用 WorkBuddy + IMA 搭一个会自己进化的个人知识库

假设你在准备一份项目申请书，需要快速了解「非高斯含水层参数化」的研究现状：

提示词如下：

① 收集素材

bash→ 把近 3 年相关的 PDF 放进 raw/pdfs/
→ 把 IMA 中收藏的技术文章同步到 raw/ima_sync/
→ 让 AI 全部编译到 wiki/

② 梳理研究脉络

bash→ 问：「这个领域有哪些主要方法？各自的优劣是什么？」
→ 问：「DDPM、WGAN-GP、VAE 三种方法怎么选？」
→ AI 从已编译的 wiki 页面中提取关键信息回答

③ 形成综述段落

bash→ 「帮我整理一份该领域的综述要点，按方法演进排列」

第一步：搭目录结构

在你的电脑上建一个文件夹，比如 D:\wiki，结构是这样的：

bashD:\wiki\
├── AGENTS.md            ← 🔥 灵魂文件：AI 的工作手册
├── index.md             ← 知识库目录（AI 自动维护）
├── log.md               ← 操作日志（AI 自动维护）
│
├── raw/                 ← 你放原始资料的地方
│   ├── pdfs/            ←   PDF 论文直接复制进来
│   └── ima_sync/        ←   从 IMA 同步的微信文章
│
├── wiki/                ← AI 编译后的知识
│   ├── concepts/        ←   概念：理论、方法、术语
│   ├── entities/        ←   实体：人物、机构、技术
│   ├── sources/         ←   源摘要：每篇资料的摘要
│   └── comparisons/     ←   对比：相似概念的异同
│
└── templates/           ← 页面模板（AI 写页面时参考）

第二步：写 AGENTS.md（最关键的一步）

👍 1. 你是谁——你是个人知识库 AI 助理
2. 你要干什么——读 raw/ → 写 wiki/ → 回答查询 → 定期治理
3. 按什么规则干——每种页面怎么写、链接怎么建、什么能做不能做

👍 AGENTS.md 不长，大概 100 行 markdown。主要包括：
- 4 种页面类型定义（概念/实体/源摘要/对比）
- 每种页面的元数据格式（YAML front matter）
- 编译流程（读取 → 识别 → 撰写 → 更新索引 → 写日志）
- 查询流程（先读 index → 再加载具体页面 → 最后回答 + 附来源）
- 治理规则（矛盾检测、孤立页面、断链修复）

核心原则：Raw 层 AI 只读不改——原始资料是事实锚点，永不被修改。

第三步：数据采集（两条腿走路）

桌面端：下载好 PDF，直接放进 raw/pdfs/。简单粗暴。

移动端：微信里看到好文章 → 点击右上角「…」→ 收藏到 IMA → 回到电脑时说：

「把 IMA 知识库中的『微信知识库』同步到 raw/ima_sync/」

第四步：编译——让 AI 干活

放好资料后，对 WorkBuddy 说一句话：

「阅读 raw/ 中新增的文件，按 AGENTS.md 规范编译到 wiki/ 目录，并更新 index.md 和 log.md」

bash读论文 → 识别核心概念 → 识别作者/机构等实体
  → 写源摘要 → 写概念页 → 写实体页
  → 用 [[wikilinks]] 把所有页面串起来
  → 更新索引 → 写操作日志

打开 wiki/ 目录，你会看到一篇篇结构化的知识页面。每篇之间都有双向链接，形成了一个知识网络。

第五步：查询知识

编译好后，直接问：

「帮我查一下 [某个概念]，先从 index.md 定位相关页面」

AI 会按照以下流程工作：

bash读 index.md → 判断哪些页面相关 → 加载具体页面 → 组织回答 → 附上参考来源

回答末尾会带上 [[wikilinks]]，方便你溯源到具体的源摘要页。

第六步：设置自动维护

知识库用久了会变乱——和你的衣柜一个道理。

👍 设置一个每周的定时任务，让 AI 自动做健康检查：
- ❓ 有没有矛盾的信息
- 🏝️ 有没有孤立页面（没有其他页面引用它）
- 🔗 有没有断掉的 [[wikilinks]]
- 📊 索引统计是否准确

一个完整的案例：写基金申请书

假设你在准备一份项目申请书，需要快速了解「非高斯含水层参数化」的研究现状：

① 收集素材

bash→ 把近 3 年相关的 PDF 放进 raw/pdfs/
→ 把 IMA 中收藏的技术文章同步到 raw/ima_sync/
→ 让 AI 全部编译到 wiki/

② 梳理研究脉络

bash→ 问：「这个领域有哪些主要方法？各自的优劣是什么？」
→ 问：「DDPM、WGAN-GP、VAE 三种方法怎么选？」
→ AI 从已编译的 wiki 页面中提取关键信息回答

③ 形成综述段落

bash→ 「帮我整理一份该领域的综述要点，按方法演进排列」

整个过程不需要你重读几十篇论文。AI 已经帮你读完了。

常见问题

QQ：必须用 WorkBuddy 吗？

核心是 LLM Wiki 三层架构——Raw → Wiki → Schema。你可以用任何支持文件读写和长上下文的大模型工具来实现。但 WorkBuddy 的优势在于：会话式交互、可配置 AGENTS.md、支持 MCP 连接器（如 IMA），以及定时任务。

换工具不换思维。

QQ：目录结构可以改吗？

可以。核心就三个要求：

Raw 层只读不改（AI 永不修改原始资料）
Wiki 层 AI 维护（保持格式统一）
AGENTS.md 是工作手册（告诉 AI 规则）

具体子目录怎么分，随你。

QQ：资料太多会不会变慢？

AGENTS.md 中定义的查询流程要求 AI 先读 index.md 定位页面，再加载具体页面，避免在几百个文件中乱翻。加上每周治理清理孤立页面和断链，知识库越大，维护越重要。

摘要