不是再建一个“什么都往里扔”的收藏夹，而是让每一次阅读、提问和工作，都给下一次留下可复用的记忆。
在这里插入图片描述
我以前一直有一个错觉：只要收藏得够多，知识迟早会派上用场。

浏览器书签里有几千个链接，网盘里躺着几十 G 的 PDF，微信收藏、聊天记录和本地文件夹各占一块。真到写方案、做决策时，脑子里只剩一句：“我记得看过。”

问题不是资料太少，而是资料从未完成第二次加工。

普通收藏解决的是“放在哪里”；真正的个人知识库还要回答四个问题：这份资料讲了什么？它和我已有的认知有什么关系？哪些结论存在冲突？下一次工作时，怎样在几十秒内把它调出来？

WorkBuddy、Claude Code、Codex 这类 Agent 的出现，让第二次加工第一次变得足够便宜。它们能读取文件、创建 Markdown、维护索引、检查链接，也能按你写下的规则持续工作。Obsidian 则负责保存、浏览和连接这些结果。

二者组合起来，才是本文要搭的系统。

先把一个词说准确：它不会“偷偷训练自己”

标题里的“自学习”，不是指模型在你的电脑上自动微调，更不是它看过一次资料就永久改变参数。

更准确地说，这是一个外部记忆系统：

  • 新资料进入后，Agent 把内容提炼成结构化笔记；
  • 新笔记会和已有主题建立链接，索引随之更新；
  • 下一次提问先查索引，再读取最相关的几页；
  • 每次完成方案、复盘或研究，又把有长期价值的结论写回知识库。

模型本身可能没有变化，但它每次开始工作时，能站在一套持续更新的文件系统上。这就是“越用越懂你”的真实来源。

如果把知识库比作一家公司，Obsidian 是档案室，Agent 是研究员，AGENTS.md 或 CLAUDE.md 是工作制度。研究员可以换，制度可以改，档案一直留在你手里。

最耐用的连接方式，不是插件，而是同一个文件夹

这套方案最重要的设计，不是某个炫酷功能，而是让 Obsidian 和 Agent 读写同一个目录。

Obsidian 的 vault 本质上就是一个普通文件夹。里面主要是 Markdown、图片和附件。WorkBuddy 选择这个文件夹作为工作空间；Claude Code 或 Codex 则从这个目录启动。Agent 新建一篇笔记，Obsidian 立刻能看到；你在 Obsidian 改了标题，Agent 下一次读取的也是新内容。
在这里插入图片描述
图：本机 WorkBuddy 5.1.7。输入框下方可以选择工作空间，侧栏也有自动化入口。不同账号、版本和组织策略下，功能可能不同。

这种连接有三个好处。

第一，不锁产品。今天用 WorkBuddy，明天换 Claude Code，后天换 Codex，只要它能读取这个文件夹，知识库不用迁移。

第二，可以审计。Agent 改了什么，不藏在聊天记录里，而是落在具体文件中。配合 Git 或云盘版本历史，还能回看差异。

第三，人始终能接管。即使卸载所有 AI 工具，Markdown 仍可用任意文本编辑器打开。

但要注意：文件保存在本地，不代表推理也只发生在本地。Agent 为了回答问题，可能把相关内容发送给所选模型服务。涉及公司机密、个人隐私或受监管数据时，必须查看对应产品的数据使用条款、企业策略和模型设置。不要把“本地文件夹”直接等同于“内容绝不离开电脑”。

不要照搬别人的目录，先理解三层知识

很多教程会让你建一个 raw/，再建一个 wiki/。能用，但如果资料越来越多，只有“原文”和“摘要”两层，很快会遇到新问题：结论放哪里？项目产物放哪里？哪些内容还需要人裁决？

我更推荐下面这套四层结构：

KnowledgeBase/
├── 00 Inbox/          # 暂时无法分类的新输入
├── 10 Projects/       # 有目标和截止条件的进行中工作
├── 20 Areas/          # 长期负责的主题，如健康、管理、技术
├── 30 Resources/      # 可复用的概念、方法、案例和资料
├── 40 Archive/        # 已完成或不再活跃的内容
├── 90 System/         # 规则、模板、索引、变更日志
├── 99 Attachments/    # 图片、PDF、表格等原始附件
├── AGENTS.md          # WorkBuddy/Codex 的长期规则
└── CLAUDE.md          # Claude Code 的长期规则，可引用同一套规范

这不是为了把文件夹做得漂亮，而是把四种东西分开：

  • 证据层：原文、PDF、截图、会议记录。原则是保留原貌，能追溯来源；
  • 知识层：概念、方法、人物、工具、案例。原则是去重、连接、标注冲突；
  • 行动层：项目方案、检查清单、决策记录、复盘。原则是服务当前目标；
  • 系统层：规则、模板、索引和日志。原则是让 Agent 每次都按同一套方法工作。
    在这里插入图片描述
    图：资料不是直接变成“知识”。它要经过来源保留、提炼、连接和调用，最终在真实工作中被验证。

