AI工具的强大潜力远未被充分挖掘，大多数人仍停留在临时求助的浅层使用阶段。本文通过深度拆解本地知识库与AI工作流整合方案，揭示如何让AI真正成为你的长期智能伙伴——从Obsidian的底层优势到知识治理四步法，从增量编译原则到规则文件的宪法地位，手把手教你搭建能持续进化的个人智能协作系统。

现在用 AI 的人很多，但大多数人的用法还停留在「偶发性求助」阶段。

什么叫偶发性求助？

就是平时完全不用它，遇到难题了，才打开网页给 AI 丢一个问题，用完即走。下次遇到类似的事，又重新开始想怎么提问。

这就像你雇了一个天才助理，但只在救火时才打电话，平时不给他任何上下文。这个助理就算再聪明，能发挥出 10% 的水平也不错了。

星主 stormzhang 之前讲 AI 工作流和 Skill 的时候，有一个点我很认同：真正能用 AI 翻倍提升效率的人，不是偶尔问 AI 一个问题，而是把 AI 嵌入到自己的工作节奏里，形成一套固定的「人和 AI 协同」工作流。

但我自己实践下来发现，光有工作流还不够。

在 AI 时代，想让这套工作流真正跑顺，还需要一个很关键的底座：本地知识库。

我对 AI 的理解比较简单：AI 像一个被过量知识塞满的人，但它默认没有你的记忆、立场、经历和上下文。它知道很多东西，但不知道你是谁，也不知道你过去怎么判断问题。

所以它默认像一个空白的小呆瓜。你让它做什么，它就做什么；但它不会天然知道什么对你重要，什么是你已经反复踩过的坑，什么是你已经形成的判断。

想让这个小呆瓜变聪明，核心不是每次写更复杂的 Prompt，而是持续把你的上下文喂给它。

同一个模型，如果喂进去的是你自己的工作材料、判断标准、写作习惯、项目背景和历史决策，它给你的反馈才会带有你的个人印记。

这篇文章就结合我自己的本地知识库项目 Skill，也就是 myknowledge-skill，聊聊普通人怎么用本地知识库和 Skill，搭一套真正能持续运转的个人 AI 工作流。

什么是本地知识库？

我这里说的本地知识库，最佳载体是 Obsidian。

Obsidian 有三个底层优势：

1. 本地优先。所有内容都是你电脑上的 Markdown 文件，不依赖某个云服务。就算软件公司不做了，你的笔记还在硬盘里。需要备份的话，也可以同步到私有 GitHub 仓库。
2. 双向链接。你可以用双中括号把相关笔记连起来，慢慢织成一张知识网。
3. AI 兼容性强。Markdown 是纯文本，大模型可以像读代码一样读取、检索、重构你的整个知识库。

这里要分清两个角色。

Obsidian 是笔记展示和检索前端，负责可视化、双链跳转和人工编辑。

AI 工具，比如 Codex、Claude CLI、Trae、Cursor，是知识治理后台，负责读写文件、清洗材料、归档内容、维护索引。

也就是说，我不是让 AI 在 Obsidian 里点来点去，而是让 AI 直接操作本地 Markdown 文件，再用 Obsidian 来阅读和检索。

很多人把知识库用错了。他们把知识库当成信息垃圾场：看到好文章一键剪藏，会议转写直接丢进去，网页内容全部保存。过几个月积攒了几百篇，看起来很丰富，真要找东西时还是找不到。

我现在做本地知识库，只坚持一个优先级：

先解决以后怎么找，再决定现在放哪里。

分类不是为了整齐，而是为了未来能找回。

每一篇材料进入知识库前，我都会反问一句：以后我，或者 AI，会用什么问题重新找到这篇材料？

如果这个问题说不清，那它就不应该急着进入正式知识库。

我的知识库 Skill 里有四条底层原则

第一，优先解决「以后怎么找」，再决定「现在放哪里」。

这是最核心的操作铁律。分类不能凭空捏造，也不能照搬模板。每一次整理内容前，都要先反推：未来我要通过什么问题找回这篇材料？

第二，停止重复推导，开始持续编译。

传统 RAG 更像「即用即走」：检索一次，回答一次，然后忘掉。

真正的知识库不是这样。它应该是增量编译的。AI 的工作不是每次从零拼凑碎片，而是像编译器一样，把散落的、非结构化的材料不断编译成一张可复用的记忆网。

第三，建立知识的生命周期。

知识不是死的。事实会变化，判断会过期，临时结论会被新结论覆盖。如果没有生命周期，知识库一定会腐烂。

所以我的知识库会区分 draft、current、archive、unknown。当前有效的内容可以被引用，历史材料只能作为背景，未知材料需要继续整理。

第四，规则才是真正的产品。

目录结构和工具都可以换，但约束 AI 行为的规则文件最重要。

比如我的知识库里有 wiki-harness.md，它规定 AI 应该怎么查询、怎么整理、怎么移动文件、什么时候必须写日志、什么时候必须保守处理。

这个文件不是装饰，它更像知识库的宪法。没有它，AI 每次整理都会凭感觉发挥；有了它，AI 才能持续保持克制和一致。

我的本地知识库工作流

我现在的工作流可以拆成四步：

收集 -> 清洗与晋级 -> 聚合成知识网络 -> 审计与健康检查

第一步：低摩擦收集

平时的会议转写、语音记录、随手想法、网页剪藏，我不会直接丢进正式知识库，而是先放到 /raw。

/raw 就是原材料仓库。

这些内容通常有噪音，上下文不完整，表达也很粗糙。如果直接让大模型读取，它很容易输出一堆看起来正确但没有价值的废话。

所以第一步只追求低摩擦记录，不追求立刻整理完美。

第二步：AI 辅助清洗与晋级

当某份材料被证明有复用价值，我会让 AI 介入清洗。

AI 会帮我提取：

• 事实与结论：已经确定了什么？
• 行动项：接下来谁做什么？优先级是什么？
• 我的判断：哪些内容是我自己的经验和观点？
• 待确认问题：还有哪些地方没有结论？
• 风险：当前判断里有没有潜在冲突？

