Lunote
复制粘贴的隐性成本
每次打开通用聊天窗口，你都要先「重建上下文」：粘贴当前段落、再贴第二份文件、再解释它们的关系。 等模型回答时，你已经完成了一半思考工作——而回复仍可能忽略你忘了附上的那五篇笔记。
工作区感知 AI 省掉这一步。助手从库内的结构化来源读取信息：
当前打开的笔记、文本选区、通过 [[双链]] 关联的邻居，以及可选的工作区搜索结果。
你在原地提问，模型用与你同事并肩协作时相同的语境来回答。
「工作区感知」具体指什么
- 当前笔记 — 摘要、大纲与改写基于你正在编辑的完整文档，而不是过期的粘贴片段。
- 选区 — 高亮一段文字即可润色、翻译或扩写，无需改动全文。
- 链接邻居 — 自动带上出站双链与入站反向链接中的相关概念。
- 库内搜索 — 当问题跨多个主题时，从工作区其他位置拉取相关片段。
上下文不是「塞更多 Token」，而是「塞对的 Token」——从知识图谱中选取，而非把整个硬盘倒进去。
为什么与本地优先笔记是绝配
云端笔记本常默认让 AI 读取账号内全部内容。 Lunote 等本地优先工具则反过来：Markdown 留在磁盘上，你自备 API Key，只有主动触发的上下文才会发送给服务商。
这对工作笔记、客户资料、以及尚未准备好上传的半成品想法尤为重要。 AI 成为你已经拥有的文件的加速器——而不是逼你迁入他人数据库的理由。
开发者常用的具体场景
故障复盘
打开 [[incident-2026-06-postgres]]，其中已链接 Runbook 与历史故障记录。
请助手基于这些邻居起草复盘大纲——无需手动拼装三个浏览器标签页。
架构文档
撰写 ADR 时，选中「备选方案」一节，请助手根据已链接的决策笔记提出反驳论点。 反向链接会显示哪些服务已依赖你正在记录的方案。
学习笔记
阅读时随手记录概念。当一篇笔记变得杂乱，请助手在尊重你已链接的先修笔记的前提下生成结构化摘要。
工作区 AI + 知识图谱 = 复利效应
孤立文档上的 AI 只能给出一次性答案。 链接库上的 AI 会随图谱生长而越用越好——因为邻居携带着你数月前写下的定义、决策与命名约定。
这就是聊天玩具与思考环境的分野：模型不再是一张白纸，而更像读过你内部 Wiki 的结对编程伙伴。