Graph Engineering：为普通人打造AI可读的知识图谱
本文介绍“图工程”（Graph Engineering）概念，即通过构建文件间的连接关系，让AI系统能够有效访问和利用知识。作者以自身内容系统为例，指出78%的文档因缺乏指向而无法被AI或新成员发现。他提出用Claude Code生成MAP.md文件，绘制文件夹内文件的关系图，并分三步操作：绘制地图、解读结果、优化结构。文章强调文件夹结构应反映业务划分，而非照搬模板，最终实现团队共享和自动化更新。
相关文档
Dissecting over 1,500 company brains
作者基于帮助团队构建和维护超过1500个公司知识库的经验，总结了七条核心经验：1) 知识库应为AI Agent而非人类设计，让Agent自己重组信息结构；2) 通过MCP和API连接CRM、数据库等外部数据源与知识库本身同等重要；3) 让团队摆脱聊天界面，使用Claude Code、Codex、Cursor等能真正执行工作的工具；4) Notion等外部知识库因更新与工作脱节而失败，知识库必须内嵌于Agent工作流中；5) 除保存成果外，还要记录工作过程——提示词、被否决的方案和判断过程，这些是未来训练Agent的关键数据；6) 共享Slack Agent模式效果不佳；7) 知识库不应绑定单一界面，应实现一个大脑、多个接口。
Graph Engineering: Stop Chaining Your Agents
本文批判了多步骤AI代理中常见的线性链式结构，指出其低效且易出错。作者提出用图结构（节点和边）来设计代理工作流，并给出了14步路线图，涵盖节点契约、数据边、并行扇出、汇聚、条件路由、验证器、错误隔离、循环收敛、模型分层、成本优化等实践。核心思想是利用Claude Code的动态工作流功能，通过JavaScript脚本编排子代理，实现高效、可扩展的代理系统。
图工程：构建全自动化AI开发系统
本文介绍如何摒弃手动单次提示，通过构建AI系统实现开发自动化。以Claude Code为基础，结合上下文规则实现工程化代理；利用循环工程让系统自动发现任务、执行并验证结果；引入图工程作为知识记忆层，通过三元组存储项目逻辑，使模型准确率大幅提升且避免从零开始；最后通过模型路由按任务复杂度自动分配Opus 5或Fable 5，以大幅降低开发成本并成倍提升工作效率。
LOOP vs GRAPH vs HARNESS ENGINEERING
文章深入探讨了构建AI Agent系统的三个关键工程层面：Harness（环境）、Loop（反馈循环）和Graph（控制流）。文章指出，Agent失败往往源于系统设计而非模型本身，并详细阐述了如何通过构建持久化的运行环境、基于证据的验证循环以及显式的流程控制来提高Agent的可靠性。
如何构建你的第一个 AI 智能体团队
文章介绍了如何利用 Claude Code、Codex 和 Hermes 三个引擎，在 Raft 共享工作空间中构建一个包含获客、内容、销售、交付和财务五个职能的 AI 智能体团队。通过赋予智能体持久身份、累积记忆和互评机制，解决单点助理的瓶颈，实现自我改进的自动化工作流。
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。
Obsidian+AI 内容生产线搭建指南
文章介绍了一套基于 Obsidian 和 AI 的内容生产工作流，旨在解决素材收集难、利用率低的问题。方案涵盖 Obsidian 的基础安装、双链笔记法、文件夹分类心法，以及如何通过 Copilot 和 Claudian 插件接入 DeepSeek 与 Claude，实现素材的自动化整理、知识库构建与写作辅助，帮助创作者建立可复用的个人资产库。
The Hermes + Obsidian + Claude Code Trinity: 独立公司的完整系统
文章介绍了一套由 Obsidian、Claude Code 和 Hermes Agent 构成的系统，旨在解决独立创业者因工具分散而效率低下的问题。Obsidian 作为统一记忆库存储所有信息，Claude Code 负责读取并处理这些信息以辅助决策和写作，Hermes Agent 则作为后台智能代理持续执行任务并自我进化。三者结合构建了一个无需人工频繁干预的闭环运营系统。
Claude Code + Obsidian 搭建本地 AI 知识库，保姆级教程
本文介绍了一套结合 Obsidian 与 Claude Code 搭建本地 AI 知识库的完整方案。文章详细讲解了如何建立文件夹体系（Inbox、Raw、Wiki 等）、编写 CLAUDE.md 规则文件，以及利用 AI 自动整理资料、生成 Wiki 页面和索引的方法。该方案旨在解决资料分散混乱的问题，实现知识的结构化沉淀与高效复用。
Claude Code + NotebookLM + Obsidian：一套越用越懂你的 AI 研究机器
本文介绍了一套基于 Claude Code、NotebookLM 和 Obsidian 的自动化研究系统。文章详细阐述了如何利用 Skill Creator 为 Claude Code 安装 YouTube 搜索和 NotebookLM 技能，构建完整的研究流水线。该系统能自动抓取数据、生成分析并存储至本地知识库，随着时间推移，Obsidian 积累的数据能让 AI 更精准地理解用户思维。
如何使用 Obsidian 和 Vellum 构建 24/7 运行的第二大脑
本文介绍了一套基于 Obsidian、Vellum AI、Readwise 和 N8N 的个人知识管理系统（PKM）。通过构建特定的文件夹架构、安装 Templater 等插件、配置自动抓取与 Telegram 机器人采集工作流，实现信息的自动化汇集与整理。核心在于编写 VELLUM.md 文件为 AI 提供上下文，使其成为能够全天候思考、发现笔记间隐含联系并辅助决策的“私人幕僚长”。
如何构建一个自我维护的第二大脑
文章介绍了一套结合 Obsidian 和 AI 的“自我维护第二大脑”系统。通过设置特定的文件夹结构、AI 提示词模板（CLAUDE.md）和五个核心工作流（摄入、查询、清理、热缓存），该系统能自动阅读资料、更新知识库并保持逻辑一致性，解决了 AI 对话历史丢失的问题，将外部 AI 转化为个人的全职图书管理员。
