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。
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。
文章探讨了 LLM Wiki 模式的兴起，即通过在摄取时编译知识而非查询时检索，解决传统 RAG 无法积累知识的问题。介绍了 Cognition、FactoryAI、LangChain 等团队构建的 Agent Wiki 系统，分析了其架构原理及在维护成本上的优势。
本文探讨了如何利用 Hermes 的多 Profile 协作功能，将多个 Agent 组织成一支 OPC（一人公司）团队。文章指出，单一 Agent 存在幻觉、记忆污染和角色混乱等问题，因此建议引入类似公司架构的四角色模型：Coordinator（协调员）、Researcher（研究员）、Writer（作家）和 Builder（构建者）。文章详细阐述了 Profile、Subagent、Project 和 Wiki 四个核心概念的区别，并提供了构建稳定 Agent 工作系统的具体配置方法，旨在建立清晰的角色边界和可长期运行的协作体系。
Nowledge Mem 发布 v0.8.0 版本，全面集成 Andrej Karpathy 的 LLM Wiki 工作流。此次更新将“阅读路径”叠加在原有的“写入”系统之上，利用超图知识图谱自动生成 Wiki 结构，解决了知识整理负担重的问题。新功能包括实体页、主题页、支持双链跳转、Wiki 导出及深入研究模式，旨在实现人与 AI 共同沉淀和管理知识。
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。
