现在做知识库很容易。

把 PDF、Word、表格、网页、视频和会议纪要上传到 NotebookLM、IMA 或其他知识库工具，然后问：

这类工具很有价值，尤其适合：

• 阅读大量原始资料；
• 做跨文档问答；
• 查一段原文；
• 研究一个主题；
• 快速生成摘要。

但职场里的很多问题，单靠“检索原文”解决不了。

例如：

这些问题要求 AI 同时理解：

• 当前有效的事实；
• 已作废的历史版本；
• 口头想法与正式决定的区别；
• 项目的进度和卡点；
• 个人职责和协作边界；
• 对外表达的红线；
• 过往经验的适用条件。

原始资料越多，AI 未必越准确。它可能在几十份文件里找到一句话，却不知道这句话是否仍然有效，也不知道该不该用在当前场景。

所以我把两类系统分开理解：

两者可以并存。

原始文件继续留在网盘、飞书、NotebookLM、IMA 或电脑原目录里。Obsidian 工作库保存整理后的当前上下文，并用索引指向原文件。

一份董事会确认过的品牌手册，一份三年前的项目复盘，一段老板语音和一份实习生整理的会议纪要，在文件系统里都只是文本。

人会自动判断：

• 品牌手册权威性高；
• 三年前的结论可能过期；
• 老板随口一说不等于正式决定；
• 会议纪要要看是否确认；
• 对外内容不能使用内部预算。

AI 不会天然拥有你公司的这些隐性判断。

因此，工作库要把这些判断写出来：

• 什么信息更权威；
• 什么状态可以直接使用；
• 什么只能作为历史；
• 什么必须标待确认；
• 什么只能内部使用；
• 什么任务应该读取什么；
• 出现冲突时怎么处理；
• AI 建议如何与公司事实分开。

换句话说，用户买到的核心价值不只是几十个 Markdown 文件。

他买到的是一套把隐性工作判断显性化的方法。

它适合解决五类日常任务。

第一类：查事实

例如：

• 现行项目目标是多少？
• 某个预算批了吗？
• 当前正式 Slogan 是哪一句？
• 某项口径能不能使用？

系统应给直接答案，同时处理作废、冲突、待确认和禁令。

第二类：调背景

例如：

• 明天要开项目周会，帮我调一下背景；
• 新同事要接手项目，生成一份上下文简报；
• 我要开始讨论新品，先把相关信息整理出来。

系统应按任务裁剪一页式上下文，避免把整个库倒给用户。

第三类：直接做工作

例如：

• 写一份达人 Brief；
• 写一条小红书脚本；
• 准备给 CEO 的项目汇报；
• 帮我起草一个跨部门沟通消息。

AI 先在内部加载相关上下文，再完成工作。事实必须来自知识库，创意和方案可以发挥，但两者不能混为一谈。

第四类：核对方案

例如：

• 这份上市安排有没有问题？
• 这份内容是否符合品牌定位和禁用口径？
• 这个方案与公司今年目标一致吗？

系统应主动检查目标、定位、决定、红线、执行条件和信息缺口。

第五类：判断可行性

例如：

• 这件事我一个人能不能做？
• 80 万预算够不够？
• 两周内能不能上线？

知识库通常不会直接保存答案。AI 需要基于目标、资源、时间、职责、协作关系和经验进行推理。

输出时要把三层内容分开：

1. 知识库事实：当前库里已经确认的内容；
2. AI 判断：基于这些事实和通用专业逻辑得出的分析；
3. 建议动作：下一步可以怎样做。

个人工作库有明确边界。

• 公司目标变了，但用户没有提供新信息，AI 无法自动知道。
• 原资料本身错误，整理得再规范也不会变成真相。
• 公司内部权限复杂时，个人库无法替代企业权限系统。
• 高敏感合同、底价、账号凭证不应进入个人知识库。
• AI 仍可能理解偏差，因此写入必须确认，重要输出仍需人判断。
• 它无法替代项目管理系统、财务系统、CRM 或正式档案系统。

