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。
相关文档
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。
How I write with AI
作者分享了如何借助 AI 进行写作：坚持“用 AI 辅助写作”而非“让 AI 代写”，文字必须出自本人。他用 LLM 加速研究，通过自建的 researcher skill 结合 Exa、Hacker News、内部仓库和 Slack 等工具寻找真实、可引用的案例，并要求来源和引语以抑制幻觉。在草稿阶段，AI 充当文档内搜索和研究伙伴，帮助补充例子、验证事实、发现盲点。他强调写作者应多实验 AI 用法，而非因 AI 垃圾内容而全盘否定。
The LLM Wiki: 3 Months of Letting Agents Run My Second Brain
文章分享了作者使用LLM代理管理和维护个人知识库（Obsidian Vault）的3个月实践经验。通过分离原始资料与生成内容、定义单一知识流向、统一页面模板以及基于情境的文件夹组织，作者成功将维护工作委托给代理，解决了传统第二脑因维护成本高而失效的问题。
保姆级：用AI搭建选题流水线，从信息源到入库全流程
本文分享了如何利用 AI 构建自动化的内容选题系统。作者提出“选题是信息处理问题而非灵感问题”，通过确立“四层水源”（快、深、慢、反）、撒下“关键词渔网”、AI 初筛信息、人工做四维判断以及入库排期这五个步骤，实现每天自动生成 10 个带数据和角度的选题，从而告别创作焦虑，提升内容生产效率。
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。
如何让Obsidian + Claude Code帮你安排一切（附全网最完整使用教程）
本文介绍了如何通过 Obsidian 结合 Claude Code 搭建一套个人 AI 工作流系统。该系统能够实现每日回顾与规划、自动收集 AI 热点资讯以及将模糊想法转化为可执行项目。作者详细讲解了安装 Obsidian、导入 OrbitOS Skills、以及通过 Claudian 插件或 Terminal 插件接入 AI 的具体步骤，帮助读者利用 AI 提升内容创作与事务管理的效率。
如何打造一个真正能干活的第二大脑（Grok Bot 完整课程）
文章介绍如何用 Grok Bot 在云端构建一个持续运行的“第二大脑”，解决每次与 AI 对话都从零开始的痛点。作者借鉴 Andrej Karpathy 的知识库理念，通过 7 步课程指导读者：用已发送邮件生成个人档案与写作风格文件、用 /workspace 文件夹而非聊天记忆存储慢事实、设置云端 routine 自动归档 Gmail 新材料、每天早晨生成一页摘要、将笔记转化为成品、通过规则固化纠正，最后提供一键粘贴的完整搭建方案。强调文件优于聊天记忆、云端机器人可 24 小时工作，引用 Kevin Rose 的实例佐证。
Agent Memory Is Not a Search Problem
文章指出 Agent 记忆系统的核心问题不是检索而是上下文组织。跨 15 个模型、20 万模拟对话的研究显示，任务拆分为多轮会使准确率平均下降 39%，而合并为单轮可恢复大部分损失。文章回顾了 Agent 记忆的四个发展阶段（全量历史、滚动摘要、向量检索、知识图谱），批评语义/情景/程序性记忆分类无法指导检索决策，并主张按六种问题类型构建六种上下文形态。作者基于开源 Graphiti 引擎，以客户历史为例实操演示如何让记忆系统在模型运行前正确组织上下文，避免基于过时信息的自信回答。
Thinking in Systems, Shipping in Loops
文章引用 DHH 的观点指出，手写代码对绝大多数程序员已不再经济，软件工程正演变为系统架构设计。通过 Artemis 和 SpaceXAI Grok 团队的案例，说明工程师如今通过设计验证循环（verification loops）让 AI 大规模正确地编写代码——如 Lauren Tan 每月发布 2000 个 PR。文章借鉴 Donella Meadows 的系统理论，提出优秀系统设计的三大特性：韧性（AI 通过测试、审查代理和生产可观测性自我校验）、自组织（循环学习将失败类型转化为新技能）和层级（将技能、工具与沙箱组合成可复用组件）。工程师的新职业是'驾驭智能'。
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。
Jev 火了：我整理了 20 个真正适合国内用户的用法
文章介绍了近期海外开发者圈爆火的 AI 工具 Jev。它不是生成型模型，而是专注于毫秒级、极低成本的大量小判断，核心能力包括 Choice（选择）、Score（评分）和 Noul（概率判断）。作者整理了 20 个适合国内用户的应用案例：内容创作领域包括小红书标题爆款体检、检测文章 AI 味、筛选海量新闻素材、个性化信息流过滤；企业场景包括客服工单自动分类、销售线索分级、表单自动填写；开发者场景包括代码审查、AI 代码质检、编码 Agent 监工、MCP 集成、Agent 执行前的安全检查、长期运行 Agent 的记忆清理，以及智能家居和浏览器 Agent 操作等。
50 个知识管理 Skill，帮你打造 AI 生产力系统
作者基于自己做 AI 生产力培训课的实践经验，开源了 50 个知识管理相关 Skill，分为三个仓库：Read Buddy（阅读整理，将网页、RSS、播客、微信读书划线等转为结构化内容）、Design Buddy（设计与配图，覆盖封面、架构图、公众号排版）、Creator Buddy（创作分析，挖掘热点与竞品数据）。文章还阐述了 AI 生产力系统的理念：通过目录规则、目标计划、工具技能、记忆日志、风格画像五大模块，将文件夹体系与 Skill 结合，让 Agent 自动完成选题、写作、配图与运营分析，实现从输入到输出的完整知识工作链路。
