从 0 搭建 AI 项目协作系统：多 Profile + Wiki 实战指南
本文介绍了一套通用的多 Profile（角色）与 Wiki 结合的 AI 协作工作流。通过定义 Coordinator（协调者）、Researcher（研究者）、Narrative（叙事者）和 Builder（构建者）四个核心角色，配合 Wiki 进行上下文管理，实现从任务拆解到资料整理、内容生成和代码构建的完整闭环，解决长期项目推进中的记忆污染与协作混乱问题。
全部文档 / 标签: 知识管理
195 篇
AI代理内存痛点终于被解决？GBrain + Hermes/OpenClaw真实反馈
作者分享了AI代理工具Hermes和OpenClaw在长期记忆方面的痛点，并介绍了YC总裁Garry Tan开源的GBrain。GBrain作为一个“外挂大脑”，基于Postgres和向量技术，解决了AI代理容易遗忘的问题，实现了跨会话的长期记忆和知识库管理，被视为2026年个人AI生产力的重要突破。
如何将 NotebookLM 变成你的私人 MIT 教授
文章介绍了一种高效使用 NotebookLM 的方法。不同于传统的总结或做卡片，这种方法将其视为苏格拉底导师和研究顾问。核心流程包括：上传 20 个跨领域的源资料以构建课程；利用费曼技巧通过对话修正理解；寻找源资料中的矛盾点以培养批判性思维；以及通过模拟教学和每周综合来巩固知识，最终实现跨学科的通才思考。
RAG Is a Lie — Karpathy's LLM Wiki 模式解析
文章批判了当前主流的 RAG（检索增强生成）模式无法积累知识的局限性，并介绍了 Andrej Karpathy 提出的 LLM Wiki 范式。该模式主张让 LLM 维护一个动态的结构化知识库（Wiki），在数据摄入时进行编译和整合，而非在查询时临时检索。这种方法通过将繁琐的维护工作交给 LLM，实现了知识的复利增长和自我进化，解决了传统知识管理系统中维护成本高昂的痛点。
千元横测 GPT、DeepSeek、Xiaomi、MiniMax：最强模型与 Agent 的绝配组合
本文详细横评了 GPT 5.5、MiniMax M2.7、DeepSeek V4 Pro 和小米 Mimo-V2.5-Pro 四款大模型在 Hermes Agent 场景下的表现。通过 Skill 打包、网页开发、PPT 制作、知识库整理及浏览器自动化五项任务，测试了各模型的逻辑推理、审美迁移、长文本处理及 API 消耗能力。最终结果显示，不同模型在 Agent 任务中各具特色，需根据具体场景选择最优解。
Company Brain, Part 2: Factual Memory
文章探讨了构建“公司大脑”中的事实记忆层。作者指出，真正的企业记忆不是简单的知识库或带有聊天框的企业搜索，而是一种从个人工作向外涌现的语义文件系统。它必须具备追溯性、权限管理和个性化能力，能够综合多源数据（如文档、CRM、代码）并主动提供上下文，而非仅被动等待查询。
Vibe Reading：AI时代读书的系统化方法
文章提出了一种名为“Vibe Reading”的AI辅助读书方法论，旨在解决信息时代“阅读易，消化难”的问题。核心哲学是区分“伪学习”（机械检索、翻阅）与“真学习”（认知压缩、建立钩子），利用AI接管信息传输与筛选工作，而让人类专注于知识内化、费曼技巧等核心思考环节。文章详细介绍了从定需求、匹配书籍、压缩知识到费曼技巧的六步工程化流程，并对NotebookLM和Claude等工具进行了选型分析，强调在AI时代“判断是我的，秘书是AI的”协作理念。
李笑来为什么不发 X，而是在 GitHub 上火了？
文章探讨了李笑来在 GitHub 上通过大量仓库建立影响力的独特路径。区别于传统社交媒体追逐“流量”，李笑来利用 GitHub 将知识产品化、资产化，强调长期主义、内容主权及 AI 工程化。文章深入分析了“流量”与“资产”的差异，并总结了将 AI 对话沉淀为生产资料、构建个人 Agent Stack 的未来趋势。
2026年实现月收入5万美元的11个AI习惯
文章分析了200多位AI创业者，发现月收入5千与5万美元的核心差距在于行为习惯，而非技能或工具。高收入群体通过构建上下文层而非单纯提示词、定期精简工具、批量处理沟通、产品化服务、按结果收费、公开写作、建立复用系统、坚持技能复利以及精简团队等11个系统化习惯，实现了10倍的收益增长。
四步深度读书法：从读完就忘到终身受益
本文介绍了一套融合认知神经科学与教育心理学的「四步深度读书法」。该方法旨在解决传统阅读留存率低（不足10%）的问题，通过构建认知框架、问题驱动阅读、动态抓取关键信息以及即时输出（费曼技巧）四个步骤，显著提升知识转化率。文章结合脑科学原理（如预测编码、生成效应）与实操工具，为不同类型的书籍提供了具体的阅读策略，旨在帮助读者实现从被动接收到主动掌握的转变。
2026年AI趋势前瞻：从提示工程到上下文工程