个人知识库追求的目标应当是：

如果要求每一句话都经过逐条证据绑定、自动回滚、权限审计和事务级一致性校验，产品就进入了企业知识治理范围，建设和维护成本会完全不同。

我们原来的 28 页品牌部知识库方案里，第一条通用方法就是建立总索引。

原因很简单：资料越多，一次性塞给 AI 的噪声越多。

总索引要回答四个问题：

1. 库里有哪些资料；
2. 每类资料解决什么问题；
3. 哪些任务需要读哪些资料；
4. 哪些资料不允许跨场景使用。

一份合格的总索引不需要很长。它更像地图。

# 知识库总索引

## 三层结构

| 层 | 回答的问题 | 变化频率 |
| --- | --- | --- |
| 稳定上下文 | 我是谁、公司是什么、今年要什么 | 低 |
| 动态项目上下文 | 正在做什么、做到哪、卡在哪里 | 高 |
| 经验与判断 | 什么做法有效、哪里踩过坑 | 中 |

AI 每次先判断任务，再沿着地图读取 3—8 个相关文件。它无需为了回答一个产品口径问题，把个人职业目标、所有历史项目和整套方法论都读一遍。

调取理解错了，通常只影响一次输出。

写入理解错了，会污染后面所有输出。

所以读写应该采用不同的确认成本：

• 读取：意图明确时直接做；中等明确时用一句话说明默认理解再做；真正模糊时只问一个问题。
• 写入：拆分、分类、展示完整预览，用户明确确认后再写。

这条原则后来成为我们两个核心 Skill 的分界：

• “资料整理与录入”有写权限，必须先预览；
• “工作上下文调取”全程只读，默认直接服务当前任务。

如果知识库只能回答事实，它很快会变成一个查表工具。

个人工作库真正有价值的地方，在于 AI 能基于你的事实、目标、经验和当前状态继续思考。

但推理不能伪装成事实。

例如用户问：

系统可以这样回答：

知识库事实

• 2000 万目前是 CEO 口头方向，未正式确认；
• 80 万预算申请已提交，仍待审批；
• 当前库中没有历史 ROI 和渠道拆解数据。

AI 判断

现有信息不足以断言预算够或不够。预算是否充分取决于目标周期、自然流量占比、渠道结构和历史 ROI。

建议动作

• 先确认目标口径；
• 明确 80 万的具体用途；
• 补历史 ROI 和流量成本；
• 做三种情景测算。

AI 仍然在发挥，只是用户能清楚地看见哪些来自库，哪些来自推理。

我们最终做出来的是“品牌人个人 AI 工作库”，但它的底层结构可以用于很多岗位。

通用骨架可以分成九个区域：

个人AI工作库
├── 00_开始与总控
├── 01_个人工作上下文
├── 02_公司与业务上下文
├── 03_项目工作区
├── 04_经验与决策
├── 05_方法与模板
├── 06_AI协作
├── 07_周期复盘
└── 90_收集箱

品牌岗位可以把 02_公司与业务上下文 进一步拆成品牌、产品、用户、渠道和正式口径。

销售岗位可以增加：

• 客户分层；
• 销售流程；
• 产品报价边界；
• 异议处理；
• 跟进节奏。

运营岗位可以增加：

• 平台规则；
• 指标口径；
• 活动节奏；
• 用户生命周期；
• SOP 和异常处理。

财务岗位可以增加：

• 报表口径；
• 预算流程；
• 费用分类；
• 月结规则；
• 合规边界。

核心结构不变，岗位模块按需要替换。

这个目录至少包含：

00_开始与总控
├── 00_从这里开始.md
├── 01_知识库总索引.md
├── 02_Agent工作规则.md
├── 03_资料写入与更新规则.md
├── 04_敏感信息边界.md
├── 05_术语与文件类型说明.md
└── 06_更新日志.md

