Digital Brain 知识模块实战：用 KNOWLEDGE.md 构建 Agent 驱动的第二大脑（bookmarks / learning / research 完整指南）

Digital Brain 知识模块实战：用 KNOWLEDGE.md 构建 Agent 驱动的第二大脑（bookmarks / learning / research 完整指南）

【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering

本文聚焦 Agent Skills for Context Engineering 仓库中 digital-brain-skill 示例的知识模块（knowledge module），即以 examples/digital-brain-skill/knowledge/KNOWLEDGE.md 为总纲的个人知识库系统。你将掌握如何用bookmarks.jsonl、learning.yaml、competitors.md与research/目录组织个人研究、收藏与学习目标，并让 AI Agent 能按固定协议检索、综合并产出内容，最终落地一套“收藏→研究→学习→输出”的可自动化知识闭环。

模块定位：Digital Brain 中的“第二大脑”

Digital Brain 是一个面向创始人、创作者与构建者的结构化个人知识管理系统，其完整架构见 README.md，整体由五个互相独立、互不污染的领域模块组成：

知识模块是其中“输入侧”的核心：它是研究、学习与信息组织的中枢，其模块级指令文件正是 KNOWLEDGE.md。该文件同时承担两个角色：既是给人看的模块说明（文件清单、数据 Schema、工作流），也是给 Agent 看的指令协议（<instructions>块）。从上下文工程角度看，这正是 README 所强调的渐进式披露（progressive disclosure）与模块分离原则在个人知识库上的具体化。

模块文件清单与职责

KNOWLEDGE.md 开篇即给出本模块的文件结构，这是 Agent 路由时首先要加载的表：

实际仓库中，知识模块目录为 examples/digital-brain-skill/knowledge/，包含bookmarks.jsonl（含 1 条 schema 头与 1 条示例）、learning.yaml（完整字段模板）、competitors.md（竞争情报模板）以及research/_template.md（研究笔记模板）。设计上遵循 file-formats.md 中定义的全局文件格式约定：JSONL 用于追加式日志、YAML 用于结构化配置、Markdown 用于叙事内容、XML 用于复杂提示词。

JSONL 通用约定：schema 头与 ID 生成

阅读 file-formats.md 可知，所有 JSONL 文件的第一行必须是 schema 定义行：

{"_schema": "schema_name", "_version": "1.0", "_description": "Purpose of this file"}

该行在数据处理时会被跳过（见下文源码佐证），但用于文档化文件期望的结构。bookmarks.jsonl实际文件头为：

{"_schema": "bookmark", "_version": "1.0", "_description": "Saved resources and links. Append only. Use categories: ai_agents, building, growth, productivity, leadership, industry, personal"}

同时，每条记录都应当使用统一的 ID 生成约定：{type}_{YYYYMMDD}_{HHMMSS}或{type}_{unique_slug}，例如bm_20241229_120000、contact_johndoe。时间戳型 ID 保证了时序数据的唯一性，ID 在各自文件内必须唯一。

数据 Schema：Bookmark 条目完整字段

KNOWLEDGE.md 定义了收藏条目的核心 Schema，下面结合 file-formats.md 中的完整规范展开：

{ "id": "bm_YYYYMMDD_HHMMSS", "saved_at": "ISO8601", "url": "https://...", "title": "Page title", "source": "article|video|podcast|tool|tweet|paper", "category": "ai_agents|building|growth|productivity|leadership|industry|personal", "summary": "1-2 sentence summary", "key_insights": ["Insight 1", "Insight 2"], "status": "unread|read|reviewed|archived", "rating": 1-5, "tags": ["tag1", "tag2"] }

各字段的语义与取值约束：

• id：按bm_YYYYMMDD_HHMMSS约定生成，全文件唯一；
• saved_at：ISO8601 时间戳，脚本按它排序以取“最近收藏”；
• url/title：收藏的基本锚点，Agent 保存链接时必须捕获这两项（见 Agent 指令第 1 条）；
• source：资源形态枚举，article|video|podcast|tool|tweet|paper，便于按媒体类型过滤；
• category：一级分类，必须取自固定枚举（见下节分类体系），保证跨文件统计口径一致；
• summary：1～2 句摘要，是后续检索与综合的最小信息单元；
• key_insights：要点数组，脚本会读取第一项作为“关键洞见”展示；
• status：生命周期状态unread|read|reviewed|archived，从“待读”到“已归档”；
• rating：1～5 分的个人评分，可空（null）；
• tags：自由标签数组，用于细粒度检索与跨类目关联。

仓库中的示例条目（bookmarks.jsonl）以[PLACEHOLDER: ...]占位符呈现，用户在克隆模板后自行填充即可。占位符约定在 file-formats.md 中有统一说明：用[PLACEHOLDER: description]标记用户待填字段。

