如何用Obsidian提高框架思考的能力？

原文链接：https://mp.weixin.qq.com/s/Fn2dQmXwVu2GWDwrBGw_Gw

。

文 / 王世民
深圳尔雅总裁 | YouCore创始人

著有《思维力》《学习力》《减法》

如果有这么一个问题摆在你的面前：“如何梳理自己未来10年的职业规划？”

你知道该如何做吗？

用框架思考来做的话，只要三步：选一个框架，把具体内容填进去，得出结论。

听起来很简单，但现实中，大部分人在第一步就卡住了。

因为，你可能一个适用的框架都想不起来。

为什么会有这种“卡壳”？

认知心理学中的 「情境依赖记忆」 理论给出了答案。

1975 年，心理学家 Godden 和 Baddeley 做了一个经典实验：让潜水员在水上和水下分别学习一份单词列表，然后在相同或不同情境下测试回忆。

结果发现：水下学习的人，在水下测试时回忆正确率达 96%，而在岸上测试时只有 60%——错了将近一半。

学习时的环境线索，本身就是记忆的钥匙。

这个原理放在框架学习上完全一致。

你在学 SWOT 时，编码语境是抽象的理论场景（“SWOT 分四象限”“交叉分析”）；而你需要用它时，使用语境是具体的现实问题（“今年预算砍不砍”“竞品降价了怎么办”）。

所以，想不起来不是你的记忆力不行，是大脑检索系统发生了「情境失配」。

学了没用上，这个框架对你来说，其实就等于不存在。

框架的价值不在存了多少，在调得出多少。

传统方法为何解决不了

既然知道了问题的根源是「情境失配」，那为何传统方法解决不了呢？

主要受到两个瓶颈的限制。

1、第一个瓶颈：记不住

你说，我多复习、做笔记、把框架抄在墙上，总该记住吧？

心理学中的 「检索效应」（Roediger & Karpicke, 2006）早已证实：反复检索比反复学习更能巩固长期记忆。

研究发现，检索组一周后的知识保留率比重读组高出约 30%。

但问题在于，你的大脑只在考试时才主动检索，日常工作中它依赖直觉习惯，不会自动触发框架知识。

你知道「三叶草模型」，但大脑不会在看到“职业规划”时自动弹出「三叶草模型」。

你缺少的不是知识，是知识的触发器。

2、第二个瓶颈：选不对

勉强想起一个框架，然后硬往上套，不管适不适合。

拿着锤子看什么都是钉子，这不是思考，是碰运气。

更麻烦的是，现实问题很少被一个框架完美覆盖，你需要组合框架。但脑中只有三四个框架时，你根本没得选。

选不对的原因，不是判断力差，是选项太少。

知道了上面的两个瓶颈，解决思路很清晰了：如果你自己的大脑靠不住，那就在大脑外面建一个 「框架外脑」。

但注意，把框架抄在笔记本上不叫外脑，那只是存放地点的变动。真正的「框架外脑」需要具备三个条件：

◆ 可检索 ：随时能查到需要的框架，不用靠回忆。

◆ 可关联 ：框架之间相互连接，形成知识网络。

◆ 可调用 ：能在被需要时，自动被调用出来。

Obsidian + AI，恰好同时满足这三个条件。

用Obsidian搭建你的框架库

在Obsidian里搭建框架库，主要分为两步：

1、生成框架卡片

每一个框架存成一张卡片，格式统一。我用的模板结构如下：

核心维度告诉你怎么用，适用场景告诉你在什么情况下想到它，相关框架帮你建立知识网络。

最关键的字段是“适用场景”，它就是AI检索时匹配你问题的关键入口。

这样你不光存了框架的内容，你还存了什么时候该用它。

2、框架的分类索引

卡片多了以后，需要索引。

我按问题类型建了主题索引：分析类、决策类、学习类、行动类、沟通类…

每个框架归到对应类型下。

然后用Obsidian的双向链接把相关框架串起来。

双向链接的真正价值，是让框架从孤立的知识点变成一张网。

用AI让框架“活起来”

在Obsidian里将框架库搭好之后，它能帮你解决“记不住”的问题。

但“选不对”的问题还没解决，比如，当你有 30 个框架卡片时，你反而可能更困惑：到底该用哪个？

这就是 AI 出场的时候了。

有了 AI，你的「框架外脑」才真正从“图书馆”变成“馆员”。

它有两种不同的工作方式，分别对应框架思考中的两种方式。

1、模式一：自上而下

传统调用框架的方式，完全依赖你的个人知识储备。

比如，你知道 PEST，但不知道“客户旅程地图”。你知道 SWOT，但不知道“JTBD 框架”。你只能用你已知道的那几个。

但有了 AI 后不一样了。

你把问题描述给 AI，它能瞬间扫描所有卡片的“适用场景”字段，给出你根本没想过但恰好合适的推荐。

你输入：“团队新人上手太慢，培训效果不好，帮我推荐分析框架。”