总索引

告诉 AI 库里有什么、什么时候读什么。

Agent 工作规则

规定回答顺序、任务判断、事实和建议的边界、缺资料时的处理。

写入规则

规定什么值得存、怎样拆分、怎样处理冲突、怎样确认。

敏感信息边界

规定 public、internal、restricted 的含义，以及默认不保存清单。

术语与文件类型

规定“项目”“决定”“正式口径”“待确认”等内部概念。

更新日志

记录何时新增、更新、追加或标记过期。

没有这个目录，知识库只是文件集合。有了它，任何能读文件的 Agent 都可以理解这套系统。

建议至少有五个文件：

01_个人工作上下文
├── 01_个人角色与职责.md
├── 02_当前职业目标.md
├── 03_工作方式与协作偏好.md
├── 04_AI使用方式.md
└── 05_个人能力与经验索引.md

这里不要写成性格测试。

真正有用的是：

• 你负责什么；
• 你不负责什么；
• 哪些事你能决定；
• 哪些事需要审批；
• 你当前最重要的职业目标；
• 你怎样汇报；
• 你的老板关心什么；
• 你希望 AI 先给结论还是先铺过程；
• 哪些能力已经被项目证明；
• 哪些能力仍缺证据。

用户问“这个项目我能不能一个人做”时，AI 需要的正是这些信息。

品牌案例里，我们用了八个文件：

02_公司与品牌上下文
├── 01_公司基础信息.md
├── 02_品牌发展与当前定位.md
├── 03_年度公司目标.md
├── 04_年度品牌目标.md
├── 05_产品与业务结构.md
├── 06_用户与渠道.md
├── 07_正式表达与禁用口径.md
└── 08_公司资料索引.md

这一层的特点是相对稳定。

它不应保存每一次会议的完整记录，也不应堆放原始 PPT。它保存的是经过确认、日常工作需要频繁调用的背景。

例如：

• 今年公司目标；
• 当前品牌定位；
• 产品规格和价格；
• 目标用户；
• 渠道角色；
• 正式 Slogan；
• 禁止使用的表述；
• 原资料存在哪里。

一个项目建议使用固定七件套：

项目名称
├── 00_项目README.md
├── 01_项目Brief.md
├── 02_当前状态.md
├── 03_关键资料索引.md
├── 04_决策记录.md
├── 05_阶段成果.md
└── 06_项目复盘.md

