四次变革、30 个产品、一张象限图。

在创业前，我观察最久的行业 与 最想做的产品都是 PKM(个人知识管理)赛道的。这些年，我前后用过十几个知识管理产品——Readwise 读文章、Obsidian 记笔记、Raindrop 存链接、Heptabase 做规划，还有 mymind、Notion、MyMemo 都试过一圈。

每个都有可取之处，但每个都用一阵就搁置了。花在整理上的时间经常比真正使用知识的时间还长，需要找东西的时候还是回到搜索引擎。

4 月 3 号 Karpathy 发了一条推文，说他现在把大量 token 从写代码转向了知识管理。用 LLM 把原始资料编译成结构化的 markdown wiki，不用向量数据库、RAG。

我这两天断断续续把这个赛道以及之前的各种产品收藏翻了一遍，结论比我预想的要悲观得多：过去六年 PKM 赛道出了上百个产品，融了几十亿美金，但几乎没有一个真正解决了「管理知识比使用知识还累」这个问题。

不是某个产品不行，是整个品类的底层假设就是错的——它们都在让人干活，只是给人换了不同的工具。

Karpathy 的方案之所以让人眼前一亮，不是因为技术多先进，而是因为他终于把「人」从知识流转的循环里踢了出去。

▲ Karpathy 4 月 3 日原始推文（部分）：LLM Knowledge Bases

一、PKM 赛道的四轮范式尝试

个人知识管理不是新概念，从 2015 年至今这个品类每隔两三年就集体换一次方向。每一轮都解决了上一轮的部分问题，但都卡在同一个根本矛盾上——管理知识这件事本身的成本太高了。

在讲这四轮之前，有必要先提一下 Evernote 这个前车之鉴。

▲ PKM 赛道 25 年关键事件时间线

Evernote 成立于 2000 年，巅峰估值 $10 亿，一度被 Engadget 称为「笔记应用之王」。但从 2015 年开始连续裁员，2018 年 CTO、CFO、CPO 集体出走，2020 年推出的 v10 重写版因为性能倒退和功能缺失激怒了核心用户，2022 年被意大利公司 Bending Spoons 收购，2023 年先裁 129 人、再裁掉美国和智利几乎全部员工，整个运营搬到欧洲。收购时 Bending Spoons CEO 说「对 Evernote 的计划一如既往地宏大」，但所有人都知道这个产品已经回不来了。

Evernote 的故事经常被归结为「执行力不行」或者「竞争太激烈」，一个笔记工具的付费意愿天然就很低——Apple Notes 免费、Google Keep 免费，你凭什么收钱？Evernote 融了 $2.9 亿试图回答这个问题，最后的答案是「凭什么也不行」。这不是 Evernote 一家的问题，这是整个 PKM 赛道的结构性困境。

第一轮：收藏夹（Read-it-later）时代（2015-2020）

代表产品是 Pocket、Instapaper、Raindrop.io、Poche/Wallabag、BookmarkJar、Distill.id。解决的问题很朴素：看到好东西，存下来以后看。

Pocket 巅峰期几千万用户，Raindrop.io 至今仍然是设计最精良的书签管理器。但这代产品有一个人性洞察上的失误——它们假设保存等于以后会读。

Pocket 自己的数据显示超过 60% 的保存内容从未被打开过，收藏夹越来越长，打开 app 的焦虑感越来越强。

Mozilla 2025 年关闭 Pocket，算是给这代产品做了个了结。

我自己的 Raindrop 里现在有 2000 多条链接，上次认真翻它找东西是什么时候已经想不起来了，但每次看到好链接还是条件反射地存进去。

保存不是管理，囤积不是学习，收藏夹是一个只有入口没有出口的单向管道。

第二轮：双向链接时代（2020-2022）

代表产品是 Roam Research、Logseq、Obsidian（早期）、Athens。

2020 年 Roam Research 爆火带来了双向链接的概念——你在 A 笔记里提到 B，B 自动出现指向 A 的引用。

Roam 的创始人 Conor White-Sullivan 之前在 MIT 研究集体智慧工具，2020 年 9 月以 $2 亿估值融了 $9M 种子轮，投资人包括 Lux Capital。Twitter 上的 #RoamCult 标签一时风头无两，用户包括 Facebook、Google、DeepMind 的研究人员。Zettelkasten 方法论被重新发掘，「第二大脑」成了流行词，Graph View 成了 PKM 社区最具标志性的视觉符号。

