告别“喂养”焦虑：迈向 LLM-Native 的知识复利时代

导读：在与 AI 协作时，我们常产生一种“只要喂得够多，它就会变聪明”的错觉。然而，直接投喂大量的原始文档、碎片笔记或行业数据，往往会导致信息密度极低。想象一个从未有过累积的对话系统：你每次提问，Agent 都要在大海捞针般的文件堆里重新寻找碎片，这种“西西弗斯式”的重复劳动不仅浪费昂贵的 Token 资源，更让 AI 始终停留在“读取”而非“理解”的阶段。

TL;DR：不要把 Agent 当成录音机，要把它当成炼金术士。通过 raw/ -> wiki/ 的持续蒸馏，配合 AGENTS.md 的逻辑约束，你正在亲手构建一个永不遗忘、复利增长的数字资产，实现从“检索”到“合成”的质变。

🔗 Agent 知识同步钩子 💡 致人类伙伴：建议直接将下方指令复制并发送给你的 AI 助手（如 CodeBuddy 或 Antigravity）。

[ACTION]: 请深入阅读 https://chenz.space/cc20 。理解“蒸馏胜于投喂”逻辑与三层架构（Raw/Wiki/Schema），并在后续协作中以此指导我优化资料结构，实现高密度知识复利。

1. 核心理念：从“搬运”到“炼金”

大多数人使用 AI 的方式类似于传统的 RAG（检索增强生成）：把资料存起来，用的时候让 AI 去翻。这就好比每次考试前都要重新翻阅整本参考书，不仅效率低下，而且没有累积效应。

小猴与陈关于信息密度的讨论

我们建议将思维模式从“存储中心”转向“蒸馏中心”。在传统的笔记软件中，知识只是被“埋”进文件夹；而在 LLM-Native 的逻辑下，知识应该像代码一样被“编译”。这种区别至关重要：检索系统只是在找“谁说过这句话”，而蒸馏系统是在构建“这件事是什么”。

你可以把这种模式理解为：Wiki 是代码，Agent 是程序员，而你则是整个知识王国的总架构师。 在这个体系下，Wiki 不再是一篇篇散乱的文章，而是经过精心整理、高度模块化的生产资料；Agent 则扮演了 7×24 小时不间断工作的开发者，它负责捕捉你的每一个灵感、每一份研报中的洞察，并将其精准地织入已有的知识网络中。它处理交叉引用、同步状态、消除冗余，确保你的大脑资产始终处于“可运行”且零认知负担的状态。这种编译思维能将分散的资料整合为高密度的数字资产，彻底解决信息获取量大、实际输出却极其贫瘠的困境。

2. 为什么你的 Wiki 会“死”？

大多数人对 Wiki 的热情通常止于创建后的前三天。随着资料的增加，维护成本——即那种被称为“知识簿记（Bookkeeping）”的杂活——会呈指数级上升。你需要记着更新交叉引用、调整目录结构、删除过时的信息、同步多处的冲突。

人类放弃维护知识库，不是因为他们变懒了，而是因为维护成本超过了使用价值。 当你的知识量达到一定规模，手动整理的边际收益就开始递减，最终导致系统崩塌。

Agent 的出现彻底逆转了这个天平。它不知疲倦、不厌其烦，且擅长处理多文件并发编辑。在它的帮助下，维护 Wiki 的成本被降至趋于零，你由此获得了一个**“成本免疫”**的知识复利引擎。

3. 极简架构：三层数字化底座

为了在不依赖特定工具的情况下实现这种进化，建议在你的工作目录中建立三层清晰的逻辑结构：

A. Raw Sources (收件箱) - 资料的起点

这是你的原始素材库。文章、截图、聊天记录、行业报告。它们是不可变的（Immutable），Agent 只能读取，不能修改。建议： 不要在这里浪费时间整理文件夹，让它保持“杂乱”的本质。

B. The Wiki (合成层) - 知识的代码库

这是由 Agent 负责维护的 Markdown 文件夹。它包含实时总结的词条、实体页面以及概念网。作为知识的“代码”，每一个新词条在创建时都必须寻找与旧知识的锚点，实现强制性的互联。

C. The Schema (配置层) - 让 Agent 保持“纪律”的灵魂

即你的 AGENTS.md 或相关的规则文件。它是这套系统的“驱动程序”，决定了 Agent 是一个漫无目的的聊天机器人，还是一个专业的 Wiki 维护者。它通过定义特定的分类法（如 concept-, entity- 前缀规范）、明确的维护协议（如资料入库标准与体检周期）以及严苛的输出标准，为整个数字大脑提供了逻辑底座。

