说一个很常见的场景：头天你让你的 Agent 分析了某个领域（比如个人养老金政策），聊了一个多小时，整理出七八个关键概念，还找到两篇论文里的数据矛盾。今天接着问同样的领域，又从零开始搜。

试过 RAG。把文档丢进去，每次提问检索一遍，拼出一个回答。能用，但你会发现一个问题：上周读过的十篇材料，这周再问，它还是在"重新发现"。什么都没积累下来。知识不长在 Agent 身上。

Agent 不笨，可能比你读得快、总结得好、分析得有条理。但它是个金鱼，转一圈回来什么都不记得。

一、问题不在能力，在载体

现在的 Agent 不缺 Skill。clawhub 一键可以获取上万个活跃的技能，教它拉数据、写报告、做分析、搜论文，每个都好使，做完这一单就好使。

问题是 Skill 之间是个孤岛，没有连接，做完的成果没有落点。

上午用搜索 Skill 找了三篇养老金政策文件，下午用分析 Skill 写了一份比较报告。明天想在这个基础上继续深化，不好意思，明天是新对话，Agent 不记得上午搜了什么、下午写了什么。你得重新描述背景、重新提供材料、重新等它"理解"一遍。

Skill 教 Agent 怎么做事，但做事的产出散落在一次次对话里，没有一个地方把它们串起来。

缺的不是更多 Skill，是一个载体，让每次研究的产出都能沉淀下来，下次接着用。

二、编译还是检索

这个载体是什么？一个 Agent 自己维护的 wiki。

Agent 读完一份材料之后，主动把里面的关键信息写进 wiki 已有的页面，和旧信息逐页比较，该更新的更新，有矛盾的标出来，全新的概念建新页面。

Ingest（编译模式）和 RAG（检索增强生成） 放在一起对比：

情景	RAG	编译
什么时候处理信息	查询时	收到材料时
知识存在哪	散在原始文档里	写进结构化的 wiki 页面
同一个问题问两次	重新检索、重新推导	直接读编译好的页面
两份材料矛盾了	看那次检索碰上哪份	明确标注“冲突”，两种说法并列

编译的核心是拿到新材料后的三路比较：

新旧对比结果	Agent 怎么处理
新信息和已有结论一致	强化：追加来源引用，提高置信度
新信息有更新的数据或更权威的来源	更新：改写页面，旧结论进历史记录
两边矛盾，分不出谁对	冲突：并列保留，标记 contested

Tobi Lutke（Shopify CEO）去年提过这个想法：让 LLM 维护一个持久的 wiki，别每次查询都从文档堆里现找。Karpathy 的 autoresearch 也走了类似的路，让 Agent 自己跑研究循环。

我做的事情是把这个想法落成了一个可执行的 Skill，让 agent 维护自己的 wiki。

三、实测：从零积累一个领域

我用"个人养老金制度"做了一轮完整测试，4 个阶段，从零开始积累。

冷启动：

告诉 Agent：“研究个人养老金制度，帮我建立知识框架。”

Agent 自己搜到了国办发〔2022〕7号和人社部实施办法两份政策文件，读完之后创建了 personal-pension wiki：7 个概念页面（EET 税制、账户唯一性、缴费上限、投资范围……）、1 个实体、2 个来源摘要。

—— wiki 还只是个骨架，但结构已经有了。

深化：

“找一些关于参与意愿的研究。”

Agent 搜到几篇学术论文，ingest "吞咽"进来。然后它发现了一个矛盾：一篇调查说 77.8% 的人有参与意愿（样本来自一线城市），另一项数据显示实际缴费率只有 25%。

Agent 没有硬选一个，而是把两个数字都留着，标记为 contested（矛盾），注明了各自的来源和可能的偏差原因。

碰到矛盾不调和，并列呈现，等更多证据。三路比较在实际运行中就是这个样子。

国际比较：

“对比一下美国的 IRA 制度。”

Agent 搜了 IRA 的材料，建了 ira-usa、auto-enrollment 等新概念页，并把它们和已有的中国制度页面用 wikilink 关联起来。

学以致用：

“如果我想提高参与率，政策应该怎么设计？”