但 Roam 的热度本质上更接近一个社交网络现象而非产品现象——用户发现新功能时的兴奋感、超级用户创建和分享「脚本」的社区循环、Nat Eliason 和 Tiago Forte 这些意见领袖围绕 Roam 建立的内容生态——这些东西在新用户增速放缓后就失去了正反馈。

到 2022 年 Roam 的日活数据断崖下跌，Athens 直接关闭，团队至今仍然只有 12 个人。$2 亿的估值大概率回不来了。

我的看法是 Roam 的失败不是产品问题而是品类问题——双向链接本身就是一个被过度浪漫化的概念。你真的需要看到「哪些笔记引用了这条笔记」吗？大多数时候不需要。

你需要的是理解，不是引用关系。

Obsidian 活了下来，但活下来的原因不是双向链接，是它的插件生态和 local-first 理念。

我的 Obsidian 有 300 多条笔记，Graph View 打开过三次就再没点过，现在还在用 Obsidian 纯粹是因为 markdown 和本地存储的特性。连接不等于理解，这是这一轮最重要的教训。

▲ Roam Research 界面：双向链接和大纲式笔记

▲ Obsidian Graph View：好看但没用的知识图谱

我的判断：Graph View 是 PKM 赛道最成功的营销素材，也是最没用的功能。它让你觉得自己在「构建知识网络」，实际上你只是在看一张好看的壁纸。

第三轮：白板式思维（2022-2024）

代表产品是 Heptabase、Muse、Scrintal。

Heptabase 是这一轮的标杆——台湾团队做的，创始人詹雨安之前在做量子计算相关的研究，2022 年拿了 Kleiner Perkins 和 YC 的 $2.2M 种子轮，到 2024 年 ARR 约 $1.5M，2026 年估计用户达到 35 万、ARR 约 $7M，团队始终只有 8 人。2025 年 4 月还收到了收购要约。

产品体验确实好，用无限白板来组织知识，卡片自由摆放和连线。但问题在可扩展性：卡片超过几百张白板就变成一锅粥，空间记忆是有限的。

我用 Heptabase 做过 Mana 的产品路线图，前两周确实帮助理清了思路，但到第三周维护成本就上来了——每次有新想法都要考虑放哪个白板、跟哪些卡片连。

第四周我回了 Obsidian 写纯文本。白板降低了组织知识的认知门槛，但没有降低劳动量，维护的认知负担随内容量线性增长。

第四轮：AI 辅助时代（2023-2025）

代表产品是 NotebookLM、Notion AI、Mem AI、Tana、Recall、Readwise Ghostreader、MyMemo、Reflect、Remio、Constella、YouMind。

ChatGPT 出来之后所有人都往产品里加 AI——NotebookLM 做文档问答和播客生成（2024 年 9 月推出的 Audio Overviews 功能一度在社交媒体上刷屏），Notion 2025 年 ARR 到 $600M 估值 $11B 其中 AI 功能贡献了超过一半付费转化，Mem AI 从 OpenAI Startup Fund 拿了 $23.5M 估值 $110M，Readwise 加了 Ghostreader 对话功能，Remio 做「基于记忆的 AI 助理」。

值得单独提一下 Tana——这家挪威公司 2025 年 2 月刚融了 $25M，创始团队是前 Google 工程师（其中一位参与过 Google Wave 的开发），产品核心是 Supertag 系统——把非结构化笔记自动转成结构化数据，等于把 Roam 的双向链接和 Notion 的数据库做了一次融合。（和 K 神的 LLM Wiki 思路神似）