本文探讨了2026年AI应用模式的根本转变。核心观点是从“提示工程”转向“上下文工程”，AI不再仅仅是聊天对象，而是构建工作环境的基础设施。文章详细论述了代理式编码（如Claude Code）、开源代理框架的成熟（如OpenClaw）、以及类似Karpathy倡导的复合型知识库系统，指出拥有持久且智能的上下文层将成为未来的核心竞争力。
Hermes Agent工作流：用顶级AI Newsletter构建第二大脑
本文介绍了如何利用 Hermes Agent 结合网易 ClawEmail 邮箱，构建一套高效的 AI 学习与输出工作流。作者分享了从筛选高质量海外 Newsletter 信息源、配置 Agent 专属邮箱、使用 LLM Wiki 技术将信息编译成知识图谱，到最终倒逼高质量文章产出的全流程。该方案旨在解决信息过载问题，通过构建“第二大脑”实现知识的有效积累与应用。
在 Obsidian 中利用 Claude Code 构建 JARVIS 第二大脑
文章详细介绍了如何结合 Obsidian 和 Claude Code 构建一个类似 JARVIS 的智能系统。该系统通过特定的文件夹架构、Templater/Dataview 插件以及自定义的 CLAUDE.md 配置文件，实现对笔记的自动归档、灵感关联、内容大纲生成及代写，从而打造一个能够预测用户需求的自动化第二大脑与内容生产流水线。
Hermes Agent工作流：利用顶级Newsletter构建AI第二大脑
文章介绍了一套完整的Hermes Agent工作流，旨在解决AI学习中的信息过载问题。作者提倡摒弃低质的二手信息，转而订阅The Rundown、TLDR AI等高质量Newsletter作为信息源。通过配置网易ClawEmail专属邮箱和mail-cli工具，让Agent自动接收、筛选并编译Newsletter内容。核心在于利用LLM Wiki技术将信息转化为互相关联的知识图谱，并通过Agent辅助进行深度思考和文章输出，从而构建个人专属的AI第二大脑。
Stop letting Claude Code forget your project overnight
本文介绍了如何解决 Claude Code 每天重置记忆的问题。通过 Andrej Karpathy 提出的方案，利用 raw 和 wiki 文件夹构建持久化的知识库，将 LLM 视为编译器，将原始素材编译为结构化的 Wiki。文章详细对比了 Wiki 与 RAG 的区别，并提供了基于 Obsidian 和 Claude Code 的自动化配置流程及 Hooks 脚本。
Stop letting Claude Code forget your project overnight
本文介绍了一种利用持久化 Wiki 解决 Claude Code 上下文遗忘问题的方法。作者基于 Andrej Karpathy 的思路，阐述了通过构建 'raw' 和 'wiki' 文件夹结构，结合编译器原理，将项目知识固化为可索引的 Markdown 文件，从而避免重复消耗 Token 和时间。文章还详细介绍了 Obsidian 的配置、自动化 Hooks（如 session-start/end）的集成，以及 Wiki 与 RAG 在不同数据规模下的优劣对比，为个人开发者提供了一套高效的知识管理方案。
用知识库替代你的大脑外存：Karpathy 方法完整实战指南
文章介绍了基于 Andrej Karpathy 思想构建的个人知识库系统，核心在于利用 LLM 将原始资料“编译”为结构化的 Wiki，而非传统的向量检索。文章详细阐述了系统的三层架构（Raw、Wiki、Agent 指令），并提供了 Obsidian 图形界面版、本地文件夹结合 Claude Code 版以及 Graphify 工具版的三种实战搭建流程，旨在实现知识的持续沉淀与跨文档关联。
我用 NotebookLM 替换了 Karpathy 的 LLM Wiki
文章对比了 Andrej Karpathy 的 LLM Wiki 方案与 Google NotebookLM 的实际使用体验。作者发现 Wiki 架构在处理个人知识时成本高、速度慢且缺乏与现实世界的集成，而 NotebookLM 利用 Embedding 技术实现了即时响应和高效回答。作者主张应将知识转化为技能并融入日常流程，而非仅仅构建静态索引。
1个被99%人忽视的大脑漏洞：掌握它，你的学习效率提升10倍
本文深入剖析了信息时代下的「伪学习」困境，指出人类大脑进化滞后于技术发展导致认知效率下降。文章结合神经科学原理，揭示了多任务处理、碎片化信息和即时反馈对大脑记忆机制的损害，并提出了利用「无聊」激活默认模式网络（DMN）的价值。作者提供了一套包含认知节律建立、环境断舍离及深度加工技术的系统性重构方案，旨在帮助读者从信息过载中夺回注意力，实现深度学习。
AI Knowledge Layer (and why your agents are useless without it)
