在于减法

如果平等对待全部1400多篇文章，就等于根本没有进行管理。

真正的知识管理，是为每篇文章标记高、中、低三个等级的可复用分。

只有包含招牌概念、深度论证且观点长青的高质量文章才是核心资产，其余内容只是历史记录。

认知2：标签体系比AI工具更关键

许多人过度相信AI工具，认为只要有ChatGPT便能自动完成知识管理。

这是错的。

AI负责执行，标签体系才是真正的元规则。

只有先定义什么是好文章、什么是招牌概念以及什么叫可复用，AI才能依照规则进行分类和检索。

标签体系构成知识资产的操作系统，即使工具终会过时。

认知3：一个人+AI，能力超过一个小团队

如果在两年前搭建这套系统，至少需要：

• 1个产品经理负责设计标签体系
• 2个工程师负责爬虫和索引脚本
• 3个编辑逐篇完成标签标注

成本至少需要几十万。

而现在，我独自借助Claude Code，用1天便完成了。

这正是AI时代的生产力革命：它并非替代人，而是赋予一个人团队级的能力。

认知4：只有躬身入局，才能真正理解AI

关于AI Rollup、组织AI化和RaaS，我可以写100篇文章。

但如果我自己不用AI管理知识、不用AI优化工具、不用AI写代码，那些都是纸上谈兵。

真正理解AI的威力与边界，必须亲自躬身入局。

我的AI实验室，正是由这套知识管理系统构成的。

---

∞

CODA

写在最后：个人IP的第二大脑

FROM INFORMATION OVERLOAD TO KNOWLEDGE ASSET

为了整理这些文章，为什么要投入如此多的时间？很多人都这样问过老谭。

我的回答是：因为它就是我的第二大脑。

人脑记忆能力有限，但AI+标签系统能够实现：

• 精准回忆：通过任意组合查询，立即定位
• 跨时间连接：串联不同时期形成的思考
• 知识复利：让过去的积累成为未来的杠杆

AI时代，个人IP的竞争力不仅体现在内容生产上，更取决于知识管理能力。

如果你同样积累了几百上千篇文章，我建议：

• 不要让文章闲置在云端，先下载并完成本地化
• 根据自身需求设计标签体系，使AI能够读懂文章
• 让知识具备可检索、可复用、可迭代的能力，需要建立索引系统

从囤积信息走向知识资产，只需要一套系统。

而在AI时代，一个人就足以完成这套系统。

---

我是老谭。躬身入局推动组织AI化，同时作为产业投资人只投AI产业。今天，你开始管理自己的知识资产了吗？

---

附：技术栈说明

如果想复刻这套系统，可以参考我使用的工具：

第一步：下载文章

• wechat-article-exporter归类为开源项目
• 技术栈：Nuxt 3 + Vue 3 + Nitro
• 并发下载和元数据提取的优化，由Claude Code完成

第二步：完成标签化

• 工具：Claude Code (Opus 4.8)
• 方法：生成YAML frontmatter ← 批量分析文章 ← 读取标签体系
• 语言：Python 3.11 + PyYAML

第三步：生成索引

• 语言：Python 3.11
• 逻辑：生成Markdown索引 ← 按维度分组 ← 解析YAML ← 遍历所有文章

第四步：管理文件

• 结构：年份/分类/文章.md
• 索引：6个维度对应的Markdown文件
• 版本控制：Git（可选）

整套系统成本为0元（Claude订阅除外），采用的都是开源工具，并且支持私有部署。

完整的标签体系设计文档，我会分享给在公众号后台回复「知识管理」的感兴趣读者。

如果今天的内容对你有帮助，欢迎点赞、在看、收藏三连，我们下篇见

赞在看收藏

THANKS FOR READING

登录查看剩余 70% 内容