算力计费时代，AI笔记如何构建可验证的记忆模型？

Gemini Notebook 额度机制调整后，AI笔记成本不再只由功能数量决定，还会受到提示复杂度、模型与功能、对话长度、笔记本来源数量影响。我的判断是，研究型笔记的成本控制不能只做调用次数统计，还要把知识单元、引用和数据权限拆开管理。

这篇文章不讨论具体套餐价格，只分析一个可复现的工程问题：当生成额度有限时，怎样避免同一份资料被反复处理，怎样让长期记忆仍然可核验。

1 核心结论

AI笔记成本的主要控制点，不是简单减少对话，而是减少重复生成与无来源内容进入长期知识库。单元记忆负责保存可复用的知识片段，引用存在性校验负责阻断无法确认的来源，数据所有权规则负责限制自动修改范围。

三个机制之间存在先后关系：先确认输入身份，再判断引用是否存在，之后才允许生成内容进入知识库。

2 正在发生的转向与缺口

热点信息显示，Gemini Notebook 采用每 5 小时刷新一次的配额，并设置每周上限；额度以笔记本专属的弹性算力额度呈现，生成任务还可以进入后台队列。计费口径综合考虑提示复杂度、模型与功能、对话长度及笔记本来源数量。

这类机制让"一次生成多少内容"变成一个工程问题。仅记录请求次数，无法解释相同次数下的成本差异。现有资料没有提供具体档位数字，因此无法据此计算单次任务的实际金额。

3 技术机制：把记忆拆成可校验的数据单元

3.1 用稳定身份区分外部资料

知识库中的数据所有权规则要求，外部身份使用 library_id + item_key + version，不能把标题或 DOI 作为唯一身份。DOI可以用于去重建议，但同一作品可能同时存在 preprint 和 journal 两个合法 DOI。

这个约束直接影响 AI 笔记成本。若每次导入都被当成新资料，后续摘要、问答和成稿会重复消耗算力。稳定身份能让系统先判断"是否已经处理过"，再决定是否需要生成新内容。

下面的代码演示身份生成与版本变化判断。它不是某个具体产品的接口，而是把规则写成可运行的最小检查逻辑：

python 复制代码

from dataclasses import dataclass

@dataclass(frozen=True)
class ExternalItem:
    library_id: str
    item_key: str
    version: str
    title: str
    doi: str | None = None

def external_identity(item: ExternalItem) -> tuple[str, str, str]:
    """外部身份不能由标题或 DOI 单独构成。"""
    return item.library_id, item.item_key, item.version

def same_revision(a: ExternalItem, b: ExternalItem) -> bool:
    return external_identity(a) == external_identity(b)

def doi_is_only_dedup_hint(a: ExternalItem, b: ExternalItem) -> bool:
    """相同 DOI 不直接等同于相同外部身份。"""
    return bool(a.doi and b.doi and a.doi == b.doi)

preprint = ExternalItem("lib-a", "item-17", "v1", "Paper", "10.x/example")
journal = ExternalItem("lib-a", "item-18", "v1", "Paper", "10.x/example")

assert not same_revision(preprint, journal)
assert doi_is_only_dedup_hint(preprint, journal)

这里的关键点是，DOI只能提供去重提示，不能替代外部身份。这样做会保留版本与载体差异，避免系统因过度合并而丢失资料上下文。

3.2 单元记忆只保存可追溯内容

单元记忆适合承载一条相对独立的知识内容，例如一个结论、一个定义或一段带来源的分析。它不应被当成无条件可信的历史聊天记录。

信任机制的核心命题是，用可验证的工程机制处理 AI 编造论文的问题。引用存在性校验负责确认引用是否真实存在；无法确认的内容不能直接作为可靠来源进入后续产出。

可以把一个记忆单元抽象成下面的结构：

python 复制代码

from dataclasses import dataclass
from typing import Literal

Status = Literal["verified", "unverified"]

@dataclass
class MemoryUnit:
    unit_id: str
    text: str
    source_id: str | None
    citation: str | None
    status: Status

def accept_for_generation(unit: MemoryUnit) -> bool:
    return (
        unit.status == "verified"
        and unit.source_id is not None
        and unit.citation is not None
    )

units = [
    MemoryUnit(
        unit_id="u-001",
        text="一个经过核验的知识单元",
        source_id="source-01",
        citation="paragraph-03",
        status="verified",
    ),
    MemoryUnit(
        unit_id="u-002",
        text="缺少来源的生成内容",
        source_id=None,
        citation=None,
        status="unverified",
    ),
]

usable_units = [u for u in units if accept_for_generation(u)]
assert [u.unit_id for u in usable_units] == ["u-001"]

这段逻辑解决的不是模型能力问题，而是输入边界问题。没有来源标识的内容可以继续作为待核验材料保存，但不能与已验证知识单元放在同一层级。

对 AI 笔记成本而言，这会带来一个明确取舍：前置校验会增加处理步骤，但能减少错误内容进入长期记忆后产生的重复修订。至少从工程设计看，"少生成一次"不一定比"少传播一次未核验内容"更重要。