分类体系：七大类目

KNOWLEDGE.md 的<instructions>块规定了必须统一使用的分类枚举，这是 Agent 保存与检索时的一致化词汇表：

三条核心工作流

KNOWLEDGE.md 定义了三条可被 Agent 直接执行的操作流程，是模块的“行为规范”。

工作流一：保存资源（Saving a Resource）

1. 以status: "unread"追加到bookmarks.jsonl；
2. 补充category与初始tags；
3. 稍后：阅读、写摘要、更新status（unread → read → reviewed → archived）。

这套流程的关键在于**“先入档、后消化”**：收藏时只需最低成本的结构化捕获（URL、标题、分类），消化动作推迟到后续，符合追加式（append-only）数据原则，也避免打断当前上下文。

工作流二：研究项目（Research Projects）

1. 为深度研究创建research/[topic].md；
2. 关联相关书签（通过 ID、URL 或标题反向指向bookmarks.jsonl）；
3. 综合洞见（Synthesis）；
4. 提取内容创意（喂给content/模块）。

research/_template.md为每次研究提供了标准骨架，包含元数据、研究问题、关键发现（每条带Source与Confidence置信度）、综合、内容创意、相关资源、未解问题与行动项，并在结尾注明“研究笔记是活文档，随学习不断更新”。元数据字段如下：

created: "[DATE]" updated: "[DATE]" status: "exploring|synthesizing|complete" related_pillars: ["[pillar1]", "[pillar2]"] content_potential: "high|medium|low"

其中content_potential与related_pillars直接服务于“研究 → 权威内容”的知识图谱连接（见后文）。

工作流三：学习追踪（Learning Tracking）

1. 在learning.yaml中定义技能；
2. 将资源链接到技能；
3. 跟踪进度与里程碑；
4. 季度复盘。

深度实操：learning.yaml 字段全解析

learning.yaml是知识模块中的“技能与学习目标”结构化配置，仓库中的完整模板（learning.yaml）支持从当前焦点到学习习惯的全面跟踪：

current_focus: skill: "[PLACEHOLDER: e.g., AI Agent Development]" why: "[PLACEHOLDER: Why this is important now]" target_level: "[PLACEHOLDER: e.g., Build production agents]" deadline: "[PLACEHOLDER: Target date]" skills: - name: "[PLACEHOLDER: e.g., Python]" category: "technical|creative|business|personal" current_level: "beginner|intermediate|advanced|expert" target_level: "[PLACEHOLDER]" status: "learning|practicing|maintaining" resources: - type: "course|book|tutorial|project" title: "[PLACEHOLDER]" url: "[PLACEHOLDER]" status: "not_started|in_progress|completed" notes: "[PLACEHOLDER]" milestones: - "[PLACEHOLDER: e.g., Build first CLI tool]" - "[PLACEHOLDER: e.g., Contribute to open source]" last_practiced: "[DATE]" learning_queue: - title: "[PLACEHOLDER]" type: "course|book|video|article" url: "[PLACEHOLDER]" priority: "high|medium|low" skill: "[PLACEHOLDER: Related skill]" estimated_time: "[PLACEHOLDER: e.g., 10 hours]" added: "[DATE]" completed: - title: "[PLACEHOLDER]" type: "[PLACEHOLDER]" completed: "[DATE]" rating: 1-5 key_takeaways: - "[PLACEHOLDER]" applied_to: "[PLACEHOLDER: How you used this knowledge]" learning_habits: daily_time: "[PLACEHOLDER: e.g., 30 minutes]" best_time: "[PLACEHOLDER: e.g., 6am before work]" preferred_formats: - "[PLACEHOLDER: e.g., Video tutorials]" quarterly_review: last_review: "[DATE]" skills_improved: - "[PLACEHOLDER]" skills_to_focus: - "[PLACEHOLDER]" resources_to_complete: - "[PLACEHOLDER]"

结构分层与取值约束：

• current_focus：当前唯一学习焦点（技能、动机、目标水平、截止日期），Agent 在做检索排序时可优先匹配该焦点；
• skills[].category：technical|creative|business|personal四类；current_level：beginner|intermediate|advanced|expert；status：learning|practicing|maintaining；
• skills[].resources[]：资源类型course|book|tutorial|project，完成状态not_started|in_progress|completed——这构成了“学习 → 品牌中要突出的技能”的图谱连接；
• learning_queue：待消费资源队列，带优先级与预估耗时；
• completed：已完成记录，含评分与关键收获，且要求记录applied_to（知识如何被实际使用）；
• learning_habits/quarterly_review：学习习惯元数据与季度复盘状态，支撑“Review quarterly”工作流。

