普通人和中小企业如何搭建AI知识库 ✍ 金尘马🕐 2026-07-08📦 25.0 KB 🟢 已读 𝕏 文章列表 文章针对通用大模型不懂企业内部业务的问题,提出搭建AI知识库的解决方案。作者分析了从直接投喂到RAG等五种实现方式的优劣,强调中小企业应优先采用“目录化知识库”,并结合教培、健康产品、家装等实际案例进行说明。最后提供了具体的目录结构建议、可直接复用的提示词以及工具选择标准,帮助读者快速落地应用。 AI知识库中小企业RAG提示词AI Agent个人知识库工作流效率 # 一文讲清楚,普通人和中小企业如何搭建AI知识库 **作者**: 金尘马 **日期**: 2026-07-07T15:26:31.000Z **来源**: [https://x.com/jinchenma_ai/status/2074515412272996467](https://x.com/jinchenma_ai/status/2074515412272996467) ---  你有没有遇到过这种情况。 老板安排一件事,你给新员工讲了一遍。下一个人来了,又要从头讲一遍。 公司里有一个销售很厉害,成交率特别高,但他的经验传不下去。新来的销售不知道怎么学,成长很慢。 客户问的问题翻来覆去就那几类,但每次都要重新查资料、重新组织语言。 会议记录、项目复盘、产品资料、客户案例……每天都在产生,但真的要用的时候,翻遍电脑也找不到。 这是大多数中小企业的日常。不是不重视知识,而是实在没有精力去整理。 很多人用过豆包、DeepSeek 或者 ChatGPT。用完之后的感觉很一致:它说的是对的,但对你的业务没用。 比如你让它帮你回一个客户问题,它给的答案看起来头头是道,但你一看就知道,这根本不是你们公司的产品、不是你们公司的服务方式、不是你们公司跟客户说话的语气。 说白了,它根本不了解你。  那问题出在哪? 市面上这些通用 AI 工具,背后的大模型是用公开资料训练的。你可以把它理解成一个见多识广但刚入职的人,他知道很多通用知识,但不知道你们公司自己的情况。 但你的企业,你的个人工作,都有自己的一套东西。产品参数、客户案例、服务流程、写作风格,还有过去做对和做错的事情。 这些东西,AI 没见过。 所以它只能给你一个泛泛的、正确的废话。 这篇文章要解决的就是一件事:让 AI 拿到你的上下文,开始基于你的资料干活。 看完之后,你至少能拿走四样东西。一个最小知识库目录结构,一套从安全任务开始跑通的流程,两段可以复制的提示词,以及一个选工具的判断标准。 第一版不要求技术基础,也不用先买一套复杂系统。先跑起来,才是关键。 # AI 知识库,先从上下文开始 很多人一听到「知识库」,脑子里跳出来的是一个文件夹,或者一个文档管理系统。 AI 知识库不是这个意思。 AI 知识库,本质上是在给 AI 补上下文。 什么叫上下文?就是 AI 不知道,关于你们公司内部的信息、资料、产品介绍等等。 比如说,你们公司是做什么的、产品有哪些、服务过哪些客户、客户常问什么问题、过去哪些案例做得好、哪些做砸了、对外输出的内容应该用什么语气、不应该怎么写。 这些东西合在一起,就是 AI 的上下文。 AI 最终的输出质量,其实由三件事共同决定。模型本身的能力,你给它的上下文质量,以及你对它下的任务约束。 模型能力当然重要。到了具体业务里,AI 还需要足够具体的上下文,也需要清楚的任务约束。 你用同一个模型,给它一堆泛泛的资料,它只能给出泛泛的答案。但你给它你们公司的产品资料、客户真实问题、好的案例和明确的输出规则,它就能给出像你们公司的人写出来的内容。 所以,AI 知识库的价值就在这里。 再说一个很多人没意识到的事。 过去做知识管理,整套流程基本都靠人。人整理资料,人检索资料,人理解内容,人判断哪些能用,再由人改写输出。 每一步都要人来做。做过管理的人都知道,人的成本是最高的。就算你把工具和文档库给到员工,培训过了,也不见得每个人都能用好。 现在呢? 除了最后那一步,也就是人来做判断和校准的那一步之外,前面很多整理、检索、初步改写的动作,AI 都可以参与进来。 人主要做判断。