AI 检索你的框架库后，几秒内就返回：

「721 学习法则」：诊断培训方式的结构偏差

「5Why 分析」：追查根因

「个体培养 ROI 模型」：筛选优先方案

这不是 AI 比你聪明，是 AI 比你存得多、比你记得牢、比你调得快。

2、模式二：自下而上

这个模式下，AI不是用于帮你匹配适用的框架，而是先帮你发散，你人工收敛后，AI再帮你校验。

第一步：发散阶段

人脑的发散是有限的，很多时候，你能想到 5 条就不错了。

但AI可以扮演“无限发散器”。

你把初步分析丢给它，让它从各个角度补充思路。

第二步：收敛阶段

你来做筛选，结合自己的行业经验和组织判断，从 AI 发散出的 20、30 条结果中挑出真正靠谱的 4-5 条可行的方案。

第三步：校验阶段

提炼出框架后，让 AI 做 MECE 检查：

以优化后的培训方式为例，AI会做如下的MECE检查：

◆ 是否有遗漏维度？你列的 4 个维度集中在“培训方式”上，缺少“培训内容”“培训对象基础”两个维度。

◆ 维度之间是否有重叠？“师徒制”和“跟岗学习”在实操上高度重叠，建议合并。

◆ 如果再加一个维度，可能是“培训后的持续追踪”。

发散交给 AI，收敛留给自己，校验再交给 AI。

第二种模式的核心价值：让你从“想不全”变成“想到位”。

一次完整的框架思考实战

前面讲了那么多方法，现在是时候把它们串起来了。

我们以前面提到的这个问题为例：团队新人上手太慢，培训效果不好。

1、准确描述问题

先不急着分析。先用界定问题的方法，准确描述这个问题。

例如：培训效果不好衡量标准是什么？新人独立上手平均需要多少天？跟行业数据对比差多少？

定义问题往往比分析问题更关键。好的问题描述，决定 AI 推荐框架的质量。

2、AI 检索框架库

把准确描述后的问题丢给 AI：

“团队新人平均 4 周才能独立上手，预期是 1 周，差距 4 倍；培训后考核通过率仅 30%。

初步判断根因是带教辅导不足，我框架库里有哪些适合分析这个问题的框架？”

AI 搜索你的框架库，返回推荐：「721 学习法则」（诊断培训方式的结构偏差）、「5Why 分析」（追查根因）。

3、组合框架分析

你选定 「721 学习法则」 作为主要框架。填入数据后发现：

当前培训 90% 是正式培训（听课+看文档），只有 10% 是“在岗实战”。

而 721 法则的理想比例是：70% 在岗实战、20% 人际互动、10% 正式培训。

偏差巨大。

问题找到了：不是培训内容不好，是培训方式的结构严重失衡。

但为什么会出现这种失衡？继续用 「5Why 分析」 追问：

为什么培训以讲课为主？ —> 因为这是最省事的组织方式。

为什么组织者选择省事的方式？—> 因为团队没有系统化的新人培养体系。

为什么没有培养体系？—> 因为团队没有沉淀 SOP 和带人机制的习惯。

根因找到了：不是“培训方法不当”，是“团队缺少标准化沉淀习惯”。

4、AI 发散 + 人工收敛 + MECE 校验

你让 AI 发散 20 条培训改进方案。

从 AI 的 20 条中，你结合 721 法则筛选，优先保留“在岗实战”类方案（跟岗学习、分模块实战），辅以“人际互动”类方案（导师制、异常案例研讨）。

接着让 AI 做 MECE 检查。AI 补充了两项关键“软基建”：
SOP 沉淀共享：解决标准操作熟练化问题。

异常事件库：解决异常情况应对能力培养问题。

这两个方面，你之前完全没考虑到。

5、Step 5：沉淀新框架

到这里，你以为结束了？真正的闭环在最后一步。

把这次分析中总结出的方法，做成一个新框架卡片，存回知识库。包含：721 诊断检查点、SOP 覆盖率检查、异常事件库建设清单。

下次你或者你的同事遇到“新人上手慢”的问题，AI 可以直接调用这张定制框架。

前人的分析成果，不是躺在个人笔记里的死文字，而是可以被随时调用的活知识。

这就是 「框架外脑」 的终极状态。不是一次性地分析问题，而是在每次分析中沉淀框架，让整个知识库不断进化。

小结

框架思考的关键，从来不是记住更多框架的问题，而是能否准确调用合适的框架。

现在有了 Obsidian + AI ，你更不需要记住所有框架，你只需要记住：你的Obsidian里有一个 24 小时待命的“图书馆员”。

现在打开你的笔记工具，花五分钟，做几件事：

1、新建一条笔记，起名“SWOT 分析”

2、将这篇文章保存到你的Obsidian笔记

3、让AI根据这篇文章的内容生成框架卡片

5分钟后，你就拥有了第一张框架卡片。你的「框架外脑」正式启动！

如何用Obsidian+AI构建专属于你的知识体系框架，我也已经梳理成SOP模板了，你直接照抄即可。

关注公众号，回复“模板”获取👇

本文转载自微信公众号，如有侵权请联系删除。