从 LLM Wiki 到个人 Harness -- 一个开发者的私域知识沉淀实践

推荐语

打造个人知识复利系统：从静态骨架到动态三层知识引擎，让AI真正为你所用。

核心内容：
1. 突破Karpathy LLM Wiki的静态骨架，构建三层个人Harness
2. 详解“采集→编译→蒸馏”三层结构的设计与实现
3. 如何沉淀可复利的知识，而非依赖特定工具链

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

Harness Engineering 是 2026 年最热的 AI 工程话题，但争论焦点几乎都集中在"该上多大的模型"和"该搭多复杂的工作流"上。

经过两个月个人知识库实践，我更实际的感受是：工具会一代代更新，但真正能持续复利的，是自己沉淀下来的知识。

本文分享如何把 Karpathy LLM Wiki 的极简骨架扩展成「采集 → 编译 → 蒸馏」三层个人 Harness——读完应带走的是 wiki 语义图谱与 insights 判断层，不是某个 Dagster 仓库。

一、从 Karpathy 的 LLM Wiki 说起

2026 年 4 月初，Andrej Karpathy 在 GitHub 上挂了一条 gist，记录他自己如何用 LLM 把多年笔记编译成可读的 Markdown 维基。那篇 gist 的核心意思可以概括为两点：

• AI 让写作和整理变快了，但人的注意力和记忆容量没有变大，知识系统仍然需要可读、可维护的结构；
• 与其每次查询都临时检索和拼接，不如让 LLM 持续维护一个 Markdown wiki：用 index.md 导航，用 wikilinks 连接页面，在中等规模下先把可读结构跑起来。

这个思路很快在中文社区点燃了一轮"本地 AI 知识库浪潮"，我也在 4 月加入，按 Karpathy 的思路搭起了自己的 vault。骨架跑了几周后我发现：

Karpathy 给的是骨架，但骨架不长肉。 只有骨架时，我很快撞上三类缺口：外部信号没有稳定入口（raw/ 靠手塞）；日记里的半成型想法没法逐条 ingest；读书笔记没有强制把触动点转成行动。真正能让知识复利的，是骨架之上的三层扩展。

1.1 个人 Harness 从哪借来

本文不综述 Harness Engineering。Harness（马具） 借自 Codex、Claude Code、Cursor 等 Agent 工具的共同隐喻——给 LLM 配一组可演化、可累积的工具，让它驮着你走得更远；缩到「一个人 + 一个 Obsidian vault」，就是 个人知识 Harness。

1.2 我的扩展点：从 50 行 gist 到三层结构

把 Karpathy 的 LLM Wiki 当作编译层（下文第二章亦称「骨架」）放在中间，前后两端各延伸一层，就是 Mind-OS 的整体形态：

三层之间的信息流向：

①采集层 ─ingest→ ②编译层 ←结晶回流─ ③蒸馏层
                    │
                 query回流
                    ▼
              新连接 / 更新引用

①采集层把外部信号过滤进 raw/；②编译层把 raw/ 综合为 wiki/；③知识蒸馏层在日记里捕捉碎片输入，达到一定密度后委托回编译层结晶为正式概念页。Query 回答时还会有一条额外的回流——把对话中产生的新洞察沉淀回 wiki（详见 2.4）。这是一条闭环，而不是直线管道。

下文按「骨架 → 采集 → 阅读 → 蒸馏 → 总结」五章正文 + 一节总结展开。

二、骨架：LLM Wiki 的极简静态编译

任何 Harness 都需要一个可信赖的底座。我的底座就是 Karpathy LLM Wiki 模式——没有任何魔改、最朴素的形态。

2.1 为什么不上 RAG

在动手前我认真考虑过 RAG。结论是：对个人知识库的体量（几百到上千页）来说，RAG 的复杂度溢价不划算。 向量库要维护、chunk 策略要调、检索质量靠 embedding 模型决定、可审查性几乎为零。

LLM Wiki 把"理解"的时间点从查询时挪到了编译时：

RAG 把"理解"放在查询时；LLM Wiki 把"理解"前置到编译时。

这一挪之后，存下来的不再是孤立的 chunks，而是被 LLM 一次性深度综合过的领域语义图谱。下次查询直接读图谱，不再每次现拼。两者并非互斥（LLM Wiki 完全可以作为 RAG 的语料源），但在目前的体量上叠加 RAG 是负向 ROI。完整对比沉淀在了 rag-vs-llm-wiki。

2.2 双层目录：raw 与 wiki 的边界

在编译层内部，数据目录以 raw/wiki 两层划分：

mind-os/
├── raw/                   # 人类筛选的原始素材，LLM 只读
│   ├── twitter/           # X/Twitter 精选简报（每日）
│   ├── rss/               # Folo 精选信息简报
│   ├── aihot/             # AI-HOT 日报
│   ├── research/          # 深度调研报告
│   ├── perplexity/        # Perplexity Deep Research
│   └── articles/          # Web 剪藏文章
├── wiki/                  # LLM 维护的知识维基
│   ├── index.md           # 全局目录（LLM 导航起点）
│   ├── concepts/          # 概念页（一个主题一个文件）
│   ├── entities/          # 实体页（人物、工具、项目、公司）
│   ├── connections/       # 交叉比较、关系图谱
│   ├── insights/          # 人类洞察（LLM 只读，人类独占写入）
│   ├── books/             # 读书笔记（详见第四章）
│   └── log.md             # 变更日志（带时间戳）
├── journals/              # 日记（按日自动生成）
├── schema.md              # 结构约定（人类拥有）
└── AGENTS.md              # LLM Agent 操作指令

两层之间的边界用一张小表固化：

为什么 wiki/insights/ 要人类独占？ 因为它存放的是判断——贵在哪、错在哪、为什么重要——而非事实罗列。AI 综合大量素材后往往只能给出还不错的回答，但很难给出锋利的判断。我一开始让 LLM 也写洞察，一周后回看都像维基百科条目：准确、平庸、缺一击。从那以后把这一层物理隔离——不是因为 AI 写不了，是因为这一层不应该是 AI 写的。

2.3 Frontmatter + Wikilinks：互联的最小约定

每个 wiki 页都以 YAML frontmatter 开头：

---
domain: ai-and-llm
sources: 6
created: 2026-04-13
updated: 2026-04-15
tags: [llm-wiki, karpathy, knowledge-management, markdown, obsidian]
---

字段不多但都有用：domain 按领域分类（7 大领域枚举在 schema.md 固定）；sources 记录这页综合了多少素材；created/updated 给 lint 识别过时；tags 喂给 qmd 搜索和 Bases 数据视图。

正文里所有内部引用都用 Obsidian 风格的 wikilinks：distributed-consensus 链向概念页、wiki/entities/cathedral-and-bazaar 链向实体页、raw/twitter/2026-04-15-X精选信息简报.md 链向原始素材。

特别要说红链——指向尚不存在页面的链接。我故意允许它们存在。

为什么允许红链？ 因为当 LLM 写到某个值得独立成页但当前未编译的概念时，直接打 wikilink 留一个洞，比省略不写更有价值。红链在 Obsidian 图视图里显示为"未创建节点"，它就是知识缺口的可视化。lint 时按被引用次数排序得到"红链清单"——本月哪些概念被引用最多但还没编译？优先编它们。

红链 = 图谱里的待编译信号。 这一招简单到几乎不值得说，但效果出奇好——知识缺口主动呼叫被编译，而不是等人想起来。

Obsidian Graph view 局部视图。节点是 wiki 页面，连线是 wikilinks；颜色不同的高密度节点是当前活跃的领域聚类（AI 与 LLM、分布式系统、Web3、产品想法等）。红链节点会显示为镂空圆圈。

2.4 三大工作流：Ingest / Query / Lint

LLM 在 vault 里只做三件事，全部写在 AGENTS.md 里作为"宪法"：

Query 的回流机制是这套工作流最被低估的部分。每次回答完成后，LLM 都要判断"这次问答是否值得沉淀回 wiki"。原则只有一条：

有价值的问答不能消失在对话历史里，必须复合增长到 wiki。

这是把"对话"沉淀为"资产"的关键开关。

关键不在工作流本身（每条都很朴素），而在它们写进了 AGENTS.md 作为 Agent 进 vault 第一眼读的文件。把规则前置成"宪法"，比靠每次 prompt 手动提醒稳得多。

2.5 当页面超过 50 个：qmd 搜索的引入时机

与 §2.1 同理：未到阈值，不加层。

刚开始几十页时，靠 wiki/index.md 全局目录足够导航。但 wiki 长到约 50 页以后，索引就不够细——LLM 开始读错页或漏掉相关页（例如问 Raft vs Paxos，index 导向了分布式共识页，却漏掉了 tech-radar 里相关信号）。50 页是我的临界点，不是普适阈值。

我装了 qmd——本地 Markdown 搜索引擎，BM25 + 向量语义 + LLM 重排（需 Node.js ≥ 22；首次 qmd embed 会拉取约 4.3GB 量化嵌入模型）。crontab 每小时跑 qmd update && qmd embed 增量更新，整个搜索栈完全本地，并通过 MCP 接入让 Claude Code / Cursor 里的 Agent 直接调用。

引入 qmd 之后，LLM 不再瞎读 index——而是先 qmd query "Raft vs Paxos 在 Mind-OS 里讨论过什么" 拿到 hybrid 搜索 + 重排后的前几篇相关页，再读那几篇综合回答。

2.6 log.md：变更日志比想象中更重要

每次 LLM 改完 vault 必须在 wiki/log.md 顶部追加一段，格式大致是 [update] 概念页 + sources 计数 + 交叉链接变更。

为什么坚持写日志？ 两个理由：第一，它让 LLM 可以审计自己——下一次 LLM 进来读 log.md 就能知道"上次跑了什么、改了什么、为什么改"，没有这层每次 Agent 都是失忆的；第二，它是我们复盘 LLM 的抓手——哪一次 ingest 漏了交叉引用、哪一次 lint 把红链处理错了，翻 log 就能找到，这些复盘后来都沉淀成了 schema.md 的新规则。

写 frontmatter、打 wikilinks、跑三大工作流——这些都是骨架的搭建动作。骨架真正承载的，是那张领域语义图谱：哪些概念互相咬合、哪些是另一个的反例、哪些是哪段经历的结晶。

这两个月里工具栈我换过几轮，但图谱里"想清楚过的部分"一条没失效。

骨架到这里讲完。下一章讲采集：让活水有源。

三、采集：让活水有源

骨架解决了"知识怎么沉淀"，但回答不了"知识从哪来"。

真正决定一个知识库长期价值的，不是工作流的复杂度，而是上游信号的质量。 一个 prompt 工程做得再精巧的 Agent，喂的素材如果是过期的、稀释的、被推荐算法污染过的，长期产出的知识不会有沉淀。

这一章讲三件事：真实信号源分层、Dagster 自动化管线、tech-radar 信号分级 + 自动回顾。

3.1 信号源分层：两条 Dagster 管线 + 三条非 Dagster 通道

raw/ 目录下其实有 6 类信号通道，每个通道对应的"采集成本"和"信号密度"差异很大。我想说清楚一件事：

不是所有通道都值得用 Dagster 编排。 频率稳定、来源结构化、需要 LLM 多步加工的通道，才适合 Dagster；只需要"定时抓一份原文落地"的通道，用 Hermes 抓取脚本就够；按需触发的深度调研，交给 Agent Skills（如 tech-research）；剪藏走 Obsidian 原生工具最省心。

我的真实分层：

踩坑诚实记录：我一开始确实想把 6 类通道都塞进 Dagster 编排。设计了几条 asset、跑了一周后发现：AI-HOT 只是把网页内容拉下来落地，不需要 LLM 加工，用 Hermes 一个抓取脚本就够；research 和 perplexity 本质上是"按需触发的深度调研"而不是"周期性增量信号"——硬塞进 Dagster 反而把简单问题搞复杂了。

最后回退到现在的形态：只在需要"周期 schedule + 多 asset 加工链 + 状态化"的两条线上用 Dagster；只需要定时抓取的通道交给 Hermes 脚本；按需深度调研交给 Agent Skills。 这条选型经验值得贴出来。

深度调研：tech-research Agent Skill

深度调研不走周期 schedule。在 Cursor / Codex 里调用项目内的 tech-research Skill（.agents/skills/tech-research/）——给定技术主题，脚本按模式（quick / standard / deep）拉多源证据，按模板产出中文研报，默认落地 raw/research/YYYY-MM-DD-.md：

研报正文示例：结论速览、技术定义与边界、成熟度与社媒信号等结构化章节（raw/research/2026-05-25-browserbase-skills.md）。

同一报告的大纲视图——长研报在 Obsidian 里靠目录导航，便于跳读「社媒讨论」「落地路线」等章节（raw/research/2026-05-25-openai-symphony.md）。

3.2 Dagster 编排：两条管线的真实形态

采集编排维护在独立仓库 mind-os-orchestration（不在 mind-os vault 内），依赖 OpenCLI、Folo CLI、LLM API 与 .env.local。本地可用 scripts/run_once.sh 单次跑通。

两条管线：X/Twitter 五段降噪（raw → candidates → llm_summary → brief_draft → raw_brief，hourly），RSS/Folo 两段验证（brief → brief_validation，daily）。业务参数抽到 config/*.yaml，schedule 每次重读 yaml——改 yaml 下次调度即生效；API key 与路径放 .env.local，改后需重启。

X 链路重是因为社媒噪声大；Folo 轻是因为 RSS 本身已结构化，只需要「生成 + 验证」两步。

Dagster 跑完后，信号以 Markdown 简报形式落在 raw/twitter/、raw/rss/。一篇 X 精选简报长这样——frontmatter 记录日期与 tweet 数，正文按主题分段归纳，保留原帖链接：

X/Twitter 精选简报示例（raw/twitter/2026-05-16-X精选信息简报.md）。右侧大纲即 LLM 归纳后的主题目录，是 ingest 进 wiki 前的「半结构化活水」。

3.3 tech-radar：四档信号分级 + 自动升降级

数据流过 Dagster 落到 raw/twitter/ 和 raw/rss/ 后，问题来了——每天几十条信号涌进来，怎么判断哪些值得编译进 wiki、哪些只是噪音？

我的答案是 wiki/concepts/tech-radar.md——一个按月滚动更新的技术信号雷达。每条信号按四档分级：

每条信号正文末尾必须带一行规范字段：

最新信号: YYYY-MM-DD

这个字段是 2026-04-20 引入的硬约束。为什么需要它？ 因为升降级规则全部依赖"距今 N 天"的判断，没有规范化的日期锚点，自动化扫描脚本就没法跑。当时引入这个字段是因为我发现：靠人脑判断"这条信号上次更新是什么时候"，到了第三周就会忘——人不靠谱，规范字段靠谱。

更关键的是双归档机制——同样是"两周无新信号"，按是否成功转化为 wiki 页面分两类归档：

前者是成功路径的复盘，后者是失败路径的复盘——两个都有教学价值，不能混在一起。 把"失败的归档"也存下来，是为了下次看见同形态的信号时能更快判断"这种是不是又一个昙花"。

wiki/concepts/tech-radar.md 把规则、当前信号、双归档和回顾日志收在同一页——四档 emoji、每条末尾的 最新信号: 字段、以及底部的「已编译归档 / 消退归档」区块都在这一屏：

tech-radar 概念页局部。左侧正文是分级规则与 2026-05 信号列表；右侧大纲可见 🔴🟡🟢 分档与两类归档区。

3.4 /radar-review：机器建议，人类搬运

有了 最新信号: YYYY-MM-DD 规范字段，自动化回顾就有了基础。我写了一个斜杠命令 /radar-review，每周日跑一次。

它做两件事：

1. 扫描
    wiki/concepts/tech-radar.md 里所有"最新信号"字段，对比今天，按规则分组——满阈值的（升降级触发）、临近阈值的、活跃中的。
2. 报告
   当前所有信号的状态：哪些该升级 🔴、哪些该降 🟢、哪些该归档。

但这里有一条故意保留的约束：

机器建议，人类搬运。

/radar-review 默认是 dry-run 模式——只报告应该升降级哪些信号，不自动改文件。如果想真的应用，得显式带 apply 参数；即使带了 apply，也只在原位打标（在条目末尾追加 ⏳ 临近归档 / ⬆️ 升级 之类的标记），不物理搬运段落。

为什么不全自动？ 因为信号分级带有判断成分。一条 🟡 信号两周无新信号，机器判定降 🟢——但人类可能知道"这条是上周才在某个圈子里开始发酵，主流社交平台还没跟"，应该保留 🟡。这种背景判断，机器抓不到。

更朴素的理由是：全自动归档容易让人对自己的雷达失去手感。每周日花 5 分钟手动搬运几条信号，反而是一种"重新感受信号脉搏"的仪式。

采集讲完。下一章讲阅读：把书读成可复利资产。

四、阅读：把书读成可复利资产

但有一类输入比信号更挑工程——读书。

当我们讨论 AI + 知识管理时，几乎所有方案都集中在"如何用 LLM 总结一本书"。但读书的本质问题从来不是"总结"——读完就忘的人，不缺总结；缺的是让书里那一两句击中你的话，长在你身上不掉下来。

我花了相当大力气专门为读书设计了一套工作流，核心是三件事：RIA 三段法（沉淀结构）+ Bases 数据视图（管理界面）+ weread-skills（导入通道）。

4.1 普遍的"读完即忘"困境

常见做法——Markdown 摘录、卡片笔记、AI 全书总结——共同缺的是「触动点 → 行动」闭环：既没有固定方式捕捉触动点，也没有强制结构把触动点转成行动。

我的回答是借鉴赵周《这样读书就够了》里的 RIA 三段法，并把它做成一套硬约束。

4.2 RIA 三段法：触动 → 重述 → 行动

每本书在 wiki 里都是一个固定结构的页面，正文只能有三段，依次填写：

为什么这三段缺一不可？ 因为三段对应了被触动 → 理解 → 行动的完整认知闭环——

• 缺 R：找不到锚点，过两周翻笔记不知道当时为什么记
• 缺 I：触动只是情绪，没有转化为思想
• 缺 A：思想没有出口，读完即忘的根因

为什么 I 段不能敷衍？ 因为读书的认知扰动有一个 24 小时半衰期——读到时"心里一震"的瞬间，如果不立即用自己的话重述，第二天再回来就只剩"我好像记得这本书讲过点什么"。重述是把别人的话变成自己的话的关键动作——不重述等于没读。

为什么 A 段必须有期限？ 因为没有期限的行动等于没有行动。我一开始允许 A 段写"以后试试"、"找时间练练"——执行一个月之后回头看，没有一条真的做了。后来把 A 段的格式硬化成"动词 + 完成标准 + 期限"，"以后试试"这类抽象表述直接被退回（详见下一章 Ember 代理的处理）。

R 是火星，I 是燃烧，A 是出口。三段都到位，一本书才真正进到你身上；缺任何一段，读完即忘。

4.3 Obsidian 实施层：目录 + 模板 + Bases 视图

实施层很轻，主要就三件东西：

wiki/books/
├── books.base                  # Bases 数据视图（藏书阁/正在读/已读完/待读）
├── cathedral-and-bazaar.md     # 正在读 · 开源文化
├── cognitive-awakening.md      # 正在读 · 元认知
├── good-good-study.md          # 已读完 · 临界知识
├── this-reading-way.md         # 已读完 · RIA 方法来源
├── deep-work.md                # 待读
└── density-tracker.md          # Ember 共现密度追踪器
templates/book-template.md      # Templater 模板（新建书页面时套用）

单书页结构与 Ember 协议以仓库内 templates/book-template.md 为准（含 重要笔记 (R — Reading) 等段标题）。首次 #book/xxx 前需用 Templater 建页。

藏书阁的可视化用 Obsidian 原生的 Bases 插件渲染——wiki/books/books.base 配置文件定义了四个视图：藏书阁卡片墙、正在读、已读完、待读清单。每个视图通过 formula 字段把 YAML frontmatter 里的 status/rating/started 等原始值算成图标 / 星级 / 阅读天数等更有信息量的展示值。

Bases 藏书阁卡片视图。封面来自 cover 字段，星级是 rating 字段的 formula 计算，状态图标 📖/✅/📚 由 status 字段映射。Bases 视图可以直接在卡片上编辑属性回写到 YAML——这是 Dataview 做不到的关键差异。

4.4 weread-skills：把微信读书的数据接进来

读书的工程化还有最后一公里——大量阅读其实发生在微信读书的手机端（通勤、午休、睡前），那里的划线和笔记不会自动出现在 Mind-OS 里。如果不打通这一段，wiki/books/ 里的 R 段触动点要靠手抄，成本极高。

我通过 weread-skills 解决这件事。它是一个 Codex skill，基于微信读书的 Agent Gateway API，让 AI Agent 能在 Mind-OS 这边直接查到微信读书的个人阅读数据。核心用法三条：

• 划线 + 想法导出
   → R 段触动点候选池，跳过手抄
• 书架 / 阅读进度
   → 补全 wiki/books/ frontmatter
• 主题阅读推荐
   → 「一个主题连读 2–3 本」时的素材池

无微信读书账号时可降级为手抄 R 段或 Obsidian Web Clipper；该通道为可选，不是 RIA 硬依赖。

我的用法很克制——weread-skills 只负责"把原始素材接进来"，不替代 RIA 的沉淀环节。微信读书里的划线进来都只是 R 段的候选，是否值得正式进 wiki/books/ 还要经过 I 段重述（用自己的话讲一遍为什么击中你）和 A 段行动（写一个有期限的具体动作）的筛选。

AI 工具最大的诱惑是让你"导出更多"——但我们要的是"沉淀更少但更深"。weread-skills 是导出通道，RIA 三段法才是过滤器。

这条边界做对之后，weread-skills 在工作流里变成「省手抄」工具，而不是「导出全量笔记」工具——前者放大 RIA 杠杆，后者会稀释它。

阅读体系讲完。Ember 代理在值班，捕捉触动点、追问 I 段是否敷衍、跨书关联到密度达标后委托深度调研——它属于知识蒸馏层，下一章详谈。

五、知识蒸馏：Distill 多代理模式

骨架、采集、阅读都还在"静态编译"的范式里——人类下指令、LLM 编译、结果沉淀。但现实里大量输入根本不是结构化的：早晨的一个灵感、会议后的一句不爽、读到某句话突然冒出的"这跟昨天那本书是同一件事"。

这些碎片输入有三个特点：

• 情绪化
  ：带着当下的具体情境，过两天就稀释
• 半成型
  ：不是完整概念，更像是"半个想法"
• 非召唤
  ：你不会想"我要去查 wiki"，只想"我得记一下"

它们不适合静态编译范式——你不可能为每个半成型的想法发起一次 ingest。但它们又不能不管——大部分有价值的洞察就藏在这种"还没成型"的状态里。

我的解法是在 journals/ 日记层之上叠加一层 5 代理 Distill 模式——灵感来自 Distill 桌面应用（Udara @TGUPJ 的 macOS/iOS 原生"思考空间"，AI-native 思考空间派的代表作）。

5.1 两条路线 vs 我的混合解法

见 §一 两派分类：LLM Wiki 实现派负责沉淀的稳态，AI-native 思考空间派负责流动的动态。我的判断是——两半是同一件事的不同时间切片：wiki 是已经想清楚的部分；日记 + Distill 是还在想的部分。

