作者基于 Karpathy 提出的 LLM wiki 理论，结合 WorkBuddy/Codex 与 Obsidian，搭建了一套能够自生长的个人知识库系统。文章解释了 LLM wiki 与 RAG 类方案的区别：知识不是每次临时拼装，而是通过 Raw（原始资料）、Wiki（结构化知识）、Schema（规则规范）三层架构持续增量沉淀。Obsidian 以本地化 Markdown、双链和插件生态承担存储底座与人机界面，Agent 负责理解新资料、建页、建链、维护索引与变更日志。文中给出了完整目录模板、详细提示词，介绍了直接搭建、claude-obsidian 插件等多种搭建方法，并分享了模型选型与实战建议。
文章以 GPT-6 Astra 引发的话题切入，介绍数字时代写作者 Maggie Appleton 及其 Digital Garden（数字花园）实践。作者认为 AI 正在降低动画、游戏、3D 世界等媒介的表达门槛，写作的容器正从 page 走向 world，写作者应先问想法适合长成什么，再选择媒介。文章还总结了 Write in Public、Learning in Public 的价值，对比了收藏式知识管理与花园式照料，指出 AI 时代文字背后鲜活的人越来越重要，并倡导人们搭建属于自己的数字花园，让思想公开生长、彼此连接。
作者 Jackywine 基于六年重度使用经验，全面分享 Obsidian 知识管理体系的万字长文。文章回顾了自己从疯狂装 47 个插件、反复删库重建的「工具崇拜」弯路，到形成成熟使用方法的历程；汇总并点评了多篇入门教程与论坛精华；介绍了 Obsidian 的创始人故事、本地 Markdown 数据持久性理念、双链优先于分类的核心思想、2500+ 插件生态，以及与 Notion、Logseq、Roam 的对比；最后结合 Karpathy 用 LLM 构建知识库的实践，探讨了 AI Agent 时代 LLM-Wiki 的知识管理新范式。
作者分享了自己搭建 AI 个人知识库的完整经验。文章指出收藏资料不等于拥有知识，知识库应帮助找回信息、形成判断并推动行动。作者以 Markdown、JSON 和原始文件为事实源，搭建了包含 raw、notes、wiki、briefs、logs 五层结构的系统，覆盖内容入库、索引检索、AI 引用问答、周报复盘等流程。文章还总结了搭建中的关键原则：原文、AI 总结与个人判断分开，回答必须带引用，先用简单检索验证需求，注意隐私与数据边界，并通过 14 天真实使用验证价值，最终实现从收集到判断的行动循环。
本文介绍了作者刘聪NLP及其团队继WorkBuddy蓝皮书后，再次开源豆包工作蓝皮书。该蓝皮书基于飞书、豆包生态，从个人提效、自媒体、知识管理、电商和金融五个场景出发，分享使用豆包工作这一Work Agent解决实际办公任务的方法。文章还提到建立Agent Work社区，旨在连接用户、产品方、行业专家和企业实践者，共同测试和探讨Work Agent产品，强调知识沉淀和真实问题解决。
本文介绍如何利用AI聊天工具（如ChatGPT）作为私人家教，系统学习一门知识。作者以《财务报表分析》为例，详细阐述了六个步骤：设定教学目标、准备学习资料、试听考察、出题考试、保存进度和持续学习。文章强调通过精心设计的提示词模板，让AI了解学习者的基础和目标，制定个性化学习计划，并通过提问、练习和考试确保学习效果。同时，作者也指出AI不能完全替代真人教师，但在知识获取成本趋近于零的时代，为自主学习提供了新的可能。
作者分享如何用豆包工作在飞书上搭建个人 LLM-Wiki 知识库：先让豆包工作根据 Karpathy 的 LLM Wiki 方法论在飞书中初始化知识空间（原始资料、词条、索引、更新日志四大节点），再批量将文章、提示词教程等素材入库，自动建资料卡、提词条、补双链、更新索引。随后设计了 LLM Wiki 运维 Skill，包含 Ingest、Query、Lint、词条管理、索引日志维护五大功能，任何新对话 @ 一下即可操作。配合定时任务和云电脑每天自动拉取 AI 日报入库，存入的提示词方法论可直接调用来生成视频、做网站。整套 Skill 已开源。
