摘要不是知識：AI 如何判斷一個觀點值得保存、研究，還是做成產品

我原本想解決的問題很單純：影片、訪談、文章和文件裡有很多好觀點，能不能讓 AI 大量讀完，再把適合 KOF 的部分留下來？

最容易得到的成果是摘要。每份內容都被整理成幾個重點，句子很順，也看得出原文大意。但當摘要越來越多，問題沒有消失，只是換了一個地方堆積：這個觀點可信嗎？和 KOF 有什麼關係？值得繼續查，還是只要存著？它能寫成文章，或真的解決了一個可以做成產品的問題？

一個塞滿摘要的資料庫，比較像檔案櫃。大腦還需要做另一件事：判斷每個觀點目前成熟到哪裡，並替它安排下一步。

同一個觀點，可能有五種去處

假設我收到一句話：「AI 可以把專家的直覺轉成規則。」這句話可能很有啟發性，但光是聽起來合理，還無法決定它的去處。

如果來源清楚、和 KOF 有關，但現在沒有行動需求，它可以先保存。若重要的不確定性很多，而且有辦法查證，就進入研究。當它能回答一個公開問題，也有 KOF 自己的分析，才適合寫成文章。只有在問題反覆發生、使用者明確、價值可以衡量，而且做法能重現時，才值得進入產品實驗。連來源與適用邊界都說不清楚的內容，則應淘汰。

淘汰：來源不明、無關、重複，或風險無法接受
保存：值得記住，但目前不需要採取行動
研究：重要問題仍有未知，而且存在查證方法
文章：能回答公開問題，並加入 KOF 的分析與邊界
產品：反覆出現的工作已有明確使用者、價值與驗證方法

這五種去處不是等級。保存不比產品低，淘汰也不代表內容很差。分流的目的，是讓每個觀點待在符合目前證據與成熟度的位置。

先拆主張，不要急著摘要整篇

一段內容裡常同時混著事實、經驗、價值判斷與未來預測。如果 AI 直接把整段壓成三個重點，這些差異很容易被抹平。比較可靠的起點，是先拆出可以個別檢查的主張。

事實：可以由外部資料或直接觀察核對
觀點：說話者的判斷、偏好或解釋
假設：尚未證實，但可以設計方法驗證
提案：建議採取的行動，仍需評估成本與權責

「這家公司今年推出三個產品」是可查證的事實；「它的速度來自組織文化」是解釋；「同一套方法適合獨立開發者」是待驗證假設；「KOF 應該做一個工具」則是提案。四句話可以出現在同一段訪談裡，證據要求卻完全不同。

來源要和主張綁在一起

只在筆記最下面放一串連結還不夠。每個主張都要知道是誰提出、來自哪一段內容、屬於直接觀察還是轉述，後來是否出現矛盾資料。來源可以保留在內部，不一定全部寫進公開文章；但它不能在摘要過程中消失。

AI 遇到空白時，最危險的行為是把合理推測補成完整答案。分流系統應該允許「未知」，而且未知要能阻止內容直接升級成文章結論或產品需求。

Claim：可以獨立檢查的主張
Type：事實／觀點／假設／提案
Source：來源與位置
Evidence for：目前支持它的資料
Evidence against：反例或矛盾資料
Unknowns：仍缺少什麼
Owner：誰對這個判斷負責
Status：保存／研究／文章／產品／淘汰

沒有通過硬門檻，就不要打漂亮分數

AI 很適合替內容評分，但分數也很容易製造假精確。來源不明的觀點就算拿到 87 分，依然不能當成事實。與 KOF 無關的熱門題目，就算市場很大，也不會因此變成適合我們的產品。

所以分流應先過硬門檻，再比較優先順序。至少要問：來源能否追溯？主張類型是否清楚？和 KOF 的實際方向有沒有關係？最大的未知與風險是否已標出？其中任何一項答不出來，下一步通常是補資料或淘汰，不是提高模型的思考時間。

KOF 能增加什麼，決定它是否值得繼續

內容很有價值，不代表 KOF 再寫一次也有價值。我更在意的是，我們能不能增加原內容沒有的東西。

這個增加可能是一個第一方實驗、一份可重複使用的模板、一個反例、一段能實際執行的程式，或是把分散觀點整理成更清楚的決策框架。如果最後只能換句話說，最好的決定往往是保存來源，不另外發表。

判斷時可以看五件事：它是否貼近 KOF 正在處理的問題、相對既有內容是否有新意、讀者能否採取下一步、證據是否足以支撐主張，以及 KOF 能不能用自己的經驗或作品驗證。這五項可以協助排序，但不能取代前面的硬門檻。

保存、研究、文章與產品各自需要什麼

保存需要的是可追溯性。除了原始內容，至少留下為什麼值得記、適用範圍，以及什麼事件發生時應重新檢查。沒有重訪條件的筆記，很容易變成永遠不會再打開的收藏。

研究需要一個可以回答的問題。「再多看一點」不算研究計畫；「找三種不同情境，檢查同一規則是否能重現原本判斷」才有停止條件。研究結果可以推翻原觀點，這不算失敗。

文章需要公開價值。它應該回答讀者真的會遇到的問題，清楚區分事實、作者判斷與尚待驗證的部分，也要提出 KOF 自己的增量。來源豐富但沒有新判斷，只會變成整理文。

產品的門檻最高。問題必須反覆出現，有一群可辨認的使用者願意改變現有做法，成功結果可以觀察，人工流程也已經大致走得通。文章受到歡迎，只能證明題目有人關心，不能直接證明大家需要另一個 App。

讓這個觀點先判斷自己

回到前面的命題：「AI 可以把專家的直覺轉成規則。」如果按照這套方法檢查，它目前應該被標成假設，而不是事實。

它和 KOF 的知識工作流高度相關，也能發展出訪談模板、決策表與驗證方法，因此值得保存和研究。它同時可以成為一篇方法文章，前提是清楚承認尚未完成跨情境驗證。至於產品，現在還缺少重複使用的實驗、真實使用者反應，以及哪些知識根本無法規則化的邊界。

目前分類：假設
KOF 關聯：高
可增加的價值：分流框架、驗證格式、反例
主要未知：能否跨情境重現，AI 是否會自行補值
現在的去處：保存＋研究＋文章
尚未通過：產品門檻

這個判斷不會讓想法看起來比較厲害，卻能避免我們因為一篇文章寫得順，就誤以為產品已經成立。

AI 可以提案，但不該自己核准

AI 擅長大量讀取、拆主張、找相似內容、列出矛盾、補齊待問問題，也可以依照既定規則提出分流建議。這些工作能大幅降低整理成本。

必要欄位、淘汰條件、風險上限、寫入權限與發布決定，應該放在模型之外。高風險或不可逆的選擇仍由人核准。否則同一個 AI 既產生答案，又負責宣告答案值得相信，整個流程沒有真正的檢查點。

AI 提出：主張拆解、類型、證據、反例、建議去處
系統強制：必填來源、未知值、風險規則、狀態轉換
人類決定：正式寫入、公開主張、研究投入、產品開發

好的大腦，不以筆記數量衡量

知識系統的價值，不在於保存了多少摘要，而在於每個重要觀點都有清楚狀態：我們為什麼留下它、目前相信到什麼程度、還缺哪些資料，以及下一個負責人要做什麼。

摘要讓內容變短；分流讓一個觀點知道下一步該去哪裡。這才是我希望 AI 在 KOF 大腦裡負責的工作。