16 万人在等待名单上，声称 80% 以上的财富 500 强公司都有员工在用。

但这些产品做的事情归结到一句话就是：给旧范式加了个 AI 外挂。

底层逻辑没变，还是人创建知识、人组织知识，AI 只是帮你搜得更快总结得更简洁。

NotebookLM 每个笔记本限制 50 个来源、笔记本之间不能共享上下文、没有导出功能、没有 API——说难听点，这不是知识管理系统，这是一个有 AI 加持的文件阅读器。

你问它问题它答得不错，但你关掉页面之后什么也没留下。

Mem 的「自动连接」更接近向量相似度匹配而不是语义理解——拿了 OpenAI 的 $23.5M 做出来的东西跟一个 embedding 搜索套壳差距不大，有人称之为「$40M 的第二大脑失败」，我觉得不冤。

AI 作为 feature 和 AI 作为 foundation 是两回事，前者是锦上添花，后者才是范式转移，目前这些产品还停留在前者。

二、一张产品地图：30 个产品到底在干什么

我把收集到的 30+ 个产品按两个维度做了分类。横轴是信息处理深度——从「原样保存」到「深度理解」。纵轴是 AI 的角色——从「无 AI」到「AI 主导」。

▲ PKM 产品象限图：30+ 产品的定位

象限 A：存而不理（低 AI × 浅处理）

Raindrop.io、Pocket（已关闭）、BookmarkJar、Poche/Wallabag、Distill.id。纯存东西，不消化。

Raindrop 靠设计感活了下来，但天花板明显——Pocket 的关闭证明纯收藏工具用户根本不愿意付费。

象限 B：AI 帮你收，但收完就完了（高 AI × 浅处理）

Karakeep、MyMemo、mymind、FeedPal、Constella、AutoDeck、Remio、Mem AI、Recall、PackPack。这些产品在「存」的基础上加了 AI 自动打标签、自动摘要、自动分类。

Karakeep 是开源自托管方案里的明星——扔个链接进去 AI 自动抓标题描述打标签，支持本地 Ollama 模型，Github stars 增长极快。

mymind 走极简美学路线，号称不需要文件夹不需要标签。但我对这个象限整体不太看好——AI 帮你分类了，然后呢？分完类的信息仍然躺在那里，你不去看它就永远是死的。

这些产品本质上是用 AI 解决了一个伪问题：打标签从来不是知识管理的瓶颈，「不想读」才是。

Karakeep 免费开源有社区价值，但 Mem AI 融了 $28.6M 产品口碑持续下滑，说明砸钱做 AI 标签这个方向的商业回报很有限。

▲ Karakeep（原 Hoarder）：开源自托管书签管理，AI 自动打标签

打标签从来不是知识管理的瓶颈。「不想读」才是。AI 把这个不存在的问题解决得再好，也不会让你的收藏夹活过来。

象限 C：传统 PKM 重镇（低 AI × 深处理）

Readwise/Reader、Heptabase、Obsidian、Logseq、TidyRead、Reflect、ReadPo、MyLens、RLLM、VideoTutor。

这是商业模式最健康的区域。Readwise Reader 把文章、PDF、YouTube 转写、RSS 聚合到一处，高亮后同步到 Obsidian，Daily Review 功能试图解决遗忘曲线，团队 11 人，$9.99/月，bootstrapped 不拿风投。

Obsidian 同样不融资，150 万月活，估计 ARR 约 $25M，18 人团队。

Heptabase 35 万用户，ARR 约 $7M，8 人。TidyRead 做 RSS 聚合支持 Webhook，RLLM 是开源的 LLM 增强阅读项目。

这些产品的共同优点是真正关心用户对知识的理解，设计流程帮你阅读、标注、连接、复习。

共同的问题是太依赖人的意志力——三天没打开 Readwise，系统就开始腐烂。值得注意的是小团队 bootstrapped 模式反而活得最好，Obsidian 18 人做 $25M ARR，比 Mem AI 融 $28.6M 还赚钱。

