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 5～10 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。
