本文为你介绍一套双层系统，能让你运行的每一个 AI 智能体都变得更聪明。20 分钟即可搭建完成，效果会逐日提升，且完全开源。
安德烈・卡帕西近期提到，他现在把大部分 Token 开销从代码转向了知识管理。
这篇帖子引发了广泛共鸣，因为它点出了所有人都能感受到的问题：你的 AI 智能体根本不了解你。每次对话都从零开始，你要反复解释你的业务、你的风格、你的目标、你的上下文，而输出内容千篇一律，因为输入没有记忆。
我借鉴了他的思路，在两周内测试了多种方案，最终精简出最有效的一种，并导入了我自己的数据：笔记、想法、推文、文章、书签。AI 智能体据此整理出230 多个结构化维基页面，对概念、实体和来源进行交叉关联，我可以随时查询。
本文会讲解什么是知识层，如何为内容创作、企业运营以及个人生活搭建专属知识层。这套框架开源，搭建仅需 20 分钟。
安德烈・卡帕西
@karpathy ・ 4 月 3 日 大语言模型知识库
我最近发现一个非常实用的方法：用大语言模型为各类研究方向搭建个人知识库。这样一来，我近期消耗的 Token 中，用于处理代码的比例大幅下降，更多被用于处理…… （展开更多）
AI 知识层是架设在你与 AI 智能体之间的基础架构。智能体在执行任何操作前，都会先读取这一层的信息。 没有它，智能体只能靠猜测；有了它，智能体才能真正 “了解” 你。
-
知识库层（KBL）—— 动态层
你把原始素材扔进一个文件夹：推文、文章、书签、PDF、笔记、语音备忘录。 AI 智能体读取所有内容，按类型分类，生成带交叉引用的结构化维基页面，并维护一份总索引，每条内容附带一句话摘要，方便快速浏览。 你提出的每一个问题，都会被归档为新页面。维基库会随时间不断丰富。
-
这一层仅由你手动编辑，包含你的语言风格、视觉调性、品牌定位、受众定义，以及你绝对不会使用的词汇。 智能体在生成内容前会读取这一层，但永远不会改写它。即便由 AI 代劳，这一层也能保证所有输出都带有你的个人风格。
+-------------------------------------------------------+| 你的AI智能体 || （文案、调研、策略、分析） |+---------------------------+---------------------------+ | 读取 | 读取 v v+------------------+ +-------------------+| 知识库层 | | 品牌基础层 || KNOWLEDGE BASE | | BRAND FOUNDATION || LAYER (KBL) | | (BF) || | | || 动态维护 | | 静态固定 || AI智能体维护 | | 人工编辑 || 持续迭代丰富 | | 你的风格、规则、定位 || 维基页、来源、索引| | |+--------+---------+ +-------------------+ | 整合自 |+--------+---------+| 原始素材箱 || 推文、文章、书签 || PDF、笔记、想法 |+-------------------+
传统 RAG 是在查询时对文档分块、检索并实时推导答案。 而知识层一次性编译完成，自动交叉关联并保持更新。
卡帕西发现，当素材达到约 100 篇文章时，编译式方案的问答效果优于 RAG。 Graphify 测算，相比检索原始文件，该方案单次查询 Token 消耗减少 71.5 倍。
-
上下文工程：智能体从多源信息自主构建上下文（2025+）
原因和大多数人不在周日备餐一样：前期花 1 小时，能为一周省下 10 小时，但很少人愿意做。 多数人宁愿抱怨 AI 输出糟糕，也不愿花 20 分钟搭建一套能解决问题的系统。
90% 使用 AI 的人都在做同一件事：写提示词、接受结果、直接发布，毫无判断、毫无审美。 知识层能让你跳出这 90% 的人群。它把你的审美、数据、思维模式编码进去，让 AI 输出的内容像你亲手写的，而非千篇一律的 AI 垃圾。
但门槛确实存在：你需要筛选输入内容。与你工作相关度不足 80% 的内容，直接舍弃。高价值输入才有高质量输出，喂进去噪音，得到的只会是噪音。
这是我最初的应用场景。我运营着一个 AI 营销账号和一家代理机构，需要 AI 智能体了解我过往的作品、爆款规律和语言风格。
我搭建了一套名为LLM Wikid的框架并开源（后文会讲解部署方法）。导入个人数据后效果如下：
-
先把脑中所有想法写下来：项目笔记、半成品产品思路、行业观察、AI 营销趋势判断，无需刻意结构化
-
导入 6 周内的 87 条 X 平台推文存档、3 篇已发布文章和所有书签
-
AI 智能体处理后生成：15 个主题来源页、14 个概念页、11 个实体页，内含 100 + 条交叉链接
-
再通过 X API 导入 197 个书签，AI 下载 81 张图片、转录 49 条视频，分析视觉内容并整合进维基库
我的笔记、想法、推文、书签、文章全部关联、可检索。
知识库层（KBL）：存放所有动态增长的内容，按类型分类（转录稿、文章、推文、论文），维基链接交叉引用，附带精简摘要索引
写作时输入/wiki-query，即可从个人数据中获得带引用的答案，答案会自动归档为新页面，让后续查询更丰富
my-wiki/ raw/ # 原始素材箱 clippings/ # Obsidian网页剪藏 ideas/ # 想法、头脑风暴 bookmarks/ # 收藏的推文、工具 articles/ # 个人原创文章 papers/ # 研究论文、PDF x-archive/ # X平台导出内容 assets/images/ # 媒体素材 wiki/ index.md # 总索引 concepts/ # 概念、框架 entities/ # 人物、公司、工具 sources/ # 原始素材摘要 outputs/ # 查询答案归档 templates/ # 页面模板 CLAUDE.md # 总规则schema
