核心判断
对话天然按时间发生，理解却会沿着关系分叉。更合适的 AI 工作空间不应要求用户亲自管理一张图，而应让 Card 为局部问题提供位置，让图谱保存方向与出处，再把积累的研究持续整理成一篇可以完整阅读的文章。
和 AI 的交流经常从一个简单问题开始。回答里出现一个陌生概念，我们顺手追问；新的答案又带出另一个方向。几分钟后，旁支已经解释清楚，原来的问题却被埋在很长的聊天记录里。我们得到了一组答案，但失去了这段研究原本的结构。
这并不是对话本身出了问题。对话本来就按时间发生。问题在于，我们让同一条时间线同时记录交流过程、表达探索关系，并充当最后的知识产物。它很自然地保存了先说什么、后说什么，却很难保存一个问题从哪里分出去，又如何回到原处。
这里其实存在三种不同的结构：
- 对话按时间发生，维持眼前的共同注意力。
- Card 与图谱按关系保存，保留分支、路径与出处。
- 文章按编辑结构呈现，成为可以连续阅读的结果。
线性没有错，只是承担了太多
线性对话有明确的价值。它几乎不要求学习成本，可以自然地维持共同注意力，也让每一次回应都有清楚的前因。对于一个短问题，一条时间线通常就是最合适的界面。
困难出现在研究开始产生岔路的时候。用户可能只是想弄清一个术语、一家公司或一个背景事件，然后继续原来的问题。现在的聊天产品通常把这次绕行永久插入主记录。内容越长，时间位置越不能代表语义位置，滚动和搜索也只能帮我们找到一句话，不能恢复它当时属于哪条思路。
因此需要区分三件事：聊天记录保存事情如何发生，研究结构保存问题如何展开，阅读产物负责把已经获得的内容重新组织。把它们压成同一条时间线，看起来最简单，长期使用时却把整理成本推给了用户。
时间顺序是一种可靠的记录方式，却不是完整的知识结构。
分叉应当自然发生，不应由用户管理
一个分支最自然的起点，往往只是一次点击。模型在回答中标出一个可以继续解释的 anchor，用户点击它；或者用户选中一段文字，问一个新的问题。这些动作已经足够表达“我想从这里向外探索”。产品可以据此记录来源关系，而不需要先弹出创建节点、选择父级或命名分支的表单。
同样，用户也不应该负责 merge back。探索结束后，哪些上下文需要带回当前回答，哪些材料应进入最终文章，应由模型与产品的上下文编译层处理。界面可以让用户返回、关闭或重新进入一个分支，但不应要求他们维护一套版本控制术语。
自动化并不意味着可以随意改写历史。更稳妥的底层是追加式记录：保存用户做过什么、从哪里发起问题、模型使用了哪些来源。模型可以选择上下文和生成新的阅读版本，但原始对话与关系仍可追溯。结构可以自动形成，证据不应因此消失。
Card 给局部问题一个可以返回的位置
如果图里的每一个节点都对应单条消息，结构很快就会比对话本身更难理解。更合适的单位是一段局部交流：一个来源问题、一段回答、若干本地 follow-up，以及回答里可以继续展开的 anchor。在 Lattice 原型 中，我们把这个单位称为 Card。
Card 的正文仍然应该像普通 chat 一样从上到下阅读。它不需要额外的回答标题、暂时结论、继续阅读或摘要栏。节点标题可以在分叉时生成一次，作为导航元数据存在，但不必侵入对话。这样既保留交流的自然，也让一个局部问题拥有稳定的位置。
Card 叠起来形成当前研究路径。新的 Card 覆盖在旧的 Card 上，表示从这里继续深入；关闭它，下面的上下文重新成为当前内容；摊开这叠 Card，则可以快速回到路径中的任意位置。空间关系只有在表达语义关系时才有价值。堆叠不是装饰，而是对当前路径的一种可操作表示。
Card 的价值不在于像纸，而在于让一个局部问题有地址。
图谱负责方向与出处，不负责正文
当探索积累到一定规模，用户需要一个全局视角：我从哪里来到这里，还有哪些方向，两条看似独立的路径是否指向同一个事件。图在这些问题上比聊天记录更准确。它也允许多个分支汇合到同一个节点，因此长期研究通常更接近有向无环图（DAG），而不是不断复制内容的树。
