个人 AI 知识库：从聊天记录到可检索资产

知识库的本质不是向量数据库，而是：把可复用信息写成稳定文档，按任务检索，再注入模型。个人阶段用文件夹 + 标签 + 好检索，往往比一上来上复杂 RAG 更有效。

为什么聊天记录不算知识库

聊天记录的问题：

• 不可检索（或很难精准检索）
• 混杂试错与最终结论
• 无法版本管理
• 难以交给同事或未来的自己

知识库要的是：结论可定位、可更新、可复用。

个人阶段的最小架构

收集 → 清洗/结构化 → 存储 → 检索 → 注入 Prompt → 产出归档

1. 收集（只收「会再用」的）

优先收：

• 成功 Prompt 与失败反例
• 客户原话与常见问题
• 产品说明、定价边界、交付 SOP
• 排错过的技术笔记

先别收：网页收藏夹倾销、未读 PDF 堆。

2. 结构化（比模型更重要）

每篇笔记建议固定字段：

# 标题
- 场景：
- 结论：
- 适用/不适用：
- 更新时间：
- 相关链接：

结论写在最前，模型摘要时更稳。

3. 存储选型

原则： 检索体验先做对，再谈 embedding。

注入模型的三种方式

A. 手动粘贴（最稳，适合起步）

适用于每周几次的高价值任务。把「相关 1～3 篇」贴进对话。

B. 项目/自定义知识（中等）

把稳定文档放进模型的 Project / 知识功能，减少重复粘贴。

C. 自动化检索（进阶）

用户问题 → 搜索知识库 TopK → 拼进 Prompt → 模型回答 → 写回日志

可用 n8n 串：Webhook + 搜索 API + LLM 节点。

切片与更新纪律

• 一篇文档只讲一个主题
• 过期结论直接改，不另开「最终最终版」无限分叉
• 每月清理：合并重复、删除噪音
• 敏感信息脱敏后再给云端模型

反模式

1. 只上传从不整理
2. 所有东西都切成碎片，丢失章节语境
3. 没有「人工确认」就让模型对外回答政策/价格
4. 知识库与 Prompt 模板脱节

一周落地计划

下一步

• 模板化提问：Claude Prompt 基础
• 串工作流：n8n 入门
• 资源：Prompt 模板包