别急着整理知识库：先让 Agent 有足够的“原材料”可吃

很多人搭知识库，第一步就开始设计目录、标签和模板。结果通常是：系统越来越漂亮，笔记越来越少。

Warp 开发者关系负责人 Ben Holmes 在一场分享里给出的顺序很反直觉：先别整理，先把想到的东西尽可能留下来。等原材料积累到一定规模，再让 Agent 去补标签、找关联、生成 Wiki，最后才是图谱和自动化。

这套方法真正解决的问题，不是“如何做一个更漂亮的笔记软件”，而是如何把零散的个人记忆，变成一套可以继续检索、连接和再加工的知识系统。

先说结论：知识库的瓶颈通常在输入，不在分类

传统笔记系统把“写一条好笔记”当成起点。标题要规范，目录要合适，标签要统一，引用还要补齐。这个过程对严谨性有帮助，却很容易让记录变成一项需要专门安排时间的工作。

人的想法往往出现在最不方便整理的时候：走路时突然想到一个架构判断，开会时记下一句不完整的观察，听播客时捕捉到一个和当前项目有关的线索。等到晚上打开笔记软件，原来的上下文已经消失了一半。剩下的选择只有两种：写一条“正式笔记”，或者干脆不写。

Ben Holmes 的做法是把第一阶段的目标压到最低：只要把原始想法留下即可。可以是一段口述转写，可以是会议片段，可以是读书时的几句摘录，也可以是一段没有标题、没有格式的长文字。

这一步看起来粗糙，实际很关键。没有原材料，后面的 Agent 没有东西可连接；没有足够的样本，也无法发现一个人真正反复思考的主题。

知识库的第一条工程原则可以写成一句话：先扩大捕获率，再提高整理质量。

为什么语音输入比“认真写笔记”更适合作为入口

视频里最值得借鉴的部分，是对输入方式的判断。演讲者提到，普通人的语音表达速度大约可以达到每分钟 200 词，绝大多数人很难用键盘达到这个速度。更重要的是，口述保留了当时的上下文和思考路径。

这并不意味着每条语音都值得长期保存。语音只是一个低摩擦入口，后面还需要清洗和加工。入口的价值在于，它减少了“先想好怎么写”的心理成本。

演讲中举了几个本地语音输入工具作为例子，包括 Handy 和 Voice Ink。它们的共同点是：使用本地模型进行语音识别，内容留在设备上，不需要为每次输入支付订阅费。工具名称会变化，原则不会变化：

• 在电脑前，用快捷键快速开始口述；
• 在手机上，随手记录刚刚听到的内容；
• 允许语句不完整，允许重复和跑题；
• 先保存文本，后续再处理格式。

这其实和软件系统里的日志采集很像。日志采集阶段不应该要求每一条事件都变成完美报告。先把事件完整记录下来，后面的解析、聚合和告警才有基础。

个人知识管理也一样。输入阶段最怕的不是混乱，而是没有数据。

原始笔记为什么可以故意写得“差一点”

视频里有一个很实用的观点：如果未来要让 LLM 生成 Wiki、关系图和可浏览页面，就需要大量原始材料。原始笔记可以有点散，可以有点啰嗦，也可以暂时没有明确结论。

这和很多笔记方法追求的“原子化”“永久笔记”有区别。那些方法强调每条笔记应该尽早具备稳定结构；Agent 知识库更关注另一件事：信息是否被捕获，以及未来能否通过上下文重新理解。

举个例子，一段听播客时的口述可能是这样：

Ferrari 的创始故事和我之前听到的创业播客有点像。创始人一开始并没有把公司当成今天这个规模的汽车品牌，赛车、客户关系和制造能力之间有一段逐步叠加的过程。这个部分可能和我最近在看的组织演化有关。

这段话暂时不够像一篇正式文章，但它包含了几个有用信号：来源是播客，主题涉及 Ferrari、创业、组织演化，可能和其他创业故事有关。未来的 Agent 可以根据这些线索寻找相关笔记，补充来源，生成标签，并建立反向链接。

