啊啊明白了，作为新手才知道有“出链”这个功能。。
麻烦再问一个问题，最近在对笔记用图书馆的分类法归档，想问下对于两个属于不同主题分类的概念或实体间的关系笔记，是不是要在两个主题分类下面分别归档啊？
简单（但不严格）来说，选一个自己喜欢的分类丢进去就行。kg法不太需要使用分类来定位。
但严格来说，不同类型的关系所需要归入的类别是不同的。这里仅以《中图法》中的规定举例(《中国图书馆分类法》编委会, 2012)：
- 应用关系的主题，是指一个主题应用到另一个或几个主题中，或者是指几个主题同时应
用到另一个主题当中。凡属一种（或多种）理论、方法、工艺、材料、设备、产品在某一主题方
面应用的文献，均分人应用到的主题所属的类目；凡属一种理论、方法、材料等在多个主题方
面应用的文献，则按该理论、方法本身的学科属性归类。例:《数学规划在测绘学中的应用》，入测绘学P2。 - 影响关系的主题,是指文献内容涉及几个主题，其中一个主题对另一个或多个主题产生
影响，或者多个主题对一个主题产生影响，或各主题之间互相影响。论述一个主题或多个主
题影响另一主题的文献，分人受影响主题所属的类目；论述一个主题对多个主题产生影响的
文献,一般按发生影响的主题归类，若某一受影响主题是论述的重点，则按重点受影响主题
归类。例:《月亮太阳的引力对人类生老病死的影响》，按受影响的主题归入R339. 5。 - 因果关系的主题，是指文献内容涉及几个主题淇中Y主题是另f主题或多个主题产
生的原因,或者一个主题是另一个或多个主题产生的结果。论述主题之间因果关系的文献，一
般分入结果方面的主题所属的类目;如果一个原因产生多个结果，则按原因的主题归类。例2：《地震对人类和自然界带来的危害》，按原因的主题归入P315.9。 - 比较关系的主题,是指文献中多个主题之间具有相互比较优劣或异同的关系。论述对
两个主题相互比较的文献,按著者重点阐述或所赞同的主题归类,必要时为另一个主题作互
见分类;如果是多个主题之间的比较,则归入有关的上位类。例：《中美两国民主之比较》,归入中国政治D62,在美国政治D771.22类下作互见。
《中国图书馆分类法》编委会. (2012). 中国图书馆分类法第五版使用手册. 国家图书馆出版社.
谢谢 Ryooo 的分享，用了卡片笔记一年多，这次一次解决了笔记颗粒度与命名的问题，真是豁然开朗。手边有一个例子，想听听您的看法，该如何拆分？
前阵子听了一场关于“中国电动车产业”的讲座，讲者转述了“造车新势力谈中国电动车产业的风险”，想知道这个知识点该怎么拆分？
我的想法是：
“造车新势力”这张卡片没问题，“中国电动车产业”这个知识点应该会是“中国”卡片下的“产业”条目，“产业”条目中再分出“电动车”条目。（或者应该是中国条目下的“电动车产业”？）
那讲者所说的资讯，就会是“造车新势力 - 关系 - 中国电动车产业”这样一张知识卡片，不知道这样理解有没有问题？还请 Ryooo 指教，谢谢！
1 个赞
总的来说没有问题。但我想再进一步阐述一下命名，以方便你更好的理解。
在我的方法中，命名本质上是为一段信息赋予一个最小的、且带有语义信息的检索符号。这里有三个要点：
- 首先它是检索符号，也就是说我们能凭借笔记名这个符号来找到对应的信息。如果一个笔记名无法让我们找到对应主题的信息，那么这个命名就是不好的。
- 其次它是最小的，也就是说用它来搜索信息时返回的信息量不多不少。比如《电动汽车》就适合当作电动汽车相关内容的笔记名称，这样找到的信息刚好不多不好；而《汽车》就不适合当电动汽车相关内容的名称，因为其返回的信息太多，电动汽车只是其中一部分；《byd电动汽车》也不适合当电动汽车相关内容的笔记名称，因为其返回的信息太少。
- 最后，它是带有语义的。如果仅考虑信息组织和搜索需求，用满足以上两点的随机字符串也可以做到，比如sddkf002表示电动汽车。但显然，这种随机字符串并不适合人类读取，所以我们选择使用与信息主题对应的词语或短句来作为信息的检索符号。考虑到自然语言的多义性，我们在用相关词语或短句作为检索符号时还需要对其进行进一步规范。