它们分别回答：

项目文件不需要一次填满。

项目启动时先填 README、Brief 和当前状态。决定出现时补决策记录。项目结束以后再写复盘。

很多人复盘完一个项目，只留下了一份长文。

半年后 AI 仍然不知道哪条经验能复用。

经验层建议拆成：

04_经验与决策
├── 00_关键决策索引.md
├── 01_成功经验.md
├── 02_错误与踩坑.md
├── 03_待验证经验.md
└── 证据卡

一条经验至少写五件事：

1. 发生了什么；
2. 得到了什么结果；
3. 为什么有效或无效；
4. 适用于什么场景；
5. 哪些情况不能直接套用。

当证据不足时，先放“待验证经验”。

“专业、年轻、有温度”对人来说可以理解，对 AI 来说太抽象。

方法论要改成：

• 输入是什么；
• 执行步骤是什么；
• 每一步判断标准是什么；
• 输出是什么；
• 有哪些反例；
• 什么时候不适用。

例如内容规范可以写成：

## 推荐表达

1. 使用具体场景。
2. 优先表达用户收益。
3. 语言清楚，减少空泛形容词。

## 避免表达

1. 未经证明的绝对化说法。
2. 脱离产品能力的承诺。
3. 与品牌定位无关的网络热词。

## 示例

不推荐：行业领先的创新产品。  
推荐：一口一个，不脏手，工位和健身包都放得下。

同一个库面对不同任务，读取路径应该不同。

对外内容

优先读取：

1. 品牌定位和调性；
2. 正式与禁用口径；
3. 对应产品卡；
4. 渠道规则；
5. 项目 Brief。

会议准备

优先读取：

1. 当前状态；
2. 决策记录；
3. 阶段成果；
4. 老板汇报偏好；
5. 关键证据。

事实查询

直接定位对应文件，只使用已确认内容。查不到就看资料索引，再查不到就明确说库中没有。

方案核对

读取目标、定位、当前决定、红线、资源和相关经验。

任务路径的意义，是让 AI 每次只拿当前任务需要的上下文。

收集箱负责接住还没来得及分类的东西。

周期复盘负责定期处理它们。

建议节奏：

每周 15—20 分钟

• 清理收集箱；
• 更新进行中项目状态；
• 补关键决定；
• 处理 AI 坏答案；
• 记录一条成功经验或踩坑。

每月 30—45 分钟

• 检查公司和业务背景是否过期；
• 处理待验证经验；
• 检查项目总览与目录是否一致；
• 列出长期未补信息。

每季度 1 小时

• 更新个人目标和能力索引；
• 归档结束��目；
• 标记过期资料；
• 回看更新日志，发现使用盲区。

核心文件建议至少有这些字段：

---
title: 年度品牌目标
type: official-context
status: confirmed
sensitivity: internal
source: 2026年度品牌规划
source_date: 2026-01-20
updated: 2026-07-24
---

type

说明这是什么：

• official-context
• project
• decision
• experience
• method
• inbox
• system

status

说明当前能不能用：

• confirmed：已确认；
• draft：草稿或待验证；
• outdated：已被替代；
• archived：归档，默认不读取。

sensitivity

说明能暴露到什么范围：

• public：可公开；
• internal：只用于内部；
• restricted：默认不读取，也不进入对外草稿。

source 与 source_date

说明信息来自哪里、何时形成。

元数据不需要追求复杂。字段越多，维护成本越高。只保留真正影响 AI 判断的字段。

正文类文件统一使用三个区域：

## 已确认信息

放来源明确、可以直接用于工作的内容。

## 整理后的表述

放对已确认资料的压缩、归纳和结构化表达。

## 待确认与AI建议

放未确认材料、个人判断、AI 建议和缺失项。

这套结构解决了一个非常实际的问题：

AI 为了让内容完整，会自然地补齐空白。

例如原资料没有“公司一句话介绍”，AI 可能根据公司背景拼一段顺滑的话。如果这段话直接进入已确认区，后面的 Agent 会把它当成正式口径。

正确处理是：

• 原文明确写过的内容进已确认区；
• 忠实归纳进整理后的表述；
• AI 生成的一句话进待确认与 AI 建议；
• 没有资料的字段写“暂无，待补”。

一条术语至少包含：

### 术语：品牌定位

- 定义：
- 不等同于：
- 使用场景：
- 来源：

“不等同于”尤其重要。

它可以防止 AI 把：

• 品牌定位当成广告语；
• 项目目标当成公司年度目标；
• 老板意见当成正式决定；
• 内部评测指标当成对外卖点。

关键判断可以单独做证据卡：

# 证据卡：新品蓄水期先做小规模内容测试

## 判断

先用小规模内容测试验证方向，再扩大投放。

## 依据

1. 项目 A：……
2. 项目 B：……

## 适用场景

- 新品种草；
- 内容方向仍不确定；
- 可分批投入。

## 不适用场景

- 已有稳定素材模型；
- 时间窗口极短；
- 法规要求先统一物料。

## 可信度

中。已有两个项目支持，仍需继续验证。

这样 AI 引用经验时，会同时看到适用条件。

现实资料通常是混合物。

一份会议纪要可能同时包含：

• 已确认决定；
• 新任务；
• 老板意见；
• 未验证的竞品传闻；
• 敏感报价；
• 同事情绪；
• 项目进度。

把整份纪要塞进“会议纪要”文件夹，AI 以后仍然不知道其中每一段是什么性质。

录入流程要先把资料拆成知识单元。

每个知识单元只回答一个主要问题，并标记为：

• 已确认信息；
• 忠实整理；
• 任务或行动；
• 决定；
• 经验；
• 个人判断或 AI 建议；
• 仅索引来源；
• 待确认。

1. 这是什么类型的信息？
2. 它是事实、观点、经验、建议，还是待确认材料？
3. 来源是什么？
4. 当前是否有效？
5. 以后什么任务会用到它？
6. 是否包含敏感信息？
7. 应当新增、更新、只建索引，还是不保存？

