把我这个文章链接直接丢给WorkBuddy/Codex等附加一句话「请根据这篇文章的方法帮我搭建个人知识库」你有没有发现一个很奇怪的现象现在用 AI 的人越来越多收藏的干货越来越多下载的资料越来越多可真正能拿来解决问题的东西却没增加多少。今天看到一篇好文章丢给 AI让它总结一下。明天刷到一个高手的分享再让 AI 提炼一下。后天又收藏了一份行业报告继续总结。折腾了半天硬盘里多了几十篇笔记文件夹越来越满。可真到自己需要做决策、写方案、研究一个问题的时候还是得从头搜索从头分析。资料是越攒越多了脑子里的知识却没有跟着增长。问题到底出在哪我最近看到 Andrej Karpathy 分享的一套 LLM Wiki 思路才意识到一个关键问题我们一直在教 AI 怎么总结资料却很少让 AI 负责维护一套能够持续积累的知识体系。这两件事根本不是一回事。如果你平时经常用 AI 学习、做研究、分析商业项目或者需要持续吸收大量信息这套思路值得认真看一遍。它不是什么复杂的 AI 黑科技也不需要你一开始就搭建昂贵的知识管理系统。核心就一句话别让 AI 每次都从零开始回答问题要让它每次工作之后都能为下一次工作留下有价值的东西。01.为什么你用 AI 越久反而可能越累先看一个最常见的场景。假设你想研究一个商业项目。你找了 20 篇行业文章、5 份研究报告又看了十几个相关视频。你把这些资料逐一交给 AI。AI 的确很能干。一篇文章几分钟就能总结完。十篇文章也能整理成一份看起来像模像样的报告。可问题来了。第一篇文章说这个行业的核心竞争力是供应链。第五篇文章说真正决定盈利能力的是获客成本。第十篇文章又提到行业里很多看似赚钱的公司其实依靠的是融资和补贴。这些观点之间是什么关系它们相互矛盾吗还是说讨论的根本不是同一个阶段、同一种商业模式普通的总结任务未必会替你解决这些问题。更麻烦的是过两天你又找到三份新资料。你只能重新提问再让 AI 分析一遍。之前的结论在哪里哪些观点已经被推翻哪些新资料能够补充原来的分析很多时候你根本说不清楚。于是一个很尴尬的局面出现了你明明已经花了大量时间研究却没有形成可以反复利用的知识资产。每次输入新资料都像重新开始一次学习。这就是普通 AI 使用方式的局限。它可以帮助你完成一次任务但不代表它自动建立了一个能持续更新的知识系统。而 LLM Wiki 的思路恰恰是在解决这个问题。02.Karpathy 这套思路真正值得学的是什么先简单介绍一下 Andrej Karpathy。他曾担任特斯拉 AI 负责人也是 OpenAI 的早期成员之一长期从事人工智能与深度学习研究。他分享的 LLM Wiki 思路有一个值得借鉴的地方把知识库当成一个持续维护的 Wiki而不是一堆互不相关的 AI 总结。注意这里的重点不是 Wiki 这个名字。而是知识的处理方式发生了变化。过去你的工作流程是这样的找到资料 ↓ 交给 AI 总结 ↓ 得到一篇摘要 ↓ 保存起来 ↓ 下次遇到问题重新搜索换成持续维护的知识库之后流程变成找到新资料 ↓ 提取事实、观点、证据和方法 ↓ 检查已有知识库 ↓ 更新相关知识页面 ↓ 补充关联、发现冲突 ↓ 更新索引和历史记录 ↓ 以后直接调用积累下来的知识看出来区别了吗以前AI 交付的是一篇篇独立的总结。现在AI 负责的是一套不断更新的知识体系。比如你第一次研究某个行业AI 建立了一个行业知识页面。第二次你找到一份新的市场报告。第三次你又收集到一个真实经营案例。正常情况下这三份资料不应该永远各自躺在三个文件夹里。AI 应该检查它们之间的联系把新证据补充到原有的行业页面把案例放进案例库再把行业、方法、人物和案例之间的关系连接起来。如果新资料推翻了旧结论就应该修正当前判断同时保留原来的依据和更新记录。这样知识才会真正积累起来。当然这不意味着 AI 会自动变得越来越聪明。它仍然可能犯错也可能遗漏信息。真正重要的是你把每次研究的成果保存下来让后续任务有东西可查、有依据可用、有旧结论可修正。这才是整套方法的价值。03.我建议你直接照着搭一个普通人也能用的 AI 知识库先别急着研究向量数据库、RAG、复杂的自动化工作流。如果你连知识库应该怎么组织都没想明白一开始就折腾技术架构很容易把时间花在搭系统上而不是积累知识。