🔗 结构化链接
我们深知，孤立的知识点难以发挥最大价值，而将相关信息有机连接才能激发更深层次的洞见。Dessix 深刻理解这一点，将结构化链接置于系统核心设计之中，不仅继承了传统双链笔记的优势，更将其扩展到一个全新的维度，让每一条链接都成为知识网络中的活跃神经元，在人机协作的过程中传递语义和上下文。
核心能力
- 泛化的
@mention机制：不仅限于笔记间链接，扩展至系统内所有 Block 类型 - 强关联语义上下文：被链接内容自动参与 AI 协作的上下文构建
- 双向链接追踪：自动记录并展示所有引用关系
- 语义对齐一致性：确保用户与 AI 对链接关系的理解完全一致
链接即上下文：超越传统双链笔记
🔄 泛化的链接模型：一切 Block 皆可链接
传统笔记工具的双链功能通常仅限于笔记之间的相互引用，而 Dessix 采用了更为开放和灵活的链接模型：
- 在 Dessix 中，任何被定义为 Block 的实体都可以通过
@mention方式被链接，包括但不限于：- 笔记(Note)与文章(Article)
- 对话(Thread)
- 指令(Action)与情景(Scene)
- 文件夹(Folder)与集合(Collection)
- 外部内容如 Twitter 帖子等
这种泛化的链接模型打破了传统知识管理系统中不同内容类型之间的隔阂，使得你可以在一个统一的语义网络中自由关联任何相关信息。
🧠 强关联语义：链接即思维映射
在 Dessix 中，@mention 不仅仅是一个简单的引用标记，更是一种刻意的认知行为：
- 当你通过
@mention链接两个 Block 时，你实际上是在声明："这两条信息之间存在重要的语义关联" - 系统会记录这种强关联，并在与AI协作时自动将其纳入上下文考量
- 被链接的内容会作为优先级较高的语义上下文，参与到思考和创作过程中
这种设计确保了你通过刻意链接所表达的思维关联能够被系统准确捕捉，并在 AI 协作中得到尊重和应用。
🔍 双向追踪：无遗漏的引用网络
Dessix 不仅记录你创建的链接，还会自动维护完整的双向引用关系：
- 每个 Block 都能清晰看到 "引用了谁" 和 "被谁引用"
- 系统自动构建和更新这些引用关系，无需手动维护
- 通过引用网络，你可以轻松追踪信息的来源和影响
这种双向追踪机制使得知识在系统中形成一张有机的网络，而非孤立的信息孤岛。
⚡ 人机对齐：前后端一致的链接理解
Dessix 最独特的价值在于确保你与 AI 对链接关系的理解完全一致：
- 当你通过
@mention建立链接时，系统会同时告知 AI 这种关系的存在和重要性 - AI在处理相关内容时，会自动考虑这些强关联的上下文
- 你所强调的关系，同样被 AI 所重视，实现了人机之间在链接理解上的深度对齐
这种前后端一致的链接理解，确保了 AI 能够真正 "看见" 你构建的知识结构，从而提供更符合你思维方式的协作体验。
下一步
随着用户知识网络的不断扩展，Dessix 将继续优化结构化链接功能，探索更多可能性：
- 引入基于使用频率和上下文相关性的链接权重机制
- 支持更丰富的链接类型，表达更精细的语义关系
- 开发可视化知识图谱，直观展现信息之间的关联网络
- 探索结合大语言模型的自动链接建议功能