我要投稿

AI 知识层：让每个 Agent 都变聪明的双层系统

发布日期：2026-04-20 07:24:28 浏览次数： 1536

作者：AI架构之家

微信搜一搜，关注“AI架构之家”

原文链接

https://x.com/shannholmberg/status/2044111115878326444

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）

什么是 AI 知识层

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。

它由两部分组成：

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。
品牌基础层（BF）—— 静态层

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。

两层系统结构如下：



























+-------------------------------------------------------+|                    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  |+-------------------+

为什么不用传统 RAG？

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。

技术演进分为三个阶段：

单次 RAG（2020–2023）

多跳检索的智能体 RAG（2023–2024）

上下文工程：智能体从多源信息自主构建上下文（2025+）

知识层正是第三阶段的核心基础设施。

为什么大多数人不会搭建？

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。

面向内容创作者与个人品牌

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。

双层系统实际应用

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

文件夹结构示例：




















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。

AI 智能体如何接入

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。

对应 AI 的 5 个等级

这与我此前提出的 AI 营销 5 个层级完全契合：

自定义提示词（无知识层）
手动技能（浅层知识层）
技能 + 品牌基础层（新增 BF）
智能体从编译知识库读取信息（KBL+BF 协同）
具备完整复利知识层的自主智能体团队

多数人停留在 1、2 级，知识层能让你直接迈入 4、5 级。

分发与商业价值

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。

面向企业与项目

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。

信息不会遗漏，因为知识层会留存一切。

规模化路径

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：

导入原始素材
智能体生成结构化页面
自动建立交叉关联
人工审核确认
Git 版本控制，可回滚

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。

面向个人生活

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。

当你提问：

“我的精力水平有什么规律？”

“上季度我在效率方面学到了什么？”

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：

偏差检查：每页自动生成对立观点与数据缺口

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。

20分钟搭建指南

方案完全开源，部署极速：

克隆仓库（2 分钟）





git clone https://github.com/shannhk/llm-wikid.git my-wikicd my-wiki
用 Obsidian 打开该文件夹作为库。

运行智能体（3 分钟）

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。

填充素材（10 分钟）

导出 X 平台存档

安装 Obsidian 网页剪藏，收藏优质推文、文章

花 10 分钟写下脑中所有想法

导入书签，相关度≥80% 的内容放入raw/

执行导入（5 分钟）


/wiki-ingest
AI 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。

打开图谱视图

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

后续优化

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

时间窗口

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。

每拖延一周，就错失一周的复利机会。

扩展阅读

Claude Code 最佳实践：一套可以每天照着走的默认工作流
2026 最新版｜Claude Code 全功能速查手册
如何在 6 个月内成为 AI 自动化工程师（附学习资源）
像 Boris Cherny 那样使用 Claude Code 的 10 个 Slash Commands
从模型视角出发：Claude Code 团队如何设计、测试与迭代工具
一人顶 20 人：PM 用 AI 搭建团队操作系统实战
贝叶斯定理：AI 决策背后的秘密
Anthropic 把你想要的 AI 智能体，在云端跑起来！
Agent Harness：讲清 Anthropic、OpenAI、Perplexity 和 LangChain 实际上在构建什么！" data-itemshowtype="0" linktype="text" data-linktype="2">深度解析 Agent Harness：讲清 Anthropic实际上在构建什么！
Karpathy开源新方案：Agent+Obsidian，让LLM帮你构建复利知识库
Google前高管：如何在下一阶段AI到来之前做好定位 !
Claude Code 创始人公开最常用15个隐藏能力！
零基础构建你的第一个 AI 智能体

50个Claude Code日常使用技巧与最佳实践

Anthropic 工程师分享让Agent 稳定复用团队经验

Claude 官方架构师认证来了！免费考，AI 从业者的硬核加分项

关注我持续分享优质AI内容

专注AI分享，深耕AI领域

让更多的人，学习少走弯路

让更多的人，因 AI 而强大

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

AI 知识层：让每个 Agent 都变聪明的双层系统

Claude Code 最佳实践：一套可以每天照着走的默认工作流

2026 最新版｜Claude Code 全功能速查手册

如何在 6 个月内成为 AI 自动化工程师（附学习资源）

像 Boris Cherny 那样使用 Claude Code 的 10 个 Slash Commands

从模型视角出发：Claude Code 团队如何设计、测试与迭代工具

一人顶 20 人：PM 用 AI 搭建团队操作系统实战

贝叶斯定理：AI 决策背后的秘密

Anthropic 把你想要的 AI 智能体，在云端跑起来！

Agent Harness：讲清 Anthropic、OpenAI、Perplexity 和 LangChain 实际上在构建什么！" data-itemshowtype="0" linktype="text" data-linktype="2">深度解析 Agent Harness：讲清 Anthropic实际上在构建什么！

Karpathy开源新方案：Agent+Obsidian，让LLM帮你构建复利知识库

Google前高管：如何在下一阶段AI到来之前做好定位 !

Claude Code 创始人公开最常用15个隐藏能力！

零基础构建你的第一个 AI 智能体

不微调、不改参数！让 Agent 部署后持续进化的核心方案

OpenClaw 配置手册｜openclaw.json 完全指南

50个Claude Code日常使用技巧与最佳实践

Anthropic 工程师分享让Agent 稳定复用团队经验

Claude 官方架构师认证来了！免费考，AI 从业者的硬核加分项