卡片笔记 AI 分析，整起来！
不论是 PC 互联网还是移动互联网时代，我们对做过的笔记的利用主要还是通过检索实现的，比如搜索关键词、搜索标签等。
在这种方式下，我们对笔记的【挖掘、分析和二次加工】的空间非常有限，特别是当笔记规模越来越庞大。
然而来到 AI 时代，这一切正在发生变化。
AI 训练非常依赖数据集，从这个角度说，越来越庞大的笔记库恰好一个非常利好 AI 的数据库。
「笔记库 + AI」这个组合，将极大提升我们对笔记的【挖掘、分析和二次加工】能力，比如：
传统的“关键词检索”带来的模糊检索能力非常弱，然而 AI 时代，你可以自由组织提问词，AI 也能根据你的 Prompt 组织合适的回答，而不是简单呈现笔记中的原句。 不知道问什么，不妨让 AI 自身对笔记库提问，或许能给予你一些灵感。 让 AI 分析、总结、归纳笔记库，帮你梳理知识脉络，甚至创造新内容。 做一个专用的“笔记库 + AI”组合，比如教师的备课笔记、题库，律师的知识库。 等等...
用什么样的 AI？做什么样的笔记？
那么问题来了，对于「笔记库 + AI」这个组合，该用什么样的 AI？做什么样的笔记？
对于前者，不论是国外的 ChatGPT、Claude、gemini，还是国内的通义千问、文心一言、Kimi，对于「笔记库」这种文本的处理都很擅长。
对于后者，我更推荐用卡片笔记，因为卡片笔记的结构化数据和细小粒度，能让 AI 更好地读懂你的笔记，你也能利用卡片本身多参数的特性，写出更高效、更能满足你需求的 Prompt，增大笔记的分析/挖掘空间。
卡片笔记 AI 分析
为此，在设计卡片笔记 AI 分析功能时，我延续了 Zotero One 卡片笔记思想。
一个注释，便是一张卡片，所有注释便构成了卡片笔记数据库。
AI 分析时，插件会保留每个卡片的属性参数，并以 JSON 的形式将一篇（或多篇）文献的注释喂给 AI，比如以下 JSON 表示的是来自两篇文献的注释（为方便举例，我随便标注了几条）：
{
"ref-1": {
"title": "Cheeke et al. 1999 - Acoustic wave gas sensors.pdf",
"annotations": [
{
"annotationType": "highlight",
"annotationColor": "#ffd400: 黄色",
"annotationText": "One reason is that such sensors are small, inexpensive, sensitive and they respond to virtually all gases.",
"annotationComment": "声表面波气体传感器",
"annotationTags": "#SAW gas sensor/优势"
},
{
"annotationType": "highlight",
"annotationColor": "#e56eee: 洋红色",
"annotationText": "Types of acoustic wave sensors",
"annotationComment": "声表面波传感器的主要类型",
"annotationTags": "#SAW Sensor/主要类型"
}
]
},
"ref-2": {
"title": "Jakubik et al. 2011 - Surface acoustic wave-based gas sensors.pdf",
"annotations": [
{
"annotationType": "highlight",
"annotationColor": "#ffd400: 黄色",
"annotationText": "A surface acoustic wave (SAW) is an acoustic wave traveling along the surface of a material exhibiting elasticity, with an amplitude that typically decays exponentially with depth into the substrate.",
"annotationComment": "声表面波的定义",
"annotationTags": "#SAW/定义"
},
{
"annotationType": "highlight",
"annotationColor": "#ffd400: 黄色",
"annotationText": "Rayleigh waves have a longitudinal and vertical shear component that can couple with any media in contact with the surface —Fig. 1.",