考虑上面三个原则，我们可以进一步审视一下你的思路。
首先检索符号，这个是满足的。其次是最小，在我看来“造车新势力”、“中国电动车产业”都可以视为一个最小符号。最后是语义，“造车新势力 - 关系 - 中国电动车产业”是否体现了语义关系？我觉得是体现了的，一眼就能看出其对应的信息主题。所以总的来说这样命名是没问题的。
但至于这一部分，我不太清楚条目指的究竟是什么。如果这里说的是《中国电动车产业》被《中国产业》所引用、《中国产业》被《中国》所引用，我觉得是没问题的，因为这三个节点确实有关系、且关系无需单独解释，可以直接用链接来表达。但如果这里说的是中国电动车产业相关内容应当记录在《中国产业》中，那显然不符合上面所说的最小原则。
2 个赞
谢谢 Ryooo，最后一段有解答了我的疑惑。
我先前的思路是“产业”是中国的一个方面，而“电动车”又是中国产业的一个部分，所以会在“中国”笔记页中的“产业”标题之下的“电动车”标题之下撰写内容。
如果引入您提出的“的信息量不多不少”的原则，那在“中国”笔记下新增“中国产业”的笔记连结，在“中国产业”的笔记中再新增“中国电动车产业”的确会是更适当的做法，保留了三个名词间的独立性、颗粒度，又能展现这些知识间的主从关系。
收益良多，谢谢！
恰恰相反，我觉得需不需要小标题取决于你这篇笔记承载了多少内容。
全历史的关系笔记之所以不用小标题是因为其内容很少，基本就是三四句话。但是在个人笔记中，基于某个主题的笔记很有可能会达到成千上万字，比如你图中的笔记截图就是很好的例子。当笔记内容较多的时候，我们就需要使用小标题对内容进行进一步梳理，方便我们日后更快的定位内容。
一般来说kg的检索流程如下：
- 思考自己所需信息的主题
- 找到这个主题对应的笔记标题，进入该笔记
- 浏览该笔记的大纲，通过小标题（其实就是细分主题）再在该笔记中精确定位所需内容。
1 个赞
十分感谢ryooo老师！
(=^▽^=)
哈喽，Ryooo，如果是需要有一定的过程性质的，那么这里我应该围绕着这个概念笔记进行一定程度的链接来进行吗？我现在的主要疑惑是如果具备一定过程迭代的笔记，我该怎么进行一个梳理的问题。
“过程迭代”是指对概念看法的不断演变吗？
不过不管是不是解决方法都是一样的。因为kg法的核心是将相同主题的信息聚集在同一篇笔记下，然后用笔记标题揭示其内容。因此，无论关于概念的看法、观点如何演变迭代，都还是与这个概念相关的信息，因此也还是应该放在同一篇笔记中。
至于如何区分这个迭代过程也是非常简单的，在相关观点前注明时间即可：
2021年，xxxx认为xxxx
2022年，xxxx认为xxxx
当然，以上处理过程仅限于新旧观点没有成为独立概念的情况。如果新旧观点都是独立概念，那就需要使用链接了，比如：
物理学：
过去的基石是[[牛顿力学定律]]，现在则还有[[相对论]]。
1 个赞
非常感谢楼主 Ryooo 的分享，这是头回看到有人把自己笔记的体系细节说清楚的——笔记之间如何交互，而不是单纯的 链接、链接、还是链接．
但是我现在遭遇了一些问题，我发现大部分教程都是面向「文科」的，或者一本书（非工具书）．在学习的过程中，我无法界定笔记的边界，也不清楚两则笔记之间是不是应该建立联系．
举几个例子：
- 笔记 B 是笔记 A 的延伸，此时笔记 C 引用了 B，但随后提到了 A，那么 C 是否应该与 A 建立联系．
- 笔记 A、B 和 C 之间相互引用（三个都是概念），笔记 D 引用了 A、B 和 C，笔记 E 引用了 A 和 B，笔记 F 引用了 C．那么 A、B 和 C 是应该合并还是保持原状．
楼主怎么看待这样的问题．
第一个例子，心理学上说人一次最多掌握七个概念，如果链接较少，无所谓了就；如果链接已经比较多了，就没必要了。
不谈别的教程，我的方法理论根基是信息组织的主题语言，理论上适应所有学科。
关于问题，我觉得例子不是很清楚，最好能再说得详细一些。我这里目前只能就理论上给你简单回答一下。
