你有没有过这种经历：之前让豆包生成了一稿方案，你觉得非常好。过了1个月，你有类似的任务，想再让豆包生成一个类似的，却再也生成不出那么满意的。你记得上个月和豆包聊了好久，最后才打磨出来的一个方案，但当时的聊天已经淹没在茫茫多的日常对话中了。你也没办法再重现当时的讨论场景了，只好退而求其次，使用现在那版没那么满意的方案。前段时间，前OpenAI科学家、特斯拉AI前负责人Andrej Karpathy（卡帕西）在X上发了一条长推文，分享他自己搭个人知识库的工作流。其中有句话让我停下来想了很久——“The wiki is a persistent，compounding artifact.” 知识库，是一个持续复利积累的产物。他还说：每一次探索、每一次提问，都会叠加进这个知识库里，越用越厚。这句话正好戳中了我的一个困惑：AI这么好用，我还需要自己维护知识库吗？当我每天至少用掉500万Token后，我才发现在AI时代，个人知识库的价值反而更大。AI替代不了的，恰恰是这三件事01 你的私有知识，AI根本够不着AI能回答你任何公开的问题，但它完全不知道你做过什么。你上个月跑的那场客户调研会议，你整理的行业一手数据，你踩过的坑和总结出来的经验——这些东西既不在互联网上，也不在任何AI的训练集里。要用的时候，AI给不了你。有人会说：那我把资料喂给AI不就行了？可以，但每次用都要重新上传、重新交代背景，AI没有记忆，上次的对话下次全忘。相当于每次对话，都是从0开始搭建一套Harness系统。不知道Harness的可以补个课：Harness：AI 真正干活，靠的不只是模型。但光说「有数据、调不出来」可能还不够具体。我举个实际的场景：你去年做过一个销售激励政策，花了三天整理，最后形成了一套判断框架—什么情况下新签客户的提成更高，什么情况在要提升销售的续约提成。现在新来一个项目，你想重新用起来，但那份文档存在哪儿？是那个笔记App？还是当时随手发给文件传输助手的微信？还是在某个邮件附件里？你记得有，但找不到具体在哪。然后你就只能靠脑子里的模糊印象重新拼——或者干脆让AI帮你重新生成一个「通用框架」。但那个框架是通用的，不是你的。你花三天踩出来的判断，AI一秒就抹平了。这部分知识，只能存在你自己手里。用的时候调不出来，等于没有。02 AI给你的，永远是「通用答案」这是一个更隐蔽的问题。AI的输出是基于全网的通用知识拼出来的。它不知道你的行业积累，不知道你的判断框架，更不知道你在某个具体项目里踩过什么坑。举个让感受更直接的例子：年终总结。假设你和同事同时让AI来写，你们给的 prompt 差不多，都是“帮我写今年的年终总结，突出亮点和成长”——然后呢？AI给你的，是一篇结构完整、措辞得体，但可以套在任何人身上的文章。什么“深入参与了多个项目”、“在团队协作中发挥了重要作用”、“持续提升了专业能力”——每一句话单独看都成立，合在一起，却不是你，是任何一个说得过去的职场人。现在换一个人，他手边有一份积累了三年的项目笔记——每个项目结束后写的复盘，踩过的坑，当时的判断和后来的结果，以及一些只有他自己才懂的上下文。他把这些资料调出来，让AI帮他整理和提炼，最后出来的年终总结，里面有真实的项目名、具体的数据变化、他自己当时做了什么决策、带来了什么影响。两份总结放在一起，差距一眼就出来了：一份是模板，一份是经历。AI是放大器，但它放大的是你已经有的东西。你没有积累，它放大的就是通用——而通用，在这个AI人人都能用的时代，几乎等于没有竞争力。03 内容存在别人平台，随时可能失控关于这件事，我吃过三次亏。1. 第一次是在5年前，当时我还是一个印象笔记重度用户，我所有的笔记都在里面，一切都是那么的美好。直到有一天，印象笔记开始重度商业化，即使你买了会员，还是不停的有各种各样的广告。2. 后面我开始做笔记的迁移工作。当时锚定了一款非常前沿的笔记工具，Notion。当时花了很大的力气，将我的笔记从印象笔记逐步迁移到了Notion。但随之而来的又有两个问题：一是网络问题，二是离线编辑的问题，虽然这两个问题放到现在都不是问题，但当时确实给我造成了很大的困扰。3. 于是我开始寻找国内有没有优秀的平替，最后发现有一个小而美的笔记软件，叫Wolai（我来）。当时的产品理念和设计，和Notion简直如出一辙，且没有任何网络障碍，所以我又把笔记内容平移到了Wolai。但不久后，Wolai被阿里收购，虽然现在还在运营，但不敢赌后续的运营风险，于是又开始寻找新的笔记软件。所以你看，如果把内容存在笔记平台上，就有可能发生：1. 运营策略调整导致的体验变差；2. 