AI 知识库不是资料仓库，而是 Agent 的业务知识层

大家好，我是唐斩。

这篇文章来自一场 2026 年 6 月 24 日晚上的线下分享录音，主题是《AI知识库从0到1的思考与实践分享》。

我重新听这段录音时，最想保留的不是某个工具教程，而是一个判断：AI 知识库不是一个更智能的收藏夹，它应该成为 Agent 做事时调用的业务知识层。

如果只是把文章、网页、录音、PDF 全部塞进一个地方，然后告诉自己"我有知识库了"，这件事的价值很有限。真正有价值的是，Agent 能不能基于这些资料持续帮你写作、学习、研究、做课程、做产品，甚至帮你更好地理解自己。

核心判断：AI 知识库是 Agent 的业务知识层

核心判断：AI 知识库是 Agent 的业务知识层

1. 为什么现在还要讲知识库

我理解个人使用 AI 提效，大概经历了三个阶段。

第一阶段是 chatbot。从 ChatGPT 开始，我们主要用 AI 获取信息。它缩短的是找资料、问问题、解释概念的时间。

第二阶段是 Agent。AI 开始不只是回答，而是帮我们做事。写代码、改文档、跑脚本、查资料、生成素材，这些白领办公场景已经越来越常见。

第三阶段就是个人 AI 知识库。这个阶段要解决的问题变了：AI 能帮我写，但写得浅；AI 能帮我干活，但每次都要重新解释背景；AI 能生成结果，但风格不稳定，体系也不连续。

所以我才会认为，从长时间对个人收益最大这个角度看，知识库会比单独抓一个 Skill 或直接用别人的 Agent 更重要。因为 Skill 和 Agent 往往给你的是一个压缩后的结果，而知识库保留的是从原始资料到最终结果的链路。

这条链路能积累。

2. 知识库里到底该放什么

我在分享里把知识库内容分成两类。

第一类是公开精品内容。比如书籍、论文、行业报告、优质文章。这类资料适合做特定领域的知识库，它的作用是激活大模型在某个领域里的专家能力。

第二类是个人生命体验。你的发言、文章、照片、视频、旅行记录、项目记录、每天的想法，这些东西不是网上的公开知识，而是你自己的材料。

我更看重第二类。

因为当模型能力越来越接近，公开资料越来越容易被所有人拿到，真正能区分一个人的就不是"你会不会用 AI"，而是 AI 能不能读到你的历史、风格、判断和真实处境。

这也是为什么我现在会把录音、日常想法、历史文章都尽量收集起来。今天这场分享本身就是例子：很多人平时讲出来的话，转头就被忽略了，但这些话很可能就是最有价值的知识库原料。

知识库里的两类资料：公开精品内容和个人生命体验

知识库里的两类资料：公开精品内容和个人生命体验

3. AI 知识库真正要建的是业务知识层

很多人一听知识库，就会想到传统笔记软件。收藏网页，分文件夹，做摘抄，贴标签。

这套方法在 AI 之前就存在，但它很反人类。它要求人像机器一样整理资料，最后还经常出现一个问题：存的时候很认真，用的时候找不到。

AI 之后，事情变了。我们不应该再让人手动承担所有整理工作，而是让大模型负责抽取、关联、索引和重组。

我更愿意把 AI 知识库看成三层：

底层是原始资料。文章、录音、网页、图片转写、项目文档，都放在这里。

中间是业务知识层。Agent 从原始资料里抽取概念、实体、经验、规则、案例，形成可读、可追踪的结构。

上层是具体场景。写文章、做课程、做研究、做自省、做产品、服务客户，都属于上层调用。

这里的关键不是"资料越多越好"，而是中间那层能不能被 Agent 稳定调用。

4. 普通人起步，别急着上复杂方案

现在一讲知识库，很多人会先问 RAG。

我的判断很简单：企业级、大规模、资料量特别大的知识库，RAG 很重要。但对个人来说，起步阶段不一定要先上 RAG。

原因是 RAG 更像把资料映射到向量空间，检索有效，但对人不直观。你知道它能搜到东西，却看不到知识到底怎么被组织。

LLM Wiki 这类方式更适合个人早期使用。它生成的是 Markdown、索引、概念、实体、关系和日志，人能看懂，Agent 也能读。

但我也不建议一开始就把架构搞得太复杂。

如果你只有十几篇文章、几十个 Markdown 文件，最小版本就是一个文件夹、一个入口索引、一个 CLAUDE.md 或类似的全局说明。让 Agent 先能找到资料，先能产出结果。

等资料多到你自己和 Agent 都开始管理不过来，再升级成更完整的 LLM Wiki 结构。

从 0 到 1：先跑通最小闭环

从 0 到 1：先跑通最小闭环

5. 我会怎么从 0 到 1 做

最小路径可以很朴素。

第一步，选一个场景。

不要说"我要做一个个人知识库"，这个目标太虚。你可以说："我要用它写公众号"，或者"我要用它学习一个新概念"，或者"我要用它整理课程资料"。

第二步，准备一个本地 Markdown 文件夹。

我现在更偏向用 Obsidian 做底层存储，因为它本地优先，对 Markdown 友好，Agent 读写也顺。云文档不是不能用，但高频读取时会慢，也会受权限、频率和存储空间限制。