AI 输出的东西对不对、好不好、能不能用,人来校准,再告诉它哪里要改。 # AI 知识库的五种实现方式  聊到 AI 知识库,经常会遇到两个词:向量数据库和 RAG。 对普通人和中小企业来说,第一版通常还用不到这么重的方案。 目前常见的实现方式有五种。 它们不是五个并列选项。 更像是从轻到重的五个阶段。当前处在哪个阶段,就选对应方案。 第一种,直接投喂。 最简单的方式。你就把文件直接上传给 AI,让它基于这些文件来回答问题。 它适合一次性、小规模、临时性的任务。 比如你有一份产品说明书,想让 AI 基于它帮你写一段介绍,直接丢给它就行。 但直接投喂的问题也很明显。每次都要重新传,资料多了之后你不知道该传哪份,也很难沉淀成长期系统。 第二种,目录化知识库。 这是我最建议普通人和中小企业先做的一步。 你要做的事情不是搭平台,而是先把手头的资料分好类,放到不同的目录里。 比如企业基础信息放一个目录,产品服务放一个目录,客户问题放一个目录,案例资料放一个目录,输出规则放一个目录。 然后告诉 AI,遇到什么场景,去哪个目录里找什么文件。 这是最适合普通人和小团队开始的方式。 不需要任何技术基础,也不需要一开始就买系统。 说到底,就是先把你电脑里、飞书里、网盘里的资料变成一个 AI 能找到的资料区。 只要这一步做好,AI 的回答就会开始从“泛泛而谈”变成“基于你的资料回答”。 第三种,索引型地图。 目录化还有一个问题。很多文件不是只能归到一个类别里的。一个客户的成交案例,可能既跟销售话术有关,又跟产品介绍有关,又跟新人培训有关。 这时候与其纠结分类,不如换个思路,让 AI 先把所有资料扫一遍,按主题画一张索引地图。 比如跟营销相关的主题关联了哪些文件,跟获客相关的关联了哪些文件。然后 AI 顺着这张地图去找资料。 这不要求你把文件分类分到完美,而是让 AI 知道「要找什么的时候该往哪走」。 具体的索引构建方法,可以参考 Andrej Karpathy 的 LLM Wiki 思路:让 AI 维护一套 wiki 页面、索引和日志,用这些文件把原始资料串起来。 第四种,RAG 和向量检索。 这个听起来很技术。放到实际使用里,就是资料多到一定程度之后,目录或者索引都不够精准,需要 AI 按语义去找资料。 比如你想找一段表达某种特定主题的文案,或者某一个很具体的知识点,你很难用关键词或者目录名去定位它。 RAG 的做法是,提前把你的资料按片段处理好,AI 来检索的时候,不是匹配关键词,而是匹配语义。你的问题是什么意思,它就去找意思最接近的那一段资料。 你现在不需要先懂它的技术细节。先知道一件事就够了,它主要解决的是资料太多、目录和关键词都不好找的时候,怎么让 AI 更精准地找到相关片段。 适合资料量大、需要按语义精准找到片段的场景。 第五种,集成到已有系统或定制平台。 这个是企业级方案了。比如你们公司已经有自己的内部系统、客服平台、文档系统,需要把知识库能力嵌入到现有的系统里。很多平台的右下角弹出一个 AI 客服按钮,背后就是这种逻辑。 这五种路线,没有谁比谁高级,只有适不适合你现在的阶段。 对绝大多数普通人和中小企业来说,从第二种开始就够了。 先建目录、放资料、写规则、跑通一个场景。 等资料多了、需求复杂了,再往上补索引或者接入更复杂的检索方案。 不要一开始就追求“高级”。能用起来,比方案看起来复杂更重要。 # 个人知识库,先解决自己的输出问题 说完框架,讲一个我自己的案例。 我做的事情很简单。我在电脑上建了一个目录,把我每天产生的想法、日记、过往写的文章、团队开会的资料,全部放在里面。 然后我选了一个能读取本地文件的 AI agent 工具,让它可以直接访问这个目录。 现在我的工作方式是这样。要写文章了,不是自己翻文件夹找素材,而是直接跟 AI 说我要写什么话题,它自己去目录里翻我过去写过的相关内容和想法,给我整理出素材。 要复盘最近的状态了,我就让 AI 去读我最近一段时间的日记,帮我找出这段时间反复遇到的问题是什么,进展怎么样。 还有一个让我挺意外的功能是知识图谱。AI 会自动把我不同笔记之间的关联找出来,画成一张图。两个看起来没什么关系的笔记,AI 可能通过一些潜在的主题把它们连起来。  