AI 知识层：让每个 Agent 都变聪明的双层系统

AI 知识层：让每个 Agent 都变聪明的双层系统 AI 知识层：让每个 Agent 都变聪明的双层系统 Modified April 16 这里面还有商业服务的机会。帮别人搭建知识层是一项 1,500 3,000 美元的服务，外加每月 300 500 美元的托管费。 10 个客户，第一年就是 56,800 美元。如果你是内容创作者或代理公司老板，这是一个可以产品化的技能。 面向公司和项目 同样的架构在公司层面也适用。 区别在于，多个人的 Agent 从同一个知识层读取和写入，而且该层承载的是运营知识，不仅仅是内容知识。 我们在 @EspressioAI 和 @LunarStrategy 都在运行这套系统。在 Espressio，知识库存放着客户交付模式、Agent 架构模板和内部 SOP。 在 Lunar Strategy，知识库存放着活动 Playbook、客户调研和内容框架。新成员把自己的 Agent 对准知识库，从第一天起就进入高效状态，而不是花几周去摸索那些没写在文档里的工作方式。 Eric Osiu 在他的整个公司推广了类似的方案。每个员工都有一个角色定制的 AI Agent，连接到一个共享的中央大脑。他的原话： "个人助手是有天花板的。真正的突破是角色定制的 Agent 通过中央大脑共享上下文。" 当销售签单，客户经理的 Agent 已经拿到了交接信息。当内容表现好，销售 Agent 自动调整推广角度。 不会有信息遗漏，因为知识层能接住一切。 如何规模化 从个人（个人 wiki）到小团队（5 10 人共享一个知识库）到组织（50+ 人，使用角色定制的 Agent 从编译智能中读取）。模式在每一层都是一样的： 原始来源进入 → Agent 编译结构化页面 → 交叉引用自动建立 → 人类通过探索门控进行验证（每个页面初始状态为未审核，只有人才能标记为已确认） → Git 同步一切，知识是版本控制的、可回滚的。 Cody Schneider 为本地服务企业构建了一个包含 10 项能力的 GTM Agent 集群。 他的系统基础是一个保存所有业务数据的数据仓库。他的原话："没有它，Agent 无法做出好决策。" 他叫它数据仓库。Eric Osiu 叫它共享大脑。Karpathy 叫它 LLM wiki。 名字不重要。Agent 需要编译过的、结构化的知识才能做有用的工作。 这种模式的极端版本是 Greg Isenberg 所说的"ambient business"——主要靠 Agent 运营的公司，创始人每隔几天查看一次。 Medvi 就是证明：18 亿美元的营收规模，2 名员工，零 VC 融资。AI 处理代码、创意、语音和客户服务。知识层是先决条件。没有它，Agent 需要人类不断指导。有了它，它们基于编译好的组织智能自主运转。 面向个人生活 最被低估的用途。追踪内容表现的同一套系统可以追踪你的思考。 日记条目、读书笔记、播客亮点、健康指标、目标复盘、凌晨两点的随机想法。 全部放入 raw/。Agent 将它们编译为结构化页面。 当你问"我的精力水平有什么规律"或"上个季度我在生产力方面学到了什么"时，你从自己的数据中获得带引用的回答。这个回答会被归档，所以下一个问题会更聪明。 复合循环：你问的每一个问题都在丰富系统。你添加的每一个来源都在创造新的连接。你的好奇心会反哺答案的质量。 质量控制在这里比任何地方都重要，因为这是盲目信任 AI 最危险的地方： 偏差检查确保每个页面都包含反面论据，并标注数据缺口。如果你丢进去 10 篇都说同样话的文章，wiki 会记录这一点，但也会标出这些信息中缺失了什么。 验证门控意味着每个 AI 生成的页面初始状态为 explored: false。只有你能将某个内容标记为已审核。你始终知道哪些经过人工验证，哪些没有。 置信度标签给每个页面标注高、中、低或不确定。Agent 必须诚实地表达其知识有多可靠。 我在"三大护城河"文章中提到的 80/20 法则在这里直接适用：让 AI 做 80% 的整理、编译和交叉引用。把你的品味投入到最后的 20%——筛选、验证、只有你才能看到的连接。知识层就是你把品味固化下来的方式，让那 80% 随时间变得越来越好。 20 分钟搭建指南 这不是理论。框架已开源，搭建很快。 第一步：克隆仓库（2 分钟） Code block Bash git clone https://github.com/shannhk/llm wikid.git my wiki cd my wiki 在 Obsidian 中将该文件夹打开为一个 vault。 第二步：启动你的 Agent（3 分钟） 在该文件夹中打开 Claude Code（或任何能读取 Markdown 并运行 bash 的 Agent）。