如果你已经习惯 PARA，可以直接采用上面的结构；如果你更喜欢 raw/wiki，也没有问题。目录只是容器，真正决定系统质量的是规则。

AGENTS.md 才是这套系统的大脑

Agent 能不能稳定维护知识库，主要不取决于你每次临时提示得多精彩，而取决于长期规则是否清楚。

WorkBuddy 和 Codex 可以使用 AGENTS.md；Claude Code 的项目规则入口是 CLAUDE.md。为了避免维护两份不同制度，可以把完整规范放进 90 System/Knowledge Rules.md，再让两个入口文件都引用它。若工具不支持引用，就保持两份内容同步。

下面这份是一个够用的起点：

# 角色
你是这个知识库的研究助理和维护者。你的目标不是尽可能多地创建笔记，
而是保留证据、提炼可复用知识，并让结论能在真实任务中被再次调用。

# 工作前
1. 先阅读首页、相关索引和最近变更日志。
2. 搜索同名、近义和相关主题，优先更新已有笔记。
3. 无法确认归类时放入 00 Inbox，不要猜。

# 写入规则
1. 原始附件只读保留，不改写、不覆盖。
2. 新建知识页必须写明：摘要、来源、日期、关联主题和可信度。
3. 两个来源冲突时并列保留，分别标注出处，不自行裁决。
4. 使用 [[双链]] 连接真正相关的页面，不为了图谱好看滥加链接。
5. 只保存长期有价值的结论，不归档闲聊和临时过程。

# 回答规则
1. 先查索引，再读取最相关的少量页面，不盲目遍历全库。
2. 区分“原文事实”“知识库中的总结”和“你的推断”。
3. 回答末尾列出使用过的笔记和原始来源。
4. 资料不足时明确说不知道，不补写不存在的事实。

# 结束前
1. 更新相关索引和变更日志。
2. 检查新链接是否有目标文件。
3. 涉及删除、覆盖、冲突裁决或大规模移动时，先请求人工确认。

这份规则里，最重要的不是“双链”两个字，而是三条红线：原始证据不改、冲突不替人裁决、推断不能冒充事实。

当规则写清楚后，你才拥有一个可替换 Agent 的系统，而不是一段只能在某个聊天窗口里复现的魔法提示词。

真正让知识库生长的，是五个动作

1. 采集：先保存证据，再谈整理

网页可以用官方 Obsidian Web Clipper 保存为 Markdown。本地的 PDF、图片、录音转写和表格，可以放到附件目录，再从主题笔记里链接。

采集时至少保留四个字段：标题、来源链接、采集日期、作者或发布者。没有来源的“金句”，过三个月就很难判断还能不能用。

对 PDF 和图片还要多一层谨慎。Obsidian 能保存附件，不代表 Agent 一定能读懂扫描件。扫描 PDF 可能需要 OCR，复杂表格可能需要专门解析器，图片里的小字也可能识别错误。先确认工具真的读取到了内容，再让它生成知识页。

2. 提炼：一篇资料，不等于一篇知识

把新资料放进来后，不要只说“总结一下”。那通常只会得到一篇缩短版原文。

更好的指令是：

请处理今天新增的资料。先保留原始文件，再搜索库内相关主题。
把可复用的概念、方法、案例和数据分别更新到已有知识页；
只有确实没有对应页面时才新建。每条结论注明来源和日期，
冲突内容并列保留。最后列出你改了哪些文件，以及哪些地方需要我判断。

这条指令把“摘要任务”变成了“知识维护任务”。前者生产新文件，后者维护认知结构。

3. 连接：双链是导航，不是理解证明

Obsidian 的 [[双链]] 很适合表达概念之间的关系。比如“RAG”可以连接“向量检索”“分块策略”和“评估”；一次项目复盘可以连接所用方法和暴露的问题。

但图谱上出现一条线，只能证明两篇笔记互相引用，不能证明结论正确，也不能证明 AI 理解了因果关系。
在这里插入图片描述
图：本机真实知识图谱。它非常适合发现孤立页面和主题簇，但不能代替来源核验。

因此，连接时最好写清关系：“A 是 B 的前置条件”“案例 C 反驳了观点 D”“项目 E 使用了方法 F”。只有链接，没有关系描述，知识图谱很容易变成一团漂亮但无用的线。

4. 调用：每次工作，先让知识库参与

知识库是否有价值，不看节点数量，看它是否参与真实工作。

写文章前，可以问：

我要写一篇关于企业 AI 知识库的文章。先查索引，找出相关的观点、
失败案例、数据和争议，按“问题-证据-结论”整理提纲。
每一项标注来自哪篇笔记；缺少证据的观点单独列出。

