先给出一个核心结论：LongCat AI 在目录处理上的设计思路其实相当反常规。它并非教你“怎样建一个更合理的文件夹”，而是让 AI 主动理解你现有资料的实际内容，再反向为你自动生成一套真正可用的目录体系。简单来说，你不需要事先分类，AI 会直接从原始材料中帮你挖掘出“知识结构”。

那么，LongCat 具体是如何处理目录的呢？它绝不仅是简单列出文件名——目录在这里被当作一张知识导航图来构建。整个流程分为以下几个关键步骤：

• 自动识别主题簇：上传一批课件、笔记、PDF 后，LongCat 会扫描内容的共性特征——例如高频术语、章节标题、公式类型——自动将“函数”“导数”“数列”这类主题归并成数学大类下的子项，而不是依赖文件夹名称进行硬性分类。这一点非常实用，因为很多时候我们自己都不清楚存储了哪些内容。
• 按使用场景生成多维目录：同一批资料，可以同时出现在“复习大纲目录”“错题归因目录”“知识点溯源目录”中。换句话说，你可以直接下达指令：“生成一份面向期末考前冲刺的知识目录，按易错点+对应课件页码组织”。目录并非一成不变，而是根据需求动态调整的。
• 带内部链接的活目录：生成的每个目录项都不是静态文字。每个条目默认关联到 wiki/ 中对应的知识页面，点击即可跳转。更关键的是，新增资料后，只需一条指令，LongCat 就会自动更新目录中的新节点和引用路径，无需手动维护。

操作流程（以本地知识库为例）

假设你已经在用 Obsidian 搭建类似 Karpathy 风格的 my-wiki 结构——即 raw/ + wiki/ + logs/ 那套架构。实际操作非常直观：

• 将原始资料（课堂录音转文字、PPT OCR 文本、网页摘录）全部放入 raw/，无需重命名、无需分类——这一步本身就是省心的开端。
• 在 Obsidian 中打开命令面板（Ctrl+P），输入“LongCat: Generate Wiki Index”，或者直接在 logs/index.md 中输入指令：
  “请基于 raw/ 中所有文件，生成一份按学科→章节→核心概念三级结构的目录，每项标注来源文件名与关键句，并为每个概念创建 wiki/ 下的新页面链接”
• LongCat 会读取 raw/ 的内容，调用本地向量匹配与结构化抽取能力，在 wiki/ 下新建概念页，在 logs/index.md 中写入带 Markdown 链接的目录树，同时同步更新 logs/log.md 记录本次生成行为。

让目录真正“可用”的细节提示

许多工具生成的目录依然难以查找，问题往往出在细节上。LongCat 的处理方式更贴近真实使用逻辑：

• 支持模糊入口词映射：比如你在目录中搜索“求导不会”，它能自动关联到“导数定义”“链式法则”“隐函数求导”等页面，而不仅仅是匹配字面关键词。这一点常被忽略，但实际使用时会发现，它才是目录体验质变的关键。
• 目录可带执行动作：在目录项后可以添加标记，例如【一键生成错题卡】，点击后直接触发 LongCat 调取该知识点下的典型错题并格式化输出。目录不再只是“看一看”的东西，而是“用起来”的工具。
• 拒绝“一次性目录”：每次新增 raw/ 文件后，只需运行“LongCat: Refresh Index”，系统会进行增量比对，仅更新受影响的分支，而不是重新生成全部内容。随着知识库不断增长，目录的维护成本几乎可以忽略不计。