它会读取 CLAUDE.md——这是控制一切的 schema： Code block Markdown CLAUDE.md (simplified) Directory Structure raw/ → messy inbox, dump anything here wiki/ → compiled pages, flat structure wiki/index.md → master index with TLDRs Operations /wiki ingest → process raw/ into wiki pages /wiki query → ask questions, get cited answers /wiki explore → browse and validate pages /wiki lint → catch contradictions, stale content Agent 读取该文件，理解完整的 schema，自动搭建 wiki 结构。 第三步：填入内容（10 分钟） 从 X 设置中请求你的归档数据。 安装 Obsidian Web Clipper 浏览器扩展，开始剪藏值得保留的推文、文章和长推。 坐下来花 10 分钟把脑子里所有的东西写出来。把书签导进来。任何感觉 80% 以上相关的都放进 raw/。 第四步：运行 ingest（5 分钟） Code block Plain Text /wiki ingest Agent 会整理你的剪藏内容，从 URL 抓取完整内容，下载并分析图片，按类型分类每个来源，构建带交叉引用的 wiki 页面，为每个页面添加反面论据和数据缺口，并更新主索引。 以下是一个 /wiki query 的实际运行效果： Code block Plain Text /wiki query what content formats get the most bookmarks? Reading wiki/index.md... scanning 47 TLDRs Reading wiki/content performance.md Reading wiki/bookmark analysis march.md Reading wiki/thread vs single tweet.md Answer: Threads with numbered lists get 3.2x more bookmarks than single tweets in your data. visual breakdowns (terminal screenshots, flowcharts) averaged 847 bookmarks vs 312 for text only. the top 5 bookmarked posts were all either step by step guides or tool comparisons. Sources: [[content performance]], [[bookmark analysis march]], [[thread vs single tweet]] Filed as wiki/bookmark formats query.md 每个回答都会被归档。下一次关于内容表现的查询也会拉取这条记录。 第五步：打开知识图谱 打开 Obsidian 的图谱视图。你的想法、你关注的人、你使用的工具、你在乎的概念，现在通过视觉网络链接在一起。用 /wiki query 开始查询。 初始 ingest 完成后，试试这些查询： "上个月我书签最多的内容主题是什么？"——展示你的信号模式。 "[我的核心观点]的反面论据有哪些？"——迫使你用 wiki 编译的内容来压力测试自己的思考。 "总结我对 [竞品/工具/主题] 的全部了解"——从每个提到它的来源中拉取，综合出一份简报。 "我的 wiki 中哪些概念来源最少？"——展示你的知识薄弱环节，指明下一步研究方向。 每个回答都会被归档。wiki 在增长。 接下来做什么？ 设置一个定时触发器（Claude Dispatch 或 cron），每天早上运行 /wiki ingest。 白天剪藏，夜间处理，醒来就有更丰富的知识库。 每 1 2 周运行一次 /wiki lint，检查页面之间的矛盾、过时内容、无人链接的孤立页面、以及不同名称下的重复概念。 这里面还有商业服务的机会。帮别人搭建知识层是一项 1,500 3,000 美元的服务，外加每月 300 500 美元的托管费。 10 个客户，第一年就是 56,800 美元。如果你是内容创作者或代理公司老板，这是一个可以产品化的技能。 面向公司和项目 同样的架构在公司层面也适用。 区别在于，多个人的 Agent 从同一个知识层读取和写入，而且该层承载的是运营知识，不仅仅是内容知识。 