手把手带你用AI系列 第三弹：知识萃取——研究过的东西，怎么才算你的
【往期：第一弹《一起构建你的第一个学习研究智能助理》链接｜第二弹《循环研究法》链接】
第二弹给了你循环研究法，课题能一圈圈往下钻，档案柜也立起来了。这一弹讲最后一道工序：档案柜里攒的东西，怎么炼成真正属于你的知识。
引子：你的AI比你更健忘
第二弹结尾我留了个尾巴：课题之间是断的。
当时没展开。这一弹开头，先讲两件我真实遇到的事。
第一件。
我开了一个新课题，跟AI说：帮我研究一下这个方向。
它撸起袖子就干：联网搜索、翻材料、整理信息，从零起步，忙得热火朝天。
我在旁边看着，总觉得哪里不对。想起来了，这个方向我们之前研究过。不光研究过，结论就躺在另一个课题的档案里，写得清清楚楚。
我说：停，等等，这个方向咱们之前研究过吧？去翻那个课题的档案，用里面的东西。
它去翻了，还真翻到了，直接复用。研究起点一下往前挪了一大截。
看着配合挺好？但你把这事倒过来看一眼：这回能复用，靠的是我还记得。
记得研究过，记得大概是哪个方向，记得让它去翻。我成了它的人肉索引。那我忘了呢？它就把旧路重走一遍，而且永远不会知道自己干了重复的活。
第二件更隐蔽。
AI配合我研究出一个结论。逻辑顺，材料扎实，我差点就收了。
但心里总有个疙瘩。说不上来，就是隐隐觉得这个结论跟之前哪个课题里的东西有点关系。
我说：你回去翻翻，之前某个课题里似乎有类似的研究，对比一下。
它真去翻了。一对比：矛盾。这个新结论跟几个月前另一个课题的结论打架，两个不能同时成立，要么有一个错了，要么适用条件不同。
好悬。这条要是收了，往后的研究就盖在自相矛盾的地基上。
两次，都是我的记忆救的场。
头一回是我确切记得；第二回是我模糊觉得"哪里没对"。但你琢磨过没有，这事反常。
它有存储啊。档案都在，翻得出来，一个字没丢。它缺的不是记忆，是想起来。该想起的时候想不起来，跨课题也不主动调用，除非你提一嘴。你做的每个课题在它那都是孤岛，岛跟岛之间没桥。
而真正的麻烦在你这边：你在拿自己的脑子，当整个知识体系的索引。
课题少，这么干没问题。课题一多，你会忘掉自己有过的洞见，会把研究过的东西再研究一遍，会拿着两条矛盾的结论各走一段，然后莫名其妙撞墙。
AI健忘能治。你健忘，治不了，只能换方案：把"人肉索引"换成一个真正的知识库。
这就是第三弹要解决的。知识的完整链路，我后来提炼成三个动作：找出来，存下来，用起来。
找出来——研究过的东西，怎么萃取成能调用的知识；
存下来——炼出来的知识，怎么存才存得住、存得久；
用起来——建好的知识，怎么在课题之间自动流动，让AI在该想起的时候想起。
方法论：研究过，不等于拥有
动手之前，先把几个问题想透。这些答案决定了后面每一步操作为什么长那样。
研究产出的是材料，不是知识
第二弹的Harvest，存了四样东西：阶段结论、原始资料、分析过程、下一步问题。这些是过程的忠实记录。
过程记录有价值，上一弹说过，没有过程记录的结论是死结论。但它有个天生的毛病：它是给"这一轮"写的，不是给"下一轮"写的。
下一轮、下一个课题要用的时候，要的是压缩过的认知：一句话说清、带出处、拿来就用。而不是翻回几十页的讨论记录里重新考古。
打个比方。研究像办案，Harvest收回来的是一摞卷宗：调研报告、讨论记录、分析草稿，几百页。卷宗有价值，但它是一案一卷的。下个课题要用的时候，你没法把几百页卷宗整个搬过去，只能从头翻。
萃取就是给这摞卷宗编目：把里面最关键的那几条，做成一张张带编号的卡片，放进卡片柜。往后任何课题，报编号就取卡，取了就用。它不是把文件再整理一遍，是从过程材料里，把认知的精华部分分离出来。
没有萃取，就没有复利
再往深一层。
你为什么做研究？为了下次碰到类似的问题不用从头来。研究的价值，一半在眼下这个结论，另一半在"以后还能再用"。
前一半，研究完就兑现了。后一半，取决于你有没有萃取。
想象两个人，都用循环研究法跑了半年，各做了二十个课题。
第一个人，档案做得整整齐齐，但没萃取。做到第二十一个课题，能带上的只有脑子里的印象。他的研究能力是一条水平线，每个课题都做得不错，课题之间不叠加。做了五十个课题的人和做了五个课题的人，起点差不多。
第二个人，每个课题结束都萃取。做到第二十一个课题，他站在前二十个炼出的洞见上往下钻。课题越多，起点越高，研究能力是一条斜率向上的线。
差别不在勤奋，在复利。 萃取就是把研究从"线性劳动"变成"复利资产"的那道工序。卷宗会越堆越高，卡片柜越用越顺手：第一条卡片做出花十分钟，往后每个课题都在白捡。这就是复利，劳动会消耗，卡片不消耗，取一万次还是那张卡片。
而且这差距会越拉越大。到第三十个课题，两人差的已经不是熟不熟练，是站在多高的地基上。
知识的判据：能不能改变行动
编目要有标准。什么算知识、什么不算？
我的标准只有一条：能不能改变你的行动逻辑。
