知识库两原则：严控准入与做减法
观点：值得长期维护的知识库只有两条原则——严控准入、持续做减法。做不到这两条的”自生长知识库”，长出来的不是资产，是认知污染源。
言说新事用五个自己的知识库案例（健康库、成长库、行业研究库、视频笔记、动效库）验证了一件事：库的价值不在结构精巧，在信息的置信度。他点名批评了一种流行做法——发个提示词让 AI 自己搜资料、按框架填内容、定期更新，号称”无人值守的行业知识库”。他的亲身反例：Codex 每周监测时读到一份 Claude Code 旧文档，差点把报告里”subagent 支持三层嵌套”的正确结论改错。如果开了自动写入，一份正确的报告就被污染了——而且几个月后更强的新模型进来，未必推翻旧错误，反而可能把错误解释得更圆。他把信息源分三层次：筛选核验过的公开资料、工作中的一手资料、长期积累的经验判断，置信度依次走高，准入的严格程度也该依次区分。
架构上他主张最小化：照 Karpathy 的 LLM wiki 方法，四个文件夹就能跑起来——inbox 随手扔新资料，raw 是 Agent 识别归档的原始资料，data 是从原始资料解析出的结构化数据，wiki 是 Agent 维护的综合报告和台账。中小规模的 Markdown 库不需要向量数据库，“满足需求的最小化方案就够了，不要架构洁癖，毕竟要花 token 的”。Obsidian 在这套里只是辅助浏览工具，核心是文件夹结构加索引文件加 Agent 维护。他还提醒架构很难一次设计到位，要先搭最小版本边用边磨——“既是你和 AI 之间的磨合，也是你和自己需求之间的磨合”。
洞察：AI 知识库最大的雷不是资料少，是”错误被持续写入后固化成事实”。 幻觉一旦入库就有了出处、有了链接、有了历史，后来者（包括更强的 AI）会默认它是地基。所以”自生长”这三个字必须拆开看：生长可以自动，准人必须人工。他给的配方是：基础报告多角度交叉验证+亲自实测后才准入；更新方案要写明”改什么、为什么、来源是什么”，人确认后才落笔。
启示： 两条原则可以直接落成我们库的操作纪律。严控准入=每条论据挂出处、标注证据强度，没出处的判断不写死；做减法=重复合并、低价值清理、过时更新——注意他的边界：“做减法不等于见旧就删”，Claude Code 泄露的旧源码留着，因为它对研究机制演变仍有价值。另外他的动效库套路可直接抄：第一次用强模型做模板，复用时换便宜模型跑，成本剩零头。
提醒： 案例全是个人实践、样本量小；“周报当头一棒”这类体验无法验证。他用的工具链（Codex 为主）和我们不同，流程可学，工具不必抄。这套重流程只配得上需要长期积累的专业领域库，纯兴趣娱乐类不需要这么重；人工确认是必要条件，使用者自己得有领域判断力；每周更新的频率要匹配资料输入节奏，没有持续输入的库会停滞。四层架构适合中小规模文本库，大规模或非文本为主时需要向量检索补充；隐私敏感文件提交给在线模型前必须先截掉敏感信息。
📺 言说新事《用案例带你了解个人知识库》，抖音，2026-09-13 · 原视频 · 库内 2026-09-13-用案例带你了解个人知识库 · 速览 速览/2026-09-13-五个个人知识库案例