说一个很常见的场景头天你让你的 Agent 分析了某个领域比如个人养老金政策聊了一个多小时整理出七八个关键概念还找到两篇论文里的数据矛盾。今天接着问同样的领域又从零开始搜。试过 RAG。把文档丢进去每次提问检索一遍拼出一个回答。能用但你会发现一个问题上周读过的十篇材料这周再问它还是在重新发现。什么都没积累下来。知识不长在 Agent 身上。Agent 不笨可能比你读得快、总结得好、分析得有条理。但它是个金鱼转一圈回来什么都不记得。一、问题不在能力在载体现在的 Agent 不缺 Skill。clawhub 一键可以获取上万个活跃的技能教它拉数据、写报告、做分析、搜论文每个都好使做完这一单就好使。问题是 Skill 之间是个孤岛没有连接做完的成果没有落点。上午用搜索 Skill 找了三篇养老金政策文件下午用分析 Skill 写了一份比较报告。明天想在这个基础上继续深化不好意思明天是新对话Agent 不记得上午搜了什么、下午写了什么。你得重新描述背景、重新提供材料、重新等它理解一遍。Skill 教 Agent 怎么做事但做事的产出散落在一次次对话里没有一个地方把它们串起来。缺的不是更多 Skill是一个载体让每次研究的产出都能沉淀下来下次接着用。二、编译还是检索这个载体是什么一个 Agent 自己维护的 wiki。Agent 读完一份材料之后主动把里面的关键信息写进 wiki 已有的页面和旧信息逐页比较该更新的更新有矛盾的标出来全新的概念建新页面。Ingest编译模式和 RAG检索增强生成 放在一起对比情景RAG编译什么时候处理信息查询时收到材料时知识存在哪散在原始文档里写进结构化的 wiki 页面同一个问题问两次重新检索、重新推导直接读编译好的页面两份材料矛盾了看那次检索碰上哪份明确标注“冲突”两种说法并列编译的核心是拿到新材料后的三路比较新旧对比结果Agent 怎么处理新信息和已有结论一致强化追加来源引用提高置信度新信息有更新的数据或更权威的来源更新改写页面旧结论进历史记录两边矛盾分不出谁对冲突并列保留标记 contestedTobi LutkeShopify CEO去年提过这个想法让 LLM 维护一个持久的 wiki别每次查询都从文档堆里现找。Karpathy 的 autoresearch 也走了类似的路让 Agent 自己跑研究循环。我做的事情是把这个想法落成了一个可执行的 Skill让 agent 维护自己的 wiki。三、实测从零积累一个领域我用个人养老金制度做了一轮完整测试4 个阶段从零开始积累。冷启动告诉 Agent“研究个人养老金制度帮我建立知识框架。”Agent 自己搜到了国办发〔2022〕7号和人社部实施办法两份政策文件读完之后创建了 personal-pension wiki7 个概念页面EET 税制、账户唯一性、缴费上限、投资范围……、1 个实体、2 个来源摘要。—— wiki 还只是个骨架但结构已经有了。深化“找一些关于参与意愿的研究。”Agent 搜到几篇学术论文ingest 吞咽进来。然后它发现了一个矛盾一篇调查说 77.8% 的人有参与意愿样本来自一线城市另一项数据显示实际缴费率只有 25%。Agent 没有硬选一个而是把两个数字都留着标记为 contested矛盾注明了各自的来源和可能的偏差原因。碰到矛盾不调和并列呈现等更多证据。三路比较在实际运行中就是这个样子。国际比较“对比一下美国的 IRA 制度。”Agent 搜了 IRA 的材料建了 ira-usa、auto-enrollment 等新概念页并把它们和已有的中国制度页面用 wikilink 关联起来。学以致用“如果我想提高参与率政策应该怎么设计”进入 recall 模式后Agent 读它自己编译过的 wiki 页面来回答。回答里引用了 [[enrollment-friction]]开户流程的摩擦成本、[[tax-incentive-effect]]EET 税优对低收入群体激励有限、[[ira-usa]]美国 auto-enrollment 后参与率从 40% 涨到 94%。然后他说“wiki 里缺乏 35 岁以下群体行为特征的专门研究建议补充。”agent在告诉你知识缺口在哪。recall 模式解决的是一个尴尬的问题知识积累了一大堆但 Agent 回答问题的时候根本不去翻。输入 /auto-wiki recall personal-pension之后这轮对话里你问什么它都会先查 wiki 再回答。让先查积累再说话变成默认行为。最终数据22 个页面8 个结构化数据点23 条关系边2 处 contested。全部 schema 校验通过。用 Obsidian 打开 wiki 文件夹知识网络一目了然——绿色是概念蓝色是实体紫色是分析红色是有争议的节点。箭头标出关系方向鼠标悬停看到每个页面的置信度和来源。不是一堆散落的笔记是一张有结构的知识图谱。四、上强度Agent 自己补缺口到这一步wiki 有了 22 个页面但 Agent 是被动的——你喂什么它编译什么。能不能让它自己发现哪里薄自己去补我说了一句上强度Agent 先扫描 wiki 的覆盖度列出知识缺口有个概念被 4 个页面引用但没有独立页面有个实体只有一个来源且不是权威来源有两个指标提到了但 data.db 里没有数值。然后它问我“发现 6 个缺口要补全哪些”我选了前两个。他自己去搜自己筛选来源跳过了一个公众号来源——在黑名单上找到一篇中金固收报告确认来源质量后执行标准的 ingest 流程。从你喂它到他自己找吃的。这不是一个独立的新模式而是把发现缺口lint和搜索编译ingest串成了一条管道。每一步都需要你确认——它列缺口你选范围它找来源你确认质量。不会自己跑偏。五、数据该在数据库里最初设计时结构化数据管理规模多少亿、覆盖率多少写在 markdown 文件的 YAML 头部。能用但很快碰到问题想查所有页面中哪些数据是 contested 的得扫全部文件想看某个指标的时间线得逐个页面翻 history 字段。后来改了。markdown 只负责叙事分析数字全进 SQLite。store.upsert_data(“enrollment-friction”, “实际缴费率”, 25, “%”, “2023-10”, “2024-survey”)如果同字段已有旧值自动写入 history 表返回旧记录每个数字必须有 source_slug指向哪个来源页面。这条规则没有例外。一旦允许来源不明的数字进 wiki后续查询引用它时就没有审计链错误数据会越滚越大。wiki 是叙事层SQLite 是数据层。Agent 在 markdown 里写分析在数据库里写数字。两层分开各干各的。五个命令/auto-wiki ingest ← 吞下材料编译进 wiki/auto-wiki recall ← 进入知识模式带着积累回答/auto-wiki query ← 单次查一个问题/auto-wiki lint ← 检查 wiki 健康度/auto-wiki deep-dive ← 上强度Agent 自动找缺口并补全也不用记这些命令。你说帮我整理这篇它就 ingest说之前研究过什么来着它就 recall说上强度它就 deep-dive。lint 还能接外部知识本体做逻辑校验——比如用 FIBO金融行业语义标准检查一个实体是否缺少必要的管理人、托管人关系。不是纠错别字是纠逻辑上的不完整。这是可选的插件不装也能跑。快速安装提示词学习 auto-wiki skill地址 plaintext https://github.com/hanlinlibham/auto-wiki/skiil/auto-wiki-cn plaintext 用它来构建持久化知识 wiki支持 ingest/recall/query/lint/deep-dive 五个模式。让你的 Agent 开始记住它学过的东西。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】