确认无误后，AI 才会把它晋级到 /wiki，并补齐最小元数据。

例如：

—

title: “机器人巡检系统设计”

domain: “工作任务”

scope: “智能调度”

topic: “机器人”

primary_entry: “方案与设计”

secondary_entries:

– “管理端”

– “实施平台”

status: current

date: 2026-05-22

objects:

– “机器人系统”

—

这套 metadata 不是为了好看，而是为了让人和 AI 都能稳定找回内容。

以后我可以问：

• 当时机器人巡检系统是怎么设计的？
• 管理端有哪些结论？
• 这个方案现在还是不是 current？

AI 就能沿着这些字段和链接快速定位。

第三步：聚合成检索地图

随着 /wiki 里的内容越来越多，我不会把目录建得很深。

目录太深会增加认知成本，而且很多内容天然是交叉的：一篇会议纪要可能同时属于产品、客户、项目、方案和风险。

更好的做法是建立主题总览页，也就是 MOC，或者叫检索地图。

检索地图只做一件事：告诉你这个主题下，不同资料应该从哪里找。

它不复制正文，只提供入口。

比如：

找总体设计口径：机器人巡检系统设计

找历史会议结论：2026-05-12 机器人评审会议

找待确认问题：机器人巡检待确认问题

这比建一堆深层文件夹更轻，也更适合 AI 维护。

第四步：审计与健康检查

知识库要长期使用，就必须有审计。

凡是结构性变更，比如移动文件、合并页面、重命名、批量补 metadata，AI 都要写入 wiki/log.md。

遇到断链、孤立页、过期资料、疑似重复内容，则记录到 wiki/governance-log.md。

这样知识库不是一次性整理，而是持续维护。

这套工作流真正解决什么问题？

它解决的不是「我有没有一个漂亮的笔记软件」。

它解决的是：AI 能不能持续理解我。

如果没有本地知识库，AI 每次都从空白开始。你要反复解释背景、口吻、目标、历史判断和约束。

如果有本地知识库，AI 可以基于你的历史材料继续工作。

它知道你过去怎么判断一个项目，知道你有哪些写作习惯，知道哪些内容已经定稿，知道哪些结论已经过期。

这时候 AI 就不再是一个偶尔问答的网页工具，而是变成了一个长期协作层。

人负责判断方向，AI 负责推进过程。

三个常见坑

第一个坑：一上来就设计完美文件夹。

很多人第一天用 Obsidian，花几个小时建「工作、学习、理财、摄影」这些目录，结果半个月后一片空白。

正确做法是先记录、先跑流程，再让 AI 根据真实材料沉淀分类。目录应该从内容和找回问题里长出来，不应该从模板里套出来。

第二个坑：手动维护所有分类、链接和索引。

如果你靠人工维护双链、标签、目录和检索地图，很快就会累到放弃。

正确分工是：人负责观点、判断和决策；AI 负责实体提取、双链链接、索引维护、健康检查和格式整理。

第三个坑：规则文件从不迭代。

你的工作重点会变，AI 的能力也会变。每隔一两周，应该回头看看 Skill 和 harness 规则，把不顺手的地方告诉 AI，让 AI 帮你优化规范。

不要指望第一版规则完美。真正有价值的是持续迭代。

怎么开始？

别想太复杂，先跑第一步。

第一步，新建一个空文件夹，比如 MyKnowledge，用 AI 开发工具打开它，然后对 AI 说：

请你按照 https://github.com/Wcof/myknowledge-skill 这个 skill 项目初始化当前项目。

这是我从自己的知识库里提取出来的一套初始化 Skill，里面包含关键目录和规则文件。你可以直接用，也可以按自己的习惯删减。

第二步，把今天的一段会议转写、随手记录或网页素材丢进 /raw，然后对 AI 说：

帮我整理下这个文件，并沉淀成 wiki。

第三步，用 Obsidian 打开这个本地文件夹。之后你就可以用 Obsidian 看双链和图谱，用 AI 负责整理和维护。

到这里，你的第一台 AI 提效机器就已经开始运转了。

最后

AI 时代，真正的差距不会只来自模型本身。

同一个模型，有人把它当搜索框，有人把它当临时写手，也有人把它变成长期协作伙伴。

区别就在于：你有没有把自己的工作流、知识库和规则沉淀下来。

不要只在救火时才找 AI。

把你的本地知识库搭起来，把重复流程沉淀成 Skill，把上下文持续喂给它。

这样，AI 才会从一个空白的小呆瓜，慢慢变成真正懂你、能持续帮你干活的工作伙伴。