文章介绍了一套用 Agent 将散乱资料整理成可分享干货的七步流程：搭建项目工作台、通过问答生成任务开工单、盘点资料并建立材料索引与缺口记录、制作每个观点都有出处的提纲、生成讲稿/摘要/配图清单、让 AI 扮演审核员逐句核对事实与隐私、最后整理交付包并沉淀可复用模板。作者强调 AI 负责组织信息，人负责提供资料和做决定，通过严格的提示词约束控制幻觉，把硬盘里的零散经验变成真正的个人资产，可用于工作汇报、内容创作和项目复盘等场景。
作者分享了用WorkBuddy搭建AI培训知识库的完整实战经验。文章指出收藏夹和搜索无法让AI真正理解业务，核心问题在于保存不等于复用、搜索无法判断内容责任、一次性对话不会积累经验。作者从8份散乱材料复建了一个最小Wiki，设计了原始材料、来源卡、知识页、入口地图和交付物五个核心层，并通过设计一门两小时企业AI入门课来验证知识库的实际价值。文章还总结了AI建库初犯的错误（如未审核就标记live）、课程经验回写机制、定期Lint体检以及自动化来源雷达采集等持续运营方法，强调知识库的复利来自每次取舍都有理由。
作者基于帮助团队构建和维护超过1500个公司知识库的经验，总结了七条核心经验：1) 知识库应为AI Agent而非人类设计，让Agent自己重组信息结构；2) 通过MCP和API连接CRM、数据库等外部数据源与知识库本身同等重要；3) 让团队摆脱聊天界面，使用Claude Code、Codex、Cursor等能真正执行工作的工具；4) Notion等外部知识库因更新与工作脱节而失败，知识库必须内嵌于Agent工作流中；5) 除保存成果外，还要记录工作过程——提示词、被否决的方案和判断过程，这些是未来训练Agent的关键数据；6) 共享Slack Agent模式效果不佳；7) 知识库不应绑定单一界面，应实现一个大脑、多个接口。
本文介绍了企业构建共享AI技能库的实践指南。Agent Skill是可移植的程序性知识包，能教会智能体可靠地执行特定任务。作者指出技能通常由个人创建而未被公司充分利用，共享技能库可将其转变为可版本化、可发现的公司资产，是成为AI原生公司最容易的第一步。文章涵盖了Anthropic推出的开放技能标准格式、安全问题（Snyk研究显示37%的技能存在安全缺陷）、以及私有GitHub仓库和企业级技能注册工具等实施方案。
本文介绍 OpenWiki 如何构建自我修正的记忆系统。传统记忆系统难以发现知识过时，导致记忆漂移和污染。OpenWiki 通过记录 wiki 页面中的事实性声明及其在代码中的支撑证据，并追踪证据版本，在代码变更时将相关声明标记为过时。每次更新前进行确定性的过期检测，由 Agent 在读取页面时重新验证或修正声明，形成自我修正反馈循环。该系统通过 OKF v0.2 格式使声明与溯源信息可移植。评估显示，声明运行时使过时声明从 80 降至 9，幻觉声明从 15 降至 0，且更新成本随代码变更量而非声明总数扩展。
文章指出许多企业AI项目验收后使用率低迷，核心原因是企业知识未能有效管理和利用。作者提出知识工程是大型企业AI落地的必修课：知识入库前需经过校验、清洗、预标注和抽取等准入环节；入库后需进行生命周期管理、版本控制和健康监测。文章还介绍了知识库与知识空间的双层组织方式、细粒度权限控制，以及通过用户反馈形成知识闭环的机制。最后强调项目成败关键在于组织与人的参与，决策者应建立从知识资产到业务结果的评价链。
作者分享了自己使用Anker录音豆与飞书妙记构建的recorder-diary Skill。核心观点是录音豆不是prompt入口而是生活入口，能捕捉走路、刷视频时突发的想法。作者将工作流拆为五层：捕捉层负责趁热录音；转写真源层坚持用逐字稿而非AI总结作为真源；语义分流层先判断录音类型（日记、规划、闪念、拆解）再处理，避免任务垃圾；内容加工层将模糊感觉拆成可复用的选题卡；承接层将结果写入Obsidian和仪表盘，确保第二天可见。作者认为AI工作流不应只围着聊天框设计，而应把内容生产的第一步移到想法发生的现场。
