从笔记到第二大脑：Flowith 2.0 知识库实测与反思

（注：本文为小报童精选文章。已订阅小报童或加入知识星球「玉树芝兰」用户请勿重复付费）

知识流动本就该如此轻松。不是吗？

痛点

在日常的知识工作中，我一直希望让记录和输出都变得更加简单。简要来说，我的目标是不肯花大功夫整理笔记，却希望获得卡片笔记写作法带来的收益。所以，这些年，你看到了，我没少折腾各种笔记应用。正如我之前所说：

作为一个懒人，我一直希望知识的处理与输出能变得更加容易一些。这些年，我尝试了各种笔记工具，包括 Evernote, Notion, Obsidian, Logseq, Roam Research, Heptabase 等，就是希望能够无压记录，精准回顾，流畅输出。

然而，这些工具对我来说依然不够轻松。在使用 AI 之前，我必须人为地给信息打标签或建立链接，才能后期检索到它们。这种额外负担在实际使用中并没有真正减轻我的工作量。我也曾在文章中表达过自己真切的期待：

…… 随时去记录，而不必操心加工整理的事儿。当我真正想要调用之前的知识储备时，只需要一个自然语言简单查询，AI 就能遍历我的笔记库，自己根据语义找寻相关记录，然后总结输出，给我一个满意的答案。

有了 AI 以后，我也试用多种基于 RAG 技术的工具，例如 Notion AI, Quivr, Elephas, GPTs, Obsidian Copilot, Cursor 等等，却发现它们对懒人仍不够友好。尤其是设置过程复杂，更新不便，对新手来说有门槛。如很多人在配置 Obsidian Copilot 时，会被各种设置问题和不匹配的选项弄得手忙脚乱。

不少工具在用户输入了大量文件后，找寻的准确率和回答的精准度还有很大提升空间，这一点也让 我在使用过程中深有体会。我曾经尝试通过更好的 embedding 模型和排序方法来解决，但这显然不符合「懒人法则」，不够「开箱即用」。

因此，当我得知 Flowith 2.0 增加了知识库功能，而且很多小伙伴试用后反馈效果很好时，便想测试一下它是否能解决我在知识管理和利用上的痛点。我期待通过这种方式，不用再面对繁琐的设置步骤，就能准确提取出相关笔记，并实现更顺畅的创作过程，也希望它能够成为真正意义上的 「第二大脑」。

这篇文章，就是我的实践过程和反思总结，希望对你的知识工作有帮助。

构建

Flowith 这东西，半年多以前，我就给你推荐过。最近它邀请用户参与 2.0 Beta 版本内测，我立即就填写了表格，很快被工作人员拉入群里，且给了 Premium 兑换码。

我于是立即开始尝试构建知识库。方法是选择 "Manage Your Knowledge Base"，进入知识库管理页面。

然后选择左上角的加号，添加新的知识库。

你可以随意给知识库起个名。但是我强烈建议你起个自己后来能分辨的名字，不然使用的时候会不方便找寻。

下面，你就可以点击添加文件。

我建议你使用 Markdown 格式的文件。我平时发布的文章，存储的都是这种格式。它其实就是带标记的纯文本，比较符合大语言模型的偏好。

接着，你会看到 Flowith 开始忙活，逐个文件进行抽取（Extraction）等处理。

你根本无需操心它是怎么做的。关上页面，等处理好了再说。

过了一会儿，处理完毕。我点开其中某一个文件看看。处理过后它包含 3 个 seeds，也就是因为长度关系，切分成了 3 个部分。

你可以在知识库管理页面测试检索。例如我这里输入「卡片」，就可以过滤出与「卡片」直接相关的发布文章内容。

这就是知识库的构建方法 —— 新建、拖拽、等待、搞定。

按照类似的逻辑，我分别构建了「《玉树芝兰》公众号文章」和「《玉树芝兰》知识星球文章」两个知识库。

知识库构建好了，咱们尝试一下问答吧。

尝试

我们先来尝试一下利用「《玉树芝兰》公众号文章」来回答问题。

我这里的设定是使用普通模式（其他模式包括绘图、视频制作、在线检索、提示词优化……）。选择用 Claude 3.5 Sonnet 作为大模型，然后注意只选择「《玉树芝兰》公众号文章」这一个知识库。