日常浏览时一键剪藏，夜间执行/wiki-ingest自动处理，醒来就能获得更丰富的知识库。
品牌基础层（BF）：固定不变的规则，包括 AI 禁用词清单、视觉风格指南、语言风格档案。所有 AI 智能体生成内容前都会先读取。
-
文案智能体：读取风格规范，查询维基库做选题研究，结合数据选择合适格式
-
调研智能体：监测社交平台新信息，导入原始素材，扩充维基库
-
策略智能体：交叉对比行业爆款与现有内容，找出空白赛道
知识层越丰富，智能体输出越优质。 同样的智能体，单薄知识库只能产出垃圾；读取 200 + 结构化页面后，输出完全贴合你的风格与数据。
这与我此前提出的 AI 营销 5 个层级完全契合：
-
-
-
-
-
多数人停留在 1、2 级，知识层能让你直接迈入 4、5 级。
低代码让开发变得简单，人人都能 48 小时做出产品，但分发依然困难。 知识层能让分发能力持续复利：每一条内容洞察、每一份书签分析、每一项数据追踪，都会让下一篇内容定位更精准。
设置定时任务，每日自动处理前一天剪藏的内容，分发能力在夜间持续进化。
同时可提供商业服务：为他人搭建知识层，收费1500–3000 美元，月服务费300–500 美元。 10 位客户首年收入可达 5.68 万美元，对创作者或机构而言是可产品化的核心技能。
这套架构同样适用于企业级场景。 区别在于：多人智能体共用同一知识层，层内不仅包含内容知识，更有运营知识。
我在 @EspressioAI 和 @LunarStrategy 均落地使用：
-
Espressio：存放客户交付模式、智能体架构模板、内部标准流程
-
Lunar Strategy：存放营销方案、客户调研、内容框架
新员工的智能体接入知识库后，入职即具备生产力，无需花费数周摸索无文档的工作方式。
埃里克・奥修在全公司推行类似系统：每位员工配备适配岗位的 AI 智能体，共享中央大脑。 他的总结：
“私人助理有上限，真正的突破是岗位定制智能体通过中央大脑共享上下文。”
销售成交后，客户运营智能体自动获取交接信息；内容爆款后，销售智能体自动调整触达策略。
个人维基 → 小团队共享知识库（5–10 人）→ 企业级岗位智能体（50 + 人） 模式完全一致：
-
-
-
-
-
科迪・施耐德为本地服务商搭建了具备 10 项能力的营销智能体集群，核心正是承载全部业务数据的数据仓库。 他称之为数据仓库，埃里克称之为共享大脑，卡帕西称之为大模型维基。 名字不重要，关键是：智能体需要编译后的结构化知识，才能完成有价值的工作。
极致形态是格雷格・艾森伯格所说的“环境型企业”：主要由 AI 智能体运营，创始人只需数日检查一次。 Medvi 就是例证：年收入 18 亿美元，仅 2 名员工，无风险投资。AI 负责代码、创意、风格、客服，而知识层是前提。没有它，智能体需要持续人工指令；有了它，智能体依托组织知识自主运行。
这是最被低估的用途。 这套系统既能追踪内容数据，也能追踪你的思考： 日记、读书笔记、播客精华、健康数据、目标复盘、凌晨突发灵感…… 全部导入原始文件夹，AI 整理为结构化页面。
会得到基于个人数据的带引用答案，答案自动归档，让下一次提问更智能。
复利循环：每一次提问都让系统更丰富，每一份素材都建立新关联，你的好奇心直接提升答案质量。
这里的质量控制尤为重要，盲目信任 AI 风险极高：
-
审核机制：AI 生成页面默认未审核，仅人工可标记确认
-
置信度标签：高 / 中 / 低 / 不确定，AI 如实标注知识可靠性
-
遵循 80/20 原则：让 AI 完成 80% 的整理、编译、关联工作，你把控最后 20% 的筛选、审核、独有洞察。知识层会持续优化这 80% 的质量。
git clone https://github.com/shannhk/llm-wikid.git my-wikicd my-wiki用 Obsidian 打开该文件夹作为库。
在文件夹中打开 Claude Code（或支持 Markdown 与 bash 的智能体），它会读取总规则文件CLAUDE.md，自动理解架构并搭建维基结构。
安装 Obsidian 网页剪藏，收藏优质推文、文章
/wiki-ingestAI 自动分类、抓取全文、下载分析图片、生成交叉引用页面、标注对立观点与数据缺口、更新总索引。查询示例：/wiki-query 哪种内容格式收藏量最高？AI 会检索索引与相关页面，给出带引用的结论，并自动归档为新页面。
在 Obsidian 中打开图谱，你的想法、关注人物、使用工具、核心概念会形成可视化关联网络，开始用/wiki-query探索。
后续可执行：
-
查看近月收藏最多的主题
-
查找核心观点的对立论据
-
汇总对某一竞品 / 工具 / 话题的全部认知
-
定位知识薄弱的概念
-
设置定时任务，每日自动执行/wiki-ingest
-
每 1–2 周运行/wiki-lint，检查矛盾、过期内容、孤立页面、重复概念
-
页面超 300 后，安装 qmd 实现本地混合检索
-
接入更多智能体：文案、调研、策略，知识层作为共享大脑
卡帕西的帖子收获 9.9 万 + 收藏，Graphify 48 小时上线再获 2.7 万 + 收藏，同期多款实现方案爆红，需求显而易见。
大多数人会收藏、赞叹，却从不动手搭建。 今天花 20 分钟行动的人，下月就会拥有无法被搜索引擎和通用提示词复制的复利知识库，它懂你的风格、数据、模式与审美。