做决策时，可以问：

根据知识库，对比方案 A 和方案 B。分开列出已验证事实、历史经验、
当前假设和未知项，不要把推断写成结论。

做复盘时，可以问：

把这次项目复盘与库内同类项目比较：哪些问题重复出现，
哪些做法第一次被验证，哪些旧结论需要修订？

调用之后，把最终采用的提纲、决策和复盘结论写回知识库。输入变成知识，知识参与行动，行动再产生新证据，闭环才真正成立。
在这里插入图片描述
图：本文本身就是一次真实写回。完整文章、配图、设计记录和来源都保存在同一个 vault 中。

5. 巡检：让自动化找问题，不替你做判断

知识库用久了，必然会出现四类退化：断链、孤立页、重复主题、互相冲突的结论。

有自动化能力的 WorkBuddy 或 Codex 可以定期执行巡检；没有内置定时任务的 Agent，也可以用系统计划任务触发。调度器并不重要，检查规则才重要。

每周检查一次知识库：
1. 找出指向不存在文件的链接；
2. 找出没有入口、也没有任何页面引用的知识页；
3. 找出标题不同但主题高度重复的页面；
4. 找出来源或结论互相冲突的条目；
5. 输出巡检报告，不直接删除、合并或覆盖。等我确认后再修改。

“先报告，再修改”是关键。机器适合发现异常，人负责决定哪个版本留下、两种观点如何并存、一个旧结论是否已经失效。

WorkBuddy、Claude Code、Codex，应该选哪个？

不用把它们理解成三套不同知识库。知识库只有一套，Agent 只是不同入口。

工具 更适合的使用方式 规则入口 需要注意
WorkBuddy 希望用图形界面选择工作空间、使用办公能力与自动化 AGENTS.md 或工作区规则 功能随版本、账号和组织策略变化
Claude Code 已在终端或 IDE 中使用 Claude，重视长上下文阅读和项目协作 CLAUDE.md 定时运行通常需要外部调度或配套能力
Codex 需要文件编辑、验证、分工以及桌面端自动化工作流 AGENTS.md 按目录层级读取规则，权限与可用工具需明确

选择标准很简单：哪个 Agent 最容易接入你的日常工作，就先用哪个。不要为了“最强模型”频繁迁移目录和规则。文件格式稳定、来源完整、规则清楚，比某次回答多聪明一点更重要。

四个常见误区，最好在第一天就避开

误区一：把所有内容都存进去。

知识库不是聊天垃圾场。临时命令、重复摘要、无结论讨论越多，检索噪声越大。只保留能被再次理解和使用的内容。

误区二：让 AI 覆盖原始资料。

摘要会丢信息，模型也会犯错。原文是证据，知识页是解释，两者不能混成一个文件。

误区三：图谱越密，知识越丰富。

大量无语义链接只会制造视觉繁荣。高质量关系应该能说清“为什么相关”。

误区四：自动化越多，系统越先进。

如果采集标准、冲突规则和人工确认点没有写清，自动化只会更快地产生混乱。先跑通手动闭环，再把稳定步骤交给定时任务。

最后：个人知识库的单位，不是笔记，而是一次次被验证的认知

搭完目录、装好插件、看到关系图谱的那一刻，很容易产生“知识库已经完成”的满足感。

其实那只是基础设施完成了。

真正的生长发生在后面：一篇新资料修订了旧观点；一次项目让某个方法得到验证；一次失败暴露出原有结论的边界；下一次写方案时，你不再从空白页开始，而是从过去全部可追溯的积累开始。

这套系统最有价值的地方，不是让 AI 替你记住所有东西，而是让你每次付出的思考，都不再随着聊天窗口关闭而消失。

收藏只是把资料留下。

能追溯、能连接、能调用、能修订，才是知识。

资料与版本说明

# 学习 # python
Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

Google能索引，AI却抓不到

很多技术团队有个错觉：只要Google能正常收录，内容就没问题。但现实是，你的页面在Google搜索结果里好好的，在ChatGPT、Perplexity、Claude的答案里却像从未存在过一样。

avatar DeepSeek技术社区

初识智能体

在过去两年中，几乎所有人都体验过大语言模型（如 ChatGPT、Claude、DeepSeek）的强大能力：写周报、润色邮件、解答编程疑难。被动响应：你问一句，它答一句。如果你的 Prompt 没有写清楚约束条件，它无法主动追问或修正目标。知行脱节：大模型能用流畅的文字告诉你“如何部署一个高可用 K8s 集群”，但它无法替你登录服务器敲下命令、查看报错日志并自动回滚。信息孤岛：大模型的知识止步于预

avatar DeepSeek技术社区

DeepSeek总结的时间旅行者的主键

来源：https://www.pgedge.com/blog/the-time-traveler-s-primary-key。

avatar DeepSeek技术社区