用AI搭了一个"会自己长"的知识库

想让AI能智能挂载你的专属上下文进行工作并不断丰富内容，你可能需要搭建一套知识库。今天不聊具体内容，只聊方法。

核心就一句话：AI 搬砖，人拍板。

（关注公众号，回复：obsidian获取知识库仓库模板）

知识库 ≠ 仓库

大多数人的知识管理止步于"收藏"。

收藏 ≠ 拥有。

知识库应该是加工厂，不是仓库。原料进来，加工成成品，随时能用。

骨架：数字编号分类法

首位数字 = 大类，第二位 = 子类。简单、稳定、AI 友好。

三个设计要点：

关键设计：文件夹给人看，属性给 AI 看

文件夹分类解决的是"人怎么找文件"。但 AI 不翻文件夹——它靠的是每篇笔记的属性元数据。

举个具体例子，一篇笔记的属性长这样：

---origin: collected        # 谁写的？collected = 别人的created: 2026-05-31      # 什么时候创建的类型: 经验交流            # 内容性质tags: [风险管理, 纪检]    # 主题标签---

AI 看到这些属性，就知道怎么分类、能不能和其他文件一起编译、该归到哪个知识主题下。属性设计得越规范，AI 处理得越准。

这也是为什么我的知识库能实现自动编译——每篇笔记都自带"身份证"，AI 按属性筛选同主题文件，比靠文件名猜测靠谱得多。

核心引擎：三级管线

第一级的关键设计：AI 只建议，人不点头不算数。所有 AI 处理结果先进"待阅区"，确认后才正式归档。

第二级是精华：把散落各处的同主题材料综合提炼成一份知识页面，附带来源追溯和置信度。信息不被关联就是零价值。

第三级让系统自进化：标签用多了自动入库，没人用的自动建议淘汰。越用越贴合你的需要。

编译前后对比

实战案例：写进工作计划两年的事，AI 几小时搞定

我写过一篇公众号文章，讲的是建案例库这件事——两年写进工作计划都没落地，最后用 AI 几个小时搞定。整个过程就是三级管线跑了一遍：

关键经验：模板设计是人的活，AI 帮不了——但一旦模板定好了，后面全是 AI 的活。改了三版才定下来，说明这个环节值得投入时间。Agent督办我工作计划里“吹的牛”，然后她帮我几个小时搞定

关于这条案例，我之前专门写过一篇详细文章，感兴趣的可以翻看历史推送。

19 个定制技能(skill)

不是"问一句答一句"，而是把常用操作封装成固定流程。

一条原则：每个Skill只做一件事，做透。不搞万能技能。

技能怎么长出来的：先用，发现重复操作就抽象成技能，不是预先规划的。

首页即控制台

打开知识库第一眼：

全部从文件元数据自动生成，零手动维护。

理念：好的系统不需要你去"管理"它，它自己会告诉你该关注什么。

我的工具组合

知识库本体：Obsidian + 3 个插件

Obsidian 的关键优势：纯本地 Markdown 文件，AI 能直接读写。 换成 Notion 之类的在线工具，AI 操作文件的门槛会高很多。

AI 引擎：终端 Agent

让 AI 直接操作知识库，需要的是终端 Agent——在命令行里跑，能读写文件、执行脚本：

选哪个不重要，关键能力是：能直接读写你的本地文件。 能读能写，AI 才能参与收集、分类、编译的全流程。

同步方案

安全绳：Git 版本控制

知识库还有一个看不见但离不了的基础设施——Git 版本控制。

为什么要给笔记加版本控制？

特别是让 AI 批量处理几十个文件时，版本控制就是安全绳——出了问题一键回到操作前的状态，心里有底才敢放手让 AI 干活。

运营数据

97.5% 活跃率说明一件事：搭对了体系，知识库不会变成数字垃圾场。

三个建议

工具是次要的，方法才是核心。三级管线、数字编号、知识编译，换个工具一样适用。

AI 的加入让"加工厂"模式成为可能——以前靠人力做不到每篇都加工、编译、审视。现在有了AI一切都可以了。（关注公众号，回复：obsidian获取知识库仓库模板）

本文由「溳与云」原创，整理自个人思考笔记。转载请注明出处。