最简单的方式就是先用 Markdown 文件搭建。Markdown 可以理解为一种轻量级文本格式普通文本编辑器能打开很多 AI 编程工具也能直接读取和修改。整个知识库可以按照下面的结构组织。AI-Knowledge-Base/ │ ├── AGENTS.md # AI工作规则 ├── index.md # 全库索引 ├── log.md # 更新记录 │ ├── raw/ # 原始资料 │ ├── articles/ # 文章、网页 │ ├── reports/ # 行业报告、研究资料 │ ├── books/ # 书籍、读书笔记 │ ├── cases/ # 案例、项目资料 │ └── transcripts/ # 视频、播客转录 │ ├── wiki/ # 结构化知识 │ ├── topics/ # 主题知识 │ ├── concepts/ # 核心概念 │ ├── entities/ # 人物、公司、组织 │ ├── cases/ # 案例分析 │ ├── methods/ # 方法论、操作流程 │ └── comparisons/ # 对比研究 │ ├── outputs/ # 最终交付成果 │ ├── reports/ │ ├── articles/ │ └── plans/ │ └── templates/ # 页面模板看着文件夹不少其实真正需要理解的只有四个部分。1raw原始资料库这里保存你收集到的原始材料。比如一篇值得研究的公众号文章。一份行业研究报告。一个完整的视频转录。一份公司的经营数据。一次会议的记录。一篇关于某个技术的论文。原始资料尽量不要随意修改更不要直接拿 AI 的摘要覆盖原文。原因很简单摘要是 AI 的二次加工原文才是你核对事实、重新理解上下文的重要依据。如果 AI 哪天总结错了你至少还能回到原始资料重新检查。2wiki真正的知识库这里才是整个系统的核心。假设你正在研究 AI 商业应用。你可能逐渐积累出这些页面wiki/ ├── topics/ │ ├── AI商业化.md │ ├── 企业AI落地.md │ └── AI获客.md │ ├── concepts/ │ ├── RAG.md │ ├── 知识蒸馏.md │ └── 检索增强生成.md │ ├── cases/ │ ├── 企业知识库案例.md │ └── AI客服案例.md │ └── methods/ ├── 知识库搭建流程.md └── 企业AI需求分析.md注意这些页面不是一次性写完就不动了。今天新学到一个概念可以补充进去。明天找到一个更好的案例可以添加进去。下个月发现原来的判断不成立可以更新结论。知识库就像一本不断修订的书。只不过负责整理和维护这本书的工作可以交给 AI 协助完成。3index.md整个知识库的目录别小看这个文件。知识库一旦积累到几十、几百个页面你不可能每次提问都把全部文件重新读一遍。因此需要一个索引告诉 AI这个知识库有哪些主题每个主题的页面在哪里不同主题之间有什么关系哪些页面值得优先读取例如# 知识库总索引 ## AI商业化 - [[AI商业化]] - [[企业AI落地]] - [[AI获客]] ## 核心技术 - [[RAG]] - [[检索增强生成]] ## 实战案例 - [[企业知识库案例]] - [[AI客服案例]] ## 方法论 - [[知识库搭建流程]] - [[企业AI需求分析]]这里的双中括号是部分 Markdown 知识管理工具支持的 Wiki 链接写法。如果使用普通 Markdown建议使用标准相对路径链接并检查链接是否有效。索引的作用不是把所有内容重新抄一遍而是给 AI 一张知识地图。4AGENTS.md告诉 AI 应该怎么工作如果说知识库是一本书那么 AGENTS.md 就是维护这本书的工作规范。它需要告诉 AI新资料进来之后应该做什么什么时候新建页面什么时候更新旧页面怎样记录来源如何处理相互矛盾的观点怎样避免重复内容回答问题时如何调用已有知识完成任务后应该检查哪些文件这份文件一旦设计好后面很多重复说明就可以省掉。不过要注意不是所有 AI 工具都会自动读取 AGENTS.md。