"annotationComment": "瑞利波",
"annotationTags": "#SAW/Rayleigh wave"
}
]
}
}
从中我们可以看出：
🎈
每篇文献都有一个编号，格式为 ref-xxx，以及相应的标题参数title。如此一来，AI 分析笔记时可以轻松溯源。参数 annotationType、annotationColor、annotationText、annotationComment、annotationTags代表了注释的类型、颜色、文本、评论、标签。这些参数给 AI 分析提供了很大空间，比如你可以让 AI 单独分析某个参数。
下面具体看下在 Zotero 中的应用。
Zotero One 之卡片笔记 AI 分析
在 Zotero One 的【GPT 侧边栏】中，提供了一个注释导入按钮：
左击：导入当前文献的注释（即卡片）。 右击：导入多篇文献的注释（即卡片）。
导入注释 JSON 后，写一个合适的 Prompt，比如下面这个：
下面是我所做的文献批注（即下面的 JSON，其中 ref- 属性是文献编号）。其中 annotationType 代表批注类型，annotationColor 代表批注颜色，annotationText 代表批注原文，annotationComment 代表批注评论（即我对批注做的笔记），annotationTags 代表标签。下面我需要你根据批注回答问题。批注内容如下
在该 Prompt 中，重点介绍了卡片笔记参数的含义，这样能让 AI 更好地读懂你的笔记，更好地理解你后续要问的问题。
单篇文献的卡片笔记 AI 分析
之前我备课时，我在电子教材上做了很多备课笔记，我就对该教材的所有笔记用了上述 Prompt。
可以看到，在我继续提问前，AI 就已经将我喂的笔记进行了分析，并列出了一些有价值的问题，甚至还给了答案。
这只是单篇文献的卡片笔记分析，下面重点看下多篇文献的。
多篇文献的卡片笔记 AI 分析
对于多篇文献的卡片笔记分析，首先要解决的一个问题是：如何让用户更方便优雅地同时从不同文件夹选择多篇文献。
我们设计了如下的操作窗口：
可以随意从不同文件夹选择需要的文献，然后一次性分析。甚至可以导入全库的笔记，选择我的文库，CMD/Ctrl + A 即可。 选择文献时，插件会自动帮你判断哪些文献有注释，从而过滤到还未做笔记的文献。 【定位当前位置】按钮，可以一键定位当前文献所在文件夹，这将极大方便挑选要分析的文献。 【恢复历史记录】按钮，可以帮你一键调取上次分析的那些文献。
有了这么便利的操作 UI 作为基础，你只需要把心思聚焦在：阅读更多高质量文献，记录更多有价值的笔记，以及写出满足你需求的 AI 提示词。
具体例子：比如你正在调研一个领域，大量阅读文献后，你可以用 AI 一次性分析这些文献（可以放在一个文件夹）笔记，并回答你的问题：比如 SAW 高温传感器的应用。
比如我一次性导入了做了批注的 18 篇文献
下面是我所做的文献批注（即下面的 JSON，其中 ref- 属性是文献编号）。其中 annotationType 代表批注类型，annotationColor 代表批注颜色，annotationText 代表批注原文，annotationComment 代表批注评论（即我对批注做的笔记），annotationTags 代表标签。你的任务是根据批注回答问题：声表面波传感器的高温应用。批注内容如下
然后拟了一个如上所示的 Prompt，其关键一句是：你的任务是根据批注回答问题：声表面波传感器的高温应用。
下面是我调用 Gemini 得到的回复：（Gemini 支持 200万 上下文，非常适合这种批量分析）
可以看到，Gemini 从多个角度总结了「声表面波传感器的高温应用」，特别地，在图中第三部分中，还备注了相应内容的文献来源，即 ref-xxx，这便是在 JSON 中提交各种卡片参数带来的好处。
类似的场景还有很多，比如你阅读了一本书，所做的批注可能长达几万字，此时不妨试试用 AI 帮你梳理和分析笔记，期间可能还会触发一些灵感。
又比如，你可能已经利用 Zotero One 原创的【自定义批注颜色名称】功能给每个批注颜色都分配了固定的含义，比如黄色代表背景相关的笔记。👇
那么，在卡片笔记 AI 分析时，便可以让 AI 仅分析 annotationColor 为黄色的笔记。在写论文 Introduction 或者做汇报时，这将帮助你快速整理出该研究领域背景方面的内容。
更多关于「笔记库 + AI」应用场景的就不演示了，也希望你挖掘出属于你的场景～
