你的 AI 助手每次都在重新认识你

引子：一个更笨的问题

过去两年，所有人的注意力都在模型跑分上。参数、榜单、上下文长度，每一项都在往前赶。可在真实的工位上，卡住日常使用的常常是一件更笨的事：你手上那些资料，智能体不知道它们放在哪，也不知道该从哪一页翻起。

于是每个新任务的开场白都是同一段。先翻资料，再交代背景，然后它去查找、阅读、整理，才能真正开始。资料越多，这段开场白越长。

一、每次任务，都要重讲一遍

反复处理这些已经存在的资料，花掉的是三样东西：时间、token，还有准确率。手里的资料一多，开场白就跟着变长，漏掉东西和出偏差的概率也一起上去。

更麻烦的是这部分活不产生新价值。同一份项目文档读到第三遍，并不会让文档变得更好。这笔工作量跟着你的资料一起增长，却不会随着模型变强而消失。

这笔账还会随着资料变多而放大。手上只有几份文件的时候，多讲两句背景没什么；等到几百份文档压在手里，每回重新过一遍，就变成了实打实的成本。

把交代背景这一步提前做完，做出来的东西可以叫它一份底稿。以后每开一个新任务，智能体对着底稿开工，不用再从白纸开始。

openJiuwen 给出的说法是八个字：一次采集，反复使用。

二、你的资料，缺的是一份目录

知识空间围绕四层展开：来源、采集、处理、使用。目标是把用户日常攒下的资料，转成能持续复用的任务背景。

能接进来的来源列得很长。Edge 收藏夹、本地文件夹、飞书文档、知乎专栏、今日头条，再加上 GitHub 与 AtomGit。哪些进来，由你决定，每个来源还能分别配置。

采集有两种节奏。想更新的时候手动发起一次；也可以设成定时自动，按你定好的频率持续获取。系统会比对来源标识、版本号和采集进度，判断哪些是新内容、哪些发生了改动，只处理这一轮的增量。来源管理页面会显示进度和最近状态，频率随时能改，正在跑的采集也能停。

还有一点容易被忽略：更新走的是增量。新资料进来之后，系统会结合已有的知识做补充和修改，不会把它们重新洗一遍。整套知识就存在同一批纯文本文件里，随着时间一点点长厚。

整理完的东西，不再是一堆平铺的文件。它有目录，页面之间能互相链接，每一段内容都能追回原始文档。

这一步才是关键。模型不缺阅读能力，它真正缺的，是一份能告诉它从哪一页开始的目录。

另外，能接的来源还会继续扩，这份名单没有封死。

三、三档整理，成本差得很远

网页、文档和代码，各有各的结构；同一个主题的内容还可能散在好几个来源里。系统把格式先统一，再提炼内容，按主题归成目录和页面。

整理方式有三档，按需要挑。

第一档是规则处理。靠的是 BM25 的词项权重，加上内容之间的相似度，把相关页面按主题归到一起，目录和页面之间的链接也一并维护起来，这一档全程用不上生成式模型。

第二档是混合处理。先让大模型把标题、摘要、关键词都提出来，规则接手做主题分组和目录搭建，最后再让大模型补上目录标题与简介。

第三档是智能体处理。由智能体分析新资料和老知识之间的关系，优先合并或更新现有的主题页面，必要时新建文档，并且同步把目录说明和文档之间的引用关系维护好。

后两种需要另指定一个模型来负责整理。整理完之后，它会核对一遍目录结构和来源引用，验过之后才开放给查阅和智能体使用。

整理这事只做一次是不够的。采集到新资料之后，它会自动并进已有的主题：该合并的合并，该新开的页面新开，目录也跟着调整。

用户还可以用文件树、图谱或者搜索找到内容，打开正文阅读，再顺着来源标注追回原始资料。

四、先给目录，再给页面

资料整理好之后，用起来只有一步：在任务输入区的「+」菜单里把智能体接进知识空间。

收到输入后，智能体先看到的是这份空间的整体概况和阅读入口，知道手上大概有什么；然后顺着目录和文档链接，围绕当前问题一步步往下读，把需要的背景补齐。

官方把这种方式叫渐进式披露。类比很朴素：像刚接一份新活，先翻目录和项目简介，再挑自己真正需要的那几份文档。

举个例子。把一批关于某个开源项目的资料接进来，整理完直接问「介绍一下这个项目」，它翻的是知识空间里的文档，答出来的内容会带上核心机制和落地案例，也能指出这些话来自哪几篇。

采集和使用是两件事，也各有各的开关。你可以让它一直在后台采集整理，等真正要用的时候再打开任务使用；关掉使用之后，资料照样继续采集，你也照样能自己浏览和搜索。

这一步的分寸也留给了用户。你可以先让系统默默采集几周，等知识攒出手感了，再决定要不要让它参与任务。

哪些资料进来，智能体什么时候能用，两个决定权都在你手上。发起任务的时候，你只需要盯着这次要解决的问题，剩下的背景由积累顶上。

五、三个数字

光说省时间不够，得看数字。团队自己搭了一套测试集，一共 25 道题，资料横跨七类来源，题目分几种类型：只从一处找答案的、要把几处拼起来的、换个问题再复用一次的、故意缺一块事实的，还有跟资料完全无关的。每道题都预先设好了验收点。

团队还先跑了两组对比测试。有知识空间的那一组，能把客户档案、项目材料和工作计划串起来，给出具体的项目总结和下一步安排；另一组缺了项目背景，找了多次还是没找到，只能给出一份通用的会议准备框架，然后回头请用户补资料。

结果三组：任务通过率提高 32%；任务总耗时少了 76.2%；任务阶段花掉的 token 少了 84.1%。

第三个数字要多看两眼。它说明在今天的很多任务里，token 有相当大一部分用在了让模型重新了解情况上，真正解题的开销只占其中一部分。

原文也把话说清楚了。这次实验用的是智能体那一档，预处理阶段本身也会消耗 token；这部分开销可以挑一个擅长整理、价格更低的模型来压住，而整理结果会在后面的任务里反复用到，成本也就一点点摊薄了。

说白了，这笔钱花在前面，后面每开一次任务，都能少准备一遍。

四个数字，两个方向 · 原创信息图