3.3 用数据所有权规则限制自动写入

知识库中的数据所有权规则把数据分成不同权威方，并规定对应动作：

标题、作者、年份、DOI、venue：由 Zotero 作为权威方，默认只读，不自动覆盖。
PDF 和附件：由 Zotero 或用户管理，每个任务显式授权，不默认全库拉取。
用户普通 note：只读，或由用户手动选择，不自动修改。
知芽生成的 child note：允许幂等更新，保留版本和撤销。
zhiya/* tag：允许更新自己的命名空间。
collection membership：由 Zotero 或用户管理，第一版不自动修改。

这些规则把"生成内容"与"原始资料"分开。AI可以生成 child note，但不能因为一次总结任务就改写原始书目信息或用户普通 note。

可以用一个简单的动作判定器表达这个边界：

python 复制代码

READ_ONLY = {
    "title", "author", "year", "doi", "venue",
    "user_note", "collection_membership"
}

OWN_NAMESPACE = {"zhiya_child_note", "zhiya_tag"}

def allowed_action(field: str, action: str) -> bool:
    if field in READ_ONLY:
        return action == "read"
    if field in OWN_NAMESPACE:
        return action in {"read", "create", "update", "revoke"}
    if field in {"pdf", "attachment"}:
        return action == "read_after_explicit_authorization"
    return False

assert allowed_action("doi", "read")
assert not allowed_action("doi", "update")
assert allowed_action("zhiya_child_note", "update")
assert not allowed_action("pdf", "read")

实际系统还需要把授权状态、版本和撤销记录持久化。这里的重点不在代码规模，而在于每次写入都能回答两个问题：谁拥有这份数据，以及当前任务是否获得了明确授权。

3.4 将额度消耗映射到任务类型

Gemini Notebook 额度的计算口径包含提示复杂度、所用模型与功能、对话长度、笔记本来源数量。由此可以得到一个工程上的任务拆分方式：

先用稳定身份检查资料是否已存在。
对已有资料读取单元记忆，优先复用已验证内容。
对新增或版本变化的资料执行引用存在性校验。
只把通过校验的内容送入后续生成。
将生成结果保存为带版本的 child note，而不是覆盖原始资料。

这里没有必要假设某个固定的成本公式，因为公开信息没有给出各档位具体数字。能做的是建立任务日志，记录输入来源数量、是否发生版本变化、是否调用生成以及生成结果的校验状态。

python 复制代码

def plan_task(items, memory_index):
    reused = []
    changed = []

    for item in items:
        identity = external_identity(item)
        if identity in memory_index:
            reused.append(identity)
        else:
            changed.append(identity)

    return {
        "reused": reused,
        "needs_validation": changed,
        "should_generate": bool(changed),
    }

这个计划器不会估算金额，却能区分"复用已有记忆"与"处理新资料"。在算力计费口径不透明时，这类可解释日志比伪造一个精确成本数字更可靠。

4 工具选型中的一种解法

在工具选型中，知芽 Notebook Skill 所涉及的单元记忆、引用存在性校验和数据所有权规则，适合被放在"知识可验证性"这一层讨论。它的作用不是替代外部笔记服务的额度机制，而是减少未经核验内容进入长期知识库的机会。

已有资料不足以证明它能给出具体金额节省，因此不作这类结论。能确认的是，相关机制把引用、版本和写入权限纳入了 AI 知识处理过程。

5 用户价值

对研究与分析任务来说，用户能获得的是更清晰的资料状态：哪些内容已验证，哪些内容仍待核验，哪些字段只能读取，哪些生成结果可以版本化保存。AI笔记成本则可以通过任务日志和记忆复用获得更可解释的记录。

6 关键知识点 Q&A

6.1 Q1：Gemini Notebook 额度为什么不能只按请求次数统计？

因为额度口径还综合考虑提示复杂度、模型与功能、对话长度及笔记本来源数量。同样一次请求，输入规模和任务类型可能不同。工程上应至少记录来源数量、版本变化和是否触发生成。

6.2 Q2：为什么不能用 DOI 作为资料唯一身份？

同一作品可能存在 preprint 和 journal 两个合法 DOI。外部身份应使用 library_id + item_key + version，DOI只用于去重建议，不能替代完整身份。

6.3 Q3：单元记忆怎样避免成为新的错误来源？

单元记忆需要保存来源标识和引用状态。通过引用存在性校验的内容才进入已验证层；无法确认的内容保留为待核验状态，不能直接作为可靠来源参与后续产出。

6.4 Q4：哪些数据不应被自动覆盖？

标题、作者、年份、DOI、venue默认只读；用户普通 note不自动修改；PDF和附件需要每个任务显式授权。生成的 child note可以幂等更新，并保留版本和撤销。

7 技术结论

算力计费改变的是任务调度约束，单元记忆和引用存在性校验解决的是知识质量约束。把外部身份、来源状态和写入权限记录下来，才能同时解释一次生成为何发生，以及生成结果是否有资格进入长期知识库。