作者分享了如何借助 AI 进行写作：坚持“用 AI 辅助写作”而非“让 AI 代写”，文字必须出自本人。他用 LLM 加速研究，通过自建的 researcher skill 结合 Exa、Hacker News、内部仓库和 Slack 等工具寻找真实、可引用的案例，并要求来源和引语以抑制幻觉。在草稿阶段，AI 充当文档内搜索和研究伙伴，帮助补充例子、验证事实、发现盲点。他强调写作者应多实验 AI 用法，而非因 AI 垃圾内容而全盘否定。
本期周刊围绕「编码工业化之后程序员价值如何重新分配」展开。文章指出编码执行正被 Agent 工业化，但程序员价值不会自动消失或上移，新分水岭在于定义问题、沉淀组织知识、独立验证与承担结果责任。内容涵盖 AI Coding 对就业的影响、生成加速后的治理与验证前置、个人提效被组织摩擦吃掉的现象，以及程序员转向设计会学习的执行系统（如 Harness 插件化、Skill 自动改进等），并强调评价体系与价值流治理必须同步变革。
文章指出 AI 产物散落在对话中导致上下文断裂的问题，并提供 WorkBuddy 资料库的保姆级教程。核心闭环为：资料库 → 添加到任务 → Agent 执行 → 成果回存。内容涵盖三格分区、MD/CSV/HTML 容器分工口诀（改内容改 MD、改数据改 CSV、改样子改 HTML）、发布前人审六项（敏感、修订、归属、发布、积分、容量）、防目录变坟场的三条使用规则，以及用 CSV+HTML 搭建发布日历轻应用的七步实操。
本文介绍了五种免费开源的方法，将书籍、文档、视频等已有知识转化为 Claude Skill，实现一次转换、永久调用。核心模式是：让工具完整读取源材料并提取结构和框架，Claude 按需加载，而非每次重新阅读。涵盖工具包括 book-to-skill（将 PDF 教材转为技能，支持按章节问答）、Skill_Seekers（将文档站点、GitHub 仓库转为技能）、/watch 插件（本地转录视频并提取画面回答问题）。文章通过学生备考、认证考试、小商户 POS 系统、自由职业者熟悉客户技术栈等多个真实场景，展示了这些方法的具体用法和价值：节省重复查找时间，让回答基于实际源材料而非通用训练数据。
文章介绍了受 Karpathy LLM Wiki 启发的第二大脑新架构：不是把笔记当作检索用的档案柜，而是当作编译器。系统在摄入时一次性编译知识，自动链接、更新、标记矛盾，配合 CLAUDE.md 和每日编译循环，由 Claude 承担维护负担。作者分析了该方案相比 RAG 的架构优势、随时间复利增长的效果，以及源质量依赖、初期密度门槛、需付费版 Claude Desktop 等局限，并附上可直接使用的提示词。
本文介绍了Little Plains团队如何将多年积累的工作室资料转化为可搜索的知识中心，并在此基础上构建了首个产品。文章详细阐述了知识层的构建过程，包括归档、索引、检索系统的设计，以及如何通过视觉搜索、动态聊天和语音三种方式提供公共访问。作者强调了组织知识的重要性，并分享了从传统设计转向代码驱动设计的经验，以及如何区分快速知识与深度知识以优化检索效率。
本文深入解析了生产级RAG（检索增强生成）系统的完整架构。文章首先指出LLM的局限性——无法访问私有数据，而RAG通过外部知识检索来弥补这一缺陷。然后详细介绍了系统的两大核心平面：知识平面（离线索引）和运行时平面（在线问答）。知识平面涵盖数据源、解析-分块-嵌入流水线以及向量索引；运行时平面则描述了用户查询、检索重排、LLM生成和答案引用的完整流程。文章还逐步拆解了查询生命周期，包括查询嵌入、Top-K检索、重排增强和生成，并强调了监控指标的重要性。
