AI 不缺知识,缺的是你的上下文

第 01 期 ·《AI 不缺知识，缺的是你的上下文》

为什么资料越来越多，AI 仍然不一定更懂你的工作？

先说结论：AI 缺的往往不是更多知识，而是与当前任务有关、可审阅、可追溯的工作上下文。

01AI 不是不会回答，而是不知道你正在做什么

通用模型知道什么是公众号文章，知道什么是课程开发，也知道什么是知识管理。

但它不知道你正在写的这篇文章，是给第一次接触 AI 的管理者，还是给已经熟悉自动化工具的技术人员；不知道你的课程只有 90 分钟，还是要做成一套长期训练营；不知道你更看重观点的可验证性，还是更看重现场启发；也不知道哪些材料可以公开，哪些只能留在内部。

模型掌握的是公共知识。

而真实工作依赖的是工作语境。

工作语境通常包括五个部分：

• 这次究竟要完成什么；
• 最终给谁使用或阅读；
• 哪些资料可以作为依据；
• 哪些判断已经被确认；
• 哪些事情不能做，哪些内容不能使用。

如果这些信息只存在于你的脑中，或者散落在过去的聊天记录、文件夹和临时笔记里，那么每一次开始新任务，都像是在重新给 AI 做一次入职培训。

你以为自己在让 AI 工作，实际上你一直在给它补前情。

02给 AI 更多文件，不等于给了它更多上下文

当我们发现 AI 的回答不够贴近时，第一反应通常是把更多文件交给它。

但文件数量增加，并不自动带来理解增加。

02.1一个文件只能说明“这里有内容”

它未必说明这份内容从哪里来，是否可信，是否仍然有效，适用于什么场景，能不能对外使用，以及它和其他资料是什么关系。

一份旧课件，可能是一个文件；但它背后的课程目标、适用人群、常见误解、试讲反馈和修改依据，才是下一次课程开发真正需要的知识。

02.2摘要不等于你的判断

AI 可以把十篇文章压缩成一页摘要，但这不代表它知道：

• 哪些观点属于原作者；
• 哪些观点是你的解释；
• 哪些结论已经被实践验证；
• 哪些内容仍然只是待确认的假设。

如果这些层次没有被区分，AI 很容易把“来源材料”写成“你的结论”，把“候选信息”写成“已经确认的事实”。

02.3记住内容，也不等于承担责任

即使 AI 能够读取大量资料，它也不会自动替你判断：

• 这条信息今天还适不适用；
• 这条内容有没有权限使用；
• 这个案例是否需要脱敏；
• 这个结论是否足以支持一次公开表达。

所以，真正重要的不是让 AI 读过你的一切资料，而是让它知道：

哪些内容，在当前任务里，可以被怎样使用。

03一个任务真正需要的，是五类最小充分上下文

所谓“上下文”，不是把关于自己的所有信息都交给 AI。

更准确的说法是：为当前任务准备一组最小但足够的工作背景。

我把它称为“最小充分上下文”，可以先从五张卡片开始。

04Codex 和 Obsidian，分别解决什么问题？

在这套工作方式里，Obsidian 和 Codex 不是两个互相替代的工具。

它们更像是知识协作中的两个不同位置。

Obsidian 负责保存和连接：

• 来源资料；
• 主题笔记；
• 已确认的判断；
• 资料之间的关系；
• 内容的状态、权限和生命周期；
• 项目结束后值得保留的复盘。

Codex 负责在明确范围和规则下，帮助完成：

• 资料盘点；
• 候选关联；
• 内容提炼；
• 文章或课程初稿；
• 断链、重复、过时和缺失信息检查；
• 将任务结果回写为知识的建议。

而人仍然负责最关键的部分：设定问题和范围，判断资料是否值得使用，确认敏感性和权限，判断结论是否成立，并对最终公开内容和实际决定承担责任。

所以，这个系列里说的“数字员工”，不是一个可以脱离人独立负责的虚拟人。

它更接近一个受规则、权限、来源和人工确认约束的协作角色。

人和 Agent 可以共享材料，但不共享最终责任。

数字员工不是替人决策，而是受规则约束的协作角色。

05不要先重建全部知识库，先做一个任务上下文包

如果你现在已经有很多文件，不建议第一步就重建整个知识库。

可以先选一个近期真实任务，做一个小小的“任务上下文包”：

然后让 Codex 只完成三件事：

1. 根据这些上下文提出工作提纲；
2. 标出它仍然缺少的信息；
3. 不替你假设或补齐尚未确认的内容。

这就是个人知识资产开始形成的地方。

06先把不能每次重讲的内容留下来

个人知识库的第一步，不是把所有资料都搬进去。

也不是让 AI 记住关于你的一切。

第一步只是把那些不能每次重新解释、但又会持续影响工作质量的上下文，变成一份可以阅读、检查、更新和调用的材料。

当任务、受众、材料、判断和边界开始被写下来，AI 才有可能从“会回答问题的工具”，逐渐变成“能够参与具体工作的协作角色”。