象限 D：AI 原生——最大的空白（高 AI × 深处理）

Karpathy 的工作流、NotebookLM（接近但没到）、Notion AI、Graphify、youmind.ai、me.bot、Atypica。

这个象限的定义是 AI 不是辅助你管理知识，而是 AI 本身就是知识管理者。

目前没有一个成熟产品占据这个位置。

NotebookLM 最接近但缺少复利机制——查询结果不回填知识库。Notion 在做 Agent 方向但困在自己的 workspace 框架里。

Graphify 和 youmind.ai 在尝试自动知识图谱，成熟度还不够。

▲ 功能对比矩阵：10 个产品 vs Karpathy 工作流——注意最后一列

三、钱和数字：这个赛道的商业真相

▲ PKM 公司融资额 vs 营收对比

从这张表里可以看出几个关键趋势。首先，PKM 赛道的商业天花板远比想象中低——除了 Notion（它本质上是 Productivity Suite 不是纯 PKM），整个赛道没有一家公司 ARR 过 $50M，Obsidian 做到 $25M 已经是行业标杆，而且它不融资不搞增长黑客，纯靠口碑。

Evernote 的教训尤其值得注意：巅峰时 $10 亿估值、$290M 融资，但长期亏损，最终被贱卖给一家意大利 app 工厂——融资规模和产品生命力之间没有正相关关系。

其次，Notion 的 AI 转型提供了重要信号：2025 年超过 50% 的付费用户使用 AI 功能，AI 对 ARR 贡献超过一半，从 $67M（2022）到 $600M（2025）年均增速约 100%，说明用户愿意为 AI 驱动的知识处理付费，但前提是 AI 要真的有用而不是花瓶。

Notion 目前正在做 AI Agent 方向——2025 年 9 月推出了自主 Agent 功能，可以跨页面跨数据库执行多步任务——市场观察人士预计其 18 个月内会提交 S-1 申请 IPO。

第三，小团队 bootstrapped 模式在 PKM 赛道表现突出——Obsidian 18 人做 $25M、Readwise 11 人、Heptabase 8 人做 $7M，PKM 不需要烧钱增长，需要把产品做到深度用户离不开。Mem AI 拿了 $28.6M 融资反而陷入增长困境，Roam 以 $2 亿估值融了 $9M 后团队始终只有 12 人、产品迭代停滞——这两个案例都说明 VC 模式不一定适合 PKM 赛道。但 Tana 是一个值得观察的变量：$25M 融资、前 Google 团队、16 万候补名单，如果它能把 Supertag 的结构化能力和 AI Agent 结合起来形成真正的知识编译循环，有可能成为从象限 C 跨入象限 D 的第一个有资金支撑的选手。

第四，开源正在侵蚀付费产品的底盘——Karakeep 作为 Pocket 的开源替代品社区极活跃，Logseq 开源，RLLM 开源，随着 LLM API 成本每年降 10 倍，用户越来越有能力用开源工具加 LLM 自己搭建知识系统，这正是 Karpathy 在做的事。

Karpathy 推文发出后两天内 Github 上就出现了 llm-wiki-compiler 等多个复现项目，说明这个方向的需求是真实存在的。

四、Karpathy 方案的三个关键差异

▲ Karpathy 的 LLM Wiki 四阶段工作流与知识复利循环

社区反应：从 Farzapedia 到 llm-wiki-compiler

这条推文发出后社区的反应速度和强度都值得关注。

开发者 Farza（@FarzaTV）在推文发出当天就做了一个叫 Farzapedia 的东西——用 LLM 把自己 2500 条日记、Apple Notes 和 iMessage 聊天记录编译成了一个个人维基百科，生成了 400 篇互相链接的文章，涵盖他的朋友、创业项目、研究方向甚至最喜欢的动漫对他的影响。