答不上来的问题不需要全部追问。只问会改变写入结果的最少问题。

新资料与库内信息之间，通常只有六种关系：

“替代”尤其重要。

例如项目目标经历：

正确结果不只是把 Brief 里的数字改掉。

还要检查：

• 项目 README 的当前目标；
• 项目总览；
• 决策记录；
• 当前状态；
• 历史日志。

当前摘要要更新，历史记录要保留，并注明何时被替代。

正式资料通常适合写入已确认区，但仍需要拆分。

一份年度品牌规划可能同时更新：

• 公司年度目标；
• 品牌年度目标；
• 渠道策略；
• 个人职责；
• 汇报节奏；
• 项目清单。

AI 应把这些内容分别写入相应文件，而非创造一个“年度品牌规划摘要.md”把所有信息堆在一起。

会议纪要

重点拆：

• 决定；
• 任务；
• 进度；
• 风险；
• 保留意见；
• 敏感信息。

微信群聊

要区分：

• 最终决定；
• 讨论过程；
• 重复信息；
• 传闻；
• 闲聊。

讨论过程没有长期价值时可以不保存，只保留决定和任务。

老板语音

口头想法不能自动进入正式目标。

可以记录：

• 明确交代的研究任务；
• 待确认方向；
• 需要后续书面确认的事项。

与 AI 的长对话

对话结束时，不要把整段聊天直接存入库。

可以对 Agent 说：

PDF 和 PPT

• 原文件保留原位置；
• 库里存摘要与索引；
• 重要事实拆入对应主题文件；
• source 指向原文件。

表格

适合长期查询的稳定指标可以整理进 Markdown 表。

高频变化、行数很大或需要计算的表格，继续留在表格工具中，库里只存：

• 文件位置；
• 字段含义；
• 口径；
• 更新时间；
• 什么任务需要读取。

图片和截图

先做 OCR 或人工确认。图片里的文字被识别出来以后，仍要走相同的事实、状态和敏感性判断。

个人版最合适的安全流程有五步：

第一步：自然语言预览

预览至少展示：

• 来源；
• 知识单元；
• 目标文件和小节；
• 新增、更新、追加、替代或不保存；
• 准备写入的完整内容；
• 待确认问题。

第二步：用户确认

用户回复“确认写入”后才获得修改权限。

第三步：备份目标文件

只备份本轮将修改的文件，不需要每次复制整个库。

第四步：按预览写入

不得临场扩写、改结论或顺手修改预览外文件。

第五步：回读

重新读取修改文件，检查：

• 数字和时间是否一致；
• 是否新增原文没有的事实；
• 旧内容是否被误删；
• 索引和日志是否更新；
• 有没有预览已批准却没执行的事项；
• 有没有预览外修改。

录入预览末尾固定放五个问题：

• 关键数字、日期和正式口径与你记得的一致吗？
• 有没有把想法、建议或传闻写成“已决定”？
• 有没有出现原资料从未说过的内容？
• 来源文件和来源日期标对了吗？
• “暂无，待补”的信息，你现在能补充吗？