本文提出了一种让 AI 智能体变得更聪明的双层系统：AI 知识层。它包含动态的知识库层（KBL）和静态的品牌基础层（BF），通过编译而非检索（RAG）的方式，让智能体在执行任务前拥有上下文记忆。文章介绍了该系统的概念、与传统 RAG 的区别、以及如何利用开源框架 LLM Wikid 构建个人或企业的知识图谱，从而解决 AI 输出同质化、缺乏个性化的问题。
60万人验证的超强免费组合！手把手教你用Claude Code + Obsidian打造个人AI知识库
本文详细介绍了如何利用本地笔记工具Obsidian与AI编程助手Claude Code搭建个人AI知识库。文章阐述了该组合在数据主权、AI原生体验及插件生态方面的三大优势，并提供了从基础环境安装、Claude.md规则配置到进阶插件推荐的全流程实操指南，助用户实现高效的本地化知识管理。
普通人都输在这3步：少收藏，重提炼，狠输出
文章探讨了普通人在学习与创作中常陷入的误区：过度依赖收藏、缺乏深度提炼以及输出滞后。作者指出，单纯的知识囤积无法转化为生产力，真正的关键在于减少无效收藏，强化对知识的提炼与内化，并通过持续的输出将学习转化为影响力。
Karpathy 的 LLM Wiki 改造版：打造更实用的 AI 个人知识库
本文针对 Andrej Karpathy 提出的 LLM Wiki 方案，结合作者自身的 Obsidian + OpenClaw + Claude Code 实践经验进行了优化。作者提出了从三层架构升级为五层架构（增加行动层与产出层），并强调人工确认机制，避免 AI 自动分类的偏差。文章详细介绍了入库、查询和健康检查的具体流程，分享了构建个人知识库的原则，旨在实现知识积累与内容产出的高效闭环。
如何将 Obsidian 打造成 Claude 的第二个大脑
文章介绍了将 Obsidian 与 Claude 结合，构建“第二大脑”的完整指南。核心在于通过简单的四个文件夹结构（收件箱、笔记、项目、归档）和必要的插件来组织知识。关键在于建立每日捕捉的习惯，并利用 Claude 的上下文理解能力辅助思考、连接知识点及优化写作。
用 AI 弥合“知道”与“做到”的鸿沟：我的克劳德健康闭环系统
作者分享了如何利用 NotebookLM 和 Claude Code 构建一套个人知识管理系统。通过导入 300 集 Huberman 播客建立专家知识库，结合 Claude Code 进行日程安排、实验设计及晨间习惯追踪，成功将学习内容转化为具体的健康行动（如睡眠、运动），并量化了实践带来的积极效果。
如何构建你的第二大脑：基于 AI 的极简知识库系统
受 Andrej Karpathy 启发，文章介绍了一种无需复杂软件、仅依赖文件夹和文本文件的 AI 个人知识库构建方法。通过 raw/、wiki/ 和 outputs/ 三层结构，结合 agent-browser 自动抓取工具和 Claude Code 等编程助手，用户可以将杂乱素材转化为结构化的个人维基。系统强调“复利”维护，主张用简单的模式文件替代花哨的工具，让 AI 自动整理、总结和关联信息，从而实现高效的知识管理。
我搭了一个会自我进化的第二大脑系统
作者分享了一套基于 AI 的“第二大脑”系统设计哲学与复刻指南。该系统核心在于“弱结构、强智能”，将逻辑写在提示词而非代码中，使其能随模型升级自动进化。系统具备自我学习、一鱼多吃（多层价值沉淀）、自我维护（健康体检）等特性，并提供了一套完整的 Prompt 与技能配置方案供用户复刻。
注意力破产的人，再多时间也救不了你
文章探讨了在信息过载时代如何管理注意力和时间。作者提出了“时光小屋”系统，将管理过程分为四层：控制台、输入层、思考/输出层和能量层。该系统强调过滤信息、限制并行任务、记录决策过程以及留出充电时间，旨在帮助人们从碎片化注意力中解脱，实现深度工作和自我提升。
3分钟突破飞书权限墙：把“看得到存不下”的知识装进 Obsidian
文章介绍了一款名为 Cloud Document Converter 的浏览器插件，它可以帮助用户突破飞书文档的“禁止复制”和“防泄密”权限限制。通过该插件，用户能够将飞书文档一键转换为标准的 Markdown 格式并导出到本地，从而解决 Obsidian 等通用剪藏工具无法抓取飞书内容的问题，实现个人知识管理的数据自由。
从执行到记忆：gstack + Compound Engineering 构建完整 Agent Harness
文章探讨了 Anthropic 提出的 Agent Harness 架构，对比了 Superpowers 和新工具 Compound Engineering (CE)。CE 通过引入 /ce:compound 机制，将工作中的 Debug 经验沉淀为可搜索的项目知识库，实现了 Agent 的自我优化和“记忆”。结合 gstack 的决策层能力，作者认为 gstack + CE 构成了从规划、执行、审查到记忆积累的完整工作流。