但图谱非常容易失控。节点多了以后，标题、连线和区域会争夺注意力；如果再让模型自动生成分区名称和分类体系，界面很快会出现一套并非来自真实交流的第二结构。图的目标不是把所有知识同时摆在屏幕上，而是帮助用户定位、回访和理解出处。
因此图应该保持次要和克制。几何位置尽量稳定，节点标题只在需要时出现，放大只是 semantic zoom，而不是生成更多摘要。完整内容仍然留在 Card 中。图适合回答关系问题，不适合承载完整叙述。
为什么最后仍然需要一篇平铺文章
批评线性聊天，并不等于拒绝线性阅读。探索结构和阅读结构本来就不是同一个结构。研究过程可能从童年跳到公司治理，再回到技术路线；一篇好文章却需要按时间、主题或论证关系重新编排，让没有参与探索的人也能从头读懂。
这也是为什么最终产物更接近 Wikipedia 式的平铺页面，而不是把图谱原样打印出来。文章可以综合多个 Card，一张 Card 也不必机械地对应一个章节。随着研究增加，系统重新编译当前版本，但读者始终看到一份完整成稿，而不是暂时结论、尚未完成或正在整理的内部状态。
文章也不能覆盖原始研究。每个段落应保留到来源 Card 的连接，让读者能返回当时的问题、回答和上下文。这样，文章是一个适合阅读的投影，图谱是关系与出处的投影，Card 则保留交流本身。三种表示可以来自同一份研究，却不必争夺同一种形式。
非线性的生产过程，最终可以形成线性的阅读体验。
知识管理应同时保留过程、结构与结果
传统 chat 擅长保存过程，但很难留下可复用的产物。传统笔记工具擅长保存结果，却经常要求用户在工作之外再做一次整理。更有意思的方向，是让自然发生的交流逐渐沉淀出三个彼此关联的表示：原始行为与对话、局部 Card 与探索 DAG、持续编译的平铺文章。
底层可以是本地文件、Markdown 和类似双向链接的关系，也可以由不同的 agent harness 驱动。关键不是让用户直接操作文件系统，而是让这些文件成为可靠、可迁移的知识基底。界面负责探索与阅读，模型负责按需要加载相关上下文，文件则保留长期所有权。
这也改变了所谓自动整理的含义。目标不再是把每次聊天切成一堆笔记，而是同时保留发生过的过程、问题之间的关系，以及一份能继续阅读和修改的综合结果。知识不必在对话结束后才被整理，它可以在交流进行时逐渐形成。
图不是答案，它只是一个需要验证的界面假设
并不是每一次聊天都需要图，也不是分支越多越好。一个简单问题应该继续停留在简单对话里。只有当用户真的点击 anchor、选择文字或沿历史 Card 继续追问时，结构才应该生长。图应由实际行为形成，而不是为了显得聪明而预先生成。
自动上下文管理也有风险。模型可能错误地判断两个概念相关，生成含混的节点标题，或在重写文章时过度压缩细节。产品需要明确的来源、可撤销的操作、稳定的历史，以及让用户看见当前上下文来自哪里的方式。没有这些约束，图只会把聊天里的混乱换一种形式保存。
所以这不是一个已经被证明的终局，而是一组可以被测试的产品判断：用户是否更容易回到原来的问题，是否能理解 Card 堆叠与研究路径的关系，图谱在多大规模后开始失去价值，自动成稿是否真的减少整理负担。界面的质感重要，但最终仍要由这些问题来判断它是否成立。
让交流留下可以继续使用的东西
一个更好的界面不需要要求用户“像图一样思考”。用户仍然可以像现在一样提问、追问、离开话题，再回到原来的问题。不同的是，产品记住了这些动作之间的关系。
对话保留事情如何发生，Card 和图谱保留探索如何展开，文章则把已经获得的内容重新组织成可以阅读的整体。三者不必互相取代。
或许知识管理真正需要自动化的，不是写下更多笔记，而是让一次普通交流结束之后，仍然留下清楚的结构和可继续使用的结果。
这篇文章来自 Lattice 交互原型的持续设计讨论。