cairn-redefining-moc-for-ai-human-knowledge-structures.txt

# Mobile Capture 20260525T055012Z-331582191

Captured: 2026-05-25T05:50:12.000Z
Source: telegram
From: @fatfat_pig

## Content

具體來說，我們把 MOC（Map of Content）這個 PKM 圈用了很多年的概念重新定義：

- atom 是個人的經驗或觀點，一個人寫、一個人負責，帶 authorship 和 context
- L1 MOC 是 topic-level 的結構，「這幾個 atom 在回答同一個問題」
- L2 MOC 是 theme-level 的結構，「這個社群關心哪幾個大方向」
- LLM（我們叫 Moss）草擬 MOC，但人來決定「哪些東西該放在一起」

這套機制不只是給社群用的。個人用的時候，它就是 Karpathy 的 LLM Wiki（Schema → Wiki → Raw）。團隊用的時候，它比 Confluence 多了「結構是 AI 維護的、人審核的」。社群用的時候，它能保留 disagreement 的 shape 而不是壓成共識。

這個 thesis 也可能是錯的。也許多數人不需要看見 disagreement 的 shape，他們只是想要更好的搜尋、更可靠的摘要、更低摩擦的 wiki。Cairn 真正想驗證的核心挑戰在於：「在什麼場景下，保留 disagreement 真的能改變決策品質？」這遠比單純證明「多觀點很浪漫、很美」來得有意義。

目前我們的 MOC-gated retrieval 有跑出一些不錯的 eval 數據（Moss 對比 ChatGPT 和 Perplexity 在結構化回答上有明顯差距），但社群規模的驗證還沒做完。資料工程圈在講 single source of change，我們在試的是用 MOC 做 single source of structure，讓多個 truth 共存但有結構可循。

寫這篇的時候把過去一年多的東西重新梳理了一遍，才發現 Cairn 現在在做的很多事情，真的是沒有 AILogora 那段經驗就過不來的。Tags 試過了、空間化試過了、LLM → Wiki 也試過了，每一種都有學到東西，但也都碰到了天花板。那些天花板最後指向了同一個方向，就是知識管理這個問題比我一開始想的複雜太多，不是換一個工具或換一種分類法就能解決的。

也不確定 Cairn 走的方向最後會不會對。但至少現在回頭看，這一年多沒有白繞。😅

如果你也在研究類似的題目，Karpathy 的 LLM Wiki Gist、Protocol Labs 的 Discourse Graphs、vTaiwan 的 Polis 案例都蠻值得看的，Cairn 這周也會找早期試用者，歡迎來聊聊。