我最近看了一个很有意思的仓库：baojie/shiji-kb。
它做的事，简单说，就是把 57 万字左右的《史记》做成了一个知识库网站。
但如果只说“AI 处理《史记》”，这个项目就被说小了。
我建议你真的点进去看一眼，不只是看热闹。
在线阅读入口在这里：https://baojie.github.io/shiji-kb。
这个项目本身就值得推荐。它不是那种放一个 demo 页面、写几句“AI 赋能传统文化”的展示项目。它把《史记》拆成了可以阅读、检索、跳转和继续扩展的结构，而且仓库里把方法、数据、工具、质量问题和后续路线也摊开了。
这点很难得。
很多 AI 项目只给你看结果，不给你看中间怎么做。shiji-kb 更像是把工作流也交出来：原文怎么处理，实体怎么标注，事件怎么抽取，关系怎么建，质量怎么反思，页面怎么生成，都能在仓库里找到线索。
真正值得看的地方，也不只是它把《史记》总结成了多少段话，而是它把一本只能线性阅读的书，改造成了一个可以搜索、点击、跳转、看关系、看时间线的资料产品。
你进去以后，不只是读原文。
你可以看章节，可以搜人物，可以看地名、官职、邦国、时间、器物等实体索引。它还把事件抽出来，做了事件关系，做了时间线，甚至做了一个“史记地铁图”：130 条线路，对应 130 篇，几千个事件像站点一样串起来。
所以这篇文章有两个目的。
第一，给这个项目做一次推荐。如果你对《史记》、古籍数字化、知识图谱、AI Agent 工作流感兴趣，它值得收藏。
第二，再顺着它拆一个对普通人也有用的问题：我们手里的行业资料、课程笔记、客户问答、地方故事，能不能也变成一个别人愿意反复打开的小产品？
我们以前用 AI 处理资料，第一反应太容易是：
“帮我总结一下。”
总结当然有用，但总结通常只解决一次阅读。
你看完，点头，收藏，然后过几天忘掉。下次真要用，还是得重新翻。
shiji-kb 这个项目提醒我的，是另一条路：资料不一定只能被压缩成摘要，它也可以被整理成一个别人愿意反复打开的小产品。
先说它好在哪里
我觉得它有几个优点，值得单独拿出来讲。
第一，它没有把《史记》处理成一篇“知识点大全”。
很多 AI 古籍项目容易走向摘要化：一章讲了什么、人物是谁、中心思想是什么。这样当然能降低阅读门槛，但读者看完以后，很难继续探索。
shiji-kb 做的是另一件事：保留原文，同时在原文旁边加结构。
你还是能读《史记》，但不再只能从头读到尾。
第二，它把“可点击入口”做得很细。
人物、地名、官职、身份、时间、邦国、器物，这些过去藏在文本里的东西，被抽出来变成索引。一个读者不一定知道自己该读哪一篇，但他可能知道自己想查“项羽”“刘邦”“张良”，或者想顺着某个地名、某个官职往下看。
入口一多，资料就开始像一个可以逛的空间。
第三，它没有回避 AI 的错误。
仓库 README 里专门写了为什么会有错误：古文歧义、同名人物、隐性指代、标注规范演进、年代推断边界。它也写了怎么修：自动校验、Agent 反思、批量修正、人工抽检、规范迭代。
这比单纯说“AI 很强”更有价值。
AI 做大规模资料处理，真正难的不是第一次生成，而是生成之后怎么检查、怎么修、怎么让下一轮少犯同类错误。
第四，它把方法论也开出来了。
仓库里不只有结果，还有一套 SKILL 文档：从古籍校勘、结构分析、实体构建、事件构建、关系构建，到本体、推理、知识库管理、应用构造。你不一定照着全做，但能看见一个大规模知识库是怎么被拆成工序的。
这对做内容的人也有用。
因为它提醒我们：一个好资料产品，不是靠一次“生成网页”完成的。它背后一定有拆分、标注、验证、修正和发布的流程。
一堆资料，什么时候才算变成产品
一篇文章、一本书、一套课程笔记，本质上都是线性的。
作者从头写到尾，读者从前看到后。
但用户真的使用资料时，常常不是这么用的。
他可能只想查一个人物。
他可能想知道某个事件前后发生了什么。
他可能想顺着一个概念继续点下去。
他可能不是来“读完”，而是来“解决一个眼前问题”。
资料一旦开始服务这种动作，就已经从“内容”往“产品”走了。
shiji-kb 不是把《史记》变短，而是把它拆成了很多能被操作的入口。
原文还是原文，但旁边长出了新结构：
- 章节入口：130 篇《史记》可以直接打开。
- 实体入口：人物、地名、官职、身份、时间、邦国等被抽成索引。
- 事件入口：三千多个历史事件被单独记录。
- 关系入口：事件之间有因果、时序、并列等关系。
- 时间入口：事件被推到公元纪年，形成可浏览的历史线索。
- 应用入口：阅读器、Wiki、事件地铁图，把底层数据变成用户能点的界面。
这就不是“我写给你看”了。
这是“我做出来，你自己进去用”。
这两个东西差很多。
它最值得拆的，不是页面，是管线
如果只看在线网站，你会觉得它是一个做得很大的古籍阅读器。
但翻仓库会发现，前端页面只是最后一层。
真正重的是它背后的管线。