能改变行动的，是知识。不能改变的，存得再多也只是材料。
注意这判据有多严。"说得对"不算，正确的废话满地都是；"信息量大"不算，一堆数字不告诉你怎么做；"很深刻"也不算，听着有道理落不了地，等于没有。
拿这个判据照一照常见的"学习行为"，很多当场露馅。
收藏三百篇文章，是Fact囤积；划两千条重点，是Fact囤积；问AI一百个问题、存一百段回答，还是Fact囤积。囤积的特征就一条：藏品在涨，做法没变。
知识正相反：数量可能不多，但每一条都对应一句"从今往后我换个做法"。
判据是行动，而行动是你的行动。 这就引出了分工问题。
分工：AI初筛，你终审
"改变行动逻辑"——判断一条东西能不能改变行动，谁说了算？
AI干初筛：按标准把候选挑出来，理由写清楚。但"这个行动改不改"它说了不算，它不知道你的场景、你的取舍、你眼下卡在哪。行动的语境在你手里。
这跟第二弹的Review一个原则：出力可以外包，判断不能外包。Review把研究关，萃取终审把知识关，一脉相承。
为什么必须分层
编目还有一个前置动作：按成色分。
研究材料里的东西成色不一样：有客观事实，有量化数据，有行动洞见。三种东西的命和用法完全不同，事实要准，数据会过期，洞见要指挥行动。
混在一起存会怎样？三个月后就是一锅粥。
想复核"哪些数据可能过期了"，没法查，数据跟事实混着；想调出"能指导决策的那部分"，没法调，洞见埋在信息里；想判断一条结论还作不作数，看不出，它依赖的数据坏没坏，一眼望不穿。
分了层，这些操作才做得起来：复核只碰Metric层，调用先看Insight层，判断可信度顺着来源链查。分层不是按主题分，是按"性质和用法"分。 这就是下一节的三层模型。
问题想清楚，操作就水到渠成。
解决方案：三层模型，一个最小体系
方法论落地，就两样东西：一个三层分类标准，一套最小文件体系。
三层：事实、标尺、洞见
三层各有一个英文名和一个中文名：Fact是事实，Metric是标尺，Insight是洞见。库里和Agent指令里用英文，脑子里记中文名就行。
Fact，事实。 对世界的事实性描述，客观存在，不随你的研究改变。回答"是什么"，不回答"意味着什么"。
拿我自己一个真实课题举例，AI供电服务员研究。这个课题调研了供电服务的投诉处理体系，萃取时有这么几条东西：
"供电服务采用三级组织架构：市供服中心→供服分中心→供电所。"——Fact。对组织事实的客观描述，谁来看都一样。
"工单来源包括客服热线、政务热线、本地电话、微信群、营业厅等六个以上渠道，没有统一入口。"——Fact。一件真实存在、可验证的事。
Fact的价值在准和可验证。它像地基，你不能住在地基上，可没地基盖不了楼。
但攒了一堆Fact不等于有知识。就像攒了一仓库砖头不等于有了个家。
很多人做笔记，说到底就是在收集Fact。好文章摘几段，讲座记几个要点，问AI存下回答，全是Fact。Fact本身没错，可你库里只有Fact，它就是个高级收藏夹，永远不告诉你"所以呢"。
Metric，标尺。 有独立引用价值的量化发现。跟Fact的区别：标尺有数字、有口径、有时间，还会过时。
还是那个课题，再举两条：
"7笔投诉工单逐笔分析，4笔（57%）属于高必然性投诉——只要条件满足、必然发生的那类。"——Metric。有数字、有口径（逐笔标注）、标注了"样本量偏小但指向性强"。
"一个客户3个月内低电压53次才形成投诉。"——Metric。极端个案，口径里明确标注"说明投诉只是冰山一角"。
Metric比Fact值钱，值钱在它给你判断的标尺。 你跟人说"投诉有不少其实怪电网自己"，这是观点；说"57%有系统性根因"，这是论据。差的那个东西就是Metric。
Metric有个特点：它会变。 样本会扩大，口径会调整，时间一长还可能过期。所以每条Metric都标时间和来源，方便你判断它还能不能用。
Insight，洞见。 改变行动逻辑的认知。整个体系的核心层，唯一判据还是方法论那条：能不能改变你接下来怎么做。
真实例子，同一次萃取里出了这么一条：
"用户表述与技术故障之间存在系统性语义鸿沟——AI必须从生活体验反推技术原因。"
用户从来不使用"低电压""电压偏差"这些专业术语。他们说"空调不制冷""灯泡忽明忽暗""火锅煮不熟"，甚至方言"电灯南瓜花"。从这些表述到技术原因，中间隔着好几步推理。
凭什么这条算Insight？它不是Metric，重点不在任何数字；也不是通识，"要理解用户"这种话谁都会说。它改了行动逻辑：AI系统的输入接口，不能设计成"用户报什么关键词、我匹配什么故障"的关键词匹配器，必须设计成"生活体验→技术原因"的反推引擎，还要给可能性排序。整个接口设计的思路被这条洞见改写了。它还能迁移：医疗（患者说"肚子疼"，倒推鉴别诊断）、IT运维（用户说"网慢"，倒推根因分析），同一套结构。
再送一条同课题的，感受下Insight长什么样：
