现在肯定有很多人使用 ChatGPT、Claude 写文章或做研究了,AI 已经可以自己搜索网络、查找资料,再整理成文。看起来,我们似乎不再需要收藏网页了,用的时候直接让 AI 实时获取即可。
但我个人觉得,自己收藏过的资料,和 AI 临时从网络上找来的资料,价值并不一样。
平时看到一篇有价值的文章,我还是会选择收藏它,可能是因为信任这位作者、认同某个观点,或者觉得它提出了一个值得继续思考的问题。但重要的是,我认为这是一个经过我筛选的信息来源。
长期积累下来的书签收藏夹不仅是一个网页仓库,还间接记录了我的兴趣、关注方向和判断标准。
这些经过人工筛选的资料,其实就是一种个人认知上下文。
如果 AI 能够利用它们开展研究和写作,结果可能会比每次从零开始搜索更贴近我们自己的思路。
为什么不直接让 AI 联网搜索?
AI 搜索很方便,但它对我们自己的了解未必有想象中那么多。当然,长期和 AI 对话积累或训练,可以让 AI 更了解我们,有些记忆类的产品甚至可以帮助我们跨 AI 构建认知上下文,这部分我们以后再介绍。
例如,我想写一篇关于「本地优先软件」的文章。直接让 AI 搜索,它可能会找出几款产品,介绍离线使用、隐私保护和数据所有权,再总结出一篇比较标准的文章。但我肯定不会这样写作。因为里面出现的内容,可能是我从来没有读过的,也可能是我从来没有用过的,甚至有些是被所谓 SEO 营销误导的内容。
我关心的可能不只是软件能否离线,而是长期使用之后,数据能否迁移、云同步能否自主选择、产品停服会不会破坏原有的工作流程。这背后有一套我自己的上下文。
这些倾向不一定会完整写在提示词里,却可能已经体现在我过去几年写过或者收藏过的文章中。
如果 AI 能够先阅读这些收藏,就有机会获得三种额外信息:
- 经过筛选的来源:收藏往往来自自己认可的作者、媒体或官方文档,能减少反复筛选低质量资料的工作。
- 持续积累的关注方向:不同年份收藏的文章,能够反映一个问题的演变,以及自己长期关注哪些方面。
- 个人留下的判断:如果收藏中还有高亮和批注,AI 甚至能够知道哪些观点值得注意、哪些结论存在争议。
这并不意味着收藏的内容一定正确,而是让 AI 不必每次都从一个完全陌生的起点开始。
我认为,AI 最大的优势是处理信息的能力,而人仍然有必要掌握信息的选择权。
「选择权」一直是我关注的重点,「本地优先」也是基于这一哲学,即掌握数据存取的选择权。
Raindrop.io:让书签收藏夹成为 AI 的参考资料
最近,老牌书签管理工具 Raindrop.io 提供了一种比较方便的实现方式。先声明,我自己一直就在用 Raindrop,不会让 AI 随便找一个 App 评测来胡说一遍。
就在 2026 年 11 月 13 日,Raindrop.io 官方介绍了与 ChatGPT、Claude 和 Gemini 的连接方案。
借助 MCP 协议,AI 可以检索 Raindrop.io 中的收藏、标签、高亮和笔记,并在相应权限下读取网页内容。
Raindrop.io 本身就很适合日常积累资料。通过浏览器扩展,看到有价值的网页便可以直接保存。这些资料不需要提前整理成专门的 AI 知识库。我们甚至可以很随意地收集,或者粗粗分一个大类,放进对应的 Collections,必要时再添加标签、高亮或批注。

需要研究或创作时,只要在 ChatGPT 或 Claude 中连接 Raindrop.io,就可以让 AI 按主题查找和使用这些收藏。
例如,写一篇《为什么 AI 时代仍然需要本地优先软件?》。
不必马上让 AI 从网络上搜索几十篇文章,我可以先这样提问:
请从我的 Raindrop.io 收藏中,寻找与 Local-first、数据所有权、云服务依赖有关的文章。
优先参考我添加过高亮和批注的资料,整理其中的主要观点,找出不同作者之间的分歧,并为每个观点保留来源。
帮我形成一个研究提纲。
这样得到的不仅是一份网络资料摘要,还可能包含我过去长期关注、却已经忘记的文章和线索。这些内容会唤醒我的一部分记忆,都是我多少有些熟悉的内容,相当于再次 review。有时甚至能产生新的见解。
整个流程中,Raindrop.io 负责收藏和保存参考资料,AI 负责检索、比较和整理,最后仍由我们决定文章的立场。
而且,这套方案不要求把所有资料迁移到某个 AI 平台,日后哪怕更换 AI 工具,也可以继续使用同一份收藏库。
如何让 Raindrop.io 连接和使用 AI?
目前主要有两种方式:直接使用 Raindrop.io 自带的 AI 助手 Stella,或者通过 MCP 接入 ChatGPT、Claude 和 Gemini。
1. 内置助手 Stella:直接与自己的收藏夹对话
Raindrop.io 在 2026 年 2 月推出了内置 AI 助手 Stella,目前仍处于 Beta 阶段,包含在 Pro 订阅中。
这种方式不需要额外安装插件,也不需要自己配置模型。
打开 Raindrop.io,在应用界面右上角点击 Ask,就可以向整个收藏库提问。也可以右键点击某条收藏,选择 Ask,直接针对这篇文章展开对话。

