AI 知识库

标签下共 5 篇文章。

知识管理 独立开发 AI探索 产品知识
01

让 AI 真正用得上你的资料:一套结构设计方法

把方法论资料原样丢给 AI,它连一份问卷都出不好——问题多半在资料的形态。以用户调研方法论为例,讲透面向 AI 的资料结构设计五件事:资料生成(拆原子加稳定 ID)、内容设计(索引层闭集加执行层固定节序)、检查(六道程序化门禁与切片对齐)、迭代(草稿状态与派生索引)、关联(链接图谱)。结构对了,AI 才真的会用。

2026-11-13·6 分钟·12 阅读
02

后产品时代:用大模型和知识库搭起自己的体系

大模型把通用能力变成水电煤,产品不再是壁垒,壁垒是你自己的体系。本文给出一套四环串联:资料检索变进料口,知识库按需选型——轻量用 ima、复杂量大自建 WeKnora,知识体系靠连接成形,方法论沉淀成 skill,最后转成持续积累的复利飞轮。

2026-11-09·16 分钟·42 阅读
03

Obsidian:LLM Wiki 的理想载体

Obsidian 是一款本地优先的笔记软件:库就是一个普通文件夹,每篇笔记是纯 Markdown 文件,双向链接把条目织成网络,数千款插件按需扩展。本文介绍它的核心机制与插件生态,并重点回答一个问题:为什么这个『文件夹 + 双链』的形态恰好是 LLM Wiki 的理想载体——Agent 直接写文件、悬空链接即待写清单、人顺手校对,知识在人机之间用同一种纯文本语言流转。

2026-10-08·11 分钟·267 阅读
04

Karpathy 的 LLM Wiki:把知识组装提前到提问之前

2026 年 4 月,Karpathy 用一份 Gist 提出 LLM Wiki:让 Agent 把知识预先整理成互相链接的 Markdown 条目,而非提问时现场检索拼接。本文回顾这条思路的前史——RAG 的六年统治与 Agent 记忆系统的探索,梳理它走红后的生态实践,并对照同期 Grokipedia 与 Wikipedia 的公共百科攻守,聊聊知识复利与知识信任这两个正在被重写的问题。

2026-10-08·11 分钟·99 阅读
05

深入理解 RAG:从检索准确率到持续优化

RAG 系统中 80% 的问题出在检索环节,业界平均检索准确率仅 60–75%。本文沿管线拆解知识库质量、文档切片、Embedding 选型、向量数据库、混合检索、查询改写、元数据过滤与重排序,给出四指标评估体系、七种失败模式排查口诀与 RAGOps 持续优化闭环,并用真实案例数据说明:内容质量比换模型更值钱。

2026-10-01·12 分钟·339 阅读