Building
Reso 的一位早期使用者跟我說过一句话：“我有 200 條語音筆记，但一半都想不起在講什麼。”
我聽完只觉得太熟了，因為我自己的語音库也有同樣的問题。capture 型工具让记錄很容易，然後你很快會被數據淹沒。
我希望 Reso 能帮我和其他使用者在時間線上發現思維模式，而不要求手動打標簽或整理文件夹。
核心思路
每條转寫文本都會转成語義表示（embedding）。embedding 相近的筆记，語義上就相關。
當相關筆记積累到一定數量，它们會自動浮現為一個“主题”，并附带自動生成的名字。
例子：两周內我錄了五條關于“API design”的想法。Reso 會自動把它们歸為一組，并標注成 “API Design Patterns”。
聚類難點
算法本身并不复雜，難的是調參：
- 太激進：所有东西都被并成一個大主题（“工作雜項”）
- 太保守：每條筆记都是單独主题（几乎沒用）
我花了好几天調相似度阈值，後來才意識到：不存在完美阈值。
真正有效的是：Adaptive clustering。
不用固定阈值，而是看相似度分布本身。如果數據裡存在自然斷層（比如分數要麼 >0.75，要麼 <0.3），就拿這個斷層當切分點。
這樣“正確阈值”來自這批數據本身，而不是來自我的主觀拍脑袋。
主题命名
這部分意外地難。如何從多條筆记內容裡生成一個靠譜主题名？
我試过：
1. LLM summaries：准，但慢且贵
2. 關鍵词提取：快，但很泛（“Project Update #47”）
3. 第一條筆记標题：簡單，但常常误導
最後我用了：Hybrid approach。
先提取高频關鍵词，再用輕量 LLM 調用把它们合成為可讀短語。成本大约每個主题 ~$0.001，足夠快，可以按需觸發。
我学到的
最好的 AI 功能，不會让你觉得“這很 AI”。它更像应用在静静地留意你。
當主题浮現時，使用者不會想“哇，聚類算法真酷”。他们會想：“原來我最近真的一直在想這個。”
這就是魔法：把看不见的东西變得可见。
這不是行銷，是我們自己踩過的坑。