例如:
找出我过去收藏过的关于 AI 如何改变知识管理的文章,总结其中三个最重要的观点。
Stella 支持语义搜索、文章摘要、不同资料对比、查找遗忘的收藏,还能为整理标签和收藏集提供建议。它甚至可以读取已保存 YouTube 视频的转录文本。
官方声称 Stella 使用部署在 Raindrop.io 自有服务器上的开源模型,不会把资料发送给第三方 AI 服务商进行处理,也不会将其用于模型训练。不过,这仍然是云端 AI,并非本地运行。
我觉得 Stella 最适合快速找回资料、整理收藏和初步阅读。如果需要深入写作或复杂分析,可以继续使用自己熟悉的 AI 工具。
2. ChatGPT、Claude 与 Gemini:通过 MCP 连接收藏库
Raindrop.io 已经提供了官方 MCP 服务,我们只要有自己的 AI 客户端就能接上。
连接过程也很简单:
- ChatGPT:进入 ChatGPT 的 Plugins 目录,搜索 Raindrop.io,点击 Install plugin,完成账户授权,然后选择 Try in chat。
- Claude:进入 Claude 的连接器目录,找到 Raindrop.io,点击 Connect,并在浏览器中授权。
- Gemini:在电脑浏览器中打开 Gemini 的连接器设置,选择添加 Custom 连接,填入 Raindrop.io 的 MCP 地址,再完成授权。

其他 AI 客户端对接,可以参考 Raindrop.io 官方 MCP 地址:
https://api.raindrop.io/rest/v2/ai/mcp
连接后,直接在对话中要求 AI 使用 Raindrop.io 搜索资料即可。

Raindrop.io 免费版也支持连接,但不包含 MCP 的全文检索和语义搜索能力。这些功能需要开启 Pro 订阅。前面提到的 Stella 也属于 Pro 功能之一。
缺点:让 AI 更懂自己,也可能失去探索性
当然,我并不认为让 AI 优先使用个人收藏,就一定比开放网络搜索更好。
这里有一个很明显的问题:越依赖自己筛选过的资料,越可能得到符合原有认知的答案。
我们习惯收藏自己认可的观点,也会不自觉地忽略不感兴趣、甚至与自己立场冲突的材料。
如果 AI 始终围绕这些收藏开展研究,结果可能越来越符合我们的预期,却越来越难带来意外发现。
另外,长期收藏的资料也可能过时。尤其是软件功能、产品价格和行业动态等内容,需要留意它们在今天是否仍然准确。
所以,我更倾向于把两种方式结合起来:
先让 AI 利用我的收藏理解研究方向,再通过开放网络搜索补充新信息和不同观点。
前者提供连续性和个人上下文,后者提供探索性和纠错机会。
甚至可以在提示词中明确要求:
在参考我的收藏资料之后,请额外寻找三条不在收藏库中、可能反驳现有观点的证据,并标明哪些资料需要更新。
在我使用的过程中,AI 会自己把这个行为称为「扩圈」,很有意思。这样一来,就既保留了个人知识积累的优势,也不至于让 AI 变成一个只会附和自己的角色。
最后:书签收藏夹的价值正在发生变化
以前保存网页,主要是为了将来还能找到它。问题是,很多收藏最终再也没有被打开过。
AI 改变了这一点。
我们不一定需要亲自翻阅几百篇旧文章,也不必把每篇文章都认真整理成笔记。只要这些资料具备一定的组织结构,AI 就可以帮助我们重新发现其中的关联,并在需要时把它们带回当前的工作中。
Raindrop.io 的新连接方式,让这个过程变得更简单。在 AI 能够轻易获取海量信息的年代,单纯拥有更多资料可能已经没有太大优势。
但知道什么资料值得关注、为什么值得关注,以及如何把这些判断带进下一次研究,仍然很有价值。

发表回复