这五问的作用，是把专业审核压缩成普通用户能完成的快速检查。

用户说：

调取 Skill 不需要先给用户展示十页公司资料。

它应该在内部读取：

• 品牌调性；
• 正式与禁用口径；
• 产品卡；
• 当前项目 Brief；
• 渠道规则。

然后直接完成脚本。

用户感受到的是 AI 突然更懂这家公司，而非看到一堆查库过程。

查事实

直接给答案。

只有在作废、冲突、待确认、传闻或禁令影响答案时，补状态说明。

调背景

给一页式上下文：

• 当前目标；
• 项目阶段；
• 关键决定；
• 风险和红线；
• 待确认项；
• 当前最需要推进的动作。

做工作

先加载上下文，再写脚本、方案、汇报或消息。

输出中区分：

• 已确认事实；
• AI 创意；
• 发布前待验证变量。

核对方案

逐条检查：

• 与现行目标是否一致；
• 与品牌或业务定位是否一致；
• 是否违反已经确认的决定；
• 是否触碰红线；
• 执行条件是否具备；
• 哪些关键信息仍缺失。

判断可行性

给���

• 结论：可做、有条件可做、当前无法判断；
• 库内事实；
• AI 判断；
• 关键假设；
• 缺口；
• 下一步动作。

用户不会记住五种模式。

他可能只发一个文件，说：

此时不同理解会导致完全不同的长交付物。Agent 只需要问一个问题：

如果用户说：

意图已经足够明确，直接输出会前背景，不需要再追问。

调取时要执行四种状态过滤：

当前有效

confirmed 可作为当前事实。

历史内容

outdated 只能用于变更链。

未确认内容

draft、传闻、口头想法必须保留原状态。

信息缺口

“暂无，待补”不能被 AI 自动补成正式事实。

例如：

• 当前 GMV 目标是 650 万；
• 原 500 万已作废；
• 双十一 2000 万只是 CEO 随口方向；
• 80 万追加预算仍待审批；
• “约等于 2 个鸡蛋”是全渠道禁用口径；
• 产品定位一句话尚未确认。

一套知识库有没有用，看它能否正确处理这些状态，而非看它能存多少文件。

对外内容必须读取禁用口径。

同时检查：

• internal 信息有没有进入成品；
• restricted 信息有没有被调用；
• 正式表述是否为最新版；
• 产品事实是否有依据；
• AI 创意有没有伪造体验、购买、使用或测试事实。

创意当然可以发挥。

AI 可以设计：

• 开头钩子；
• 视频画面；
• 内容结构；
• 拍摄方式；
• 候选文案；
• 情绪节奏。

但它不能把“我试吃以后觉得海盐芝士最好吃”写成真实经历，除非确有来源或明确标为待验证的创意草案。

真实工作里的资料不会那么整齐。

如果只测试一份品牌手册，AI 很容易表现得很好。真正困难的是第二、第三、第四份资料进来以后：

• 同一个目标发生变化；
• 同一个口径从待审核变成禁用；
• 口头想法被正式通知收编；
• 传闻一直没有验证；
• 项目资料与公司资料互相补充；
• 旧信息需要保留历史。