第三步，把真实资料放进去。

如果做内容创作，就放你的历史文章、口播稿、录音转写。如果做行业研究，就放行业报告和高质量文章。如果做数字分身，就放自己的长期输出、想法、照片说明和关键决策记录。

第四步，让 Agent 生成入口索引和知识层。

这里不要只让它总结。要让它告诉你：有哪些主题、有哪些概念、哪些资料互相关联、哪些内容是孤立的、哪些文件应该继续补充。

第五步，立刻产出一次。

写一篇文章，做一份课程大纲，生成一个学习路线，或者让它回答一个你真实工作里会遇到的问题。第一次结果不完美很正常，但你必须通过产出来反推结构。

6. 0 到 1 之后，难点才开始

搭起来不难，难的是持续经营。

我现在会把这件事拆成三类动作。

第一，建立自己的收集体系。

手机上的碎片想法可以用 flomo 这类工具；语音可以用录音卡；微信公众号内容我会通过得到大脑读取；网页可以用 Obsidian 浏览器插件；本地写作和项目资料就直接进 Markdown 文件夹。

第二，让 Agent 定期自检。

比如每周一次，让 Agent 检查孤立内容、重复内容、过期内容、互相冲突的版本，以及最近新增资料有没有进入索引。

第三，让专业知识库自生长，但要有审核队列。

如果你做的是 AI 编程、OPC、出海、教育等持续变化的领域，可以让 Agent 定期检索新资料，先放到待审核目录。你审核之后再入库。否则知识库会被低质量资料污染。

7. 最大的坑：只存不用

很多人担心只存不看。

我反而觉得，AI 时代只存不看不是最大问题。未来很多资料本来就不需要你自己看，AI 可以替你读。

真正的问题是只存不用。

如果知识库没有绑定具体场景，它最后还是收藏夹。你会觉得自己很努力，但它不会改变你的产出。

所以我建议每个知识库都问一个问题：它下一步要帮我做什么？

帮我写文章？帮我学一个概念？帮我给学生写成长报告？帮我复盘自己的决策？帮我准备一场公开课？

这个问题越具体，知识库越容易变成生产系统。

避坑：不要只存不用

避坑：不要只存不用

8. 开发者应该怎么理解这件事

对开发者来说，我觉得 AI 知识库不是一个笔记产品问题，而是上下文工程问题。

Agent 要稳定工作，必须知道三件事：

第一，原始资料在哪里。

第二，哪些资料可以改，哪些资料不能改。

第三，每一次抽取、整理、改写发生了什么。

所以原始资料层要尽量保护起来。知识层可以让 Agent 修改，但要有日志。关键文件可以通过规则声明，必要时直接用操作系统权限设成只读。

这其实跟软件工程很像。你要有源文件，要有构建产物，要有变更日志，还要有边界。

没有这些边界，Agent 改知识库就会变成一件很危险的事。

9. 这件事也有商业机会，但别想得太轻

现场问答里，有人提到给别人搭建个人知识库，尤其是老师群体。

这个方向我觉得有需求。老师有大量资料、学生记录、课程内容、家长沟通文本，确实适合用 AI 知识库提高效率。比如幼儿园老师记录每个孩子的身体、心理和学习情况，期末生成家长报告时，就可以从知识库里拉取信息。

但这里有一个很现实的问题：个性化知识库很难完全代做。

别人可以帮你搭结构、搭工具、做录入接口、做陪跑，但最关键的判断、经验、目标和使用场景，必须由用户自己参与。否则搭出来的东西不会真的贴合你。

所以如果要做商业化，我更看好"陪跑 + 模板 + 录入接口 + 场景交付"，而不是单纯帮别人建一个文件夹。

10. 我的建议

如果你还没有开始，不要先研究一个月工具。

今天就做一个最小版本：

• 建一个本地文件夹。
• 放进 10 到 20 篇你真正会用的资料。
• 写一个入口说明，让 Agent 知道这个库用来干什么。
• 让 Agent 生成索引。
• 立刻用它产出一篇文章、一份大纲或一个真实问题的答案。

然后看结果哪里不对。

不够像你，就补个人历史输出。

不够专业，就补高质量资料。

结构混乱，就让 Agent 重做索引和关系。

有冲突，就清理、归档、加版本规则。

AI 知识库不是一次性工程。它更像一个长期协作对象。你每天多喂一点真实材料，多用它解决一个具体问题，半年之后它才会开始像你的东西。

我现在对这件事的判断很明确：未来模型能力会继续进步，但每个人手里的私有语境、生命体验和业务资料不会自动出现。

这部分，越早积累越有复利。