我想把自己数字化。每天的所见所闻、每一次灵感闪现、每一段对话中的关键决策——我想让它们不再随时间蒸发，而是沉淀成一个可以被检索、被唤醒、被 AI 深度理解的数字大脑。大模型的迭代和 Agent 能力的成熟，让我觉得这件事终于可以做了。
过往这些年，我积累了大量知识，散落在各个年代的工具里（你大概也是）。最早是 Evernote ，印象当年还有个 Markdown 插件（马克飞象 https://maxiang.io/ ，竟然还在），能一边写一边同步到印象笔记中。
那个年代还折腾过 emacs 的 org-mode 。后来因为清爽简洁、原生支持 Markdown ，用了 Bear 。又因为功能强大、丰富的 Emoji ，迁到了 Notion 。再到工作中各种各样的企微文档、飞书文档。当然，还有在硬盘中保存的各种 Word 、PPT 、Excel 、PDF 甚至是 xmind 。
去年因为工作需要，深入调研了各类录音硬件，也实际落地推广应用了一些。像 Plaud 、Limitless 这些，特别是 Limitless Pendent ，特地没有设计开关录音键，带上就自动录音始终在线，理念是"你只管带着，其他不用管，需要用的时候来问我"。
这些产品平台每一个都在称自己是"第二大脑"。但实际上大脑越来越多。当你有 10 个大脑后，问题就变成了：我该用哪个脑子？这是个非常令人惆怅的事情。
所以，把这些散落在各个地方的内容标准化，以一个统一的、平台无关的格式放在一起，就变得格外有意义。应该用什么格式好？
Markdown 、JSON 、XML 、私有协议（ Notion 、飞书）、HTML ，似乎都能满足。但当我真正走到这一步的时候，直接选择了 Markdown ，完全没犹豫。如果再精确一点，是 Markdown + YAML——Markdown 负责人类可读的内容，YAML 负责机器可读的骨架。这个小组合可以非常好地满足 local-first 、标准化、AI 友好这些诉求。
在这种选择上，极简和克制是个好东西。谁能想到，2004 年问世的 Markdown 会在 AI 时代焕发新的活力。而 Word 、PDF 这些"富格式"文档的结构化解析，至今仍是大模型落地的实际瓶颈——即便视觉语言模型在文档理解上已经大幅进步，面对复杂排版时仍然会产生难以察觉的幻觉，且缺乏可靠的置信度反馈。
Pierre-Carl Langlais 在一张半开玩笑的 AI 时间线里，"PDF parsing is solved" 被放在了通向 AGI 之前必须攻克的关键节点上。纯文本，反而成了 AI 时代最扎实的底座。
第二个有意义的事，是把这些不同平台的内容拉回来，拉到一个统一的地方。
这件事非常繁琐复杂，全是脏活累活——要去适配各个完全不一样的平台、不一样的工具、不一样的格式、不一样的版本。但在做这个事的过程中，我发现每接入一个平台，就像打通了一处封存的记忆。
我先把 Bear 的笔记接入了，发现我拥有了 2015 到 2018 年的记忆；
然后又把 Notion 接入了，2018 到 2022 年的记忆回来了；
然后接入飞书、印象笔记，再到支持硬盘上的各种文档。
我很惊喜地看到最近十多年来的心路历程连成了一条线。它好像非常懂我，甚至比我自己记得还清楚。
这些事情都做完，有几个让我觉得很有意思、想要分享，甚至有点震撼的的场景：
这些体验让我确信这条路走对了。所以，我把在自我数字化的实践沉淀下来，打造成了一个工具，它是一个 AI Native 的知识工作台，可以在本地帮你搭一个随时能用的数字大脑：
Luminite https://github.com/luminite-md/luminite
产品背后的选择 Local-First 数据在本地：向量化语义索引都在本地运行跑，文件以纯文本存在你的磁盘里，不在云端。只有主动发起询问时，才会通过配置好的 API 发送到大模型。产品本身自带了 DeepSeek 的 API （前期测试我来买单），为了长久使用，你也可以选择配置自己的 API Key （ Bring Your Own Key ）
Markdown 是一等公民：不管原始数据来自哪，统一解析成带元数据的标准 Markdown 。不锁定任何平台，十年后依然能读，随时能迁走。
Agentic 检索：它会像一个研究员一样反复查、反复想——读完整篇文档、交叉引用多份材料、自己判断还需要补什么信息，直到拼出一个经得起推敲的结论。
多个平台一次接入：Notion 、飞书、Apple Notes 等等，增量同步，后台静默执行。
如果你也有散落在五六个平台里的记忆，想让它们重新为你工作——试试 Luminite 。
产品目前在内测阶段，完全免费。我很想知道，当你把自己的十年记忆接进来之后，它会帮你想起什么。
欢迎加我微信 luminite-md，聊聊你的数字大脑是怎么长出来的。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。