仓库里有标注后的 Markdown 原文，有实体索引，有事件数据，有纪年映射，有人物关系、家谱、RDF/OWL、本体、SKU 知识单元，还有一套专门写出来的 SKILL 文档。
这套管线大概可以理解成：
原始文本 -> 校勘和结构切分 -> 实体标注 -> 事件提取 -> 关系构建 -> 本体和知识单元 -> 推理和质检 -> 阅读器与应用这比“让 AI 总结一本书”复杂得多。
它先问的不是“这本书讲什么”，而是：
谁出现了？
在哪里出现？
什么时候发生？
谁和谁有关？
这件事和前后事件是什么关系？
哪些实体要合并？
哪些同名人物不能混？
哪些 AI 标注可能错了？
这些问题很琐碎，但正是这些琐碎，让资料开始有了产品骨架。
一个用户点“项羽”，系统能跳到相关章节；点一个事件，能看到时间位置；看一条路线，能知道它在整本书里的前后关系。
这时候，资料不再是一坨文本。
它变成了一个能被导航的空间。
普通人不用做这么大，但可以学这个方向
你手里大概率没有 57 万字古籍，也不需要做 100 多个 SKILL、几千个事件节点。
但思路可以直接搬走。
假设你手里是一批行业资料。
不要一上来就让 AI 写“行业报告总结”。你可以先问：这些资料里有哪些公司、产品、用户、痛点、价格、渠道、政策、案例？哪些适合做成可点击入口？用户打开这个页面时，最想查什么？
假设你手里是一套课程笔记。
不要急着导成 PDF。先拆成学习路径、概念词典、常见问题、案例库、作业清单。读者不是每次都从第一课看到最后一课，他可能卡在某个概念，只想找到对应解释和下一步练习。
假设你手里是一堆客户问答。
不要只做一个“FAQ 文档”。先把问题按购买前、使用中、售后、价格、风险、对比、决策人关心点分层。再把高频问题变成入口，把真实案例变成可跳转证据。
假设你手里是地方故事、城市资料、家族资料、产品说明、过往文章。
也一样。
先不要问“怎么写得更好”。
先问“用户以后会怎么找、怎么点、怎么复用”。
第一版只做能点开的东西
很多人一听“资料产品化”，脑子里马上出现复杂系统：数据库、后台、登录、会员、自动更新、AI 问答机器人。
先别急。
第一版最应该做的，往往很小：
- 一个首页，告诉用户这批资料解决什么问题。
- 3 到 5 个栏目，把资料按使用场景分开。
- 10 个以内关键页面，先覆盖最常被问、最值得查、最能展示价值的内容。
- 一个搜索入口，哪怕开始只是站内搜索或静态索引。
- 一组可点击节点，比如人物、公司、案例、工具、步骤、问题。
做完这些，它就已经不是普通文章了。
因为用户可以自己进去找答案。
你也会被迫把资料从“我知道很多”整理成“别人怎么用”。
这一步很要命。
很多资料之所以一直躺在文件夹里，就是因为它只按收藏者的习惯存放，没有按使用者的动作组织。
收藏者会说：这是我去年存的一个好资料。
使用者只会问：我现在点哪里？
AI 在这里真正帮你的地方
AI 最适合做的，不只是帮你写页面。
它更适合在第一步帮你把资料拆成结构。
比如你给它一批资料，让它不要总结，先输出：
- 这批资料适合做什么产品形态。
- 用户打开它时最想解决哪几个问题。
- 首页应该放什么入口。
- 一级栏目和二级页面怎么分。
- 哪些人物、地点、概念、案例、工具、步骤适合做成可点击节点。
- 第一版先做哪 10 个页面。
- 哪些功能先别做。
这才是普通人更应该抄的工作流。
先跑结构，再写内容。
先把入口摆出来，再决定页面怎么写。
先做最小可用版本，再考虑要不要上网站、知识库、问答系统、小程序，或者只是一个公开文档。
如果你跳过这一步，AI 很容易给你一篇看起来很完整的总结。
它会很顺。
但顺不等于能用。
能用，意味着读者下一次还有理由回来。
一个可以直接套用的判断
你可以用一个很简单的标准检查自己的资料：
读者打开它以后，是只能“看完”，还是可以“做事”？
如果只能看完，它还是内容。
如果能搜索、筛选、点击、对比、按路径继续读，或者帮用户做一个判断，它就开始有产品感。
《史记》这么大的文本可以被拆成章节、实体、事件、关系、时间线。
普通人的资料当然也可以。
行业资料可以变成行业导航。
课程笔记可以变成学习入口。
客户问答可以变成销售问答库。
地方故事可以变成城市知识地图。
产品说明可以变成选型助手。
过往文章可以变成主题索引。
这不是让所有人都去做一个复杂网站。
更准确地说，是别再把资料只当成“文章原料”。
它也可能是一个小产品的底层数据。
先拿提示词跑一版
如果你现在手里正好有一批资料，可以先不用写代码，也不用设计页面。
先把文末这段“资料变小产品提示词”复制走。
把资料类型、目标用户、资料现状和优先解决的问题填进去，让 AI 先给你拆一版结构。
重点是这句话：
不要直接总结资料，先做资料产品化方案。
因为总结是把内容变短。
产品化是把内容变成别人以后还能用的入口。
这两个动作不是一回事。
下一次你再看到一堆资料，别只问 AI：
“这讲了什么？”
换一个问法：
“这堆资料，能不能做成一个别人愿意反复打开的小产品？”
这个问题一换，后面的路就不一样了。