知识库编译查询:让 AI 从「读文档」变成「查数据」

Designing Knowledge Compilation and Query Methods for Better AI Analysis

上周五,我让 AI 帮我分析一场 90 分钟产品周会的听记转写稿——15000 字的会议记录,要求提取关键决策、未闭环的行动项、以及和过去三个月决策之间的矛盾。

第一次,我直接把转写稿喂给 AI,说「帮我整理会议纪要」。得到一份「看起来还行」的摘要:谁说了什么、讨论了什么话题。但这不是我需要的——我需要的是 洞察

知识库编译查询:从「读文档」到「查数据」

比如:技术负责人在讨论方案 A 时说「我觉得可以上」,但架构师追问了三个问题后,他改口说「那还是再看看」。AI 的摘要写的是「张总介绍了技术方案」—— 关键决策点被淹没了

[Read More]

反直觉:AI 时代,知识库工具越简单越好

Less is More: Why Simpler Knowledge Tools Win in the AI Era

上周我打开了尘封已久的 Obsidian vault。

50 多个插件,300 多个标签,12 个 database view,还有一套精心设计的 MOC(Map of Content)索引系统。我花了不知道多少小时在「组织」知识,而不是「使用」知识。

反直觉:知识库越简单越好

然后我意识到: 这套系统在 AI 时代已经过时了。

[Read More]

继编程之后,大模型应用的下一个爆发场景是知识管理

Why Knowledge Management Is the Next Billion-Dollar AI Application After Code

上周五晚上,我让 AI 帮我做一件事:把过去三个月收集的 47 篇关于 Agent 架构的文章、12 段会议笔记、和 6 个项目的 README,整理成一份「哪些架构模式真正有效」的判断。

如果是一年前,我会得到一份按关键词频率排列的摘要——看起来专业,实际上没用。

但这次不同。AI 花了大约 40 秒,输出了一份结构清晰的报告:哪些模式在多个项目中反复出现、哪些只在特定场景下有效、我的笔记里对同一问题有过矛盾的判断。它甚至指出了我在三月份写的一段话和五月份的一个项目决策之间的矛盾。

这不是搜索,不是摘要,不是 RAG 的简单检索。这是 理解

编程让 AI 学会「写」,知识管理让 AI 学会「理解」

[Read More]

SKILL.md 不是文档,是编译器

How a 900-Line Markdown File Turns AI From a Chatbot Into a Content Pipeline

「准备写一个 blog,详细讲解这个 skill。」

我对 Agent 说完这句话后,它在 0.5 秒内完成了三件事:加载 900 行 SKILL.md、扫描过去 127 篇博客的标题做交叉引用、按 Planner 模块输出了文章分类和大纲。没有追问「你想写什么角度」,没有问「用什么语气」,没有忘记中文排版要加空格。

SKILL.md 六阶段流水线——从 Markdown 文件到内容生产系统

[Read More]

一个会自己写博客的系统

From Squeezing Out Posts to Publishing at the Speed of Thought

从「业余时间挤一篇」到「随手一句话就发一篇」——这不是夸张,是我过去 5 个月的真实经历。

2013 年我写了 43 篇博客,之后的 12 年里年均不到 5 篇。2026 年才过了 5 个月,已经发了 127 篇。月产量从 2 篇跳到 25 篇,12 倍。这篇文章不是讲 AI 写作工具多好用,而是讲我如何把 整个写作流程 编码成了一个 Agent 可执行的 Skill——一个会自己写博客的系统。

AI 自动写作系统全景——从手工创作到 Agent 流水线

[Read More]

手冲咖啡.SKILL

Pour-Over Coffee as Agent Skill

每一杯手冲咖啡,都是一次 Skill 的执行。

研磨度、水温、注水手法、断水时机——这些看似随意的参数,在专业咖啡师手里是一套精确的、可重复的、经过成百上千次迭代的程序。AI Agent 的 Skill 也一样:把「凭感觉做事」变成「按配方执行」,把个人经验沉淀为组织能力。

这篇文章本身就是一份 Skill。它的格式遵循 SKILL.md 规范,它的内容是手冲咖啡与 AI Skill 设计之间的深层同构。

Brew Notes — 手冲咖啡 Skill 方法论全景图

[Read More]

AI 原生周报:从「周五补作业」到「数据自然长出来」

AI-Native Weekly Report — From Friday Homework to Organic Data Aggregation

每个周五下午,你的团队在做同一件事:打开空白文档,回忆这周干了什么,凑出一份周报。

这件事的荒谬之处在于——周一到周五,你们已经开了 10 次站会,讨论了 50 个问题,做了 20 个决策。所有信息都已经存在了,只是散落在会议录音、聊天记录、任务系统里。周报不是「写」出来的,应该是「长」出来的。

这篇文章用一个 War Room Scrum 的完整案例,说明怎么用 AI 原生思维重构日报和周报流程。核心转变: 不是让 AI 帮你润色周报,而是让 AI 从日常运转的数据中自动聚合出周报

[Read More]

修 Bug 的真正目的:让 AI 下次能自己修

Harness Engineering — Bug Fix as AI Training Data

一个工程师修了一个 Bug,ROI 是多少?

传统算法:节省了一次排查时间。AI 时代的算法:如果这个修复沉淀为 Harness 的一部分,AI 以后能自动修多少个类似的 Bug。

这就是思维范式的根本转变——你修的每一个 Bug,都是一次训练数据。不是训练模型,而是训练你项目周围的那套 Harness。

[Read More]

VOC 闭环:Windows 用户打不开悟空,AI 怎么用 4 小时从报错到发版

From VOC Signal to Code Fix — Building AI-Native Enterprise SOP

知识管理有四个值得做的企业场景,其中「企业 SOP / 最佳实践沉淀」看起来最不起眼——知识静态、更新慢、容易退化成高级搜索、用户日活偏弱。

但如果你换一个角度看,SOP 沉淀的真正价值不是「把经验存起来」,而是 把经验变成可执行的系统行为

这篇文章用一个完整案例来说明:一位 Windows 用户打开悟空发起任务,悟空报错「任务执行环境准备失败」,到 AI 定位根因、修复代码、验证、发布,全程 4 小时。每个环节 AI 做什么、人做什么、知识如何在这个过程中自然沉淀。

[Read More]

Context, is Control

From Prompt Engineering to Harness Engineering in Agent Management

Netflix 的「Context, not Control」曾经是最有影响力的管理理念之一。

它的核心假设很简单:给聪明人足够的上下文,他们会用你没想到的方式达成目标。你不需要控制过程,只需要提供信息、方向、约束。人的判断力、创造力、直觉——这些是 context 之外的东西,也是 Control 管不到的东西。

但这个理念套到 Agent 上,假设崩塌了。

Context is Control:从 Prompt Engineering 到 Harness Engineering

[Read More]