魔法上网的问题；3. 平台自身运营风险；说完痛点，再说一个更根本的问题上面三个坑，更多是“防守”层面的——用户体验、网络问题、运营更新啊。但我觉得还有一层更值得想：在AI时代，个人知识库到底意味着什么？通用知识已经不值钱了这件事正在悄悄发生，但很多人还没意识到。过去，竞争力的来源之一是“我懂得比你多，我记得住”。但现在，任何一个公开的知识点，AI一秒就能给你。行业报告、方法论框架、专业术语解释——这些东西的获取门槛，已经无限接近于零。如果你的积累主要是“攒了很多通用知识”，这部分的价值正在快速缩水。真正开始值钱的，是你用自己独有的经验，去整合AI的通用输出，做出只有你才能做的结果。举个具体的例子：同样是做行业咨询方案，刚入行的人用AI能拼出一份结构完整的报告，但里面全是公开套话；一个有五年项目积累的顾问，能把自己做过的案例、踩过的坑、一手调研数据直接调进来，AI帮他整合和表达——出来的方案，是别人拿不走的。差距不在于谁用了AI，而在于谁有东西可以给AI用。你的知识库，是你给自己训练的“私有数据集”卡帕西在分享他的工作流时说了一句话，我觉得是整件事的核心：“So my own explorations and queries always 'add up' in the knowledge base.” 我的每一次探索和提问，都会持续叠加在知识库里。这个“叠加”的概念很关键。现在所有的大模型，都是基于全网公开数据训练的——它们懂的，所有人都能调用。要让AI真正理解你、为你服务，就得持续给它喂你自己的数据。但「喂数据」这件事，听起来技术，落地其实很日常：你做完一个项目，花二十分钟写一份复盘，记录当时的决策依据、踩过的坑、以及最后结果和预期的差距——这就是数据。你读完一本书，整理出三条真正改变了你判断的观点，加上你自己的理解——这也是数据。你有一次让你困惑的客户沟通，你把那个对话里觉得费劲的地方和后来想通的逻辑写下来——同样是数据。这些东西单独看，都只是“一条笔记”，但当你在Obsidian里把它们和相关的项目、人物、方法论关联起来，形成一张相互引用的知识网，你再打开AI说“帮我针对这个客户场景设计一套方案”，然后把相关的那几条笔记一起丢进去——AI给出的答案，就不再是从公开资料里拼出来的通用方案，而是基于你的真实经历、判断偏好、踩坑记录定制出来的东西。这才是卡帕西说的「持续复利积累」真正指向的东西：不只是笔记越来越多，而是你和AI协作的效率，会因为这个库的存在，持续复利地提升。你的思考方式、项目经验、写作风格、决策偏好，全部沉淀在这里。AI是帮你提速的外挂，但个人知识库才是你的私有内核。没有这个内核，AI给每个人的东西都差不多；有了它，AI才真正变成你的。接下来怎么搭？说到这里，你可能会想：道理我懂了，但从哪里开始？其实卡帕西的工作流给了一个很清晰的思路。他在GitHub Gist里描述自己的体系时，用了这样一个比喻：“Obsidian is the IDE； the LLM is the programmer； the wiki is the codebase.”Obsidian是IDE（开发环境），LLM是程序员，Wiki是代码库。这个比喻让我觉得挺准的——Obsidian负责让你看见和管理所有内容，LLM负责帮你整理和提炼，而你积累的Wiki本身，才是那个越跑越顺的「代码库」。他的实际工作流大概是这样的：用Obsidian Web Clipper把文章、论文、资料存进一个raw/目录；让LLM把原始资料「编译」成结构化的Markdown笔记，包含摘要和概念之间的关联；积累到一定规模之后，就可以直接对这个知识库提复杂问题，LLM给出的答案也会被归档回去，继续增厚这个库。听起来有点技术？其实核心逻辑并不复杂：原始资料进来，LLM帮你消化，结构化笔记沉淀，下次调用更快。我接下来这个系列，就是把这套思路落地成普通人能直接用的版本，工具选 Obsidian，记录使用 PARA 笔记法，知识库+AI落地借鉴卡帕西大神的方法，和大家一起从0开始构建AI时代的知识管理工作流。该系列不涉及任何代码，在文章后，我也会附上参考模板。下一篇会先为大家分享为什么选择Obsidian，以及如何快速安装上手Obsidian。最后也和向大家请教一下：你现在存笔记和资料，主要用什么工具？
基本文件流程错误SQL调试
请求信息 : 2026-04-14 19:21:20 HTTP/1.1 GET : https://www.yeyulingfeng.com/a/523750.html
夜雨聆风