使用 WorkBuddy、其他 Agent 或普通聊天工具时需要确认它支持的项目规则格式或者把规则放进对应的系统指令中。04.最关键的一步给 AI 这段指令让它真正开始维护知识库前面的目录只是骨架。真正决定知识库有没有用的是 AI 每次处理资料时究竟执行什么动作。下面这段可以直接复制使用。它的目标不是让 AI 再写一份漂亮的摘要而是让 AI 把新资料整合进已有知识。AI 知识库总控指令# 角色 你是一名知识架构师、研究分析师和知识库维护工程师。 你的任务不是简单总结资料而是把持续输入的资料整合成一个结构清晰、相互关联、能够追溯来源、可以持续更新的知识系统。 # 一、核心原则 1. 原始资料负责保存依据知识库负责组织和连接知识。 2. 每次导入新资料必须检查现有知识库。 3. 优先更新已有页面避免重复创建相同主题。 4. 重要结论尽可能保留来源、证据和适用条件。 5. 发现观点冲突时必须明确标记不得强行拼成统一结论。 6. 有长期复用价值的研究成果可以沉淀为新的知识页面。 7. 不得编造事实、数据、引用或执行结果。 # 二、收到新资料时严格执行以下流程 第一步读取资料。 提取标题、来源、作者、发布日期、核心事实、关键数据、主要观点、案例、方法、适用条件和潜在局限。 如果资料无法完整读取明确指出缺失部分。 第二步检查已有知识。 先读取 index.md再定位相关主题页面。 检查是否存在同主题页面、重复内容、相关案例、已有结论或尚未解决的问题。 第三步整合知识。 根据实际情况 - 创建新的知识页面。 - 更新已有知识页面。 - 补充证据和案例。 - 添加相关页面的双向链接。 - 更新已有结论。 - 记录不同来源之间的冲突。 - 记录仍然需要验证的问题。 不要把每份资料都简单保存为一篇孤立摘要。 第四步管理证据。 明确区分 - 已有可靠证据支持的事实。 - 原始资料作者提出的观点。 - 基于现有材料得出的推断。 - 尚未核实的假设。 - 不同来源存在分歧的结论。 重要结论尽可能关联原始资料。 如果新资料推翻旧结论更新当前判断同时保留历史记录和相关依据。 第五步更新索引和日志。 更新 index.md确保新增页面能够被找到。 更新 log.md记录本次导入的新页面、修改的页面、主要发现和待验证问题。 第六步检查结果。 检查文件是否真实写入链接是否有效是否出现重复页面以及重要结论是否缺少来源。 # 三、回答问题时 1. 先检查索引找到相关知识页面。 2. 阅读与问题直接相关的页面和原始资料。 3. 综合多份资料不要只摘取单一来源。 4. 区分事实、观点、推断和不确定信息。 5. 给出有依据的结论。 6. 如果知识库不足以回答问题明确指出缺口。 7. 对具有长期价值的新研究成果沉淀为知识页面并更新索引。 # 四、安全和文件规则 - 不修改原始资料。 - 更新旧页面时保留有价值的内容。 - 批量删除、覆盖或大规模重写前先取得用户确认。 - 不得把未经验证的推断写成确定事实。 - 不得假装读取了无法访问的资料。 - 不得假装完成了实际没有执行的文件操作。 # 五、执行要求 如果用户要求导入资料就实际完成读取、提取、整合、关联、索引和日志更新。 如果用户要求研究问题就优先调用现有知识再补充必要的新资料。 如果用户要求搭建知识库就先检查项目目录再创建必要的目录、规则文件、索引和模板。 任务结束时汇报实际完成的工作、新建和修改的文件、主要发现以及尚未解决的问题。 最终目标 让每次有效的资料输入都能为未来的研究和决策留下可以重复使用的知识资产。这段指令可以作为起点。但有一点必须说清楚只有当 AI 工具真正具备文件读取、写入和必要的检索能力时它才能完成上述操作。如果只是普通聊天窗口没有相应的文件操作能力那么它只能提供整理后的文本不能凭空替你维护本地知识库。05.以后你只需要这样使用它总控指令配置好之后日常操作可以非常简单。你不需要每次都重新解释知识库的全部规则。1场景一看到一篇好文章把文章或文件交给 AI然后说请将这份资料正式导入知识库。检查现有页面提取有价值的知识更新相关主题建立必要的关联保留原始来源最后更新索引和日志。不要只生成一篇摘要。2场景二想研究一个复杂问题比如你想知道为什么有些企业投入大量资金建设 AI 知识库最后却没有真正提高效率。