如果一开始就要求自己把这段话改成标准卡片，很可能在“应该放到哪个目录”这一步停住。输入成本越高，长期积累越难。

第二层加工：让 Agent 给笔记补上下文

原始笔记积累后，下一步不是立即生成一份宏大的个人 Wiki，而是先做轻量增强。视频中把这一步封装成一个名为 enrich note 的 Agent skill。

一条比较完整的增强流程大致包括以下动作：

1. 读取一条原始 Markdown 笔记；
2. 记录本次处理时间，避免每次重复加工；
3. 从预先维护的标签列表里选择标签；
4. 读取或搜索笔记引用的外部来源；
5. 找出内容相近的其他笔记；
6. 在笔记底部写入相关链接和补充信息。

这里有一个细节很值得重视：标签不能完全交给模型自由发挥。演讲者专门维护了一个标签参考目录，并要求 Agent 尽量从已有列表中选择。原因很简单，模型很喜欢“创造新标签”。如果每次都让它自由命名，最后会出现一组看似丰富、实际无法检索的标签：AI工具、人工智能工具、AI tooling、智能工具可能指的是同一类内容。

标签系统的价值来自稳定，不来自数量。对于 Agent 来说，一份小而明确的参考列表，比一段“请合理分类”的自然语言要求更可靠。

另外，增强操作需要可重复执行。给每条笔记写入处理时间或状态标记，就能让下一次任务只处理尚未增强的内容。这样，知识库处理过程从一次性整理，变成了一个可以持续运行的增量管道。

反向链接比目录更接近人的真实思考方式

目录是人为预先设计的路径，反向链接则是从内容之间的关系长出来的路径。

一条关于 Ferrari 的笔记，可能同时和创业、品牌、赛车、制造业、创始人故事有关。它很难只属于一个目录。强行选择一个目录，会损失其他关系；给它打十几个标签，又会让检索变得嘈杂。

反向链接提供了第三种方式：保留原始笔记，同时告诉读者它和哪些内容有关。之后可以从一条笔记跳到另一条笔记，逐步形成个人版的知识网络。

视频里展示的效果很像“由自己的材料组成的 Wikipedia 漫游”。读者不再回忆“那条笔记到底存在哪个文件夹”，而是从当前主题出发，沿着相关内容继续浏览。

这对技术工作尤其有用。一次故障记录可能同时关联某个中间件、一个客户场景、一次架构决策和一条安全经验。文件夹很难提前覆盖所有组合，链接可以在事实发生之后补上。

第三层加工：从笔记堆生成个人 Wiki

当原始笔记已经有了标签、来源和反向链接，才适合生成更高层的 Wiki。

视频中展示的 Wiki 页面，按主题整理了人物、概念、组织和来源。比如，在 AI 研究主题下，可以看到近期读过的论文、模型系统卡、相关人物和延伸概念；在会议记录场景里，也可以自动形成客户、同事、项目和讨论主题之间的关系。

这里需要区分两种产物：

• 原始笔记负责保留思考发生时的细节；
• Wiki 负责提供一个可浏览的索引和解释层。

Wiki 不能替代原始材料。它更像一个导航界面，帮助人快速找到值得继续阅读的地方。若只保留 Wiki，原始上下文被压缩掉，后续判断会失去依据。

视频提到的一个思路来自 Andrej Karpathy 分享过的知识库生成方法：指定一个原始目录和关注领域，让 Agent 根据目录里的材料生成一套可浏览的 Wiki。这个方法的重点不在某个固定模板，而在于给 Agent 明确边界：它处理哪些材料，服务哪个主题，输出哪些实体和链接。

对于个人知识库，建议先从一个主题试点。例如只做“AI Agent 工程”这一类内容，观察一个月后 Wiki 是否真的帮助检索和复盘，再扩大到读书、会议和生活记录。一次性把所有内容做成总 Wiki，很容易得到一个体量很大、使用频率很低的展示项目。