Karpathy 本人转发并评价说，他特别认可这种个人化方式的几个优点：记忆是显性的可检查的（你能看到 AI 知道和不知道什么），数据在你本地（不在某个 AI 提供商的系统里），文件格式通用（不被任何 app 锁定），而且可以随时换 AI 模型。

Farza 自己开玩笑说：「不，Farzapedia 不会公开——考虑到它自动生成了一整篇 Relationship History 文章，有些事还是留在我和我的 LLM 之间吧。」

技术社区的跟进同样快。

推文发出两天内 Github 上出现了多个复现项目：llm-wiki-compiler 是一个 Claude Code 插件，可以把分散的 markdown 文件编译成主题式 wiki，作者实测 383 个文件 13MB 的项目，编译后每次 session 的 context 消耗从 3200 行降到 330 行，减少了 90%。

CRATE 是另一个 Python CLI 实现。DAIR.AI 的 Elvis Saravia 说他一直在做类似的事情，关键是先把数据结构搞对。Lex Fridman 说他也在用类似的方案，还加了 HTML 可视化层。

VentureBeat 用了一个我觉得很精准的描述：Karpathy 没有分享一个脚本，他分享了一种哲学。

Karpathy 没有分享代码，他分享了一个 idea file——因为在 LLM Agent 时代，分享具体实现已经没什么意义了，你分享想法，每个人的 Agent 会构建属于自己的版本。这本身就是一个关于 AI 时代的 meta 观察。

从笔记到 wiki

传统 PKM 的载体是笔记——碎片化的、个人化的随手记录。

Karpathy 的载体是 wiki 文章——结构化的、百科式的、有交叉引用的。

一篇 wiki 综合了多个原始来源，做了去重归纳和关联。回答复杂问题时，从 wiki 找答案和从几百条笔记碎片里拼凑答案效率完全不在一个量级。

做 Mana 的过程中我经常需要研究特定技术方向比如 WKWebView 的兼容性问题，传统方式是在 Obsidian 里存十几条零散笔记下次查的时候自己拼凑，如果有一篇 LLM 编译的 wiki 文章把所有相关的坑、解决方案、版本差异整合在一起并自动更新，效率能翻好几倍。

以至于最近做的最多的一件事是：“请同步当前实现到文档”。

从查询时理解到入库时理解

RAG 和传统 PKM 都是查询时才理解——数据原样存进来，问问题时现场检索拼凑。Karpathy 的方案是入库时就理解——LLM 在数据进来的时候就把它消化成结构化文章并建好链接。他用的隐喻很精准：传统方案是解释器每次运行时翻译，他的方案是编译器提前编好运行时直接用。

编译的优势不只是速度，更重要的是编译过程本身会暴露矛盾、发现缺漏、建立新关联，这些是查询时理解做不到的。

知识可以复利

在 Karpathy 的系统里，每次对 wiki 提问的好答案都可以回填进 wiki——一次比较分析、一张图表、一个新发现的关联不会消失在聊天记录里，而是变成知识库永久的一部分。系统的价值随使用时间复合增长，用得越多知识库越完善答案质量越高。这不是效率工具的逻辑，效率工具节省的是时间；这是资产的逻辑，资产会增值。

现有所有 PKM 产品包括 NotebookLM、Readwise、Notion AI 都不具备这个特性，每次查询都是一次性的，探索不会积累。

▲ 知识复利曲线：传统 PKM 增长见顶，LLM Wiki 指数增长

传统 PKM 是效率工具——节省时间。Karpathy 的方案是资产——会增值。这两个东西的商业逻辑完全不同，估值逻辑也完全不同。

五、产品化的四个硬问题

方向清楚了，但从 Karpathy 的脚本到一个真正的产品之间还有不小的距离。

冷启动是第一个问题——Karpathy 自己说早期他需要在 loop 里帮 LLM 建立 wiki 的 pattern，什么算一个概念、怎么分目录、文章写多长，普通用户不具备这个 prompt 工程能力，产品需要提供足够好的默认模板和编译策略让人扔进去就能用。