我们在 @EspressioAI 和 @LunarStrategy 都在运行这套系统。在 Espressio，知识库存放着客户交付模式、Agent 架构模板和内部 SOP。 在 Lunar Strategy，知识库存放着活动 Playbook、客户调研和内容框架。新成员把自己的 Agent 对准知识库，从第一天起就进入高效状态，而不是花几周去摸索那些没写在文档里的工作方式。 Eric Osiu 在他的整个公司推广了类似的方案。每个员工都有一个角色定制的 AI Agent，连接到一个共享的中央大脑。他的原话： "个人助手是有天花板的。真正的突破是角色定制的 Agent 通过中央大脑共享上下文。" 当销售签单，客户经理的 Agent 已经拿到了交接信息。当内容表现好，销售 Agent 自动调整推广角度。 不会有信息遗漏，因为知识层能接住一切。 如何规模化 从个人（个人 wiki）到小团队（5 10 人共享一个知识库）到组织（50+ 人，使用角色定制的 Agent 从编译智能中读取）。模式在每一层都是一样的： 原始来源进入 → Agent 编译结构化页面 → 交叉引用自动建立 → 人类通过探索门控进行验证（每个页面初始状态为未审核，只有人才能标记为已确认） → Git 同步一切，知识是版本控制的、可回滚的。 Cody Schneider 为本地服务企业构建了一个包含 10 项能力的 GTM Agent 集群。 他的系统基础是一个保存所有业务数据的数据仓库。他的原话："没有它，Agent 无法做出好决策。" 他叫它数据仓库。Eric Osiu 叫它共享大脑。Karpathy 叫它 LLM wiki。 名字不重要。Agent 需要编译过的、结构化的知识才能做有用的工作。 这种模式的极端版本是 Greg Isenberg 所说的"ambient business"——主要靠 Agent 运营的公司，创始人每隔几天查看一次。 Medvi 就是证明：18 亿美元的营收规模，2 名员工，零 VC 融资。AI 处理代码、创意、语音和客户服务。知识层是先决条件。没有它，Agent 需要人类不断指导。有了它，它们基于编译好的组织智能自主运转。 面向个人生活 最被低估的用途。追踪内容表现的同一套系统可以追踪你的思考。 日记条目、读书笔记、播客亮点、健康指标、目标复盘、凌晨两点的随机想法。 全部放入 raw/。Agent 将它们编译为结构化页面。 当你问"我的精力水平有什么规律"或"上个季度我在生产力方面学到了什么"时，你从自己的数据中获得带引用的回答。这个回答会被归档，所以下一个问题会更聪明。 复合循环：你问的每一个问题都在丰富系统。你添加的每一个来源都在创造新的连接。你的好奇心会反哺答案的质量。 质量控制在这里比任何地方都重要，因为这是盲目信任 AI 最危险的地方： 偏差检查确保每个页面都包含反面论据，并标注数据缺口。如果你丢进去 10 篇都说同样话的文章，wiki 会记录这一点，但也会标出这些信息中缺失了什么。 验证门控意味着每个 AI 生成的页面初始状态为 explored: false。只有你能将某个内容标记为已审核。你始终知道哪些经过人工验证，哪些没有。 置信度标签给每个页面标注高、中、低或不确定。Agent 必须诚实地表达其知识有多可靠。 我在"三大护城河"文章中提到的 80/20 法则在这里直接适用：让 AI 做 80% 的整理、编译和交叉引用。把你的品味投入到最后的 20%——筛选、验证、只有你才能看到的连接。知识层就是你把品味固化下来的方式，让那 80% 随时间变得越来越好。 20 分钟搭建指南 这不是理论。框架已开源，搭建很快。 第一步：克隆仓库（2 分钟） 在 Obsidian 中将该文件夹打开为一个 vault。 第二步：启动你的 Agent（3 分钟） 在该文件夹中打开 Claude Code（或任何能读取 Markdown 并运行 bash 的 Agent）。它会读取 CLAUDE.md——这是控制一切的 schema： Agent 读取该文件，理解完整的 schema，自动搭建 wiki 结构。 第三步：填入内容（10 分钟） 从 X 设置中请求你的归档数据。 安装 Obsidian Web Clipper 浏览器扩展，开始剪藏值得保留的推文、文章和长推。 坐下来花 10 分钟把脑子里所有的东西写出来。把书签导进来。任何感觉 80% 以上相关的都放进 raw/。 第四步：运行 ingest（5 分钟） Agent 会整理你的剪藏内容，从 URL 抓取完整内容，下载并分析图片，按类型分类每个来源，构建带交叉引用的 wiki 页面，为每个页面添加反面论据和数据缺口，并更新主索引。 以下是一个 /wiki query 的实际运行效果： 每个回答都会被归档。下一次关于内容表现的查询也会拉取这条记录。 第五步：打开知识图谱 打开 Obsidian 的图谱视图。