"投诉触发是三重阈值链——仅盯单次严重性，会漏掉一半风险。" 客户从"感知到异常"到"累积不满"到"情绪引爆"是三个阈值。以前只盯单次事件的严重程度，现在行动改了：把"一段时间内的异常累积频次"纳入监测。客户敏感度识别，从看单次事件变成看累积曲线。
三层的用法：事实是地基，标尺是望远镜，洞见是地图。 标尺让你看清远处发生了什么，地图告诉你往哪走。
顺便说一句，这套三层体系自己也产出过一条关于自己的Insight，来自知识管理课题："认知不应用等于死库存。"行动含义：知识管理的核心指标不是存了多少，是被调用多少。一条洞见三个月没被任何课题引用，先别得意，先怀疑它是不是死库存。你现在读的这篇，上面每条知识都引了，按这条Insight的标准，它们今天都活着。
三层和DIKW金字塔是什么关系
知识管理领域有个经典金字塔：DIKW，Data（数据）→Information（信息）→Knowledge（知识）→Wisdom（智慧）。不少人拿它当知识管理的地图，但它有个致命问题：每一层它自己都没讲怎么落地。 原始内容怎么变成信息？信息怎么变成知识？金字塔只告诉你有这几层，不告诉你怎么从一层爬到上一层。
把这套三层放上去，正好补齐中间两级，也顺便看清各层的位置：
- DIKW的Data，处理前的原始内容——对应这套体系的来源材料：调研报告、讨论记录、没加工过的东西
- DIKW的Information，加工后的事实——对应Fact/Metric：从材料里炼出的事实和标尺
- DIKW的Knowledge，改变行动的认知——对应Insight
- DIKW的Wisdom，最终指导行为的智慧——对应Rule：把验证过的洞见固化成规则，让它接管后续行动
来源材料 → Fact / Metric → Insight → Rule
所以这一弹补的正是中间两级的方法：怎么从原始材料里炼出Fact和Metric，怎么让Insight从里面长出来。至于塔尖那层Rule，洞见怎么升级成规则、规则怎么接管行为，后面一弹专门讲。
"所以呢"测试
Insight的判定，实操上用一个简单测试："所以呢"测试。
有人跟你说一条东西，你就问：所以呢？
"投诉触发是三重阈值链"。所以呢？"所以监测不能只盯单次严重性，把累积频次也纳入。"对，行动变了。
"57%的投诉有系统性根因"。所以呢？"所以……投诉分析要往根因走？"勉强。数字本身不构成行动，它是个有力的Metric，等着跟别的东西碰出Insight。
再看两条最容易混进来的：
"智能客服的情绪识别准确率达到了92%"。Metric。技术指标，不指向你的行动。
"AI时代要重视用户体验"。通识。永远不错，也永远没用。
从Fact、Metric到Insight，中间隔着一层"所以呢"。 穿过这层"所以呢"，才从"知道了"变成"会做了"。
最小体系：一个文件夹，三个文件
分类标准有了，往哪存？
不需要Notion，不需要Obsidian，不需要任何知识管理软件。一个文件夹，三个JSONL文件。 JSONL，一行一条JSON记录的纯文本文件，Agent的原生格式。
第二弹的课题档案还记得吧。档案柜继续放过程材料，不动。现在，在所有课题的旁边，研究根目录下另立一个目录：
研究根目录/
├─ 课题A/
│ ├─ topic.md（课题档案，第二弹已有）
│ ├─ observations/（观察笔记）
│ ├─ retrievals/（检索报告）
│ ├─ theory/（理论文档）
│ ├─ harvest/（确认成果）
│ └─ reflections/（反思笔记）
├─ 课题B/（同构）
└─ cognition/（新增：全部课题炼出来的知识）
├─ facts.jsonl
├─ metrics.jsonl
└─ insights.jsonl
cognition，认知。注意这个目录的站位：不在任何课题里，在所有课题旁边。 它放的不是过程材料，是从所有课题里炼出来的东西，全量汇聚，全局唯一。
为什么不放进课题里？三个原因。一是知识炼出来那一刻，就不属于任何单一课题了。 它从课题A里长出来，却是为课题B、C、往后每一个课题准备的。课题会结束、会归档，知识不能跟着一起沉底。二是出身不靠位置保，靠字段保。 编号自带课题号，source字段写明出处，物理上集中，血缘上一样可查，追溯链完整。三是检索只扫一个地方。 库分散在各课题里，每开新课题就得遍历所有课题目录，课题一多，扫描本身就成负担；全在一个库，一次扫完。
每条知识的格式极简。拿语义鸿沟那条举例，一条记录长这样（实际入库时压成一行，展开只是为了让你看清字段）：
{ "id": "INS-A03",
"title": "用户表述与技术故障之间存在系统性语义鸿沟",
"content": "用户不用专业术语，用功能性表述（空调不制冷、火锅煮不熟、方言）。从表述到技术原因需多步推理。正确路径是'生活体验→反推技术原因集合→排序排查'，而非关键词匹配",
