知识管理不是存硬盘——我搭了一个让知识自己生利息的系统

烟雨平生

发布于 2026-05-20 13:47:16

1590

你有没有这种体验？

读了一堆技术文章，做了笔记，收藏了链接。一个月后，全忘了。

不是你记性差。是知识放在那里不会自己增值。

就像钱存在银行才有利息，知识也需要一个让它自动关联、自动演化、自动被使用的机制。

我给这个机制起了个名字：知识复利飞轮。

今天分享我是怎么用 Python + LLM + MCP 把这个飞轮搭起来的。不是 demo，是每天都在跑的生产系统。

问题：你的知识库是个坟场

先说一个反直觉的事实：

99% 的知识管理工具都在解决"怎么存"，没人解决"怎么用"。

Notion、Obsidian、语雀——你可以建文件夹、打标签、做双向链接。然后呢？

写了笔记，再也没打开过
新学的知识跟已有的知识毫无关联
遇到问题时，想不起来自己其实已经学过了
AI 助手不知道你的知识背景，每次从零开始

问题的根源：知识管理缺少一个数据飞轮。

什么是知识复利飞轮

普通的知识管理：

学习 → 记笔记 → 吃灰 → 遗忘

知识复利飞轮：

摄入新知识
  → 自动发现它与已有知识的隐藏关联
    → 知识图谱自动演化
      → 搜索排名因使用反馈而提升
        → AI 助手在工作时自动引用你的知识
          → 知识被用得越多，排名越高，越容易被发现
            → 飞轮转起来

核心区别：不是你去找知识，是知识来找你。

三层架构

存储层用 Markdown + frontmatter，不用数据库。因为知识应该人可读、git 可管理、不依赖任何平台。

飞轮第一环：摄入不是存文件

普通摄入：把文章丢进文件夹。

ExoMind 的摄入：

raw笔记 → LLM 提取实体/概念/关系 → 写入知识图谱 → 自动发现跨域关联 → 更新搜索索引

一条命令：

exo add "Redis的持久化方案RDB和AOF各有优劣..."

LLM 会提取出：

实体：Redis、RDB、AOF
概念：持久化、快照、追加日志
关系：Redis → 使用 → RDB，Redis → 使用 → AOF
跨域关联：自动发现 Redis 的持久化跟你之前学过的 Kafka 持久化有关联

这个"跨域关联"是飞轮的关键。你学 Redis 持久化的时候，系统自动提醒你：你之前学 Kafka 时也遇到类似的持久化问题。 两个领域的知识开始产生化学反应。

摄入管道的核心代码

def ingest(source, wiki_mgr, llm, tags=None):
    # 1. 三层去重：来源→原文→标题
    dup = check_duplicate(wiki_path, title, content)

    # 2. LLM 提取结构化知识
    response = llm.chat(system="你是知识提取专家", user=prompt)
    entities = parse_entities(response)   # 实体
    concepts = parse_concepts(response)   # 概念
    relationships = parse_relations(response)  # 关系

    # 3. 写入知识图谱
    for entity in entities:
        graph_manager.ingest_entity(**entity)
    for rel in relationships:
        graph_manager.ingest_relationship(**rel)

    # 4. 跨域发现（飞轮关键）
    discovery = AutoRelationDiscovery(wiki_path, graph)
    discovery.discover_all_relations()
    applied = discovery.apply_discovered_relations(graph_manager)
    # 上面这一步让新知识和已有知识自动产生关联

    # 5. 更新搜索索引
    search_engine.build_index()

飞轮第二环：知识演化

知识不是一成不变的。今天学的 Redis 知识，明天看到新的最佳实践，应该自动更新。

class KnowledgeEvolution:
    def apply_evolution(self, suggestion):
        # 1. 保存版本快照（可回滚）
        self._save_version(entity_id, content, metadata)

        # 2. 智能合并冲突
        # aliases/related → 取并集
        # description → LLM 智能合并，不是简单覆盖
        metadata, decisions = self._apply_update(metadata, changes)