自动化的关键：让 Agent 处理“尚未处理”的内容

手动运行一次 Agent 很容易，持续使用才是难点。

视频后半段讨论了自动化：把 Markdown 文件同步到云端沙箱，定时启动 Agent，处理尚未增强的笔记，再把结果同步回来。演讲者使用 Obsidian headless CLI 完成同步，也提到 Git 仓库可以作为更简单的替代方案。

流程可以抽象成这样：

本地 Markdown
    ↓
同步到云端沙箱
    ↓
Agent 查找未增强笔记
    ↓
补标签、来源、反向链接
    ↓
生成或更新 Wiki
    ↓
同步回本地

这套设计的关键不在“用了哪个云平台”，而在增量处理。任务每次都从状态标记出发，只处理新增或发生变化的笔记。没有状态控制，自动化会不断重复读取旧文件，既浪费 Token，也容易反复改写已经稳定的内容。

本地自动化和云端自动化各有代价。本地任务不需要把私人笔记上传出去，但电脑需要保持运行；云端任务更容易按计划执行，却要认真考虑同步权限、密钥、数据驻留和供应商访问范围。

涉及工作会议、客户信息、未公开代码和个人隐私时，建议先做数据分层。公开资料和脱敏后的研究笔记可以进入自动化流程；敏感内容应该保留在受控环境中，至少不要默认发送到第三方云 Agent。

最后才是图谱、HTML 页面和可视化

演讲者最后展示了由 Agent 生成的图谱、时间线和习惯追踪页面。做法很直接：把 Markdown 文件交给 Agent，让它用 HTML、Tailwind 或其他前端技术生成一个可以点击的可视化界面。

这部分很容易变成炫技。一个漂亮的星空图并不等于知识结构变好了。如果节点不能回到原始笔记，连线没有明确语义，图谱只是在把混乱换一种形式展示。

可视化真正有价值的地方有两个：

第一，帮助发现主题聚集。某段时间反复记录 AI 工程、机器人系统和知识库，图上可能会出现明显的兴趣中心。

第二，暴露认知空白。一个主题只有零散节点，却没有来源、案例和反例，说明它可能只是短期兴奋，还没有形成稳定理解。

因此，图谱应该放在管道末端。先有可追溯的笔记，再有稳定的关系，最后才让 Agent 选择最适合的展示方式。

这套方法真正值得带走的三点

第一，降低输入门槛比设计完美模板更重要。如果记录一条想法需要打开多个页面、选择目录、填写标签，系统很快就会失去活跃度。语音、快捷键和普通 Markdown 都可以成为入口。

第二，把知识库当成增量管道，而不是一次性装修项目。原始笔记、增强笔记、Wiki、图谱是不同层次的产物，每一层都应该能重复运行，并且保留回退路径。

第三，让 Agent 做连接和加工，保留人的判断权。模型可以找相似内容、补来源、生成索引，但它不应该悄悄替用户决定事实是否正确，也不应该把猜测写成结论。尤其是自动搜索来源和跨笔记关联时，必须保留原文链接、处理时间和修改记录。

如果只记住一句话，可以记这句：先把思想留下来，之后再让 Agent 帮忙整理；没有原材料，任何知识库架构都只是空壳。

适合从哪里开始

不用先搭一个完整系统。可以从一个本地 Markdown 目录开始，准备三样东西：一个足够顺手的语音输入工具，一份固定的标签列表，一个只处理“尚未增强笔记”的脚本或 Agent skill。

连续记录两周后，再检查三个问题：

• 是否真的比原来的笔记方式多留下了内容；
• 反向链接是否帮助找回了旧想法；
• Agent 的补充是否减少了检索成本，而不是制造更多噪音。

如果答案都是否，先修正输入和状态管理，不要急着做图谱。知识系统的价值不在于看起来像一个产品，而在于下一次遇到问题时，能否更快找到过去积累的判断。

视频信息

• 原视频：https://www.youtube.com/watch?v=I3bpdgFJCUY
• 标题：LLM Knowledge Bases: a practical guide
• 演讲者：Ben Holmes，Warp Developer Relations
• 来源频道：AI Engineer
• 视频时长：约 21 分钟
• 观看日期：2026 年 8 月 20 日