Agent Wikis 的现状与发展
文章介绍了基于 Andrej Karpathy 提出的“LLM Wiki”概念而衍生出的四种 Agent Wiki 系统（DeepWiki、AutoWiki、OpenWiki、GBrain）。核心原理是在摄取阶段将信息编译为 Markdown 页面，而非在查询时检索。文章详细阐述了系统架构、优势及不同团队的工程实现差异。
相关文档
做一个违背祖宗的决定，手把手教你使用 AI 全自动管理微信群
本文面向社群运营、技术支持与客服团队，详细介绍了如何基于 FastGPT 搭建一套生产级的 AI 智能社群客服系统。作者拆解了由 15 个节点、28 条连线组成的完整工作流方案，涵盖知识库整理、消息意图过滤、多渠道（飞书/微信）分流、Agent 应答规则定制、双知识库检索工具挂载以及问题分类打标与运营数据沉淀等核心环节，并说明了飞书机器人权限配置、富文本消息渲染及微信生态多种接入方式，实现智能回复与人工兜底的自动化客服闭环。
60个Jev典型案例整理与12个最值得关注案例详解
作者收集整理了60个Jev应用案例，并精选12个典型场景进行详解。这些案例的核心逻辑是：生成模型负责写作与复杂推理，Jev承担分类、筛选、评分和选择，代码执行后续动作，关键节点保留人工复核。案例涵盖品牌提及识别、实体对齐去重、RAG信源筛选、引用核验、网页操作决策、Skill选择、工具风险检查、客服工单分流、官网表达检查、论文引用验证、级联校验信息抽取及文本特征化等多个方向，对理解AI应用的工程化实践具有参考价值。
2026年打造一人AI公司的25个GitHub开源项目
作者精选了25个GitHub开源项目，展示如何在2026年凭一己之力构建一家AI公司。内容分为五部分：构建AI核心（Dify、Langflow、LlamaIndex、crewAI、browser-use等）、将想法变成产品（open-saas、Supabase、Twenty CRM、Cal.com、Formbricks）、自动化小团队工作（n8n、trigger.dev、Windmill、Firecrawl、Crawl4AI）、获客与留存（PostHog、OpenStatus、Listmonk、Chatwoot）、以及基础设施运维（Ollama、LiteLLM等）。每个项目附功能简介和Star数，是一份实用的一人公司技术栈清单。
从搜索到核查：打造高质量内容的AI六步生产流水线
文章对比了AI写作的“魔法棒”与“流水线”模式，指出一次性生成缺乏质量门禁，容易产生误导性幻觉。作者提出了一套包含库检索、补搜、写作、配图、核查、修复的六步生产管线，强调通过结构化验证和分诊核查，确保每个论点有据可查，从而将AI写作从简单的文本生成升级为可验证的知识生产过程。
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。
Obsidian 进阶指南：30个与 Claude 结合的工作流、插件与配置
本文介绍了如何将 Obsidian 与 Claude 深度集成，打造 2026 年最强大的个人知识系统。内容涵盖 10 个核心插件（如 Smart Connections、Templater）、10 个关键工作流（如每日综合、会议处理、研究摄入管线）以及 10 个高级设置（如将 Vault 作为持久化记忆）。文章旨在帮助用户突破基础笔记用法，通过 AI 实现知识的自动化管理、检索与深度连接。
开源「洁癖.Skill」，让你的Agent越用越聪明
文章介绍了一款名为“洁癖.Skill”的开源工具，旨在解决Agent长期使用后因上下文和文档混乱导致的“越用越笨”问题。该Skill通过自动审查和迭代项目的文档、记忆及配置文件（如CLAUDE.md），确保知识库的准确性，适用于Claude Code、Codex等多个平台。作者提出“合并优于追加，删除优于保留”的原则，强调在AI协作中保持信息纯净比信息海量更重要，这能让开发者通过“存档”机制实现Agent的持续进化。
Meet Scout: 开源的企业级上下文代理
本文介绍了 Scout，一个开源的企业级“上下文代理”（Company Brain）。针对现有方案将所有数据存入向量数据库导致索引过时的问题，Scout 提出了“导航优于搜索”的理念，通过 Context Providers 连接 Slack、Google Drive 等实时数据源，像操作文件系统一样导航信息。它还能动态构建 Wiki 和 CRM，并通过持续学习形成闭环。
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。
为了让 AI 管家学会交易，我直接爬取了 42万字投资大佬的文章喂给它
作者为了训练自己的 AI 管家“贾维斯”掌握 Web3 投资技能，利用 XCrawl 爬虫工具批量抓取了投资大佬 Chris Dixon 的 42 万字博客文章，并将其转化为干净的 Markdown 数据喂给 AI。文章详细介绍了从数据采集、清洗到 AI 学习框架构建的全过程，展示了如何利用 AI Agent 吸收专家知识并进行投资策略分析。
保姆教程：用 Gemini + NotebookLM 打造你的24h首席AI顾问
文章介绍了一种利用 AI 工具克隆特定人物数字分身的“保姆级”教程。作者以克隆技术大 V“宝玉”为例，展示了如何使用 baoyu-skills 抓取公开数据，利用 NotebookLM 进行 RAG（检索增强生成）以构建知识库，最后通过 Gemini 创建 GEM 并注入特定的 System Instructions。测试表明，该数字分身成功复刻了原作者的工程审美与批判性思维。
我看谁不学 Grok Bot · Day1：打通 IM 和本地设备
本文是 Grok Bot 系列教程的 Day1，介绍两大进阶玩法：一是打通 IM（以微信为例），通过 Webhook 和 ClawBot 插件把微信变成 Bot 的消息接收入口，并扩展支持图片和文件收发；二是打通本地设备，在一台常驻 Mac mini 工作站上安装客户端，用管家 Bot 通过 machineId 绑定管理机器，实现巡检、定时任务和远程调用。最后通过一个横跨手机、云电脑、工作站和微信的长任务实战，展示多设备协同流程，说明 Grok Bot 可作为整合云端、工作站、IM 和手机资源的中转站与调度中枢。
