通过将 Markdown 文件与维基链接（wikilinks）相结合，本地文件系统可以被视作一个高效的图数据库。这种方法不需要复杂的向量数据库或 RAG 流程，而是利用大语言模型（LLM）作为查询引擎，直接在文件层级上进行“上下文工程”。其核心价值在于：通过积累真实的项目历史和会议记录，为 AI 提供精准的背景信息，从而大幅提升设计文档、项目总结等任务的生成质量。
核心理念：文件系统即数据库
传统的知识管理往往陷入工具的复杂性中，但最有效的架构其实就在你的硬盘上：
- 节点（Nodes）： 每一个 Markdown 文件都是一个知识节点。
- 边（Edges）： 文件中的
[[维基链接]]构成了语义关联。 - 模式（Schema）： 文件夹分类（如 PARA 框架）定义了数据的组织逻辑。
- 查询引擎： LLM 能够理解这种简单的文件结构，并从中提取、汇总信息。
知识库不只是为了研究，它是一个上下文工程系统。你正在构建 AI 执行有用工作所需的精确输入。
为什么这比普通的 AI 对话更有效？
仅仅让 AI 帮你写文档是不够的，因为它缺乏背景。这种系统的优势在于：
- 真实的历史记录： 你的 AI 拥有过去六个月的会议记录、决策细节和 Slack 讨论摘要，而不仅仅是你的模糊记忆。
- 消除上下文碎片： 无需在 Slack、邮件和文档中反复横跳，AI 可以通过“爬取”相关的项目文件夹，自动整合所有关联信息。
- 复利效应： 每记录一条笔记，每建立一个链接，都会提升未来所有查询的质量。
实操建议：如何构建你的系统
你不需要一下子拥有上万个文件，从简单的结构开始即可：
- 采用 PARA 分类法： 建立
Projects（项目）、Areas（领域）、People（人物）和Daily（日记）文件夹。 - 建立人物索引： 为每个经常合作的人建立笔记，并在会议记录中通过
[[人物名称]]进行链接。久而久之，这个笔记会成为你们所有对话和决策的时间轴。 - 自动化采集： 尝试让 AI 代理（Agent）处理会议后的笔记整理，下载相关的文档并将其转化为 Markdown。
待解决的挑战：收件箱处理
目前最难的部分在于自动化收件箱处理。虽然 AI 擅长总结和分类，但如何定义“处理完成”的统一标准依然具有挑战性：
- 处理方式太死板，会导致信息流失。
- 处理方式太松散，会导致整个库陷入混乱。
- 理想的状态是：AI 能够自动将网页剪报、会议草稿和零散想法拆解为原子化的信息，并准确关联到正确的项目或人。
行动指南
- 搭建框架： 建立基础的文件夹结构，哪怕它们现在是空的。
- 持续积累： 在未来一周的会议后，利用 AI 生成一份链接到相关项目和人的笔记。
- 尝试产出： 下次需要写周报或设计文档时，指引 AI 读取相关的文件夹。你会发现，有了真实的上下文，AI 的表现会发生质变。