因此我们设计了一个虚拟食品品牌“谷野研究所”，并连续录入七份材料。

旧目标与新目标

原 Brief 写 500 万，会议拍板 650 万，正式通知确认 650 万生效。

系统要做到：

• 当前回答使用 650 万；
• 500 万保留在历史记录；
• 不把双十一 2000 万口头方向混进当前目标。

候选话术与正式禁令

群聊提出“一袋 12g 蛋白约等于 2 个鸡蛋”，先进入待法审；正式通知确认法务未通过，全渠道禁用。

系统要做到：

• 不能把它写成曾正式启用的旧口径；
• 对外内容必须拦截；
• 替代表述使用“12g 优质蛋白”。

传闻与事实

“ffit8 可能四季度出烘焙新品”来自代理商传闻。

系统要做到：

• 记录传闻和跟进人；
• 不把它写入正式竞品事实；
• 分析时可以讨论“如果属实”的潜在影响；
• 不能给出没有来源的确定性数字。

敏感报价

会议出现供应商报价和谈判底价。

系统要做到：

• 不写入正文；
• 只在资料索引说明原文位置和敏感边界；
• 不能进入达人 Brief 或对外内容。

AI 拼装口径

原资料提供了产品描述和卖点，但没有“最想让用户记住的一句话”。

AI 曾把多个事实拼成一句顺滑表达，并写进已确认区。

这句话的每个词都可能有出处，组合成正式核心信息的决定却没有发生。

最终规则是：

• 模板要求一句话口径，但原文没有现成表述时，写“暂无，待补”；
• AI 候选可以进入建议区，等待用户确认。

我们发现，规则正确不代表执行端每次都会完整执行。

出现过的问题包括：

• 预览已批准的两项内容没有写入；
• 实际更新了项目总览，报告却说没有修改预览外文件；
• 待办表声称记录 5 项，实际只有 4 项；
• 预览中混入 Agent 的思考过程；
• 执行端把遗漏重新解释成“边界选择”；
• 用户要求先看局部内容，Agent 跳过检��点直接写入。

这些问题没有全部变成新硬规则。

我们只加了两个低成本机制：

1. 预览末尾增加“确认前 30 秒检查”；
2. 回读报告强制列出“预览已批准但未执行、被后续指令取消、预览外实际修改”。

其余执行端能力差异，写进用户说明书和模型选择建议。

第一轮测试发现 AI 会补写原文没有的事实。

于是我们加：

• 逐条证据绑定；
• 冻结写入计划；
• SHA-256 哈希；
• 写后结构校验；
• 内容保真校验；
• 非目标章节保护；
• 自动回滚；
• Git 可信基线；
• 官方写入引擎。

每个机制单独看都合理。

合起来以后，系统变成了一套企业级知识治理工程。

执行端为了通过校验，需要处理 schema、锚点、结构 claim、模板证据、列表标记、空值、查重豁免和版本一致性。一个普通品牌打工人只是想把会议纪要整理进 Obsidian，却要面对编译器一样的错误信息。

这时必须停下来重新问：

答案仍然是：

保留

• 结构化文件夹；
• 元数据；
• 三区制；
• 状态和敏感边界；
• 任务读取路径；
• 录入预览���
• 用户确认；
• 目标文件备份；
• 写后回读；
• 更新日志；
• 快速检查清单。

暂不保留

• 逐句 claim；
• JSON 写入计划；
• 哈希审计；
• Git 信任登记；
• 三重校验器；
• 企业级事务回滚；
• 复杂权限系统。

这个收缩不是降低质量要求。

它是在个人使用场景里，选择最有感知、最能降低错误、又不会把用户挡在门外的机制。

企业级知识库通常还要包含：

• 企业模板适配；
• 权限和保密；
• 数据清洗；
• 术语体系；
• 历史资料迁移；
• 人工复审；
• 员工培训；
• 长期维护；
• 系统对接；
• 责任边界。

这是一项咨询和实施服务。

个人版可以卖模板、Skill 和方法；企业版要卖诊断、搭建、迁移、培训和维护。

两者不能用同一套价格和交付方式衡量。

触发方式：

• 把这个存进知识库；
• 整理这份资料；
• 记录这次会议；
• 把当前对话沉淀下来；
• 更新项目资料。

工作流程：

读取库规则
→ 完整读取输入
→ 拆成知识单元
→ 判断目标位置
→ 判断新旧关系
→ 输出自然语言预览
→ 用户确认
→ 备份
→ 写入
→ 回读

它拥有写权限，因此确认成本最高。

触发方式：

• 帮我查一下；
• 明天开会，先调取背景；
• 帮我写一份方案；
• 核对一下这份安排；
• 这件事我能��能做。

它支持五种意图：

• 查事实；
• 调背景；
• 做工作；
• 核对方案；
• 判断可行性。

它全程只读，默认只展示结果，不展示查库���程。

它不是第三个写入工具。

它是整套系统的路由和入门手册。

适合回答：

• 我第一次应该填什么；
• 这份资料用哪个 Skill；
• 为什么调取结果不对；
• 为什么资料找不到；
• 我的岗位不适合现有目录怎么办；
• 什么时候需要增加模块；
• 怎样做每周维护；
• 这套系统有什么做不到。