从理论上说，当我们谈信息组织，或者更进一步谈知识管理的时候，是没有“引用”、“延伸”之类的概念的。我们要做的唯一一件事情就是分析信息的主题，然后用特定的检索标识去表达这个主题。这样，我们日后检索时就可以凭借简短的检索标识找到大量与该标识相关的信息和知识。日常所说的分类、标签，甚至所谓的moc，都是检索标识，只不过不同人喜欢的标识不同，并且这些标识理论上的优劣也有所不同。
之于链接这方面，链接背后的理论也有两种。一种是像文献引用那般，有关联/引用的笔记都可以链接起来，这样做的好处是简单，坏处就是链接的意义需要引文分析软件进一步挖掘。另一种就是将检索标识按语义关系进行链接，也就是我上面的方法。其好处在于便于挖掘链接的意义，链接有一定的语义性，不好就是链接前需要思考。
所以要解决你的问题，你首先得清楚自己到底沿用的是哪个理论的方法，然后找到该理论的严谨书籍进行学习，而不是局限在各种空谈卡片笔记的教程帖中。
2 个赞
R大，你好~分类号可以通过知网搜索获得，但是如何获得主题词呢？有没有一个比较快捷的方法？
汉语主题词表服务系统，不过这个经常崩…
但组织个人信息并不需要我们使用汉表，汉表很多时候也并不适用。因为主题词和分类号不同，主题词是以事物名称为基础的，创建主题词的门槛并不高。其使用的关键在于主题词是否真的反应了当前笔记的内容。如果使用汉表的话，我们往往找不到合适自己笔记的主题词…综上，主题词最好根据自己的需要创建。创建时遵循之前讲过的控制好同名异义词以及异名同义词规则即可。
例子的话，不知道能不能说清楚．例如：
- 【随机试验】是大量重复的、具有规律性的、可观察的「试验」．
- 【样本空间】是【随机试验】中不可分的结果的集合．
- 【随机事件】是【样本空间】的子集，是【随机试验】的结果．
- 【事件域】是【随机事件】的集合，是【样本空间】的幂集，是【随机试验】所有可能的结果．
- 【概率函数】是【事件域】到实数域的映射．
- 【概率空间】是【样本空间】、【事件域】和【概率函数】的三元组．
- 【概率的公理化定义】是定义在【概率空间】中的概率．
- 【概率的统计定义】是指多次【随机试验】中，某【随机事件】的频率可以近似为概率．
- 【随机变量】是一个函数，将【随机事件】量化为一个数值．
这里面有很多相近的笔记，若去链接一个就可能要链接好几个相近的．若要去尝试合并，又没有办法给出一个合适的、能明确表明它们的 UID，因为它们每个都是独立的概念．无论是合并还是拆解，都在变相增加我的心智负担．
简直就是「自顶向下过度设计结构，自底向上过度碎片化」．．．
cy明日再读哈哈
粗细程度并没有一个明确的划分，就个人而言，我一般会将其放入[[随机变量]]和[[概率函数]]这两个笔记之中。一开始可以不用分那么细，如果发现笔记中的一个概念在多个笔记中提及，就可以将其拆分出去，否则没有必要拆分。不知道作者会怎么分？
还是那句话，按主题汇集信息。我的划分如下，：前为笔记名，后为笔记内容。
- [[随机试验]]：随机试验是大量重复的、具有规律性的、可观察的[[试验]]。
- [[样本空间]]：样本空间是[[随机试验]]中不可分的结果的集合。
- [[随机事件]]：随机事件是[[样本空间]]的子集，是[[随机试验]]的结果。
- [[事件域]]：事件域是[[随机事件]]的集合，是[[样本空间]]的幂集，是[[随机试验]]所有可能的结果。
- [[概率函数]]：概率函数是[[事件域]]到[[实数域]]的映射。
- [[概率空间]]：概率空间是[[样本空间]]、[[事件域]]和[[概率函数]]的[[三元组]]。
- [[概率]]：
- 其公理化定义是定义在[[概率空间]]中，blabla…。
- 其统计定义是指多次[[随机试验]]中，某[[随机事件]]的频率。
- [[随机变量]]：随机变量是一个[[函数]]，将[[随机事件]]量化为一个数值。
1 个赞
感谢 Ryooo 的解答 
，看来我需要多思考、多实践，沿着主题走下去，找到一个合适的「平衡点」．