"source": "AI供服员课题 / 低电压投诉调研报告（用户表述三层级结构）",
"date": "2026-08-10",
"action": "输入接口设计为反推引擎，建立'用户表述→可能故障→概率排序'的映射",
"transfer": ["医疗鉴别诊断", "IT运维根因分析"] }
注意"action"这个字段，行动含义。写不出行动含义，就不是真正的Insight。 这是"所以呢"测试的落地形态：逼你和Agent写清楚这条洞见改了什么做法，写不出来，降级。
为什么偏偏是JSONL、是文件夹？
先把一件事说透：这套库里，记录是Agent写的，检索也是Agent做的，人不需要读库。 你不会去翻insights.jsonl的第八百行，就像你不会去查数据库的原始表。人只在两个时刻出现：终审候选清单的时候，抽查的时候。这两个时刻Agent会把东西呈现给你——清单、卡片、报告。你读的是呈现，不是存储。
存储是给Agent的，那就该用Agent的原生格式。JSONL就是：一行一条JSON记录，一行一条知识。追加知识就是追加一行，Agent逐行读，零歧义，不用猜哪里是标题哪里是正文。等哪天要上数据库，把文件直接导入就行，一行一记录，天然对齐。
那为什么不是Notion或Obsidian？它们不是不能用，都是成熟工具，而且有真实的用法：把管理动作交给Agent，让它按固定结构往Notion数据库里写，让它维护Obsidian的双向链接。Agent用它们管理，人用它们抽查，这条路是通的。我没把它们当主存储，原因就一个：你的知识被锁在别人的系统里，Agent每次读写都要过它的接口，早晚受制于工具。文件夹是你自己的，任何Agent直接读写。
SQLite呢？查询能力碾压文件：全文索引、关联查询、溯源链一条SQL拉出来。我的生产库后来就是SQLite。但起步别上它——建库、定义表结构、维护同步，这些动作都在跟"坚持萃取"抢注意力。多少知识库死在了"先把工具配好"这一步，萃取本身还没开始。
所以路径就两级，都很省心：
起步，三个JSONL文件。 零工具零维护，AI追加一行就完事。先把萃取习惯跑起来。
规模大了，SQLite。 我的库跑到四百多条洞见时，文件开始撑不住：Agent要查"支撑这条洞见的所有断言"，得一个文件一个文件翻着拼；要全文检索，只能一条条扫，又慢又漏。迁进数据库之后，全文索引、完整溯源链，一条查询直接拉出来。数据库是唯一权威源，JSONL文件退化为抽查视图，两边同步。而且这一步几乎无痛：JSONL本来就是一行一记录，导库就是搬运。
实操办法·萃取：找出来
体系搭好了，进入日常操作。知识的链路就三个动作：找出来、存下来、用起来。先讲第一个，萃取。
AI初筛三步，你终审一次
跑完一轮研究，课题文件夹里有retrievals（检索报告）、theory（分析过程）、harvest（确认结论）。什么时候萃取？Review过了、Harvest做完之后。萃取是Harvest的深化工序，没确认过的东西不进知识库。
AI做三步：
第一步：分类。 把每条内容识别为Fact、Metric或Insight。事实归Fact，量化发现归Metric，可能改变行动的进Insight候选。
第二步：测试。 对每条候选做"所以呢"测试。能回答"所以该怎么做"的保留，不能的降级。
第三步：过滤。 四类东西不许进Insight层：数据点、过程结论、工程设计、通识。
你做一步：终审。 AI报候选清单，你逐条断。这条真是Insight吗？它的"所以呢"成立吗？你否决的，让它记下否决原因。否决记录也是知识，省得下次同类候选再进来一遍。
拿真实场景走一遍。AI供服员课题，一轮研究跑完，课题里有六份专题调研报告（电压对家电的影响、低电压投诉规律、感知判定规则、气象与故障、行业对标、业务梳理）加一份方案文档，八份材料。AI初筛完交上来的总结单长这样：
萃取成果
| 层级 | 新增 | 当前总数 |
|------|------|---------|
| Fact | 22条 | 34条 |
| Metric | 19条 | 30条 |
| Insight | 11条 | 11条（首次创建） |
Insight清单（11条），按类分组：
- 感知规则类4条：变频化瓦解统一阈值 / 白炽灯淘汰导致感知方式迁移 / 静态阈值需动态校准 / 气温-负荷分段非线性
- 系统设计类3条：语义鸿沟需反推引擎 / 规则编码与数据接入可并行 / 确定-不确定层分离
- 服务范式类4条：气象驱动是范式转换 / 湿度关联度大于雨量 / 投诉触发是三重阈值链 / 感知端投入ROI高于处置端
你终审，逐条断。其中两条有意思：
"湿度对配网故障的关联度大于雨量"，反直觉。所有人都盯着下雨，数据说湿度才是信号。行动含义：预警模型的输入权重，湿度排雨量前面。过。
