🧠 可复利知识系统

用 AI 搭建一套会复利的知识系统，让每次处理都不是结束，而是下一次处理的输入。

---

📖 目录

• 系统简介
• 四步流程
• 目录结构
• 快速开始
• 使用方法
• 灵感来源
• 参考资料

---

💡 系统简介

本系统基于 Compound Engineering（复利工程） 理念设计，核心思想是：

❌ 不要只让 AI 生成一次性结果。 ✅ 要让 AI 帮你生成一套能持续使用、自我增强的系统。

系统采用四步闭环流程，知识层使用 Zettelkasten 笔记法 组织，确保知识可沉淀、可追溯、可复利。

┌──────────┐     ┌──────────┐     ┌──────────┐     ┌──────────┐
│          │     │          │     │          │     │          │
│  📥 摄取  │ ──▶ │  🔬 消化  │ ──▶ │  📤 输出  │ ──▶ │  🔍 巡检  │
│  Ingest  │     │  Digest  │     │  Output  │     │  Inspect │
│          │     │          │     │          │     │          │
└──────────┘     └──────────┘     └──────────┘     └──────────┘
      │                │                │                │
      ▼                ▼                ▼                ▼
   raw/           knowledge/        outputs/        inspection/
  (原始材料)      (知识结构)        (内容产物)        (审计报告)

---

🔄 四步流程

步骤	动作	说明	产出
📥 1. 摄取	标准化	把外部输入（网页/推文/论文/播客）统一转为 Markdown	raw/YYYY/MM/
🔬 2. 消化	编译化	把原始材料编译为可复用的知识结构	摘要 / 概念卡 / 主题页
📤 3. 输出	场景化	基于知识系统回答问题或生成内容	问答 / 文章 / 备忘录
🔍 4. 巡检	审计化	定期检查系统结构性问题，生成报告	巡检报告

📖 展开详细说明

📥 1. 摄取 (Ingest)

把外部输入统一转换为标准化 Markdown 文件，存入 raw/。

• ✅ 只做标准化，不做知识加工
• ✅ 保留原文、保留元信息（来源/时间/作者）
• 📄 参考：prompts/ingest.md + schemas/raw-schema.md

🔬 2. 消化 (Digest)

把原始材料编译为可复用的知识结构，存入 knowledge/。

• 生成摘要 → knowledge/literature/
• 抽取概念 → knowledge/permanent/concepts/
• 创建主题页 → knowledge/permanent/topics/
• 更新索引 → knowledge/index/
• 📄 参考：prompts/digest.md + 对应 schema

📤 3. 输出 (Output)

基于知识系统回答问题或生成内容，存入 outputs/。

• 先检索，再综合，再生成
• 输出既是消费，也是再生产
• 📄 参考：prompts/output.md

🔍 4. 巡检 (Inspect)

定期审计系统结构性问题，生成报告存入 inspection/。

• 检查冲突、重复、孤岛、断链、过时、缺来源
• 只出报告，不自动修复
• 📄 参考：prompts/inspect.md + schemas/inspection-schema.md

---

📁 目录结构

knowledge-system/
├── AGENTS.md              # 系统规则（AI Agent 行为规范）
├── README.md              # 本文件
│
├── raw/                   # 📥 摄取层：原始材料池
│   └── YYYY/MM/           #    按年月组织
│
├── knowledge/             # 🔬 知识层（Zettelkasten）
│   ├── fleeting/          #    💭 临时想法
│   ├── literature/        #    📚 阅读笔记与摘要
│   ├── permanent/
│   │   ├── concepts/      #    💎 概念卡（原子化）
│   │   └── topics/        #    🗺️ 主题页（综合深度）
│   └── index/             #    📋 索引、导航页、MOC
│
├── outputs/               # 📤 输出层
│   ├── qa/                #    ❓ 问答归档
│   ├── article/           #    ✍️ 图文长文
│   ├── memo/              #    📝 研究备忘录
│   └── social/            #    📢 海报与 thread
│
├── inspection/            # 🔍 巡检报告
├── prompts/               # 📋 提示词模板库
├── schemas/               # 📐 Schema 模板库
└── tools/                 # 🛠️ Python CLI 工具

---

🚀 快速开始

想尽快跑通？只需 4 步：

# ① 摄取一篇文章和一条推文，存到 raw/
# ② 让 AI 对这两个 raw 文件执行一次消化
# ③ 让 AI 回答一个具体问题，把回答存到 outputs/qa/
# ④ 让 AI 对 knowledge/ 做一次巡检，生成报告

跑通这一轮，系统雏形就有了。先跑通最小闭环，再慢慢增强。

---

🛠️ 使用方法

方式一：用 Obsidian 浏览

推荐用于日常浏览和知识管理

1. 用 Obsidian 打开 knowledge-system/ 文件夹
2. 通过文件浏览器浏览 raw/ knowledge/ outputs/
3. 利用双向链接 [[]] 在知识条目间跳转
4. 使用反向链接面板查看引用关系

方式二：用 AI Agent 操作

推荐用于批量处理和知识加工

1. 让 AI 先阅读 AGENTS.md 了解系统规则
2. 根据任务选择对应步骤的提示词（prompts/）
3. 按对应 schema（schemas/）输出标准化文件
4. 遵循增量更新原则，不全量重建

方式三：用 Python CLI 操作

推荐用于自动化和程序化调用

# 检查 Obsidian 连接
python tools/ks.py health

# 搜索知识库
python tools/ks.py search "关键词"

# 摄取新资料
python tools/ks.py ingest --title "标题" --content "正文"

# 更多命令见 MANUAL.md

---

✨ 灵感来源

本系统的设计灵感来自以下两个核心来源：

🧑‍💻 Andrej Karpathy — LLM Knowledge Bases

Karpathy 在 X/Twitter 上分享了用 LLM 构建个人知识库的完整工作流（阅读量超 1900 万）。核心思路：

用 LLM 将原始数据"编译"为 .md wiki，再通过 CLI 工具进行问答和增量增强，全部在 Obsidian 中查看。你几乎不需要手动编辑 wiki，那是 LLM 的领域。

他的流程 Data Ingest → Wiki Compile → Q&A → Output → Linting，与本系统的摄取 → 消化 → 输出 → 巡检高度一致。

🧑‍🏫 数字游牧人 Samuel — 用 AI 搭一套会复利的知识系统

Samuel 在 飞书文档 中系统化地提出了 Compound Engineering（复利工程） 理念，并将 Karpathy 的工作流扩展为可复现的四步流程。核心思想：

不要只让 AI 生成一次性的结果。要让 AI 帮你生成一套能持续使用、自我增强的系统。

本系统直接基于 Samuel 的方法论构建，采用 Zettelkasten 笔记法组织知识层，并集成了 Obsidian + AI Agent 工具链。

---

📚 参考资料

来源	作者	链接
LLM Knowledge Bases	Andrej Karpathy	🔗 X/Twitter
用 AI 搭一套会复利的知识系统	数字游牧人 Samuel	🔗 飞书文档

---

让每一次处理，都不是结束，而是下一次处理的输入。