幻觉传染是第二个问题——LLM 在编译阶段如果理解错了原始资料，这个错误会固化进 wiki，后续所有查询都被污染，而且因为 wiki 看起来结构严谨引用完整你可能根本发现不了错误，产品必须设计出处追溯机制让每句话都能追溯到原始文档。

成本是第三个问题。100 篇文章 40 万词的 wiki 做一次全量体检 token 消耗非常可观，如果面向消费者定价 $10/月，token 成本能不能打平需要在编译策略上做大量优化——增量编译而非全量重建、分层摘要而非逐篇精读。

好消息是 LLM 推理成本每年降数倍左右，这个问题两年后可能不再是瓶颈。

规模是第四个问题——Karpathy 的方案在约 100 篇文章规模下不需要任何检索系统，LLM 自己维护 index 就够了，但企业场景动辄上万份文档纯靠 context window 不可能，到了那个规模某种检索机制还是绕不开，个人版和企业版可能需要完全不同的技术架构。

六、谁可能跑出来

我认为最有可能在这个方向上做出产品的不是现有 PKM 公司，而是两类玩家。

第一类是从 Obsidian 生态里长出来的独立产品。Obsidian 的 local-first markdown 架构天然适合 Karpathy 的方案——文件在本地，LLM agent 可以直接读写，Karpathy 自己就用 Obsidian 当前端。

推文发出两天后已经有人发布了 llm-wiki-compiler 这个 Claude Code 插件做的就是这件事。Obsidian 的 150 万深度用户是这个新品类最好的种子用户池。

第二类是 AI-native 的新产品，从第一天就按「AI 管理知识、人消费知识」的逻辑来设计。这类产品的 UI 不应该长得像笔记软件，更接近一个研究助理的控制台——左边原始资料库，中间 AI 编译出的知识 wiki，右边查询和探索界面，用户的主要交互方式不是写笔记而是提问。

反过来说，我不太看好现有大厂在这个方向上的转型。Notion $11B 估值 $600M ARR，它的数据模型和商业利益都围绕「人在 Notion 里写内容」设计，转向「AI 替你写」。

等于颠覆自己的核心价值主张——你告诉 1 亿用户「其实你不用自己写了」，那他们为什么还要付你 $20/月的 Business 套餐？

七、再远一步

Karpathy 在推文最后提到了一个方向：用 wiki 生成合成数据，fine-tune 一个 LLM，让模型把知识记在权重里而不只是放在 context window 里。

这个方向如果走通，就不是个人知识管理了，而是个人智能体——你的专业知识变成一个模型，不需要 context window，离线可用，随时提问，真正的 secomd me。

回看 PKM 赛道的演进，从 Zettelkasten 的卡片盒到 Roam 的双向链接，从 Obsidian 的 markdown 图谱到 NotebookLM 的文档问答，每一次跃迁本质上都在回答同一个问题：谁来做苦活。

答案从「你自己做」一步步走向「AI 做」，Karpathy 的方案是目前走得最远的一步。

再下一步可能是你连提问都不用，模型本身就是你的知识。

至于谁先把这个故事做成产品，我也在思考。Mana 目前在做的是用自然语言创造 App，但更深层一直在想的问题是怎么让每个人拥有自己的知识资产和 AI 能力，从 vibe coding 到 vibe knowledge 方向是一致的。如果你也在想这些问题，欢迎交流。

▲ PKM 演进：谁来做苦活？从 100% 人工到 0%

本文价值 100 元，对你有帮助请推荐或公益捐赠。

本文同步自微信公众号，点击查看原文