"规则编码不必等待数据接入"，听着像项目管理经验，但它过得了"所以呢"：规则的逻辑来自国标和行业规范，独立于数据，只要接口契约定了，编码和接入就能并行。行动含义：交付周期从串行6个月压到并行3个月。过。这条后来直接改了那个课题的推进计划。
八份材料，十分钟终审，三十四个事实、三十条数据、十一条洞进入库。留意这个比例：材料八份，洞见十一条。萃取不是缩写，是编目。几百页卷宗，最后变成十一条卡片，但往后每个课题，取的都是这十一条。
再回头看那条"语义鸿沟"，它的来源里既有投诉调研报告（材料），又有"用户表述三层级结构"的分析。洞见很少从单一材料里长出来，它长在材料的交叉处。 这也是为什么要先分层，分了层，AI才知道拿哪些层去碰。
实操办法·建库：存下来
存的三条纪律
萃取出来的东西往哪存？上一章建的全局cognition库，三个文件，在这里落位。存的时候三条纪律：
一条一编号。 INS-A03就是A课题的第3条洞见。编号是它的身份证，往后任何地方引用这条知识，报编号就行，不用复述全文。
来源必须带。 从哪个课题、哪份材料里炼出来的，一行写清。三个月后你想引用它，靠这行字判断还作不作数。
Insight的行动含义一栏，空着不许入库。 写不出"改变了什么做法"的，退回去重写，写不出来就降级成Metric。这是"所以呢"测试的入库关卡。
库就是全局一份，没有第二处要同步。想快，可以让Agent在库旁边维护一份索引文件：一行一条，编号加一句话标题加课题来源。索引只做目录不放正文，找哪条先扫索引，快。
这里有个我踩过的真实坑，值得单独说：新萃取的内容别存成新文件。 有段时间，每轮萃取都生成一个facts_new，跟旧文件并排放着。文件越攒越多，检索时两处都要翻，编号还差点重复。后来知识管理课题里沉淀了一条Insight，直接把规矩定了："关键认知应原子化保存，合并在同一文件"。一条一个最小单元，但都归进同一个facts文件，只增不改结构。一次萃取，追加写入，完。
四个坑，我都替你踩过了
这套方法我跑了快一年，五十多个课题，库里累计四百多条洞见。四个最典型的坑，我都替你踩过了：
坑一：什么都想存。 八份材料萃出22条Fact的时候，感觉条条有用。三个月后扫一遍，真正被其他课题引用过的不到三分之一。三个月后你还会引用的，才值得存。 现在我的Fact层严格准入：只有可能被多个课题反复引用的事实才入库，单场景的事实留在原始材料里就好。
坑二：只有数据没有洞见。 那轮萃取Metric有30条、Insight有11条，比例还算健康。危险的是另一种课题：行业对标类调研，萃出来满页都是"某公司部署31个大模型""某网算力资源池104.3P"，数字漂亮，汇报够用，然后呢？对标数字不告诉你做什么。Metric让你知道发生了什么，Insight让你知道该做什么。 光有Metric没有Insight，等于知道了问题但没有解法。
坑三：洞见不写行动含义。 每条Insight读着都有道理，但"行动含义"一栏空着，或者写成"要重视""要持续关注"这类空话。空话等于没写。对照一下就明白："提升对用户表述的理解能力"是姿态，"输入接口设计成生活体验倒推技术原因的反推引擎"才是动作。动作有动词、有对象、有结构；姿态只有情绪。
坑四：不写来源。 三个月后想引用一条洞见，想不起来是讨论出来的、看文章记的、还是哪个课题的结论。我做知识库清理的时候翻出过一批条目，缺编号、缺来源链，清理它们花的功夫，比当初萃取时多写那一行字多出十倍不止。每条知识必须标注来源，哪怕就一行。这行字以后救你的命，尤其是你需要判断"这条结论还有效吗"的时候。
萃取的质量不在数量，在精度和连接。宁可少存，存了就确保它是对的、能用的、带出身的。
实操办法·应用：用起来——让AI在该想起的时候想起
建了库不用，等于没建。接着讲第三个动作，用起来。目标就一个：让开头那两件事，不再靠你的脑子兜底。
应用的核心思路一句话：把"你记得"换成"它必查"。 具体两个动作。
动作一：开新课题前，先过一遍已有知识
告诉你的Agent：我要开一个新课题，先读课题总览，再扫一遍cognition库，看有没有相关结论。
Agent会报三类东西：
能直接复用的。 "这个新课题的核心问题，你在某某课题里已经有一条洞见了。"研究起点直接前移。
相关但前提不同的。 "某某课题有条结论，但它的适用场景跟你这次不太一样，注意边界。"
可能矛盾的。 "你这次的方向，跟某某课题的一条结论打架。要么有一个错了，要么适用条件不同。"
真实案例。我后来开"敏感客户主动感知"课题，开题前扫库，Agent报上来的东西直接改了研究计划。
可复用：AI供服员课题的"投诉触发是三重阈值链"（INS-A08）——客户"感知异常→累积不满→情绪引爆"的三重阈值，可直接作为敏感客户识别的定量依据：累积阈值（如两个月内停电3次）就是判断客户进入敏感状态的触发线。配套的一条重复投诉率数据可支持建模。