深度实操：competitors.md 竞争情报模板

competitors.md（查看完整模板）是知识模块中的竞争格局文件，结构上覆盖：直接竞争者（每位含 YAML 元数据、做得好/短板/差异点）、间接竞争者表格、灵感对象（非竞争者）、市场趋势（增长/衰退/新兴）、定位矩阵（技术深度 × 可及性二维图）、竞争优势（独家优势与市场缺口）。其价值在于为内容差异化提供依据——对应知识图谱中的“Competitors → Differentiation angles”连接。

Agent 指令协议：Agent 管理知识的五条规则

KNOWLEDGE.md 的<instructions>块是写给 Agent 的行为协议，必须完整继承到你的个人副本中：

1. 保存链接（Saving links）：始终捕获 URL、标题和初始分类；
2. 组织（Organizing）：使用一致的分类和标签；
3. 检索（Retrieving）：按分类、标签或关键词搜索bookmarks.jsonl；
4. 综合（Synthesizing）：被问及某个主题时，先查research/文件夹；
5. 学习更新（Learning updates）：完成资源时更新learning.yaml。

这五条规则的价值在于把“零散收藏”变成“可检索、可综合、可学习”的结构化资产，同时约束 Agent 不要凭印象作答，而是先检索本地知识库。

知识图谱提示：模块间的四类连接

KNOWLEDGE.md 末尾给出检索时的图谱连接提示，是知识模块与整个 Digital Brain 联动的枢纽：

• Bookmarks → Content ideas：收藏转化为内容创意；
• Research → Authority pieces：研究沉淀为权威作品；
• Learning → Skills to highlight in brand：学习成果成为品牌亮点；
• Competitors → Differentiation angles：竞争情报生成差异化角度。

从架构上看，这些连接把knowledge/与content/（创意、草稿）、identity/（品牌）打通，形成“输入侧滋养输出侧”的闭环。

源码佐证：脚本如何消费知识模块

知识模块不只被 Agent 手工读取，还通过agents/scripts/下的自动化脚本被程序化消费。以 content_ideas.py 为例，其核心逻辑展示了bookmarks.jsonl的实际读取方式：

• load_jsonl()逐行解析，跳过_schema头行（if '_schema' not in data），与 file-formats.md 的 schema 行约定一一对应；
• get_recent_bookmarks(category=None)读取knowledge/bookmarks.jsonl，可按category过滤、按saved_at倒序取最近 10 条；
• generate_suggestions()将“最近研究主题”直接输出为内容建议，并读取每条key_insights[0]作为关键洞见——印证了category、saved_at、key_insights字段的语义。

同理，idea_to_draft.py 通过find_related_bookmarks()以标签交集或分类匹配方式，从bookmarks.jsonl为草稿检索支撑证据（Supporting Evidence），再结合同 pillar 的历史帖子生成草稿脚手架。可见一致化的字段约束（category/tags）是脚本可编程消费的前提，这也是 KNOWLEDGE.md 反复强调“使用一致的分类和标签”的根本原因。

端到端示例：从收藏到内容的完整链路

结合 content-workflow.md 可以看清知识模块在实际创作流程中的位置：当用户要求“写一条关于 in public 构建经验的线程”时，Agent 会先加载identity/voice.md与identity/brand.md确认主题与声音，再扫描content/posts.jsonl参考历史表现、检查content/ideas.jsonl待开发想法，最终套用content/templates/thread.md生成草稿并做声音对齐检查。整个流程约消耗650 tokens，而全量加载整个脑约需 5000 tokens——这正是渐进式披露带来的上下文成本优势。知识模块在其中负责“供给素材”：收藏的研究主题、书签洞见与研究笔记会在content_ideas.py等脚本中被转译为内容建议。

设计原则与上手步骤

Digital Brain 的整体设计原则（README.md）同样约束知识模块：渐进式披露（只加载当前任务所需）、追加式数据（永不删除，保留历史供模式分析）、模块分离（各领域独立）、声音优先（生成内容前必读 voice.md）、平台无关（兼容 Claude Code、Cursor 等任何 AI 助手）。关于这些原则与仓库中各上下文工程技能的对应关系，可查阅 SKILLS-MAPPING.md。

上手建议按以下顺序初始化知识模块：

1. 用bookmarks.jsonl的 schema 头与示例条目为模板，定义自己的分类与标签习惯；
2. 参照learning.yaml模板填写当前焦点与 1～2 个技能条目；
3. 首次深度研究时复制research/_template.md为research/[topic].md；
4. 有竞品分析需求时按competitors.md模板建档；
5. 之后即可让 Agent 依据 KNOWLEDGE.md 的<instructions>五条规则接管日常的保存、检索、综合与学习更新。

小结

knowledge/模块的价值不在于文件多，而在于协议的统一：固定枚举的分类、带 schema 头的 JSONL、统一的 ID 约定、可复用的研究模板，以及明确写给 Agent 的操作规则。正是这些约定让个人知识库既能被人轻松维护，又能被 Agent 与脚本程序化消费，从而真正成为“第二大脑”。

【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering