PARA-C ——為靜態第二大腦補上動態思考流

一、PARA 的隱藏前提

Tiago Forte 的 PARA 框架（Projects / Areas / Resources / Archive）幾乎已經是個人知識管理（PKM）的標準答案了。它用可行動性而不是主題類別做分類軸——這是很聰明的一步，解決了「這個該放哪」的分類焦慮。

但 PARA 有一個從未明說的前提：

知識是先存在的物件，等待被歸類。

你捕捉一則想法、你讀了一本書、你整理了一份會議筆記——這些都是「已經成形的東西」，PARA 幫你決定它屬於 Projects 還是 Resources。

這個前提在 2020 年之前是對的。那時候思考主要發生在人類腦袋裡，筆記是結果的紀錄。

但 2023 之後，這個前提開始鬆動。

二、AI 時代的新實況：思考發生在對話裡

過去兩年，任何認真使用 AI 協作的人都會發現一件事：

你最重要的思考，不在你預先寫好的筆記裡，而在你跟 AI 的對話裡。

工程師跟 AI 來回推敲一個 bug 的根因，最後找到的解法不在任何 stackoverflow，在那場對話的第 12 輪
編劇跟 AI 辯論一個角色動機，最後定稿的那個選擇，是對話過程中浮現的
研究員用 AI 快速 probe 一個假說，真正有價值的是「為什麼這個假說不成立」的推理軌跡
律師用 AI 預演法庭攻防，最終使用的論點誕生在對話的摩擦中

這些過程才是新型態工作的本質。成品（程式碼、劇本、論文、訴狀）是結晶體，對話是結晶前的液態思考。

PARA 只能歸檔結晶體。液態思考，它無處可放。

你現在開個 ChatGPT session 深度討論一小時，結束時複製一段到 Obsidian——那是把海水舀一瓢起來當樣本。那一小時的對話本身，蒸發了。

三、已有的嘗試：time-based 系統走一半

事實上，很多工具試圖補這個缺口，但都只做了一半：

系統	做了什麼	缺什麼
Roam / Logseq daily notes	按日期組織筆記	Daily note 是人類自己寫的日誌，不是對話；無語意搜尋；AI 不參與書寫
Obsidian daily note + dataview	時間軸查詢	對話仍需手動貼進來，貼進來的是片段不是流
Bear / DayOne 日記 App	強時間流	純人類視角，AI 無法讀寫；無跨工具
ChatGPT Memory / Claude Projects	記得對話	綁單一 AI 平台；不可搜尋；無法跨 session
RAG + 向量資料庫	AI 能查文件	對話不進資料庫；AI 是讀者不是作者

每個系統解決一個子問題，但沒有一個處理完整的「AI 時代的思考流動」。

真正的缺口是：一個能同時承載「人寫的靜態知識 + 人 AI 對話的動態流 + 可跨任何 AI 平台」的系統。

四、提議：PARA-C 框架

PARA + Conversation Stream。

核心想法： 不是取代 PARA，是在 PARA 的樹狀結構上，加一條正交的時間軸，專門承載思考流。

 ── topic axis (PARA 靜態樹) ──────►
 │
 │ Projects Areas Resources Archive
 │ │ │ │ │
 │ ▼ ▼ ▼ ▼
 │ [結晶過的知識 — 篩過、分類過、歸檔]
 time axis │
 (動態流) │
 │ ══════════════════════════════════
 │ ▲ ▲ ▲ ▲
 ▼ │ │ │ │
 對話1 對話2 對話3 對話4
 │ │ │ │
 [未結晶的思考 — 按時間排，跨主題]

兩個軸的關係：

PARA 軸：按「這個屬於什麼」分類
Conversation 軸：按「這個什麼時候發生」排列

一場對話可能同時觸到 PARA 的多個節點——討論一部電影的場景設計，可能同時涉及「進行中劇本」（Projects）、「影視研究」（Resources）、「導演心得」（Areas）。PARA 樹要你選一個位置歸檔，Conversation 軸保留全部穿越路徑。

五、四個維度的完整模型

要讓 PARA-C 真的可用，光有兩個軸不夠。完整的個人知識系統需要四個維度：

1. 拓樸結構（PARA topic）

靜態樹。專案、領域、資源、封存。回答「這是什麼主題？」

2. 時間流動（Conversation Stream）

動態流。時間戳、verbatim 對話、跨主題。回答「這是什麼時候思考的？」

3. 事實節點（Knowledge Graph）

結構化三元組：主詞 → 謂詞 → 受詞 + 時間有效期。回答「在某個時間點，什麼是真的？」

例如：專案 A → 狀態 → 第三稿完成（valid from 2026-03-15）→ 後來變成 專案 A → 狀態 → 進入拍攝（valid from 2026-05-01）。這種狀態變化只有 KG 能精確查詢。

4. 工作軌跡（AI Diary）

AI 自己寫給自己看的工作日誌。壓縮格式，跨 session 累積。回答「上次 AI 怎麼想這件事？」

讓新接手的 AI session 能讀到前人的工作脈絡，避免重新發現。

四個維度的查詢能力

這四個維度加起來，支援的查詢是傳統 PARA 做不到的：

查詢類型	傳統 PARA	PARA-C
「這個專案的所有資料」	✓	✓
「上個月我都在想什麼？」	✗（只能看 daily note）	✓（Conversation 流）
「2025 年底這個專案是什麼狀態？」	✗	✓（KG 時間切片）
「上次 AI 怎麼處理這類問題？」	✗	✓（AI diary）
「這個靈感當初是在哪次對話浮現的？」	✗	✓（流向搜尋）
「我兩個月前對這件事的想法跟現在有什麼不同？」	✗	✓（時間比對）

這些「時間性」與「過程性」的查詢，是個人知識管理從未有人完整解決過的。

六、為什麼是現在：三個技術條件同時成熟

PARA-C 不是憑空而來。它能成立，是三個技術條件在 2024-2026 間同時到位：

條件 1：本機向量檢索成本降到可接受

FastEmbed / ONNX 讓 CJK 語義檢索在筆電上跑得起來
不再需要雲端 API（隱私、成本、延遲都解）
沒這個，對話流會變成「有存但查不動」的大數據墳場

條件 2：MCP 協定讓 AI 工具互通

Anthropic 推 Model Context Protocol
Claude / Gemini / Cursor / Antigravity / 所有支援 MCP 的 client 共用同一個記憶後端
沒這個，每個工具一座記憶孤島，流動軸不可能跨平台

條件 3：對話本身可以 verbatim 存檔並結構化

AI 寫得夠好，能判斷「這段值得存」、「這段是雜訊」
AI 能在存檔時就做好 metadata（主題、時間、相關實體）
沒這個，只能靠人工每天花時間整理對話——沒人有這時間

三個條件缺一不可。這就是為什麼同樣的想法十年前做不出來。

七、實作：用 mempalace 承載 PARA-C

具體怎麼做？目前最接近的承載層是 mempalace（及其 fork 版本）：

拓樸層（PARA）：

你的 Obsidian vault 用 PARA 結構（00. Hub / 10. Projects / 20. Areas / 30. Resources / 40. Archive）
mempalace 自動 mine 整個 vault 到 second_brain wing
你寫的筆記、訪談、劇本、研究都在這

時間流層（Conversation）：

每個 AI 平台（Claude / Gemini / HAL / …）透過 MCP 接到同一個 mempalace
重要對話用 archive_conversation tool 存 verbatim .md + 自動索引
檔名含時間戳，檔案按時間排序，內容按 wing/room 分類

事實層（KG）：

對話中出現的關鍵事實（專案狀態變動、人際關係、持倉變動）用 kg_add 存成 triple
帶 valid_from / valid_to 支援時間切片查詢

AI 工作軌跡（Diary）：

每個 agent 有自己的 diary wing
用 AAAK 壓縮格式記錄工作脈絡
跨 session 累積，新 AI 可讀取前任的工作筆記

四層在同一個 palace 裡，mempalace_search 可以限定 wing 做精準查詢，也可以跨 wing 做廣度檢索。

八、對不同知識工作者的意義

PARA-C 的價值不只在創意工作。任何思考密集型的工作都能受益：

軟體工程師

痛點：跟 AI 除錯一小時後 session 關掉，隔天遇到類似問題又從頭解釋
PARA-C 價值：
archive_conversation 存下關鍵除錯脈絡
kg_add 記下「X 系統在 Y 條件下會出 Z 錯誤」
下次 AI 打開就能讀到「上次我處理過類似問題，結論是⋯⋯」