放在以前,这个事情要做的话,我需要一篇一篇地去想「这篇笔记跟哪篇笔记有关系」。有了几百条笔记之后,这个工作量大到根本不可能人工完成。 但现在 AI 可以帮你做了。 说这些不是想说这套系统有多厉害,而是想说一件事。个人知识库的价值不是收藏,而是输出的时候能找到、能引用、能举一反三。 我自己就是靠这套东西来支撑日常的高频内容输出的。它不是帮你把资料归档,而是帮你把过去沉淀下来的东西,在你需要的时候变成能用的素材。 # 企业知识库,先从一个最痛的业务场景切进去 个人搭知识库是为了自己的输出。企业搭知识库,场景更多,但逻辑也一样。第一版可以从一个最痛的点切进去,暂时不用做全公司级的大系统。 讲三个我实际接触过的场景。 第一个是教培机构。 教培的资料天然就多。课程内容、项目复盘、SOP、咨询话术、案例总结、课程服务流程,过去都散落在每个人的电脑里、飞书文档的各个角落里,没有一个统一的地方。 他们先把资料按类别沉淀到飞书文档和多维表格里。项目复盘一类,SOP 一类,咨询话术一类,案例总结一类。多维表格用来做数据的统计和分发。 然后让 AI 基于这些资料,生成一批线索承接话术和内容初稿。比如客户问「我的孩子拼班能不能上」,这类问题以前要销售一个一个去回答、去培训,现在可以基于沉淀下来的资料和话术模板先生成一版回答,再由人调整。 团队人数不多,但同时运营着几十个自媒体账号,靠这套系统把内容生产跑起来了。 在这个场景里,知识库里主要放课程资料、SOP、咨询话术和案例总结。 AI 先生成线索承接话术、客户答疑内容和内容选题。人再检查这些话术能不能真实使用,把好用的留下,把不自然的改掉,再写回规则里。  第二个是做健康睡眠产品的公司。 他们的产品线有几十个,面向不同人群、解决不同问题。 过去最大的困难是,新来的销售或者客服要花很长时间才能熟悉所有产品,而且客户问的问题从来不是「这个产品的参数是什么」这种可以直接查说明书的问题。 客户真正问的是「我家 70 岁的老人睡眠不好,你们有什么产品能用?」 要回答这个问题,你需要从几十个产品里挑出匹配的,还得用客户能听懂的话说出来。这个靠培训是很难覆盖的。 他们做的方案,最有价值的一步不是整理产品资料,而是先去采集客户真实的声音。 去小红书、抖音的评论区,去客服私信记录里,去销售跟客户的对话记录里,采集客户到底在问什么。然后把这些问题做一轮筛选,优先处理高频、高价值、直接跟转化相关的问题。 之后才是结合产品资料,让 AI 生成回答模板。生成之后人工审核,把好的沉淀下来,把不准的标注清楚写回规则。 这套东西搭完之后,销售和客服遇到问题,直接问 AI,AI 会引用资料告诉你答案的来源是什么。如果答错了,人纠正它,规则被更新,下一次就更准。 所以这个场景不能只靠产品说明书。更有价值的是把客户真实问题和产品资料放在一起,让 AI 生成客服、销售可以参考的回答模板。每一次人工纠正,都会反过来更新知识库里的回答规则。 第三个是家装企业。 家装是一个偏传统的行业,但它需要的知识体系其实很完整。 第一层是行业标准。任何行业都有自己的一套基础共识,这个不能出错。 第二层是企业自己的变量。你的设计理念、你服务的城市、你擅长的风格、你设计师的故事、你的真实成交案例。这些东西是你们跟别人不一样的地方。 第三层是数据反馈。内容发出去之后,哪篇效果好、哪篇效果差,这个数据要回流,去反哺前面的两层。好的内容分析它为什么好,差的内容让 AI 下次避免类似的方向。 过去这家企业要做小红书和公众号的内容,靠的是找外部代运营团队,一个月花不少钱,产出也有限。把知识库搭起来之后,企业主可以把一部分内容初稿和候选选题交给 AI 批量生成,再由人筛选、修改和分发。 这时候,知识库里沉淀的不只是行业标准,还有企业变量和内容反馈。AI 负责给出营销内容初稿、内部培训素材和可复用的选题方向,人来判断哪些符合企业调性,哪些真的能带来客户反馈。 你会发现,这三个行业完全不同,但最后都不是为了把资料整理整齐。知识库最后要回到培训、客服、销售、内容营销这些具体出口。  # 今天就能开始的最小版本 说了这么多案例,最后还是要回到一个问题。你今天回去能做什么? 