进入 recall 模式后，Agent 读它自己编译过的 wiki 页面来回答。回答里引用了 [[enrollment-friction]]（开户流程的摩擦成本）、[[tax-incentive-effect]]（EET 税优对低收入群体激励有限）、[[ira-usa]]（美国 auto-enrollment 后参与率从 40% 涨到 94%）。

然后他说：“wiki 里缺乏 35 岁以下群体行为特征的专门研究，建议补充。”

agent在告诉你知识缺口在哪。

recall 模式解决的是一个尴尬的问题：知识积累了一大堆，但 Agent 回答问题的时候根本不去翻。输入 /auto-wiki recall personal-pension，之后这轮对话里你问什么，它都会先查 wiki 再回答。让"先查积累再说话"变成默认行为。

最终数据：22 个页面，8 个结构化数据点，23 条关系边，2 处 contested。全部 schema 校验通过。

用 Obsidian 打开 wiki 文件夹，知识网络一目了然——绿色是概念，蓝色是实体，紫色是分析，红色是有争议的节点。箭头标出关系方向，鼠标悬停看到每个页面的置信度和来源。不是一堆散落的笔记，是一张有结构的知识图谱。

四、上强度：Agent 自己补缺口

到这一步，wiki 有了 22 个页面，但 Agent 是被动的——你喂什么它编译什么。

能不能让它自己发现哪里薄，自己去补？

我说了一句"上强度"，Agent 先扫描 wiki 的覆盖度，列出知识缺口：有个概念被 4 个页面引用但没有独立页面，有个实体只有一个来源且不是权威来源，有两个指标提到了但 data.db 里没有数值。

然后它问我：“发现 6 个缺口，要补全哪些？”

我选了前两个。他自己去搜，自己筛选来源（跳过了一个公众号来源——在黑名单上），找到一篇中金固收报告，确认来源质量后执行标准的 ingest 流程。

从"你喂它"到"他自己找吃的"。

这不是一个独立的新模式，而是把"发现缺口"（lint）和"搜索编译"（ingest）串成了一条管道。每一步都需要你确认——它列缺口你选范围，它找来源你确认质量。不会自己跑偏。

五、数据该在数据库里

最初设计时，结构化数据（管理规模多少亿、覆盖率多少）写在 markdown 文件的 YAML 头部。能用，但很快碰到问题：想查"所有页面中哪些数据是 contested 的"，得扫全部文件；想看某个指标的时间线，得逐个页面翻 history 字段。

后来改了。markdown 只负责叙事分析，数字全进 SQLite。

store.upsert_data(“enrollment-friction”, “实际缴费率”, 25, “%”, “2023-10”, “2024-survey”)

如果同字段已有旧值，自动写入 history 表，返回旧记录

每个数字必须有 source_slug，指向哪个来源页面。这条规则没有例外。一旦允许"来源不明"的数字进 wiki，后续查询引用它时就没有审计链，错误数据会越滚越大。

wiki 是叙事层，SQLite 是数据层。Agent 在 markdown 里写分析，在数据库里写数字。两层分开，各干各的。

五个命令：

/auto-wiki ingest ← 吞下材料，编译进 wiki
/auto-wiki recall ← 进入知识模式，带着积累回答
/auto-wiki query ← 单次查一个问题
/auto-wiki lint ← 检查 wiki 健康度
/auto-wiki deep-dive ← 上强度，Agent 自动找缺口并补全

也不用记这些命令。你说"帮我整理这篇"它就 ingest，说"之前研究过什么来着"它就 recall，说"上强度"它就 deep-dive。

lint 还能接外部知识本体做逻辑校验——比如用 FIBO（金融行业语义标准）检查一个实体是否缺少必要的管理人、托管人关系。不是纠错别字，是纠逻辑上的不完整。这是可选的插件，不装也能跑。

快速安装提示词：

学习 auto-wiki skill，地址
``````plaintext
https://github.com/hanlinlibham/auto-wiki/skiil/auto-wiki-cn
``````plaintext
用它来构建持久化知识 wiki，支持 ingest/recall/query/lint/deep-dive 五个模式。

让你的 Agent 开始记住它学过的东西。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】