边界提醒：该结论的样本来自低电压和频繁停电场景，本课题若涉及缴费类敏感，需重新验证。
一条旧洞见，让新课题的识别模型没从零起步。这就是复利入账的样子。
第三类"矛盾"最值钱。矛盾是知识墙上的裂缝，裂缝里全是新课题的研究问题。
动作二：老课题定期回扫
不是只有新课题才查知识库。跑了一段时间，让Agent反过来问一遍：这段时间新入库的洞见，有没有哪条，影响到更早的课题结论？
新知识反哺老课题，这是第二弹之前做不到的事。那时候课题之间是孤岛，现在知识全在同一个库里，随时倒流。
给你看一次真实的回扫收获。八月初我在知识管理课题里沉淀过一条判断："通过分析别人的问题获得的洞见，可能无根，不是自己踩的坑，靠不住。"当时还觉得这标准挺严。
三周后回扫，这条结论撞上了新入库的几条洞见。它们全是从分析、讨论、碰撞里长出来的，每一条都实打实改了行动。照旧标准，它们全该判"无根"。矛盾了。
处理结果是一次修订，修订后的原文长这样：
INS-KG-009 "有根"的真实含义是认知摩擦，不是一手经验
此前判断"分析别人问题获得的洞见可能无根"是错误的。"有根"不等于"必须自己踩坑"，而是有真实的认知摩擦——分析一篇有深度的文章、发现论证漏洞、提炼反直觉结论，这个认知过程本身就是摩擦。
注意这个格式：旧判断没有被删，它被点名修正，理由写明。 这就是知识库跟笔记本的区别。笔记本里的错页要么撕掉要么接着误导你；知识库里的错误结论，会变成"我们当初这么想、后来因为什么改了"的演化记录。这条修订记录本身，比原先那条正确结论更值钱。
回扫撞上新旧冲突怎么办？三选一，让AI报方案你拍板：
- 修订：新证据充分，旧结论改写。旧条目不删，标注"已由某某修正"，保留演化痕迹。
- 失效：旧结论依据的数据过期或场景消失。标注"已失效"，原因写清。
- 分家：两个都对，只是适用条件不同。各自补上边界说明，从此各管一段。
共同点：没有一条是被静默删除的。
顺带一个高频场景：写作。写公众号、写汇报、答知乎，先让AI扫知识库：关于这个主题，我有哪些已有洞见？它报编号和标题，你挑几条展开。写出来的每个观点都有出处，观点之间自动带着你自己的体系感。 你现在读的这篇，引的每一条Insight都带编号，不是我背下来的，是扫库扫出来的。
提醒一句：查这一步必须用Agent做，不能靠纯对话框。因为要读写你的cognition库和课题档案，对话框里的AI看不见你的文件。
当你的知识库超过100条
这篇只讲三层，但先打个预防针。
跑久了你会发现，Insight层里混进两种东西。一种帮你理解问题："57%的投诉有系统性根因，所以防控要治源头，不是治态度。"一种直接指挥你做事："异常累积频次纳入客户敏感度监测。"前者是认知，后者是决定。
判别法：认知换个场景还成立，可迁移；决定绑着具体流程，可执行。我后来把Insight拆成COGNITION和DECISION两层，四层模型是从三层里长出来的。
但刚起步，别搞四层。 先把三层跑通。等你真超过100条、真觉得混在一起不好用了，再拆。别在设计系统上花时间，把时间花在萃取知识上。
技能：把方法装进Agent
讲交付物之前，先补一个观念：技能。这一弹的交付物全围着它转，值得单独说透。
技能和智能体是什么关系
一个智能体（Agent），你把它理解成一个岗位。岗位说明书写在它的设置里：你是谁、日常职责是什么、文件放哪里、什么规矩。这些是常驻设置，Agent每次睁眼都在。
技能呢，是这个岗位的手艺。一段写清楚的作业指导书：遇到某类活，按什么标准、什么步骤、什么格式干完。平时收在工具箱，活来了掏出来，干完收回去。
两者的关系一句话：设置塑造这个人，技能武装这个岗位。 设置管它是谁，技能管它会什么活。一个Agent常驻一份设置，配一手技能。
跟Prompt比一下更清楚。Prompt是你贴一次、它做一次，下次还得再贴；技能装进Agent之后，到了特定时机它自己知道该用。知识萃取要的就是后者。它不是一次性任务，是每轮研究结束都要发生的固定工序，不该指望你每次记得手动贴一段话。
什么做成技能，什么写进设置
判断标准就一条：这段要求，是"一类活"的干法，还是"所有活"的规矩。
做成技能的：有明确触发时机、有完整作业流程、有固定输出格式的能力。萃取就是典型——触发时机是Harvest之后，流程是初筛加终审，输出格式是三层JSONL记录。同类还有：检索协议、周报生成、文献综述。特征是边界清楚，来一趟干一趟，干的全是这一类。
写进设置的：全局都要遵守的规矩。文件目录结构、称呼口径、汇报方式、安全边界。比如"课题档案统一放研究根目录"这条，它不属于任何一类活，是所有活的地基，写进设置。特征是没有触发时机，永远生效。
拿这一弹对号：知识萃取本身是技能；而"cognition库在研究根目录、跟课题平级"是设置；"SEARCH-R流程在Survey前和Harvest后调用萃取技能"，也是设置——它管的是流程站位，不是萃取本身怎么干。