        # 3. 写入 + 记录演化日志
        self._log_evolution(suggestion, hash_before, hash_after)

演化有四种类型：

类型	触发条件	示例
expand	内容过短(<100字)	"Redis"只有一句话，需要补充
update	新信息补充旧知识	学到 Redis 7.0 的新特性
merge	发现重复实体	两个 "Kafka" 实体需要合并
refresh	30天未更新	知识可能过时，需要刷新

飞轮第三环：让知识来找你

这是最有杀伤力的一环。

我给 Claude Code 写了一个 hook，每次你在对话中提到技术关键词，系统自动把相关知识注入到 AI 的上下文中。

Hook 的工作原理

你输入: "我遇到一个 Kafka 消费延迟的问题"
     ↓
Hook 检测到关键词: Kafka、消费延迟
     ↓
自动注入知识库中已有的 Kafka 相关知识到上下文
     ↓
Claude 回答时已经知道你之前学过的 Kafka 知识

不需要你手动搜索，不需要你告诉 AI 你的背景。知识自动出现在它需要的地方。

Hook 的核心是一行 bash：

// ~/.claude/settings.json
{
  "hooks": {
    "UserPromptSubmit": [{
      "type": "command",
      "command": "~/.claude/scripts/exomind-context.sh"
    }]
  }
}

脚本做的事：

# 1. 从用户消息提取关键词
# 2. 在知识库中匹配
# 3. 把匹配到的知识内容直接注入到上下文
# 4. 同时记录到使用日志（飞轮数据）

关键词匹配支持中英文：

# 英文：精确匹配
en_words = set(re.findall(r'[A-Za-z][A-Za-z0-9_+-]{2,}', msg))

# 中文：滑动窗口 substring 匹配
cn_words = set(re.findall(r'[\u4e00-\u9fff]{2,6}', msg))

飞轮第四环：质量反馈

知识被使用后，质量分会变化：

# 搜索排名公式
score = (
    max(click_score, consumption_score) * 0.6  # 被使用或被消费
    + feedback_score * 0.4                       # 被点赞或被踩
)

这意味着：

经常被 hook 注入的知识排名更高 → AI 更容易引用它
被点赞的知识排名更高 → 高质量知识浮上来
被踩的知识排名下降 → 过时或错误的知识沉下去

MCP 协议让任何 AI Agent 都能给出反馈：

# MCP rate_feedback 工具
# Agent 查询知识后可以直接点赞或踩
mcp__exomind__rate_feedback(page="entities/Redis.md", rating="positive")

飞轮可观测性

怎么知道飞轮在转？一个命令：

exo flywheel

输出：

数据说话

系统跑了两个月：

指标	数值
知识页面	2,100+
知识图谱节点	760+
关系边	1,400+
Hook 自动注入	每次 Claude Code 对话
跨域关联自动发现	每次摄入触发
RSS 自动摄入	6 个源
代码行数	~6,000 行 Python

一个真实场景

我在 Claude Code 里开发一个微信发布服务，遇到 access_token 过期问题。我输入：

"微信 access_token 过期怎么处理？"

Hook 自动注入了我之前学过的：

微信公众号的 access_token 机制
OAuth 2.0 token 刷新模式
我之前项目中踩过的坑

Claude 的回答直接引用了我自己的经验，不是泛泛而谈。

这就是知识复利：过去学的东西，在你需要的时候自动出现。

从 Wiki-RAG 到知识复利

你可能看过我之前的文章《从零搭建个人 Wiki RAG》。那个系统解决的是"存储+检索"。

ExoMind 解决的是更深层的问题：

Wiki-RAG	ExoMind
存储知识	让知识自动增值
你去找知识	知识来找你
静态的	自动脉化、自动关联
单人用	AI Agent 也能用
没有反馈	质量分驱动排名

搭一个你自己的

# 安装
pip install exomind-manager

# 初始化
exo init ~/my-wiki

# 摄入第一条知识
exo add "你学到的任何知识..."

# 配置 Claude Code hook（自动注入）
# 在 ~/.claude/settings.json 加一行

# 查看飞轮状态
exo flywheel