我提出的问题为：

如何用 AI 辅助数据分析？

这是 Flowith 给出的答案：

根据提供的文章内容，我为您总结关于 AI 辅助数据分析的几个关键点：

1. AI 作为帮手而非替代者

・ 不要将 AI 当作完全替代品，而是将其作为辅助工具

・ AI 可以帮助完成重复性劳动，人类负责验证和检查结果

・ AI 是 “初级合作者” 需要人类指导和引导

2. 相较以往的变化

・ 过去需要专门学习 Python 和数据分析方法

・ 现在可以通过 AI 工具实现数据分析，门槛大大降低

・ 初学者使用 AI 做的分析甚至可能比自己第一次做的还要好

3. AI 数据分析的主要功能

・ 进行数据清洗和预处理

・ 自动选择合适的分析模型

・ 生成可视化结果

・ 自动检查错误并修正代码

4. 实际应用工具

・ GPT-4 可以帮助建立和评估机器学习模型

・ Claude 等大语言模型可以进行数据分析和可视化

・ Open Interpreter 等工具可以辅助编程和数据处理

5. 使用建议

・ 对 AI 结果要进行严格验证

・ 不要完全依赖 AI, 要保持独立思考

・ 要对 AI 的能力边界有清晰认识

・ 合理使用 AI 提高工作效率

文章指出，AI 带来的变革使得非专业人士也可以进行基础的数据分析工作，但同时也强调了人类在整个过程中的主导作用和判断力的重要性。

在页面左侧，你可以看到检索资料的来源。并且可以点击上面的显示按钮，把所有的原始信息展现出来。

Flowith 最具特色的一个地方，是它可以进行「可视化」的追问，在画布上你可以明确看到问答之间的序列关系。

在上图中，你可以看到它延续着上面的问题进一步追问：

详细说说 Open Interpreter 做数据分析

此时 Flowith 接收到的上下文，不仅包括你的知识库，还包括上一个问题的答案。所以当你提到 Open Interpreter 的事儿的时候，它自动会把这个问题和前面所问的问题 —— 也就是数据分析 —— 结合，给你一个更为精准的答案。

这是执行的过程录像，我用 Screen Studio 的在线分享功能共享给你，点击链接即可直达：

https://screen.studio/share/I4yTequS

这是你最终获得的结果：

根据知识库内容，我总结 Open Interpreter 在数据分析方面的几个关键特点:

1. 调用灵活性

・ 可以搭配多种大语言模型使用，如 GPT-4、Claude、Qwen2 等

・ 通过 yaml 配置文件可以方便地切换不同的模型

・ 支持多种接口调用方式，如 API key、本地部署等

2. 分析能力

・ 能进行数据清洗和预处理

・ 可以自动选择合适的分析模型

・ 支持数据可视化，生成图表

・ 能自动检查和修正代码错误

3. 具体应用案例

・ 股票数据分析和可视化

・ 词云图制作

・ 时间序列分析

・ 机器学习建模

4. 优点

・ 交互性强，可以通过自然语言对话完成分析

・ 执行速度快，特别是搭配 Groq 等快速推理平台

・ 成本较低，尤其是使用开源模型如 Qwen2

5. 局限性

・ 有时会过度分析，不知道在完成任务后及时停止

・ 某些复杂分析可能需要人工引导

・ 结果的准确性需要人工验证

总的来说，Open Interpreter 作为 AI 辅助数据分析工具，能大大降低数据分析的门槛，提高分析效率，但仍需要人类的指导和验证。

你可能会觉得，现在 Flowith 只能给你大纲式的回答，简洁但不够详细。但其实不是这样。这首先和我们调用的模型有关，Claude 3.5 Sonnet 就是喜欢简洁，这一点 在我们之前的文章中也介绍过。另一个重要原因是，我也没有给它更多的详细要求。

作为对比，我们现在就对着同样的知识库，以刚才的问题为基础，但在上面加上一些对细节的要求，看看会有什么不同。

在 Flowith 里面，除了序列追问，你还可以在画布上平行地提问。默认情况下，它会继续前面的问题，但如果你把鼠标点击画布的其他部分，它就会默认在那里新开一个问题。

这是我新的提示词：

如何用 AI 辅助数据分析？请详细解答，引用原文和所在位置作为支撑

这种左右分列的对比可以更为清晰地向我们展现：不同的提示词面对同样的上下文，会有什么样的结果上的区别。

这是新的执行结果：

根据您提供的知识库内容，我将详细分析如何用 AI 辅助数据分析:

1. 利用 Code Interpreter 进行数据分析

根据原文中 “Code Interpreter” 部分的内容，它可以:

・ 帮助进行数据预处理

・ 构建和训练预测模型

・ 进行模型性能评估和结果解释

・ 自动提出改进建议

引用:“Code Interpreter 能把程序直接作用在数据集上面，帮助你实验，甚至解决实际的问题。”

2. 使用 Claude 3 辅助数据分析

根据文章中 “AI 辅助数据分析” 部分描述，主要有以下功能:

・ 提供基础统计描述

・ 进行数据可视化

・ 建立预测模型

・ 给出结果解释和改进建议

引用:“ChatGPT 自动进行了结果的汇总输出与阐释。该模型在测试数据集上的准确率为61.7%。”

3. 多模型结合使用

原文提到可以结合不同模型的优势:

・ GPT-4 进行基础分析

・ Claude 3 进行高级分析和解释

・ Code Interpreter 执行具体代码

引用:“我们使用的是 Code Interpreter 加上 GPT-4, 它中规中矩地进行了数据预处理。”

4. 自动化数据分析流程

根据原文，AI 可以:

・ 自动识别数据类型和结构

・ 进行探索性数据分析

・ 生成分析报告

・ 提供改进建议

引用:“它会自动进行模型选择，以便与具体的数据相匹配，遇到问题甚至还能自己来根据 log 检查错误并且改正源代码。”

5. 注意事项

原文强调:

・ 要对 AI 结果进行验证

・ 人类要保持最终决策权

・ 避免过度依赖 AI

引用:“AI 开始认真干起来了不是？… 准确率高吗？我觉得谈不上。但是这是一个非常有意思的开端”

这些方法需要根据具体场景和需求灵活运用，AI 更多是作为辅助工具而不是完全替代人工分析。

这是执行过程的完整录像：

https://screen.studio/share/zQNiP1Nr

可以看到，基础提示词相同的情况下，这次强化后提示词的结果感觉比第一次的可用性更强，因为它更加聚焦在我们实际感兴趣的问题上。尤其是因为我们要求引用原文，所以感觉答案更加聚焦、更加详细。

下面我们进一步就 Open Interpreter 来继续提问，依然是把刚才要求详细说明原文及位置的提示词增补进去。

提示词为：

详细说说 Open Interpreter 做数据分析。请详细解答，引用原文和所在位置作为支撑

下面是 Flowith 的答案：

基于您提供的知识库内容，我将详细分析 Open Interpreter 如何进行数据分析:

1. 基本功能和优势

・ 可以进行全流程数据分析：从数据预处理到建模、可视化

・ 支持多种模型调用：GPT-4, Haiku, Llama 3 等

・ 执行环境灵活：支持本地运行和云端调用

引用:“Open Interpreter 可以结合 GPT-4, Haiku，以及 Groq 下面的 Llama 3 70B 帮助我们进行数据分析与可视化。”

2. 数据分析实例

・ 股票数据分析

能够自动完成数据获取、处理和可视化:

引用:“我让它展示 2024 年 1 月 1 日到 4 月 19 日特斯拉和苹果股票的价格变化，它思考片刻后开始执行。”

・ 文本分析与可视化

能进行词云分析等:

引用:“下面我们来看看如何绘制词云。我在这里使用了一篇简短的分季介绍老友记（Friends）的文章。”

3. 模型选择与成本优化

・ 可以根据需求选择不同规模的模型

・ 本地小模型 (如 Llama 3 8B) 适合简单任务

・ 大模型 (如 Llama 3 70B) 适合复杂分析

引用:“那么这个本地的小模型 Llama 3 8B 行不行呢？测试一下呗。”

4. 自我优化能力

当分析出现问题时，可以自我改进:

引用:“虽然一开始就出错了，但它很快自我更新，之后的输出就显得靠谱了。没有人工干预，它自己就完成了编程输出。”

5. 存在的局限性

主要问题包括:

・ 有时会过度执行

・ 稳定性需要提升

・ 输出质量依赖模型大小

引用:“只不过在利用 Llama 3 8B + Open Interpreter 执行数据分析过程中，你仍然会遇到一些障碍。例如有时候明明它已经完成了任务，却依然还在执着地尝试着重新编程执行。”

这些分析表明，Open Interpreter 是一个强大的数据分析工具，尤其适合非专业人士进行数据分析工作，但在使用时需要注意其局限性，选择合适的模型来完成特定任务。

执行过程完整录像地址为：

https://screen.studio/share/g4d9wZba

可见，添加来源引用，要求详细输出后，内容确实更加翔实。

不过，公众号毕竟只是我文章总集的一部分。下面咱们来尝试添加另外的知识库，进行综合检索。