背景
我有 200 多篇旧博客，分布在三个不同的 CMS 里：WordPress（2014-2018）、Hugo（2019-2022）、Notion（2023 至今）。
每次想找某段思路，都要全局 grep，慢且不准。
我的目标是：把它们统一成一个可自然语言问答的知识库。
方案选择
我评估了 3 条路：
| 方案 | 优点 | 缺点 |
|---|---|---|
| 直接用 ChatGPT 帮我搜 | 最简单 | 每次都要拷整段文本，超出上下文会截断 |
| 搭建 RAG（本地模型） | 完全自己控制 | 工程成本高，后期要维护 |
| 用现成的 AI 知识库工具 + 我写脚本预处理 | 折衷 | 需要写数据清洗的脚本 |
我选了 方案三：先用脚本把旧文章统一清洗成结构化 Markdown，再用 Cursor 的 AI 帮我补元数据（tags/分类/摘要），最后用 Notion AI 的数据库做检索。
关键步骤
1. 导出 & 清洗
WordPress 的导出是 XML，需要解析。Notion 的导出是 Markdown 但有很多残留块。
我写了一个 300 行的 Python 脚本做以下事情：
- 统一编码为 UTF-8
- 移除主题注入的 HTML 标签
- 统一图片引用路径
- 去掉重复的标题
- 标准化 front matter（title/date/tags）
2. AI 补齐元数据
对每篇清洗后的文章，让 AI 做三件事：
1. 生成一句话摘要（≤ 60 字）
2. 给 3~5 个标签
3. 判断主题分类（技术 / 产品 / 随笔 / 教程）200 篇文章总花费约 $4.20，耗时约 12 分钟。
3. 构建索引 & 检索
把处理好的内容灌入 Notion Database，开启 AI 搜索。现在"我去年那篇关于 API 限流的文章怎么写的？“这种问题，5 秒内能找到原文。
遇到的坑
最大的坑不是技术，是内容质量。 我发现有 15 篇文章其实是同一件事的反复书写，AI 让我意识到"我一直在重复产出同样的想法”。
第二个坑是标签一致性。 AI 一会标「API」、一会标「接口设计」、一会标「后端」。必须做标签归一化。我最终保留了 18 个核心标签，其他都映射到这 18 个。
成果
- 200 篇 → 185 篇合格（15 篇重复被合并）
- 检索时间：从平均 3 分钟 → 5 秒
- 可以自然语言问答：“帮我找出关于 API 限流的所有文章，并给一个对比摘要”
我的心得
AI 不只是让你做同样的事情更快，而是让你能做之前根本不可能的事情。
如果靠人力去读 200 篇、打标签、建索引，可能需要 2~3 个周末。而且我大概率会中途放弃。
把知识从"你拥有"变成"你能随时用" —— 这是我这次最大的收获。