诊断时先分原因：

1. 库里没有资料；
2. 资料有，但状态或位置不对；
3. 调取路径不对；
4. AI 的推理不合理；
5. 用户其实需要录入；
6. 用户的岗位需要定制模块。

它只给建议和路由，不直接修改知识库。

不要一次填完所有文件。

60—90 分钟的最小版本：

第一步：填个人角色

写清：

• 我的岗位；
• 我的职责；
• 我不负责什么；
• 需要谁审批；
• 主要协作对象。

第二步：写一页公司摘要

只填当前工作最常用的信息。

第三步：填年度目标

写公司目标、部门目标和个人目标之间的关系。

第四步：建一个正在做的项目

先填 README、Brief 和当前状态。

第五步：写三条成功经验和三条踩坑

每条带适用条件。

第六步：补敏感边界

删除模板示例，写你公司的真实红线。

第七步：做第一次调取测试

对 Agent 说：

如果它能给出一份有用的一页背景，系统就跑通了。

建议抓住四个时间点：

收到正式资料时

调用录入 Skill。

开新项目时

建项目目录，先写 Brief 和状态。

长对话结束时

提取事实、决定、任务和经验，先预览再写入。

AI 答错时

不要只在当前聊天里改答案。

记录：

• 它答错了什么；
• 正确答案是什么；
• 错因属于资料缺失、状态错误、路由错误还是推理错误；
• 是否需要修库。

看五个指标：

1. 同一背景是否还需要反复解释；
2. AI 是否能找到当前目标；
3. AI 是否能识别待确认和作废信息；
4. 对外内容是否能主动避开红线；
5. 项目结束后是否留下可复用经验。

如果答案仍然经常很泛，先检查任务读取路径。

如果答案经常混口径，检查状态、来源和替代关系。

如果 AI 经常编造，检查“暂无，待补”和建议区是否清楚。

如果库越来越乱，检查是否把原始资料全文都塞了进去。

这些目录对大多数岗位都适用：

• 00_开始与总控；
• 01_个人工作上下文；
• 03_项目工作区；
• 04_经验与决策；
• 05_方法与模板；
• 06_AI协作；
• 07_周期复盘；
• 90_收集箱。

主要需要改的是 02_公司与业务上下文 和任务读取路径。

满足以下任意两条，再考虑新建：

1. 同类资料持续增加；
2. 已有目录无法清楚承载；
3. 对应任务有独立读取路径；
4. 有独立状态或敏感规则；
5. 至少每月会被使用一次。

只出现一份特殊文件时，先放收集箱或资料索引，不急着改结构。

第一，资料质量

来源清楚、状态准确、敏感边界明确。

第二，规则质量

Agent 知道怎样录、怎样读、怎样处理缺口。

第三，人的维护

目标变化时及时更新，项目结束后复盘，AI 答错时修正原因。

三者缺一，知识库都会慢慢失真。

最有效的方法是从一个真实项目开始。

先让系统完成：

• 一次正式资料录入；
• 一次会议纪要录入；
• 一次项目背景调取；
• 一次对外内容生成；
• 一次方案核对；
• 一次项目复盘。

这些任务跑通以后，再增加更多资料。

我现在理解的个人 AI 知识库，很像在训练一个长期跟你工作的同事。

你要给它资料，也要告诉它：

• 哪些资料重要；
• 哪些已经过期；
• 哪些只是想法；
• 哪些不能对外说；
• 遇到不同任务该先读什么；
• 哪些判断有证据；
• 哪些信息仍然不知道；
• 答错以后应该改哪里。

当这些隐性判断被写进索引、规则、模板、状态和反馈里，AI 才能在一次次真实工作中变得更懂你。

这也是一套个人 AI 工作库与普通文件夹最核心的差别。