先确认一个前置条件。你要有一些数字化的资料。 Word、PDF、飞书文档、Excel、会议记录、聊天记录、案例、产品资料、文章草稿,都算。只要有东西在电脑里,就可以开始。 最短路径是这样的。 第一步,先建一个知识库根目录。 在你的电脑上或者企业文档系统里,新建一个文件夹,就叫知识库。 第二步,先分五类。 企业基础:公司介绍、品牌信息、团队结构、联系方式这些基础内容。 产品服务:你们有哪些产品和服务,分别面向什么人群,解决什么问题,跟竞品有什么不同。 客户问题:客户常问什么,哪些问题重复出现,哪些是高频高价值的。 案例资料:过往做得好和做得不好的案例,成交记录,服务过程。 输出规则:你希望 AI 用什么语气、什么风格来写东西,哪些句式不要用,哪些表达方式你们觉得对。 这五类不用一次整理完美。先把现有的资料扔进去就行。 第三步,选一个能读取本地文件或企业文档的 AI agent 工具。 选工具的核心标准就一个。它能不能读到你的资料,并在你授权的情况下做检索、整理、改写和反馈。 通用聊天工具适合临时问答,但它进不了你的电脑,读不了你的文件系统。 第四步,用结构化提示词让 AI 先帮你整理分类。 如果你觉得自己资料太乱了,不知道从哪开始分类,没关系。可以让 AI 先帮你分析所有文件,给出分类建议。你来确认就好,不需要自己手动一个一个搬。 第五步,从一个具体场景开始测试。 第一版可以只覆盖一个最小场景,比如回答客户问题、生成一段销售话术、整理一篇文章的素材。跑通一个,再扩展到下一个。 如果你不知道测什么,我建议你先选一个安全任务。 拿 10 份不敏感的产品资料或过往公开内容,再拿 1 个真实但不涉及隐私的客户问题,让 AI 基于知识库给出回答。 这个任务足够小,也足够真实。 怎么判断你跑通了? 可以看三个标志。AI 能说明它引用了哪些资料;它的输出比通用问答更贴近你的真实业务;你可以通过反馈继续修正它。 再按这个小清单检查一遍。 1. AI 有没有明确说自己参考了哪些资料? 2. 回答里有没有出现你们自己的产品、案例或规则? 3. 有没有编造知识库里没有的信息? 4. 这段回答能不能被销售、客服或你自己稍微修改后使用? 5. 你能不能把这次不满意的地方写回输出规则? 还有几个要注意的事。 资料太乱的时候,先让 AI 输出分类建议,不要让它直接执行移动操作。目录最终由人确认。 敏感合同、客户隐私、账号密码这些资料,不适合作为第一批测试材料。第一批先用安全资料。 AI 回答太泛的时候,先检查两件事。资料是不是足够具体,提示词有没有说清楚场景和输出要求。 AI 回答不准的时候,要求它标注引用来源,然后把这次错在哪里写回规则文档里。 # 给两个可以直接复制的提示词 第一个,资料自动分类提示词。 你可以把下面这段话复制给你的 AI 工具。 复制前,先把里面的目录路径替换成你自己的真实路径。 ``` 我的知识库根目录在:[你的知识库目录路径] 现在有一批待整理资料在:[待整理的文件位置] 请你帮我做以下事情: 1. 读取这些文件的文件名和内容,理解每个文件在讲什么。 2. 按照以下五个分类,给出每个文件的归属建议: - 企业基础 - 产品服务 - 客户问题 - 案例资料 - 输出规则 3. 如果一个文件同时属于多个分类,请标注主分类和关联分类,并说明理由。 4. 列出你无法判断归属的文件清单,并说明为什么。 5. 给出下一步整理建议,比如哪些分类下的文件太多,是否建议再分子目录。 注意: - 不要删除任何原文件。 - 不要移动任何原文件。 - 不要改写任何原文件。 - 只输出分类建议和整理清单,由我确认后再执行。 ``` 第二个,基于知识库回答客户问题。 ``` 我的知识库目录在:[你的知识库目录路径] 现在有一个客户问了以下问题: [粘贴客户问题] 请你基于知识库里的资料来回答。要求: 1. 先判断客户真正关心的是什么。 2. 给出一段简短直接、可以发给客户看的回答。 3. 如果需要,再给出更详细的解释,方便销售或客服理解。 4. 列出你可以追问客户的问题,帮助进一步了解他的需求。 5. 必须标注你的回答引用了哪些资料。 6. 