还有一条实用判据：会升级的做成技能，不许改的写进设置。 技能是活的，萃取方法迭代了，换一份技能定义就完事，Agent其他部分纹丝不动。设置是地基，能不动就不动。
实操交付物
观念讲完了，上货。三个交付物，正好对应这一弹的三步。萃取技能，把上一章的手艺装进Agent，平台通用，扣子、ChatGPT、Claude都行。知识库的schema和初始化指令，把库一次建对，格式定死不靠猜。SEARCH-R升级补丁，在流程对应环节显性调用技能。三张长图分别放在三节末尾，存图照配，拿来就用。
交付物①：知识萃取技能
第一个交付物就是萃取这门手艺的作业指导书，装进你日常用的Agent。扣子里可以做成子流程或插件；ChatGPT里存成Projects的自定义指令；Claude里就是一个SKILL文件。
技能全文我做成了一张文字长图，就放在本节末尾，存下来照着配就行。这里先把骨架讲清楚，一共五段。
触发时机。 什么时候自动用：每轮研究完成Harvest之后，自动萃取本轮成果；开新课题之前，自动跑检索协议；你说"萃取""入库""扫库"这些词的时候。
三层定义。 Fact、Metric、Insight各是什么、判据是什么，跟这一章讲的一致。再加上四类不合格内容，数据点、过程结论、工程设计、通识，一律不许进Insight层。
记录格式。 技能不自造格式，直接引用交付物②的schema：每层一条记录有哪些字段、哪些必填、什么类型，在那里全部定义死。Agent照schema写，检索照schema查，不靠猜。Insight层的action字段必填，写不出来就不算Insight。
存储规范。 默认写进研究根目录cognition库的三个JSONL文件，全局一份，不在课题里。一条一编号，一行一条记录，原子化追加。SQLite是里面的可选升级项：库超过三百条、检索开始靠翻文件拼的时候再启用。启用后数据库是唯一权威源，JSONL退化为抽查视图，写入双写同步。
检索协议。 技能的另一半。开新课题前扫库，报告三类结论：可复用的、前提不同的、可能矛盾的。引用必须报编号，矛盾必须显式上报、不许自行调和，库里没有就说没有，不现编。
测试方法：找一个你之前跟AI聊过的研究话题，触发技能跑一遍。Insight数量是0？别慌，说明之前的研究停在信息收集阶段，大部分人都是这样，从现在开始就行。Insight很多但质量不高？逐条做"所以呢"测试，写不出行动含义的降级。
交付物②：知识的schema和初始化指令
手艺教完了，还得有个地方放成果。第二个交付物干两件事：把库建起来，把格式定死。库就是前面说的全局cognition目录，初始化一次，往后所有课题共用。
先说初始化指令。把这段话发给你的Agent，一次就位：
在我的研究根目录下创建cognition文件夹，跟所有课题目录平级，内建facts.jsonl、metrics.jsonl、insights.jsonl三个空文件。以后每轮研究结束，萃取出的知识按层追加进对应文件，一行一条JSON记录，一条一个编号，不覆盖旧记录。这个目录是我的全量知识库，任何课题都往这里汇聚。
再说schema。三个文件结构相同，都是一行一条JSON记录，但每层字段不一样，这就是三层知识的身份证差异。完整字段表我做成了长图，就放在本节末尾，存图即用。先看每层的核心字段：
Fact层，要可验证。id、title、content、source、date必填，再带两个Fact专属字段：scope，这条事实的适用边界；verified，是否经过核实。
{ "id": "FAC-A12", "title": "工单来源有六个以上渠道且无统一入口", "content": "工单来源包括客服热线、政务热线、本地电话、微信群、营业厅等六个以上渠道，没有统一入口", "source": "AI供服员课题/业务梳理报告", "date": "2026-08-02", "scope": "调研样本范围内", "verified": true }
Metric层，要数字结构。Fact的必填字段都继承，另外必须带value、unit、metric、time四件套：数值、单位、指标口径、统计时间。再加method说明怎么测的，note记口径的坑。
{ "id": "MET-A07", "title": "高必然性投诉占比57%", "value": 57, "unit": "%", "metric": "高必然性投诉占比", "time": "2026-08", "scope": "7笔投诉工单逐笔分析", "method": "逐笔标注", "note": "样本量偏小但指向性强", "source": "AI供服员课题/低电压投诉调研报告", "date": "2026-08-10" }