研究員

痛點：做 literature review 時 AI 幫你 probe 假說，但 session 結束所有推理軌跡消失
PARA-C 價值：
對話流保留完整 reasoning chain
KG 記錄「某某假說在某次實驗中被證偽」（時間軸）
半年後寫 paper 時，能回溯到「這個想法是怎麼長出來的」

產品經理

痛點：規格討論、架構辯論、取捨決策散落在 Slack、Google Docs、會議逐字稿
PARA-C 價值：
把 AI 協助的 design doc 討論存成 conversation stream
KG 記錄「功能 X 被否決的原因」、「A/B 測試的結論」
新人上任時，讀 AI diary 就能快速上手「過去半年我們為什麼做了這些決定」

醫師

痛點：複雜病例的鑑別診斷思考軌跡無處留存，下次類似病例重新推演
PARA-C 價值：
對話流保留完整鑑別推理
KG 記「病患 X 在時間 Y 的狀態」（天然符合病歷需求）
教學時可以回放完整診斷思考過程

律師

痛點：案件策略討論、論點攻防預演發生在口頭或零散筆記中
PARA-C 價值：
預演對話完整存檔
KG 記關鍵證據與法律要件的連結
上訴階段能精準調閱「初審時我們為什麼這樣論證」

九、誠實的限制

不該假裝這個框架已經完備。實況：

還在進化中：

KG 層的門檻較高。需要 AI 有紀律主動抽取事實、使用者有耐心維護。實務上大多數使用者（包括我自己）這一層最弱。
對話流的「該存什麼」仰賴 AI 判斷力。訊號 vs 雜訊的判別需要 tool description 寫好 + AI 訓練得好。目前只有 Claude / Gemini 等高階模型做得夠好，中小模型不穩。
跨平台記憶同步需要 infrastructure。你得自己架一個 MCP server、確保所有 client 連上同一個、iCloud 或類似方案做跨裝置同步。對非技術使用者門檻太高。
MCP 協定尚年輕。2025 才推出，很多 AI 工具還沒接。Claude Desktop 剛補上。Gemini Web 還沒本機 transcript。
未經學術或大規模使用者測試。這個框架是我個人六個月實踐長出來的心得，不是 benchmark 過的結論。

但即使如此，方向是對的。 因為 PARA 的靜態本質與 AI 時代的動態思考本質之間，缺口是真實存在的——不管誰來補、用什麼方案補，都會走向類似 PARA-C 的結構。

十、結語：知識管理的第二次典範轉移

PKM（個人知識管理）過去經歷過一次典範轉移：

第一次轉移：從檔案系統到主題樹

1970s-2000s：硬碟資料夾、Windows 檔案總管
2000s-2020s：Notion / Evernote / Obsidian + PARA

這次轉移解決了「分類焦慮」——知識不用按儲存位置管理，按用途管理。

第二次轉移：從主題樹到拓樸+流動二維

2024 開始：PARA + Conversation Stream（PARA-C）
核心改變：AI 從工具變成協作者，需要 AI 可讀可寫的記憶層

這次轉移解決的是「液態思考的歸屬」——思考在對話中發生，必須有地方可以流動、累積、回溯。

Tiago Forte 奠定了第一次轉移的方法論。第二次轉移還沒有正式命名，也還沒有公認的方法論。

我在這裡提議一個起點：PARA-C。

它可能不是最終的答案，但它指出了一個方向——靜態結晶體不夠用了，我們需要同時承載液態思考。

誰先認真做這件事，誰就站在下一輪個人知識管理的起點上。

附錄：如何開始

如果你想試試：

維持現有 PARA 架構（如果你還沒用，先採用 PARA——這是基礎）
選一個 AI 協作工具 — Claude Code、Cursor、Gemini CLI 任選
安裝 mempalace 或類似系統 — 目前我用的是自己的中文優化 fork（ideo2004-afk/mempalace-zh）
讓 mempalace mine 你的 Obsidian vault — 靜態層自動就位
開始用 archive_conversation 存重要對話 — 動態流開始累積
定期抽 KG triple — 事實層慢慢長起來

探索