如果知识库里没有依据,请明确说“资料不足,不能确定”,不要编造。 7. 不要承诺知识库里没有写明的产品效果、价格、服务范围或交付结果。 8. 最后列出需要人工确认的风险点。 ``` 这两个提示词跑顺之后,可以再考虑把它们沉淀成 skill。 这不是第一天必须做的事,先把前面的问答跑通。 Skill 的意思就是,把一套固定流程保存下来,下次不需要再手敲这么长的提示词。你只需要跟 AI 说「用客户问答技能帮我处理这个客户的问题」,它就会按你之前设定好的那套流程来执行。 # 工具怎么选 说到工具,很多人会问同一个问题:我到底该用哪个? 选工具之前,先回到那个核心标准:这个工具能不能真正进入你的工作环境,读取你的资料,并在你的授权下做事情。 通用聊天工具,不是不好,只是它的设计场景是对话,不是管理你电脑里或者企业系统里的资料。 目前市面上有一类工具,叫做 AI agent 工具。它们的特点是:你能告诉它你的资料在哪,它能直接去读、去整理、去改写,而不是只在对话框里等你投喂。 Codex 和 WorkBuddy 就属于这一类。 怎么取舍呢? 如果你的网络环境和账号都没问题,可以用 Codex。它在这类工具里做得比较成熟,我自己日常也在用。 如果你想要国内使用起来更方便,可以考虑 WorkBuddy。 两者还都可以通过手机端操控。你用手机远程连上部署了工具的电脑,照样可以发指令、收结果。 另外提一句,如果你的企业已经在用飞书,飞书文档加上多维表格是一个很好的企业资料底座。你不需要额外再搭一套文档系统,可以在已有的飞书体系上直接把知识库建起来。 但工具说到底只是工具。 知识库能不能用起来,不取决于你选了哪款软件。更关键的是,资料有没有整理好,规则有没有写清楚,切入场景对不对,后面有没有持续反馈。 # 知识库有没有用,取决于你后面如何反馈 很多人在搭完知识库之后,会产生一种错觉。觉得这事已经搞定了。 其实搭起来只是第一步,后面更有价值的是持续反馈。 AI 回答错了,你要记录错在哪里。不是骂一句「AI 真蠢」就完了,而是把这次错误写回规则文档里,让 AI 下次不再犯。 AI 写出来的东西不像人说话,这就是常说的 AI 味。怎么办?把你觉得不对的句式一个一个写进输出规则里。 比如哪些开头你不喜欢,哪些词太空,哪些句式太像 AI,哪些表达不像你们公司的语气,都写下来。 AI 下次输出之前,先读这些规则,就会更接近你想要的表达。 某类内容发出之后效果特别好,你要把这个好案例分析一下为什么好,然后沉淀回知识库。下次 AI 再生产同类内容的时候,就有了参照标准。 你可以把它当成一个很朴素的循环。 资料先进去,AI 先试着用,人发现不对就改规则。下一次再遇到类似问题,它就少错一点。 比如这次 AI 回答客户问题时,把产品适用人群说得太宽了。 你不要只改这一次回答。 你应该把这条限制写回产品资料或输出规则里,写清楚这个产品只适合哪些人,不适合哪些人,哪些场景必须提醒人工确认。 下一次 AI 再回答类似问题,它就会更精准。 它不是一次性的整理工作,而是一个需要人持续参与、持续做判断的系统。 企业想推进这件事,不必把它做成大项目。 先看哪个业务环节最痛。是新人培训反复做,是客户问题答不上来,还是内容营销产量跟不上? 找到最小的痛点,选一条能跑通的方案,再让团队跟着用一段时间。尤其是不太熟悉 AI 的团队,需要有人带着大家把习惯养起来。 一个能用的知识库,不是建完就放着。 业务变了,经验多了,AI 经常答错的地方被你改进了,它才会越来越贴近你的真实工作。 资料不是为了沉淀而沉淀,是为了下一次用的时候能找到、能用上、能校准。 # 写在最后 AI 知识库不是一个高大上的企业系统。它就是让你手里的资料、你脑子里的经验、你踩过的坑、你做对的判断,变成 AI 能理解、能调用的东西。 普通人和中小企业的第一版,不必从复杂的 RAG 或者定制平台开始。 先找一个你最痛的小场景。建一个目录,放一批资料进去,拿一个真实问题去测试,看 AI 能不能基于你的资料给出比通用问答更贴近你业务的答案。 跑通一个,你就知道这条路走得通。 你今天就可以花 15 分钟做一个最小测试。 第一,新建一个文件夹,叫知识库。 