Insight层，要行动含义。还是那些必填字段，但action必填，写不出action就不算Insight。再加transfer，这条洞见能迁移到哪些领域，跨课题复用就靠它。
{ "id": "INS-A03", "title": "用户表述与技术故障之间存在系统性语义鸿沟", "content": "用户不用专业术语，用功能性表述。从表述到技术原因需多步推理，正确路径是'生活体验→反推技术原因集合→排序排查'", "action": "输入接口设计为反推引擎，建立'用户表述→可能故障→概率排序'的映射", "transfer": ["医疗鉴别诊断", "IT运维根因分析"], "source": "AI供服员课题/低电压投诉调研报告（用户表述三层级结构）", "date": "2026-08-10" }
编号规则也定死在schema里：FAC-、MET-、INS-加课题号加序号，库里的每条知识一辈子只有一个编号，检索引用全靠它。
Schema定死的好处就一句：Agent照schema写，检索照schema查，不靠猜。 检索报"INS-A03"，你顺着编号就能拉出原文、来源、日期，整条证据链完整。
我自己的生产库已经是SQLite版，数据库为唯一权威源，文件是抽查视图，一千五百多条断言带全文索引。但技能里的SQLite是可选项：先用三个JSONL文件把萃取习惯跑起来，等库超过三百条、检索开始靠翻文件拼的时候再开，不迟。而且这一步几乎无痛，JSONL本来就是一行一记录，导库就是搬运。
库建好了，技能装了，还差最后一件事：让流程在正确的时机喊技能出场。
交付物③：SEARCH-R Agent 升级补丁
按上一章的判据，这三句话是设置不是技能：它们不教萃取怎么干，只规定流程站位。具体就三句话，追加到Agent配置里。接在"课题档案管理"之后就行，没配过SEARCH-R的先回第二弹。
Survey开题之前，先跑知识萃取技能的检索协议。扫库，报告三类结论，可复用的、前提不同的、可能矛盾的，然后再定研究路线。
Harvest收割之后，自动跑知识萃取技能。萃取本轮成果，汇报各层统计和Insight候选清单，等你终审。每回大规模萃取之后，再反向查一遍：新入库的洞见，有没有影响更早课题的结论。
新旧结论冲突时，Agent报三个选项你来拍板：修订，旧条目不删，标注"已由某某修正"；失效，标注原因；分家，各自补上适用边界。不许静默删除。
说明一句：这个补丁故意写得这么薄。萃取怎么做、存哪里、怎么检索，全收在技能和schema里；补丁只负责在SEARCH-R的正确位置喊一声"该用技能了"。技能和流程分开，往后技能升级，比如从JSONL文件迁到SQLite，流程一个字都不用改。
这套技能只管萃取和检索，不管关联扫描。洞见与洞见之间的连接、跨课题的网络，那是第四弹的事，到时候再加一个模块。
结尾
回到开头那两件事。
新课题从零起步。现在AI开题前先扫知识库，能复用的直接复用。触发复用的不再是你的记忆，是它的必查动作。敏感客户课题站在三重阈值链上开题，这就是它该有的样子。
隐隐觉得不对、要靠人肉回忆去查证。现在矛盾结论会被显式报告出来。你的直觉说"好像研究过"，它就能真去查给你看；你还没起疑的时候，回扫自己就把矛盾摆到你面前。"无根"那条判断被修正，靠的就是这个机制，不是我记性好。
你的脑子从"索引"的岗位上退下来了。它只干最擅长的那件事：判断。
第二弹说过，研究的复利要靠循环往下钻。这一弹补上另一半：复利要入账。 找出来、存下来、用起来，三个动作转起来，每个课题炼出的洞见进了库，下一个课题才能站在它上面。不入账的复利不是复利，是流水。
但走到这里，也只是把"断"接上了。每个课题的知识进了同一个库，能查，能追溯。你的知识库，现在是一摞整理好的卡片。
卡片攒多了，新问题会冒出来：这些卡片之间是什么关系？哪几张讲的是同一件事？哪几张连起来，能拼出一张你从没见过的图？
这已经不是"存"和"查"能回答的了。你要让洞见之间发生连接，支撑的、矛盾的、同构的，把一摞卡片织成一张网。
第四弹讲这个：知识关联图，洞见连成网，网里长出新知识。
如果这篇文章对你有用，点个"在看"，或者转给一个正在做笔记却从没回看过的朋友。
你现在的笔记方式是什么？收藏夹吃灰型，还是软件囤积型？评论区聊聊。
进阶实战，在行动实验室
文章里的交付物做成了长图，存图照抄，能用。但我知道不少人想要的是更进一步的东西：完整可导入的智能体和技能。不用对着长图一行行抄，导入包直接拿走，装上就跑。
再往远一步，是构建你自己完整的业务智能体：从研究底座起步，问题澄清、需求梳理、原型落地，一圈一圈长成贴合你自己业务的模样。
这两件事，我每周都在知识星球「行动实验室」带着一批人实打实地做：智能体和技能的导入包直接拿，每一期的课题实操、踩坑复盘，都是跑过才写的。
想从"看懂了"走到"用起来了"，欢迎进来一起练。