你的想法、你关注的人、你使用的工具、你在乎的概念，现在通过视觉网络链接在一起。用 /wiki query 开始查询。 初始 ingest 完成后，试试这些查询： "上个月我书签最多的内容主题是什么？"——展示你的信号模式。 "[我的核心观点]的反面论据有哪些？"——迫使你用 wiki 编译的内容来压力测试自己的思考。 "总结我对 [竞品/工具/主题] 的全部了解"——从每个提到它的来源中拉取，综合出一份简报。 "我的 wiki 中哪些概念来源最少？"——展示你的知识薄弱环节，指明下一步研究方向。 每个回答都会被归档。wiki 在增长。 接下来做什么？ 设置一个定时触发器（Claude Dispatch 或 cron），每天早上运行 /wiki ingest。 白天剪藏，夜间处理，醒来就有更丰富的知识库。 每 1 2 周运行一次 /wiki lint，检查页面之间的矛盾、过时内容、无人链接的孤立页面、以及不同名称下的重复概念。 Agent 会修复它能修的，标记需要你判断的部分。 当页面超过 300 个时，安装 qmd（Tobi Lutke 开发），使用 BM25 + 向量检索 + LLM 重排序进行本地混合搜索。它有 MCP Server，你的 Agent 可以把它作为原生工具搜索 wiki。 开始把知识层连接到其他 Agent：一个读取它的写作 Agent、一个写入它的研究 Agent、一个查询它的内容策略师。知识层是让所有这些 Agent 都有用的共享大脑。 窗口期 Karpathy 的帖子获得了 99,000+ 个书签。Graphify 在 48 小时内发布，又获得了 27,000+ 个。多个实现方案在同周走红。需求显而易见。 大多数人会收藏这篇文章，心想"挺酷的"，然后永远不去搭建。 而那些今天花 20 分钟的人，下个月就会拥有一个持续增长的复合知识库，任何搜索引擎和通用 AI prompt 都无法复制。它会了解你的语体、你的数据、你的模式和你的品味。 你每等一周，就少一周的复合增长。 Repo: github.com/shannhk/llm wikid github.com/shannhk/llm wikid 原作者@shannholmberg 翻译整理 蓝衣剑客 原文https://x.com/shannholmberg/status/2044111115878326444 作者：蓝衣剑客AI 发布时间：2026年4月15日 19:32 原文链接：https://mp.weixin.qq.com/s/P LgdTYrR6TozFIVTJ31Dw 这篇文章给你一套双层系统，让你运行的每一个 AI Agent 都变得更聪明。20 分钟搭建，每天自动变强，完全开源。 Karpathy 最近提到，他已经把大部分 token 开销从写代码转向了知识管理。这条帖子之所以引发共鸣，是因为它说出了每个人都能感受到的问题：你的 Agent 不认识你。每次对话都从零开始。你一遍遍重复解释你的业务、你的语体、你的目标、你的上下文，而输出之所以平庸，是因为输入没有记忆。 我照他的模式测试了两周，试了多种方案，提炼出最有效的那个，然后导入了自己的数据：笔记、想法、推文、文章、书签。Agent 从中编译出 230 多个结构化的 wiki 页面，概念、实体、来源之间相互交叉引用，随时可以查询。 本文将介绍知识层是什么，如何为内容创作、公司运营和个人生活分别搭建一套。框架已开源，搭建只需 20 分钟。 什么是 AI 知识层 AI 知识层是位于你和 Agent 之间的基础设施。Agent 在做任何事之前，都会先读它。没有它，Agent 在猜。有了它，Agent 才知道。 它由两部分组成： 知识库层（KBL）是动态的。 你把原始素材倒进一个文件夹：推文、文章、书签、PDF、笔记、语音备忘录。AI Agent 读取所有内容，按类型分类，构建带交叉引用的结构化 wiki 页面，并维护一个带有一句话摘要的主索引，方便快速浏览。你问的每一个问题都会作为新页面归档。wiki 随时间推移越来越丰富。 品牌基础层（BF）是静态的。 这是只有你才能编辑的层：你的语体规则、视觉风格、品牌定位、受众定义、你绝不使用的词汇。Agent 在产出任何内容之前会读取这些规则，但永远不会重写它们。它是锚点，即使内容由 Agent 完成，读起来仍然像你写的。 以下是两层在系统中的位置： 为什么不用 RAG？ RAG 在查询时通过分块文档和搜索来重新推导答案。知识层则只编译一次，建立交叉引用，并保持更新。在大约 100 篇文章时，Karpathy 发现编译式方案在问答场景中优于 RAG。Graphify 测量到与搜索原始文件相比，每次查询节省了 71.5 倍的 token。 演进分为三个阶段： 一次性 RAG（2020 2023） 带多跳检索的 Agentic RAG（2023 2024） 以及现在的上下文工程——Agent 从多个来源自建上下文（2025+）。