所以把 Distill 的「活线程 + 主动代理」移植到 journals/ 日记层之上——不抛弃 wiki/ 的静态编译骨架，而是在动态输入层引入智能代理陪伴和引导。

5.2 5 个代理：人格、标签、回复风格

5 个角色各自承接一类碎片输入。当前定义位于 .codex/agents/{lumina,prism,vector,nexus,ember}.toml；Claude Code 侧见 .claude/agents/。

设计原则：每个代理只做一件事，边界正交不抢地盘。 代理边界写在 distill-living-threads-guide 里作为硬约定。

5.3 Ember + Nexus 双人流水线：从触动点到正式概念页

5 个代理里最值得展开的是 Ember + Nexus 的双人流水线——它是 Mind-OS 把"活线程"反向接回"编译层"的关键闭环。

两个代理的工作模式是正交的：

   Ember/Pull          Nexus/Push
   ──────────          ──────────
   捕捉触动            接受委托
      ↓                   ↓
   RIA沉淀             深度调研
      ↓                   ↓
   共现计数            raw/research/
      ↓                   ↓
   达阈值(5) ──委托──▶ 结晶回写
                          ↓
                    wiki/concepts/

Ember 是前端感知器，Nexus 是后端深挖器——一个负责"什么时候该结晶"的判断，一个负责"结晶时综合什么"的产出。

5.3.1 Ember 的密度追踪机制

Ember 维护持久化状态文件 wiki/books/density-tracker.md，记录概念对在不同来源（书 / 日记）中的共现累计。更新协议与 Schema 详见该文件及 distill-living-threads-guide。

关键约束：有意义的共现 ≠ 任意共现——两个概念在同一段出现不够，必须是「能互相回答、互相佐证、或一个是另一个的反例」的语义级咬合，才算一次共现。

5.3.2 达阈值后的委托

当某个概念对 count 达到 threshold（默认 5）时，Ember 追加「委托 Nexus」Callout，示意如下：

> [!danger] 🔥➡️🌐 密度达标 — 委托 Nexus 结晶
> 概念对 `临界知识 ↔ 舒适区边缘` 共现达 5/5。
> 委托 🌐 Nexus 综合跨源差异，判断是否值得独立成 wiki/concepts/ 页

截至发稿：协议与空追踪表已就绪（M1 ✅），尚无真实结晶案例。Nexus 的设计目标是异步调研后产出万字综述落到 raw/research/，并回写 wiki 概念页——M2/M3 自动化与状态回写闭环见 §6.3。

这就是 Mind-OS 把「流动」反接回「编译」的闭环：日记触动点 → Ember 追踪共现 → 达阈值委托 Nexus → 新概念页加入 wiki 图谱。

5.4 半自动触发：标签 + Hermes CLI + Obsidian Callout

5 个代理的触发方式很轻——在日记或任意笔记里写下想法，段落末尾加上对应标签：

今天读《大教堂与集市》，「集市优于大教堂」击中我了——开源协作
和闭源产品化是不是同一条光谱的两端？
#ember #book/cathedral-and-bazaar

算了不想了，今晚必须把那个接口联调搞定。
#vector

在 Cursor / Codex 中 @对应代理处理该日记，或通过 Hermes CLI（需自行配置 distill-thread 命令，见 distill-living-threads-guide）：

hermes call distill-thread journals/2026-04-16.md

代理扫描带标签的段落，把回复以 Obsidian Callout 追加到段落下方——不修改原文。

为什么是半自动而不是全自动 watcher？刻意停顿的人机配合：主动触发一次，比文件变更自动评判更轻松；与 §3.4 /radar-review 的 dry-run 精神一致，但 Distill 侧是「主动 distill」，不是「人类搬运分级结果」。

知识蒸馏讲完。下一章把第二至五章串成三层支柱——回到 Harness 的视角。

六、总结：从 LLM Wiki 到个人 Harness

把第二至五章串起来回看，对应三层支柱：

• ① 采集支柱
  （第三章）——让活水有源
• ② 编译支柱
  （第二 + 四章）——让知识沉淀；编译含 RIA 结构化写入 wiki/books/，不只是 ingest
• ③ 知识蒸馏支柱
  （第五章）——让知识不死水