第二,按企业基础、产品服务、客户问题、案例资料、输出规则,建五个子目录。 第三,先放 10 份不敏感的资料进去。 第四,复制上面的客户问答提示词,拿一个真实问题试一次。 第五,看 AI 有没有引用你的资料,回答是不是比通用聊天工具更贴近你的业务。 以后重要的不是你会问一句 prompt。 而是你每次做完一件事,都能把经验、案例、规则留下来。 下一次再遇到类似问题,AI 不是从网上重新猜一遍,而是从你的资料里接着往下做。 金尘马|大厂程序员|30天X破万粉变现过万|持续分享 AI 搞钱、程序员转型、OPC 心得|联系方式见主页介绍:https://x.com/jinchenma_ai ## 相关链接 - [金尘马](https://x.com/jinchenma_ai) - [@jinchenma_ai](https://x.com/jinchenma_ai) - [55K](https://x.com/jinchenma_ai/status/2074515412272996467/analytics) - [https://x.com/jinchenma_ai](https://x.com/jinchenma_ai) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [11:26 PM · Jul 7, 2026](https://x.com/jinchenma_ai/status/2074515412272996467) - [55.8K Views](https://x.com/jinchenma_ai/status/2074515412272996467/analytics) - [View quotes](https://x.com/jinchenma_ai/status/2074515412272996467/quotes) --- *导出时间: 2026/7/8 10:00:50*
小 小白如何从0到1搭建自己的AI知识库 本文介绍了如何从零开始搭建个人AI知识库。作者提出了一套包含文本文件、Agent工具、规则和真实任务的工作方式,并详细说明了准备四样要素(开放文件夹、真实任务、Agent工具、工作规则)和五个具体步骤的方法,帮助用户通过简单的流程实现知识的积累与迭代。 技术 › 工具与效率 ✍ 金尘马🕐 2026-07-30 AI知识库AgentWorkBuddyCodexMarkdown提示词个人管理RAG生产力
为 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。 技术 › Agent ✍ 金尘马🕐 2026-07-09 AI知识库架构设计RAG工作流提示词知识管理Agent个人效率
如 如何用 Obsidian 和 Claude 构建永久记忆系统 文章介绍了一种结合 Claude Desktop 和 Obsidian 的 AI 工作流,通过构建本地知识库和配置 MCP,实现一次输入、永久记忆。这不仅解决了重复向 AI 解释背景的痛点,还能自动整理笔记、链接知识,并通过定时任务实现信息管理的自动化。 技术 › 工具与效率 ✍ kai🕐 2026-07-19 ObsidianClaudeAI工作流知识管理自动化MCP提示词个人知识库生产力工具
深 深入理解 AI Agent:设计原理与工程实践 李博杰新书《深入理解 AI Agent:设计原理与工程实践》开源,涵盖从0到1构建生产级AI Agent的原理与代码,包括RAG、工具调用、多Agent协作等实战内容。 技术 › Agent ✍ 李博杰🕐 2026-07-15 AI Agent开源LLMRAG工具调用多模态编程工程实践生产级代码
P PPT图解AI Agent的核心机制 本文通过10张图文详细解析AI Agent的核心机制,包括从回答问题到完成任务的转变、基础架构、核心循环、工具调用、记忆管理、规划控制、知识增强、多Agent协作及安全评估等关键概念,并提供制作涂鸦风PPT的提示词。 技术 › Agent ✍ 松果先森🕐 2026-07-15 AI Agent核心机制PPT图解工具调用记忆管理多Agent协作安全评估涂鸦风提示词大模型
