给 AI 装一个「第二大脑」：普通人也能搭建自己的 AI 知识库
这节课讲的是：为什么 AI 需要一套专属于你的知识库，以及如何用 Obsidian 加任意一款桌面 AI 智能体，四步搭起自己的知识库。你会带走一套完整的搭建步骤、一份可直接使用的提示词，以及让知识库持续自我更新的日常维护方法。
为什么 AI 需要一套「长期记忆」
很多人已经习惯用 AI 帮忙写文案、做表格、查资料，但你会发现，AI 每次回答都像第一次认识你——它记不住你上次说过什么，更不了解你所在行业的具体情况。这节课要解决的，正是这个问题。
讲师福克斯（Focus）先解释了一个底层逻辑：大模型本身并不具备与外界交互的能力，它只是针对输入的数据做一次性处理。真正让 AI 能帮你干活的是外层那套「harness」系统——每次调用大模型时，harness 会带上几类上下文，包括系统规则、当前任务的指令、对话历史、工具结果，以及你指定的工作目录里的文件。
其中最关键的是「记忆」。记忆分为短期和长期：短期记忆基本不用你操心，通用的智能体工具都自带，你甚至能打开它的记忆文件，看到里面记录的你的称呼、做事风格等；但长期记忆——那些贯穿你整个工作周期、跨越多轮任务的专业知识——就需要你自己去构建和维护了。
福克斯打了个比方：AI 知识库就是给 AI 配的一个「第二大脑」，让 AI 更了解你，基于你自己的日常生活和工作来帮你完成任务。如果你不主动搭建，AI 在长期执行任务时，很难把那些长久有效的知识当作重要信息来使用。
从传统笔记到 AI 知识库：思维方式的转变
说到知识库，很多人会想到自己用过的笔记软件。福克斯坦言，传统知识库在没有 AI 的时代，其实是个「有痛点的产品」：收集容易维护难，很少有人能自律地定期分类整理；查找时只能靠关键字索引标题片段；就算找到了那篇文章，还得花很长时间自己阅读理解。
AI 时代的知识库，定义完全变了。过去知识库是面向人来设计、供人使用的；现在，它是面向 agent（智能体）来设计的。你需要做的，不是自己整理分类，而是定义好 agent 怎么跟知识库协作。
这里福克斯引入了一个概念——LM Wiki，由 AI 大牛 Karpathy 提出。它和很多人听过的 RAG（检索增强生成）有本质区别：RAG 更多是把文本向量化、做索引，帮 AI 做相关性匹配；而 LM Wiki 除了查找内容，更重要的是帮 AI 建立「物理世界的连接」。
他举了个例子：福特汽车，在公开语境里是一个美国汽车品牌；但对福特公司的员工来说，福特汽车就是自己经营的产品。同一个词，在不同人、不同语境下，语义完全不同。知识库的核心作用，就是把这个名词跟一个客观实体产生联系，让 AI 知道「福特汽车」在你这里到底指什么——而不是一个泛泛的通用名词。
四步搭建你的 AI 知识库
福克斯把搭建过程拆成四个步骤，并强调「实际可以做得更深，但先掌握这四步就够用了」。
第一步：收集知识来源。 这是知识库的「原料层」。你日常浏览的网页、工作文档、感兴趣的内容，都可以作为原子信息放进来。这一层只需要保留原始内容、来源和加入时间，不需要做传统的分类管理。
第二步：定义知识库。 这是给 agent 的「说明书」。因为知识库是面向 AI 设计的，所以你得告诉它怎么用。每个人定义方式不同——福克斯自己是 AI 产品经理，他的知识库定义会详细说明哪些内容用于产品设计、哪些用于行业分享报告。定义得越清楚，AI 整理时就越有章法。
第三步：让 agent 编译知识库。 把收集到的内容按照你定义的结构（schema）进行编译。这个过程既包含知识图谱化，也会按照 schema 设计知识库目录。福克斯特别提到，编译过程不需要你理解技术细节——后面会给提示词，直接扔给 agent 让它帮你做就行。
第四步：建立 index（索引）。 这是写给 agent 看的目录。AI 每次执行任务时，不会把整个知识库一次性导入——大模型有上下文窗口限制，导入太多内容会变慢、消耗更多 token。所以 index 就像图书馆的目录，AI 先看索引了解知识库里有什么，再按需匹配具体片段，用最少的上下文完成任务。
关于输入形式，福克斯强调：不只是文本。图片、文档、甚至视频都可以扔给 agent，它会自己处理转译成能理解的文本信息。他分享了自己的日常用法：看到公众号文章，直接扔给 agent，它会通过浏览器自动化工具把内容拉出来，存进知识库，还会结合知识库结构放到该放的位置。视频也能处理，但 token 消耗会比较大。