作者分享了自己正在搭建的内容创作工作台：从微信群、X、GitHub、YouTube、币安广场等渠道只读采集选题，用一系列 Skill 工具（last30days、content-research-writer、humanizer-zh 等）完成深挖、母稿撰写、中文润色、小红书和公众号改写与配图，目标是形成一条无人值守的内容流水线。作者坦承系统尚不成熟，存在群聊读取不完整、平台访问受限、主观判断影响排序、缺乏发布数据验证等问题，公开征集社区意见，探讨选题来源、偏见规避、自动化与人工把关的边界。
作者花叔将自己用agent编写的10本橙皮书（共148章、四十万字）上传到WorkBuddy资料库。文章介绍了选择该平台的原因：国内访问GitHub不便，且资料库面向agent设计，支持HTML/Markdown等AI原生格式，可整书挂入上下文问答，实现'知识复利'。作者还介绍了资料库的可视化编辑、一键分享、轻应用（HTML+CSV搭建可存数据的工作台）、移动端远程接管电脑等功能，认为其有成为'AI时代Office'的势头。
本文详细介绍了使用 WorkBuddy 搭建团队知识库的完整方法，旨在解决团队资料分散、AI 无法有效复用的问题。文章首先区分了团队空间与项目的不同定位，然后分五步进行搭建：选择真实业务创建空间、先搭目录再倒资料、将确认结果回存、按职责分配权限、将空间添加到任务。最后，文章提供了验收标准、边界说明和升级建议，强调通过最小样本跑通闭环，实现资料的有效管理和复用。
本文介绍了如何将 Obsidian 从简单的笔记应用转变为 AI 可读写的记忆层，从而构建一个“第二个自我”系统。作者提出了双层记忆架构：一层为人类保留原始、混乱的思考，另一层为 AI 提供结构化、机器可读的上下文。文章详细展示了文件夹结构（如 00_inbox、01_self 等）以及五个核心提示词，用于将杂乱想法转化为笔记、生成每日记忆日志、更新项目记忆、创建决策记录以及向第二个自我提问。核心观点是：AI 的智能取决于其可访问的上下文，通过自动化笔记维护，Obsidian 能成为真正的工作记忆系统。
本文是一篇面向新手的 Obsidian 完整入门教程，详细介绍了 Obsidian 作为本地知识库工具的核心概念、安装方法、界面操作、Markdown 语法、笔记组织方法论以及必备插件。文章强调在 AI 时代建立个人知识库的重要性，并提供了从基础到进阶的实操指南，帮助用户高效构建和管理自己的知识体系。
作者分享了为Agent做知识管理的痛点：Skill无法跨项目迁移，知识库虽大但Agent无法自主利用，导致作者需要人工替Agent维护记忆。作者介绍了Alloomi产品，其通过三层架构（记得住、学得会、实践）实现Agent的自进化，并开源了OpenContext工具。作者希望未来的Agent产品能具备自进化能力，帮助用户组织底层记忆。
本文介绍如何利用 Obsidian 为 AI 助手 Hermes 构建一个“第二大脑”，使其能够访问工作所需的全部上下文。文章详细说明了从创建空 vault、让 Hermes 自动搭建结构，到通过访谈填充身份文件、设置上下文规则、建立路由表，以及实现捕获模式和夜间编译的完整流程。核心思想是区分原始素材（Raw）和编译知识（Wiki），让 AI 在回答前先读取相关文件，从而减少重复解释、提高回答质量。
本文介绍作者如何将《纳瓦尔宝典》转化为一个可调用的个人知识系统，包括构建Markdown证据层、生成学习地图和Skill、部署到Cloudflare Pages等。作者强调摘要、RAG和模仿作者聊天的不足，提出一套从原始材料到可持续交付的完整工作流，并开源了相关代码。文章详细阐述了系统逻辑、实施步骤和实际效果，旨在帮助读者建立自己的知识资产。
本文介绍了Kimi Agent Swarm如何通过上下文图（Context Graph）将300个并行代理的研究结果整合为单一知识库。文章指出，传统并行代理产生的是分散的答案堆，而Kimi通过将每个实体作为节点、关系作为边，构建可查询、可扩展的图结构，使研究者能发现隐藏联系、提出新问题，并实现知识的持续积累。