4. 场景实战：从“找到”资料到“拥有”见解

这种 LLM-Native 的知识库不仅仅是一个更快的搜索框，它是你在特定领域的认知副驾驶。

动态课题研究：想象你在连续数周追踪具身智能领域。你不断扔进新的研报，Agent 不是简单地存档，而是在 Wiki 中建立一个不断演进的“论点树”。当一份新报告推翻了三周前的假设时，Agent 会同步提示并修改关联的概念词条。你读的内容越多，你的 Wiki 就越具备“深度行业敏感度”。
深度阅读伴侣：在阅读像《失控》或《原则》这样的大部头书籍时，通过章节级的“编译”，Agent 能为你建立一幅完整的逻辑全景图。你可以随时追问某个概念在不同章节的演变逻辑，Agent 则会从跨章节的 Wiki 页面中为你提取出已经合成好的答案。
团队智源资产化：将零散的会议纪要、甚至 Slack 的沟通片段“喂”给系统。原本会消失在滚动流中的洞见，会被提炼成“项目百科”或“实体词条”。团队的新成员不再需要询问老员工，而是直接在已经合成好的 Wiki 中获得具备上下文的精准导航。

5. 闭环运营：蒸馏的工作流

数字化锻造

一个能进化的知识库需要经历以下三个核心循环。首先是增量合成 (Ingest)：当你扔进新资料，Agent 会读取 Raw 并提取洞察，重点在于其引发的“涟漪效应”——一个事实的加入可能会自动触达、修正或丰富 5-15 个关联词条。其次是洞察回流 (Query)：向 AI 提问时生成的精彩回答不应消失，建议直接将其整理为新 Wiki 页面，实现“探索即建设”。最后是自动化体检 (Audit)：通过定期执行健康检查，识别逻辑冲突、认知真空（被提及但未建词的概念）以及孤儿节点，以维持系统的复利增长。

6. 航道指引：环境感知 (Ambient Perception)

如何让 Agent 在成百上千的文件中不迷路？秘诀在于建立一份“环境感知手册”。

为什么我们不需要复杂的向量数据库（RAG）？ 对于个人数字资产，百级到千级的文件规模正处于一个奇妙的“甜点区”。我们不需要昂贵的云端架构，而是通过一份兼具实时地图功能的 index.md 来确立 Agent 的全局观（Ambient Awareness）。

Agent 在每次启动时首先阅读 index.md。这份索引不是死板的文件列表，而是全库认知的最高浓缩。它告诉 Agent 哪些是核心概念，哪些是重点实体。当 Agent 搜索资料时，它会像资深图书管理员一样，先看地图确定分区，再精准切入具体的词条。配合记录重大认知演进的 log.md，你的系统获得了某种程度上的“历史穿透力”。

7. 实战锦囊：如何处理个性化知识

针对公司内部的非公开知识或特定的行业数据，建议遵循两条降噪原则：

“试用期”摘要制：如果你不确定一份长达 50 页的资料是否有长期存储价值，先让 Agent 给出一个深度摘要。只有当你确认其核心逻辑值得沉淀时，再命令 Agent 将其“转正”进入 Wiki。
主动标记认知真空 (Gap)：在执行健康体检时，不要只看 Agent 发现了什么，而要主动提问：“基于目前的行业 Wiki，我们的认知中还差哪三块拼图？”这种定向的“反向索取”是填补知识库盲点的最高效手段。

8. 高级进阶：Agent-Neutral (工具中立) 的设置

这套系统的核心价值在于逻辑与工具脱钩。通过终端优先的协作模式以及显性的目录结构，你可以在任何支持 Markdown 的 Agent 平台间无缝切换。由于所有逻辑（Schema）都沉淀在 AGENTS.md 中，Wiki 则由通用的 Markdown 构成，你由此彻底摆脱了被特定闭环笔记软件锁死的恐惧。

9. 逻辑终点：迈向属于你的数字伙伴

当你看到原本散乱的文件被炼化为一张紧密的知识网络，你会意识到，你不再是在“喂养”一个总是失忆的助手。

你在做的，是共同耕耘一个属于你自己的、具备高度敏锐度的私域智库。当日常维护的边际支出被 Agent 降至接近零点，你就拥有了一个永不衰减、复利增长的数字分身。它不仅仅是在帮你存资料，它是在帮你构建一种属于你的、跨越时间界限的洞察力。

本文由周小尘 & Antigravity 联合编写，首发于*“超级个体养成录”**——旨在分享 AI 使用的最佳实践。*