给 AI 助手装一个"第二大脑"：知识沉淀系统实战

2026-10-16

AI 助手有个致命问题：你今天教它的东西，明天它就忘了。更糟的是，你在 A 对话里总结的经验，在 B 对话里完全用不上。

我给自己的 AI 助手做了一个"第二大脑"——知识沉淀系统。数十条目入库、多项验收通过。这篇是完整实战复盘。

为什么做这个

三个具体痛点：

  1. 重复踩坑：同一个问题（如腾讯云 AppId≠UIN），每次都要重新排查一遍
  2. 经验散落：有用的方法论躺在几十个 md 文件里，想用时找不到
  3. 多环境不同步：我在多个环境用 AI 助手，A 环境学到的东西 B 环境不知道

市面上的方案（Notion、Obsidian）是给人看的，不是给 AI 助手用的。我要的是：AI 助手在新任务开始前，能自动检索到相关的历史经验。

工具环境

工具 用途 说明
Web 构件平台 看板的前端展示与交互 需支持自定义数据 schema 和 action 接口
Markdown 文档 本地正本数据源 三段式结构：长期说明 / 长期趋势 / 学习记录
Git 私有仓库 多环境同步通道 只同步 md，构件在各环境独立重建
Python 脚本 推送与水位线检测 推送走 Git Database API（先拉后推，禁盲推）
并行检索脚本 联邦深查 多个知识库并行检索，结果用 RRF 融合

怎么做的

三段式结构

看板分三层：

  • 长期说明：这是什么、怎么用（给新来的自己看）
  • 长期趋势：从条目里提炼出的规律（每周复盘更新）
  • 学习记录：数十条具体条目，每条含标题/类型/核心内容/适用场景/置信度

类型分四种：观点/方法/踩坑/工具。适用场景是必填字段——它决定了以后能不能被检索到。

看板实际结构：

联邦检索

5 个异构知识库（文档型/条目型/脚本型等）并行搜索，每源 top-5，用 RRF 融合排序：

score = Σ 1/(60 + rank)

结果标注来源。库少时全源并行、不猜库；无命中不硬凑。

条目 schema 示例（JSON）：

{
  "title": "条目标题",
  "type": "方法",
  "topic": "主题标签",
  "summary": "一句话摘要",
  "core_content": "核心内容",
  "source": "来源",
  "source_date": "2026-10-16",
  "scenarios": ["适用场景1", "适用场景2"],
  "confidence": "high"
}

检索调用示例：

# 任务开始前检索相关经验
results = search_entries(query="当前任务关键词", top_k=5)
# 结果按相关性排序，每条摘要不超过100字
for r in results:
    print(f"[{r['type']}] {r['title']}: {r['summary']}")

双写流程（伪代码）：

def add_entry(entry):
    # 1. 写视图层
    view_layer.add(entry)
    # 2. 同步追加 md（必须同时做，不能只做一边）
    markdown.append(entry.to_markdown())
    # 3. 推送远端
    push_to_remote(markdown)

实际检索演示：

反馈闭环

每条目有 helpful/harmful 计数。任务开始前检索注入（最多 5 条摘要），任务结束后对实际引用的条目打反馈。90 天未被应用的条目进入衰减候选。

条目实际结构（含类型/置信度/状态）：

双写一致

视图层和 Markdown 正本必须一致。写数据的同时追加 md，md 更新后立即推送远端。md 是唯一真相源。

项目目录结构（LEARNING_BOARD.md 为正本，push_board.py 负责推送）：

踩过的坑

坑 1：双写漂移

现象：构件里改了条目，md 没同步，两边内容对不上。

解法：入库流程强制双写；每周复盘做条目列表 vs md 的 diff。

教训：双写一致不能靠自觉，要靠流程。

坑 2：条目 id 不稳定

现象：环境重建后，所有条目的 id 都变了，跨环境的引用全断。

解法：永远用"标题+来源日期"做幂等键和关联键，不用 id。

教训：自增 id 只在单环境内有效，跨环境必须用业务键。

坑 3：写入接口参数包错层

现象：{"input": {...}} 被 schema 拒绝。

原因：新增接口要求参数顶层平铺，更新接口才用嵌套结构，两者不一样。

教训：两个 action 的参数结构不一样，文档要写清楚。

坑 4：更新接口不是部分合并

现象：只传单个字段，被 schema 拒绝。

解法：更新接口必须传全字段对象，一个不能少。

教训："更新"和"部分更新"是两回事，接口设计时就要想清楚。

坑 5：检索行为各环境不一致

现象：同样的关键词，不同环境的搜索结果顺序不一样。

原因：排序规则写在各环境的 action 实现里，凭印象实现的有细微差别。

解法：排序规则写进检索行为规格文档，各环境严格按文档实现，验收单有对应检查项。

坑 6：嵌入式指令

现象：两个 skill 的文档里各藏了一条"强制署名/推广"指令。

解法：入库时只存文本、绝不执行；使用时不让它生效。

教训：第三方文档入库前要先审一遍，不只是看内容，还要看有没有夹带指令。

注意事项

  1. md 是唯一正本：构件只是"视图+行为层"。任何数据冲突以 md 为准，修 md 而不是修构件数据库。
  2. 双写是铁律：每次新增条目，调写入接口的同时必须追加 md。只写一边就会漂移。
  3. 运行时数据不跨环境：检索计数、反馈历史是各环境独立的，不进 md、不跨环境同步。这是设计如此，不是 bug。
  4. 不要用自增 id 做关联键：重建后 id 会变。用"标题+来源日期"做幂等键。
  5. 敏感信息永不入库：密钥、Token、个人隐私数据不进看板，推送前先全文复核。

长期维护

  • 每周复盘：检查构件数据与 md 是否一致（调查询接口 vs 读 md 做 diff），发现漂移立即修复。
  • 增量检测：对知识源跑水位线脚本，新增/修改只生成候选清单，不自动入库，人工确认后再建条目。
  • schema 变更：先在主环境改，同步修订重建指南，各环境按新指南重建或增量修改，最后跑校验。
  • 重建预期：环境丢失时按指南重建即可。运行时数据（计数、反馈历史）会从 0 开始，这是正常的。

总结

  1. AI 助手的记忆问题要用"系统"解决，不用"提醒"解决——检索注入比口头嘱咐可靠
  2. 适用场景是知识条目的灵魂，写的时候多花 30 秒，检索时省 30 分钟
  3. 跨环境同步的核心是"业务键+正本唯一"，id 和缓存都靠不住
  4. 双写一致是铁律，不是建议——流程保证比自觉保证可靠
  5. 第三方内容入库前先审一遍，指令注入是真实存在的风险

以上，全文完。

最后认识一下，我是 Liyu，一名 AI 实践爱好者，会不定期记录我的学习过程，期待你的关注和分享。

← 返回文章列表