像经营业务一样维护知识库
搭好知识库只是起点，真正的关键是持续维护。福克斯的比喻很形象：「你要把知识库像业务一样去持续运营。」
他分享了自己的维护节奏，分三个层级：
每日维护： 设定一个定时任务，比如每天 10 点，让 agent 自动整理当天所有信息来源，包括你跟 agent 的全部对话和任务。他特别强调，每次纠正 AI 的内容尤其重要——「往往在你纠正 AI 的过程当中，你会透露出一些很重要、可以复用的信息」。注意，桌面智能体执行定时任务时，电脑需要处于非休眠状态。
每周检查： 每周抽一天，让 agent 跑一次知识库维护总结，你通过看总结了解本周更新了哪些板块，发现需要优化的地方就顺手改掉。频率不用太高，内容少的话两周甚至一个月一次也行。
每月调整： 这是对知识库「大方向」的调整。比如你换工作了、换项目了，知识库的定义就需要跟着变，否则后续积累方式和使用方式都会产生偏差。如果你同时做多个项目，也可以把知识库建在项目维度，每个项目一个独立仓库，避免信息互相干扰。
工具方面，福克斯推荐 Obsidian——一个本地笔记软件，核心特点是知识图谱构建和信息连接。但他强调，AI 用的知识库部分人其实不需要看，用 Obsidian 更多是为了让人也能参与编辑和优化：「我会在一个仓库里边，既有我自己写的部分，也有 AI 帮我维护的知识库部分。」
实操：从安装到跑通第一个知识库
课程最后是实操环节，福克斯带着大家走了一遍完整流程。
第一步：安装 Obsidian。 直接在网上就能下载，不需要登录账号，当作本地软件用就行。关键是建好一个「仓库」（Vault）后，把仓库的路径复制出来——AI 不是像人一样浏览文件夹，它靠文件路径找内容，所以「善于利用文件路径来帮助自己工作」是个重要的小技巧。
第二步：把提示词扔给 agent。 福克斯展示了一段提示词，大意是让 agent 在本地 Obsidian 仓库里创建一个基础的知识库目录结构。他建议，如果 agent 里已经有很多历史会话，可以在提示词里加一句「先帮我把我自己在 agent 里边的所有对话做一些总结」，把这些对话作为原子信息，再做基础搭建。如果还没有内容，就先让 agent 把体系创建出来，之后把想放进知识库的内容直接扔给它就行。
第三步：创建每日维护任务。 在 agent 里设定一个定时任务，每天自动整理信息来源和当天对话，按照 schema 和 index 的定义持续更新目录。
福克斯提醒，任何能在电脑上运行的桌面智能体都可以用，比如 Claude Code、Codex，国内的一些产品也行。他演示时用的是 Codex，工作目录里会生成几个关键文件：index 是每次 agent 执行任务时读取的索引，schema 是维护 Wiki 目录时参考的结构定义。
他还展示了一个销售岗位的 schema 示例：里面定义了客户关系、会议纪要、产品介绍材料等实体，整个知识库会围绕这些关系持续构建。「建议大家基于自己实际的使用目的来定义 schema，这样定义出来的东西会比较好用。」
关于知识库会不会越攒越大、占用内存的问题，福克斯说不用担心：「最终知识库为了给 AI 看，一定都是文本形式，存储占用量增长不会很快。」换设备同步的话，Obsidian 自带同步功能，或者用云盘工具也能实现。
要点回顾
- AI 知识库的本质是给 AI 配一个「第二大脑」，让它了解你的领域、你的项目、你的偏好，而不是每次从零开始。
- 传统知识库是给人用的，AI 知识库是给 agent 用的——你不需要自己分类整理，只需要定义好规则，让 AI 自己维护。
- 搭建分四步：收集来源（原料层）、定义知识库（说明书）、让 agent 编译（按 schema 建目录）、建立 index（索引）。
- 输入形式不限文本，图片、文档、公众号文章、视频都可以扔给 agent 处理。
- 维护分三层：每日定时任务自动整理、每周检查更新内容、每月调整知识库大方向。
- 工具组合：Obsidian 建仓库存知识库，任意桌面 AI 智能体负责读写维护，人通过 Obsidian 浏览和微调。
- 核心心法：把知识库当业务运营，持续投喂、持续纠偏，你的 AI 会越来越懂你，执行任务的效果也会直线提升。
直播回放约 67 分钟
播放器来自飞书妙记 · 点击正文里的章节卡可跳到对应时刻 · 在新窗口打开