Building
Reso 的一位早期使用者跟我说过一句话：“我有 200 条语音笔记，但一半都想不起在讲什么。”
我听完只觉得太熟了，因为我自己的语音库也有同样的问题。capture 型工具让记录很容易，然后你很快会被数据淹没。
我希望 Reso 能帮我和其他使用者在时间线上发现思维模式，而不要求手动打标签或整理文件夹。
核心思路
每条转写文本都会转成语义表示（embedding）。embedding 相近的笔记，语义上就相关。
当相关笔记积累到一定数量，它们会自动浮现为一个“主题”，并附带自动生成的名字。
例子：两周内我录了五条关于“API design”的想法。Reso 会自动把它们归为一组，并标注成 “API Design Patterns”。
聚类难点
算法本身并不复杂，难的是调参：
- 太激进：所有东西都被并成一个大主题（“工作杂项”）
- 太保守：每条笔记都是单独主题（几乎没用）
我花了好几天调相似度阈值，后来才意识到：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。如果数据里存在自然断层（比如分数要么 >0.75，要么 <0.3），就拿这个断层当切分点。
这样“正确阈值”来自这批数据本身，而不是来自我的主观拍脑袋。
主题命名
这部分意外地难。如何从多条笔记内容里生成一个靠谱主题名？
我试过：
1. LLM summaries：准，但慢且贵
2. 关键词提取：快，但很泛（“Project Update #47”）
3. 第一条笔记标题：简单，但常常误导
最后我用了：Hybrid approach。
先提取高频关键词，再用轻量 LLM 调用把它们合成为可读短语。成本大约每个主题 ~$0.001，足够快，可以按需触发。
我学到的
最好的 AI 功能，不会让你觉得“这很 AI”。它更像应用在静静地留意你。
当主题浮现时，使用者不会想“哇，聚类算法真酷”。他们会想：“原来我最近真的一直在想这个。”
这就是魔法：把看不见的东西变得可见。
这不是营销，是我们自己踩过的坑。