知识层就是第三个阶段的基础设施。 为什么大多数人不会去搭 这跟大多数人不愿意在周日做备餐一样。花一小时的前期工作省下一周十小时。大多数人宁愿抱怨 AI 输出拉垮，也不愿花 20 分钟搭一个能解决问题的系统。 现在 90% 用 AI 的人在做同样的事：输入 prompt，接受结果，直接发布。没有判断力，没有品味。 知识层是你跳出这 90% 的方式。它编码了你的品味、你的数据、你的模式，让 Agent 产出的内容听起来像你写的，而不是随处可见的 AI 垃圾内容。 但这确实需要花功夫，你需要精选放入的内容。如果某条内容和你当前工作的相关感不到 80%，跳过它。 高信号输入带来更好的输出。喂进去的是噪音，吐出来的也是噪音。 面向内容创作者和个人品牌 这是我起步的地方。我运营一个 AI 营销内容账号和一家代理公司，我需要我的 Agent 知道我写过什么、什么内容效果好、我的语体是什么样的。 我构建了一个叫 LLM Wikid 的框架并开源了（下文会讲如何实现）。以下是灌入自己数据后发生的事： 我先坐下来，把脑子里所有的东西都写出来：正在做的项目的笔记、半成型的产品想法、对细分领域有效做法的观察、对 AI 营销走向的思考。纯粹的原始思考，不考虑结构。 然后我倒入了 X 归档（6 周的 87 条推文）、三篇已发布文章，以及所有书签。Agent 处理了所有内容，将其转化为 15 个主题来源页、14 个概念页、11 个实体页，它们之间有 100 多条交叉引用。 接着我通过 X API 拉取了 197 条书签，Agent 下载了 81 张图片，转录了其中 49 个视频，分析了视觉内容，并把一切都编织进了 wiki。我的笔记、想法、推文、书签、文章，全部互联可搜索。 两层架构的实践 KBL（知识库层）承载所有会增长的内容：按类型分类的来源（转录稿、文章、推文、论文），通过 wikilinks 交叉引用，带 TLDR 索引。 当我需要就某个主题写作时，运行 /wiki query，就能从自己的数据中获得带引用的回答。这个回答会被归档为新页面，所以下一次查询会更丰富。 文件夹结构如下： 注意 raw/ 顶部的 clippings/ 文件夹——那是 Obsidian Web Clipper 存放内容的地方。 安装浏览器扩展后，无论你在浏览 X、阅读文章、查看 GitHub repo 还是刷 Reddit，都可以一键剪藏。它会连同来源 URL 一起保存到 raw/clippings/ 的 frontmatter 中。 下次运行 /wiki ingest 时，Agent 会读取 URL，检测来源类型（推文、文章、PDF、视频），分类到正确的子文件夹，抓取完整内容，下载图片，并编译进 wiki。 白天剪藏，夜间处理，醒来就有更丰富的知识库。 BF（品牌基础层）承载不变的东西：我的 AI 痕迹识别清单（列出所有会暴露 AI 身份的禁用词、短语和结构）、我的视觉内容风格指南（偏爱终端截图而非精美背景，使用色彩编码的流程图）、以及我的语体档案。每个 Agent 在产出任何内容前都会读取这些。 Agent 如何接入 写作 Agent 读取品牌基础层获取语体，查询 wiki 进行主题研究，检查内容表现数据来选择合适的格式。 研究 Agent 监控 X、Reddit、YouTube 上的信号，将新来源放入 raw 文件夹，扩展 wiki 主题。内容策略师将细分领域的热门内容与已有内容做交叉对比，找出空白。 每个 Agent 的上限取决于它读取的知识层。 同一个 Agent，配上薄弱的知识库，产出的是垃圾。同一个 Agent，读取 200 多个包含你的语体、数据和表现历史的结构化 wiki 页面，产出的内容听起来就像你写的。 我亲自测试过。Helena 是一个 AI 营销工具，仅凭 URL 就能分析品牌，生成准确的语体档案。但根据我的实际经验，它基于分析生成的内容是"一分钟内产出一个月的营销垃圾"。仅靠品牌分析是不够的，你还需要在这之上叠加知识层。 对应 AI 营销的 5 个层级 这和我之前写的 AI 营销 5 个层级相呼应： 第一级：自定义 prompt（无知识层） 第二级：手动技能（薄弱知识层） 第三级：技能 + 品牌基础层（加入 BF 层） 第四级：带技能的 Agent，从编译知识中读取（KBL + BF 协同工作） 第五级：自主 Agent 团队，拥有完整的复合知识层 大多数人停留在第一或第二级。知识层是把你推向第四、第五级的关键。 分发角度 Vibe coding 解决了构建问题。每个人都能在 48 小时内发布一个应用。但分发仍然困难。 知识层是你复合分发智能的方式。你捕获的每一条内容洞察、分析的每一个书签、追踪的每一个表现指标，都会让下一篇内容更精准。 设置一个定时触发器，每天早上对你前一天剪藏的内容运行 ingest。你睡觉的时候，你的分发系统在变聪明。