你的檔案系統本身就是一個圖形資料庫

背景

本文探討如何利用檔案系統與 Markdown 格式，將個人知識庫轉化為大型語言模型（LLM）的上下文工程系統。作者延續 Andrej Karpathy 的觀點，主張透過 Obsidian 等工具建立的維基連結與資料夾分類，本質上就是一種圖形資料庫，能為 AI 提供極具深度的背景資訊，從而生成更精準的設計文件或決策分析。

社群觀點

針對將檔案系統視為圖形資料庫的觀點，社群展開了多層次的討論。支持者認為，這種做法的核心價值在於「上下文工程」。與其盲目地向 AI 提問，不如提供一個經過結構化整理、包含數月會議記錄與決策脈絡的資料夾。這種方式能讓 LLM 在具備真實歷史背景的情況下工作，產出的品質遠高於空泛的指令。部分開發者分享了實務經驗，例如利用特定的命名規範，讓檔案路徑能直接轉換為試算表數據，或透過腳本自動化處理發票與掃描檔的命名，進而簡化後續的資料處理流程。

然而，關於「結構化」的需求，社群內出現了顯著的分歧。有觀點質疑，既然 AI 具備強大的檢索與理解能力，人類是否還有必要維持嚴謹的資料夾分類。反對者認為，即便 AI 可以透過全文檢索或向量搜尋處理扁平化的檔案列表，人類依然需要結構化的分類來進行日常維護。檔案系統的階層設計不僅是為了 AI，更是為了在系統失效或需要人工介入時，人類仍能直觀地管理資料。若完全捨棄人類可讀的結構，將資料庫變成一堆雜亂的雜湊值檔案，將會喪失長期維護的穩定性。

此外，隱私與資料品質也是討論的焦點。許多使用者對於將私密的個人筆記上傳至雲端 AI 服務感到不安，因此積極尋求本地端模型的解決方案。雖然目前本地模型在處理複雜邏輯上仍與頂尖雲端模型有差距，但社群普遍達成一項共識：應限制 AI 僅負責組織與移動檔案，而非讓其大量撰寫筆記內容。過多由 AI 生成的文字會導致知識庫品質退化，形成一種自我循環的雜訊，最終降低系統的參考價值。

最後，關於檔案系統是否真能等同於圖形資料庫，技術層面上也引發了辯論。部分評論指出，傳統檔案系統本質上是樹狀結構，雖然透過符號連結或維基連結可以模擬圖形關係，但仍缺乏專業圖形資料庫所具備的索引優化與複雜路徑查詢功能。儘管如此，對於個人知識管理而言，這種基於純文字與檔案系統的架構，因其具備極高的可移植性與長久保存的特性，仍被視為對抗封閉式軟體與二進位資料庫格式的有力替代方案。

延伸閱讀

在討論過程中，參與者提到了一些實用的工具與資源。AS Notes 是一款針對 VS Code 開發的擴充功能，支援維基連結與任務管理，適合習慣在開發環境中管理筆記的使用者。此外，Tiago Forte 提出的 PARA 分類法被多次提及，作為建立知識庫結構的基礎框架。對於追求極致效能的開發者，也有人分享了利用 ext4 檔案系統的二進位樹特性來構建分散式資料庫的實驗性專案 root.rupy.se。