Company Brain：构建组织智能的三层记忆架构
文章探讨了公司如何通过构建“Company Brain”来解决制度性摩擦和上下文缺失的问题。作者指出，单纯的知识库或RAG无法构成真正的公司大脑，提出了一个包含三层记忆的架构：事实记忆（记录发生了什么，强调语义关联而非单纯检索）、交互记忆（记录决策背后的意义与思维链，涉及本体论和上下文图）以及行动记忆（记录实际运作路径与代理护栏）。该系统旨在通过AI帮助组织实现从数据碎片到组织智能的涌现。
相关文档
Company Brain Part 3: Interaction Memory
文章探讨了构建“公司大脑”中的交互记忆概念。不同于记录静态事实的事实记忆，交互记忆旨在捕捉人际互动中的上下文、决策逻辑和隐性承诺。文章强调，真正的商业决策发生在对话中而非数据库里，因此需要通过本体论和上下文图谱来解析互动背后的结构。作者认为，一个优秀的系统不仅要记录对话，还要理解其中的决策、假设和依赖关系，同时兼顾隐私与权限，将原始交互转化为可执行的组织智慧。
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。
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。
大型企业AI落地的隐性共识：知识工程必须先做扎实
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。
读书不再是读完就完了｜我把《纳瓦尔宝典》变成了可调用的学习系统
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。
企业级 AI 的权限管理挑战
随着企业将各类信息接入统一的 AI 知识库，传统的基于文件的权限管理已完全失效。文章指出，知识的提炼与综合改变了权限的底层逻辑：权限的粒度应从“文件”转变为提取出的“观点或信息”。同时，AI 必须具备上下文理解能力，既要让有价值的经验突破原始隐私边界实现共享，也要懂得“选择性遗忘”无关或敏感的闲聊，以避免引发寒蝉效应。此外，AI 交互轨迹应被视为新型企业记忆保存，并需着重解决知识归属与隐私权限的分离问题。
为什么你的AI知识库一直搭建不起来？看看是不是缺了这四层架构
文章指出AI知识库搭建失败常因只有资料层，缺了索引、规则和工作流。资料层重质不重量，索引层解决检索路径，规则层限定输出与引用规范，工作流层确保落地任务。
开源CC+Obsidian打造LLM Wiki内容创作3.0系统
文章介绍了一套基于LLM Wiki方法论的内容生产3.0系统，解决了2.0版本中知识库信息垃圾化的问题。通过“三步编译法”（浓缩、质疑、对标）将原始文档编译为持久化Wiki结构，实现知识资产的自动积累与进化，大幅降低维护成本并提升了内容创作与知识管理的效率。
给开源项目建可信架构 Wiki：LLM Wiki 范式实战教程
文章介绍了一种基于 LLM 的新型 Wiki 知识管理范式，旨在解决传统知识库维护成本高的问题。作者详细阐述了 raw/wiki/schema 三层架构，以及 Ingest、Query、Lint 三大核心操作，并开源了相应的 Claude Code Skill。文章以 x-algorithm-wiki 为例，提供了五步实战教程，展示了如何让 LLM 增量维护可追溯、可信的项目架构文档，并探讨了该方法的边界与适用场景。
Agent Memory Framework: Remember, Cite, Forget
本文提出了一个智能体记忆系统的可靠框架，该框架需同时完成三个核心任务：记住该记的、引用可信的、遗忘过期的。文章详细介绍了记忆的六个层级（如会话状态、项目记忆、索引检索等），阐述了如何通过权威排序解决冲突，并强调了通过硬过期、双时序或软衰减等机制让旧记忆失效的重要性。
Memory Is State, Not a Service
本文指出企业 AI 工具普遍存在“记忆碎片化”问题，主张构建“公司大脑”应将记忆视为共享状态而非独立服务。文章提出语义记忆文件系统架构，通过实体、事实、状态变化和关系存储，利用本体论作为透镜，让同一记忆在不同角色和 Agent 面前呈现不同上下文，从而解决信息孤岛，实现人机共享的可信赖记忆底座。
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。