设 设计师专用的 AI Agent Skills 库开源 MengTo 开源了一个名为 Skills 的项目,包含 75+ 个专为设计师和前端开发者准备的 Agent Skills。这些 Markdown 格式的操作手册可加载到 Codex、Claude、Cursor 等 AI 工具中,将优秀工作流和规范固化,使 AI Agent 能按最佳实践完成设计任务,输出更稳定专业。 技术 › Skill ✍ 0xCrypto Tied (@CryptoTied)🕐 2026-07-11 AI AgentUI设计前端开源SkillClaudeCursor工作流提示词
先 先建库,再写文章——为什么大多数 AI 写作是「无根之木」 文章指出直接使用 ChatGPT 等 AI 生成内容往往缺乏事实依据且容易产生幻觉,作者提出了一种「先建库,再写作」的方法。通过提前花两天时间收集并结构化整理 43 篇高质量文献作为私有知识库(人工版 RAG),确保写作时每个论点都有可靠的数据和来源支撑。文章对比了临时搜索与提前备料的差异,并展示了该方法在 7 天内产出多篇高质量技术博客并获得显著收益的实战案例。 技术 › 工具与效率 ✍ SagaSu🕐 2026-07-09 AI写作知识管理RAG个人知识库内容创作YouMind文献综述效率方法论工作流事实核查
W WorkBuddy进阶教程:结合ima搭建个人AI知识库 本文介绍了一种适合国内新手的个人AI知识库搭建方案,即使用WorkBuddy结合ima知识库。文章详细讲解了从软件下载、连接授权、知识库创建配置到实际运行任务的全过程,并提供了整理学习资料和生成内容选题的具体Prompt示例。 技术 › Agent ✍ 图寻AI🕐 2026-07-08 WorkBuddyima知识库AI Agent教程腾讯工作流提示词
开 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。 技术 › LLM ✍ 饼干哥哥AGI🕐 2026-07-07 ClaudeObsidian知识管理内容创作Agent提示词自动化开源RAG方法论
A AI Agent 联网搜索主流方案与选型指南 本文整理了 AI Agent 开发中联网搜索的主流方案。作者将方案分为国内直连(如 Bing、Metaso)、AI 原生(如 Perplexity、Exa)、高额度开发者友好(如 Brave、Tavily)及开源自托管(SearXNG)四类,并结合体验给出了针对快速落地、追求质量、低成本及数据合规等不同场景的选型建议。 技术 › Agent ✍ Lonely🕐 2026-06-10 AI Agent联网搜索RAGPerplexityTavily搜索API工具选型大模型开发工具技术栈
把 把自己重做一遍:一队 AI 同事帮我重塑个人 IP 作者分享了使用 AI 团队协作工具 Helio,在 2 小时内完成个人 IP 视觉体系(Banner、头像、Bio)重塑的实战案例。通过组建品牌策略师、设计师和文案 AI 同事,实现了从素材提供到自动化产出的工作流,文中并公开了完整的 Banner 设计提示词。 技术 › Agent ✍ 劳伦斯🕐 2026-05-31 HelioAI Agent个人IP提示词实战案例工作流视觉设计创作者经济
利 利用 Obsidian 和 Claude 替代高薪内容团队的实战指南 文章阐述了如何构建“四区域”知识库系统,通过 Obsidian 管理知识资产,利用 Claude 进行内容自动化生成。文中详细介绍了 3 个信息捕获面、5 个工作流引擎(如夜间处理器、简报生成器)以及包含 N8N、Cursor 在内的技术栈。核心观点在于从“只收集不产出”转变为以交付为导向的资产复用,将笔记转化为高价值的内容产品,从而实现个人商业收益的最大化。 技术 › 工具与效率 ✍ ZEUS🕐 2026-05-30 ObsidianClaude个人知识库自动化工作流AI内容生产知识管理N8N提示词