KnowledgeOS

概述

KnowledgeOS 是我为自己反复遇到的问题设计和构建的本地优先个人知识系统：每天通过 AI 对话、项目更新、研究和产品决策产生很多有用上下文，但大部分在会话结束后就消失了。

我不是把知识库当成手动归档笔记的地方，而是把它设计成一个由 agent 维护的系统。人专注于思考、构建和决策；agent 处理维护层：分类有用信息、去重重复想法、更新项目记忆、综合每周模式、审计结构健康，并持续备份知识库。

系统在存储层刻意保持简单。Markdown 仍然是真相来源，可被 Obsidian、VS Code、Git 和 Hermes Agent 读取。其编译知识层有意借鉴了 LLM Wiki 和 GBrain 的理念：有源可查的概念页面、实体记忆、关系映射以及 agent 可跨会话复用的当前判断。

问题：知识维护，而非知识存储

AI 工具让生成想法、计划、代码、研究摘要和决策变得更容易。但它也制造了一种新的失败模式：有用上下文散落在聊天线程、本地文件、项目笔记、浏览器标签页和记忆系统中，而这些地方并不是为长期保存结构而设计的。

传统笔记工具大多只解决了存储问题。它们给用户一个存放信息的地方，但仍然依赖用户来决定什么重要、放在哪里、何时合并、以及在事实变化后旧笔记应如何更新。这种维护工作正是在速度下最先崩溃的部分。

设计挑战不是让 AI 生成更多文本，而是让它承担维护工作：判断什么值得保留，把它连接到正确的长期上下文里，并定期把零散更新整理成当前判断。

设计原则

第一条原则是 agent 维护，而非用户维护。KnowledgeOS 不应要求我手动分类每一条有用的想法。Hermes Agent 遵循采集规则来决定某条信息应该被忽略、追加到已有笔记、写入项目记忆，还是保留为长期模式。

第二条原则是 Markdown 作为真相来源。我避免了数据库、专有仪表盘和过早的向量基础设施，因为系统需要保持可检查、可移植和可恢复。每一份持久化的知识都存在于一个可被人类阅读、可被 agent 编辑的本地文件中。

第三条原则是少存、维护好。KnowledgeOS 不保存原始对话转储。一条笔记必须能减少未来的重复解释、支持一个项目、改善一个决策、成为职业素材、捕获一个可复用工作流或阐明一个长期模式。系统保护注意力，而不是归档一切。

最后一条原则是当前判断优于被动存档。核心页面维护当前综合判断、证据时间线以及相关链接。目标不仅是记住发生了什么，而是让最新的有用理解易于检索。

从笔记到维护化的知识

KnowledgeOS 从一个简单的本地知识库，通过一系列架构、规则设计、自动化和运维加固决策，演化为一个持续运行的 agent 维护知识系统。

系统架构：本地真相来源，Agent 维护层

KnowledgeOS 将系统分为四层。输入来自真实工作：Hermes 对话、项目更新、研究来源、学习笔记、职业素材和产品想法。agent 维护层应用采集规则、隐私过滤、分类、去重、综合和审计。

知识层保持本地化和可读性：一个围绕项目、AI 工作流、产品想法、研究 wiki 页面和审查日志组织的 Markdown 知识库。Obsidian 视图、每周 HTML 产物、简历要点、作品集素材和 Git 备份都从这个真相来源生成，而不是变成新的知识孤岛。

设计 Agent 工作流

核心工作流在写入任何内容之前就已启动。当一次对话或任务产生可能可复用的知识时，agent 首先评估它是否具有长期价值。如果有，agent 会检查隐私边界，搜索相关已有笔记，并决定是更新当前页面还是创建新记录。

这防止了知识库变成对话转储。新的项目进展更新已有的项目记忆。产品策略更新相关的产品想法。稳定偏好属于轻量级 agent 记忆，而结构化的长期知识进入 KnowledgeOS。每周综合和维护审计则确保知识库在规模增长时不会偏离轨道。

从保存的笔记到维护化的判断

最重要的转变之一是从「保存的知识」转向「维护中的判断」。这一层明确体现了 LLM Wiki 和 GBrain 的影响：有源页面保留出处，实体记忆连接项目、人物、概念和工具，当前判断块让未来 agent 能够快速复用最新综合结果。

例如，一个项目页面可以包含当前的战略判断、支撑它的事件时间线、相关工作流或研究的链接，以及下一步行动。这种结构让知识对未来 AI 会话更有用，因为 agent 可以快速检索当前状态，而不是重新阅读每一条历史笔记。

审查循环作为产品基础设施

KnowledgeOS 使用定期审查保持系统活力。每日采集把高价值事件写成轻量记录。每周审查综合跨项目、决策、学习和职业素材的模式。维护审计检查结构健康：失效链接、模糊占位符、来源覆盖度、备份状态，以及系统是否在偏离自己的规则。

这把知识库变成了运维基础设施。系统不仅记忆；它定期检查自己的记忆是否仍然有序、连接和有用。

证据快照

KnowledgeOS 是一个运行中的个人系统，所以最清晰的证据在运维层：知识库有结构、链接可解析、自动化工作流在运行，知识层也作为可恢复的本地资产被备份。

关键系统决策

我选择 Markdown 而非数据库，因为早期风险不是查询速度，而是所有权、可检查性和可维护性。Markdown 保持知识层可移植、人类可读，同时 agent 仍然可以方便地搜索、编辑和备份。

我在自动化之前先设计规则，因为自动化一个模糊的系统只会制造结构化的混乱。采集协议定义了什么值得保留、什么应忽略、什么需要隐私过滤，以及何时新信息应更新已有页面而非创建另一条笔记。

我用 LLM Wiki 和 GBrain 作为参考项目，但把它们当作模式而非模板。从 LLM Wiki，我借鉴了有源编译页面的理念。从 GBrain，我借鉴了持久实体记忆和关系感知上下文的理念。KnowledgeOS 将这些理念与本地优先的 Markdown 工作流和 Hermes 维护循环结合在一起。

我还优先选择了定期审查，而不是被动存档。文件夹树重要，但更有价值的是定期把零散更新整理成当前判断的流程。

从个人系统到 Starter Vault

在 KnowledgeOS 作为我的个人系统稳定运行后，我把其中可复用的一层抽离成了 KnowledgeOS Starter Vault：一个隐私安全、可配置的模板，面向想搭建 agent 维护型个人知识系统的人。

Starter Vault 不复制我的私人分类或个人笔记，而是封装可迁移的基础设施：采集协议、记忆规则、有源知识结构、taxonomy 配置、每日与每周复盘模板、可选领域包、隐私扫描和 wikilink 检查。

这让 KnowledgeOS 不只是一个私人效率系统，也变成了一个可复用的设计产物：它探索的是，当 AI agent 不只负责生成内容，而开始负责长期维护知识时，个人知识管理会如何变化。

KnowledgeOS Starter Vault 已作为公开 GitHub 模板发布：github.com/princeniu/KnowledgeOS