打造个人知识复利系统：从静态骨架到动态三层知识引擎

2026年，Harness Engineering成为AI工程领域最热门的话题，但大多数讨论都聚焦于"该用多大的模型"和"该搭多复杂的工作流"。经过两个月的个人知识库实践，我更深刻的体会是：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体系。工具可以换，但领域知识图谱一旦建立，就是真正的资产。

概述

本文将分享如何把Karpathy提出的LLM Wiki极简骨架，扩展成「采集→编译→蒸馏」三层结构的个人知识引擎。读完这篇文章，你应该带走的是知识管理的语义图谱与判断方法论，而不是某个具体的工具配置。

为什么选择LLM Wiki而非RAG

在动手之前，我认真评估过RAG方案。结论是：对个人知识库的体量（几百到上千页）来说，RAG的复杂度溢价并不划算。向量库需要维护、chunk策略需要调试、检索质量依赖embedding模型、可审查性几乎为零。 LLM Wiki的核心创新在于：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。这一转变之后，存储下来的不再是孤立的文本片段，而是被LLM一次性深度综合过的领域语义图谱。下次查询直接读取图谱，不再需要每次现拼。 在编译层内部，采用raw/wiki双层目录结构：raw目录存放人类筛选的原始素材，LLM只读；wiki目录存放LLM维护的知识维基，人类审阅。特别值得注意的是，wiki/insights/目录采用"人类独占写入"的约束——因为这一层存放的是判断而非事实罗列。AI综合大量素材后往往能给出不错的回答，但很难给出真正锋利的判断。这一层物理隔离的设计，确保了知识图谱中保留了真正有价值的个人洞察。

骨架：LLM Wiki的极简静态编译

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。 在信号采集层面，我采用分层策略：需要周期性schedule加多asset加工链的通道（如X/Twitter精选、RSS/Folo简报）使用Dagster编排；只需要定时抓取原始内容的通道（如AI-HOT日报）用简单脚本即可；按需触发的深度调研交给Agent Skills。关键认知是：不是所有通道都值得用复杂编排，合适的才是最好的。 信号进入系统后，如何判断哪些值得编译进wiki？答案是tech-radar技术信号雷达。每个信号按四档分级：🔴爆发期（多个独立源交叉确认）、🟡观察期（单一来源但有潜力）、🟢记录期（有趣但待验证）、⚫消退期。配合自动化回顾机制，每周扫描一次，按规则建议升降级——但保留"机器建议，人类搬运"的刻意停顿，这种人机配合比全自动更可持续。

采集：让活水有源

有一类输入比信号更挑工程——读书。常见的AI+知识管理方案都集中在"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真正长在自己身上。 我的解决方案是RIA三段法：R（Reading）捕捉触动点——抓住读到时"心里一震"的原文；I（Interpretation）重述理解——用你自己的话讲为什么它击中了你，与哪些已有知识关联；A（Appropriation）具体行动——落到一个可执行的动作，必须有动词、完成标准和期限。 这三段对应了被触动→理解→行动的完整认知闭环。R是火星，I是燃烧，A是出口。缺R找不到锚点，缺I触动只是情绪，缺A思想没有出口。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。

如有侵权，请联系删除。