三层闭环，缺一层都不行，但你可以从任一层切片试跑（见 §6.4）。

6.2 两个月下来的 6 条核心经验

1. LLM Wiki 模式（Karpathy）适合个人尺度的私域知识沉淀
   ，几百到上千页的体量上，比 RAG 更直接、更可读、更可演化。
2. 真正决定知识库长期价值的是上游信号质量
   ——不是工作流复杂度。该用 Dagster 编排的就用 Dagster，不该用的别硬塞。
3. tech-radar 信号分级 + 双归档（成功路径 / 失败路径）让"什么样的信号易转化为知识"和"什么样的信号会昙花一现"都能被复盘
   。
4. RIA 三段法把读书从消费变成投资
   ——读完即忘的根因不是没总结，是没有 A 段行动出口。
5. 5 代理 Distill 模式把碎片输入承接住
   ——情绪、灵感、半成型的想法不再被"我应该现在 ingest 还是不 ingest"的纠结消耗掉。
6. 刻意停顿的人机配合比全自动更可持续
   ——/radar-review 只报告不改档；Distill 需主动触发、只追加不改正文。两条机制不同，共享的是「别让自动化替代人的信号判断与触动筛选」。

6.3 路线图：还没走的 3 个方向

诚实交代，这套体系还有几个明确未做的方向：

• Ember + Nexus 双人流水线的 M2 / M3
  ——全量重扫 lint 脚本、PostToolUse 自动 scout、Nexus 结晶后状态回写闭环；等真有第一次"自动结晶"发生再设计
• 多设备入口
  ——目前仍然要回到电脑上才能跑 Dagster / Hermes CLI / qmd；移动端断点接管这件事还没碰
• starter pack 公开
  ——schema.md / AGENTS.md / 5 代理定义 toml / Templater 模板抽出来打成可 fork 的最小骨架；等这篇文章发布后看回响再决定打不打

6.4 行动召唤

如果这篇文章让你想「在自己的知识库里试一下」，建议按难度分档，今晚就能做的是 L0：

推荐起步（L1）：找一本正在读的书，用 R / I / A 三段写一次读书笔记——这是当晚可验证的最小闭环。

可选：#RIA挑战——在社交平台发战报，我会尽量从公开反馈里挑几篇深度点评（不承诺数量）。

如有水土不服，欢迎在发布渠道留言或提 issue，说明「哪一条在你的环境里没跑通」——这些反馈也是续作素材。starter pack 是否公开打包，见 §6.3，取决于发布后的回响。

模型会迭代，工具链会更新，工作流会重构——唯有领域知识能复利。

延伸阅读

本文涉及的概念都在 Mind-OS 这个私人 vault 里有更详细的页面。完整 wiki 暂存于本地 vault 未公开，但文中通过截图、代码块、表格已给出关键骨架。如需深入查阅可参考以下页面（路径相对 vault 根）：

• wiki/concepts/llm-wiki-pattern.md
   — LLM Wiki 模式权威定义 + 实现派 vs AI-native 思考空间派二分法
• wiki/connections/rag-vs-llm-wiki.md
   — RAG vs LLM Wiki 维度对比详细版
• wiki/concepts/tech-radar.md
   — 信号分级规则 + 升降级规则 + 双归档 + /radar-review 完整说明
• wiki/concepts/reading-list.md
   — 阅读分类 + Ember + RIA 工作流总览
• wiki/concepts/distill-living-threads-guide.md
   — 5 代理人格 / 标签 / 回复风格 + Ember+Nexus 双人流水线完整规范
• wiki/books/density-tracker.md
   — Ember 更新协议 + 委托 Nexus 输出模板
• .agents/skills/tech-research/
   — 深度调研 Agent Skill（按需产出 raw/research/ 研报）
• schema.md
   / AGENTS.md — vault 结构约定与 LLM Agent 操作指令