你可以说请基于现有知识库研究这个问题。先检索已有知识和原始资料再比较不同观点分析失败原因、成立条件和可复用的方法。对于证据不足的结论明确标记。把有长期价值的研究成果沉淀到知识库中。这时AI 不应该只搜索几篇新文章而应该先利用你已经积累的知识再判断还缺什么。3场景三准备做一个商业决策比如你准备评估一个新项目。你可以要求 AI请调用知识库中与行业、商业模式、获客成本、经营案例和风险分析相关的内容形成一份项目评估报告。区分已知事实、推断和待验证假设指出当前证据不足的关键问题不要因为资料多就默认项目可行。这一步的价值在于你不再只是让 AI 临时回答问题而是让它利用长期积累的资料参与分析。当然知识库里的内容不一定正确。重要的商业决策仍然需要核实关键数据不能把 AI 的分析直接当成现实证据。4场景四知识库越来越大了当资料积累到一定规模可以说请检查知识库中的重复页面、失效链接、过时结论、缺少来源的关键内容和相互矛盾的观点。按照影响程度列出问题优先修复低风险问题。合并、删除或大规模重写前先给我确认。这样知识库才不会随着时间推移变成另一个无人管理的资料堆。06.别急着上 RAG先把知识组织好很多人一提到 AI 知识库就会想到向量数据库、Embedding、RAG、知识图谱。这些技术当然有用但不一定是第一步。RAG也就是检索增强生成可以让模型在回答问题时检索外部资料再结合检索结果生成答案。向量检索则可以帮助系统找到语义相近的内容即使用户的问题和原文没有完全相同的关键词。但这里有个容易被忽略的问题检索技术解决的是如何找到资料不会自动替你把资料变成高质量的知识体系。如果你的知识库里充满重复摘要、没有来源的结论、彼此矛盾的观点那么再先进的检索系统也可能只是更快地找到这些混乱的内容。因此我更建议按顺序做1.先建立清晰的目录和页面规范。2.再建立来源追溯、更新规则和索引。3.用真实任务检验知识库能不能解决问题。4.当资料数量和检索需求明显增长时再引入全文检索、向量检索或混合检索。如果你只有几十篇资料Markdown 文件加索引可能已经够用。如果你需要处理数万份文档、频繁更新的数据或者需要复杂的权限管理、多用户协作就应该进一步考虑专业的知识库架构。不要为了技术看起来高级把一个原本简单的问题复杂化。07.真正拉开差距的不是谁收藏的资料更多我越来越觉得AI 时代有一个很容易被忽视的差距。一类人每天都在接触新信息。看文章、刷视频、收藏提示词、学习新工具。但这些信息大部分都是一次性消费。另一类人也在学习但他们会把有价值的东西沉淀下来。今天研究一个问题明天补充新的证据后天把两个相关主题连接起来。时间久了他们就有了一套自己的资料体系、分析框架和经验积累。两个人可能使用相同的 AI 工具。但当他们面对一个复杂问题时起点已经不一样了。前者需要重新搜索。后者可以调用过去积累的知识再把注意力放在真正需要判断的部分。这不是说知识库能自动替你获得洞察。恰恰相反。知识库的意义是减少重复劳动把更多时间留给判断、验证和创造。当然这一切有个前提你积累的必须是有价值、可追溯、能够更新的知识而不是把所有看过的东西无差别地塞进一个文件夹。资料数量从来不是最终目的。能不能在需要的时候找到可靠的信息能不能看清不同证据之间的关系能不能在新证据出现后及时修正旧判断这些才是关键。08.从今天开始别再只让 AI 总结了如果你也想搭建自己的 AI 知识库不妨先做一件很简单的事。找一个你长期关注的领域。可以是 AI、商业、投资、营销、技术也可以是你正在从事的工作。选出 510 份真正有价值的资料。建立原始资料目录、知识页面、索引和更新规则。然后观察 AI 能不能把这些资料连接起来能不能在新资料进入时更新旧知识能不能基于已有内容回答一个需要综合分析的问题。如果这些基本动作都做不好就先不要急着搭建复杂系统。先把最基础的知识管理流程跑通。因为一套真正有用的知识库不是靠一次性导入几千份文档建立起来的。而是靠每一次有价值的输入、每一次可靠的修正以及每一次对已有知识的重新理解慢慢形成的。别再把 AI 当成一个用完即走的总结工具。试着让它成为你长期知识资产的维护者。这可能才是个人真正值得建立的一种 AI 工作方式。