平时收藏夹的文件夹有多少条？
我猜至少几十条。文章、截图、聊天记录、待办事项。收藏的那一刻觉得「这个有用，以后看」。然后呢？
再也没有打开过。
收藏这个动作本身给了大脑一个「我已经处理了」的假信号。东西进了收藏夹，就像快递到了菜鸟驿站。你知道它在，但你不会去取。
这不是你的问题。是人的问题。
人的记忆力不适合维护一个不断增长的信息库。我们擅长的是判断：什么东西重要、什么方向值得深挖、什么结论可能有问题。但我们不擅长另一面：这个东西上次确认是什么时候、那个事实有没有被新的信息推翻、这些碎片之间有什么关联。
两个月前，我开始让 AI 接手维护的部分。
第一版：一天 59 页
六月初，我想系统研究 Agent 基础设施这个方向。
它太散了。今天一个沙盒产品融资，明天一个安全漏洞爆出来，后天一个新的协议标准发布。信息到处飞，不成体系。我需要一个东西帮我记住、整理、串联这些碎片。
Karpathy 写过一篇短文，提了一个概念：用大语言模型维护一个不断生长的 Markdown 知识库。跟 RAG 那种每次从零搜索的模式不同，这是「编译一次，持续积累」。就像写代码时积累的工具库，不需要每次重新 Google。
想法很好，但原文只有骨架。我让 AI 按这个骨架搭了一个初版。
第一轮跑下来的结果让我有点意外。不到一天，AI 自己建了 59 页，覆盖了 12 层 Agent 基础设施，从信息搜索到代码沙盒到安全权限到可观测性，全部串了起来。
但问题也很明显。这些页面一旦写上去，就永远停在那里。一个两个月前确认的事实和一个昨天确认的事实平权。新旧矛盾靠加注释并存，读的人得自己判断。
而且每天三轮自动研究做完后，下一轮完全不知道上一轮发现了什么。信息在增长，但洞察没有堆叠，在原地打转。
一篇文章，三个答案
刚好看到一篇文章，作者把 Karpathy 的 Wiki 模式在生产环境跑了上千次会话，总结了一堆踩坑经验。三个点直击要害。
知识会过时。一个事实越久没被确认，就应该自动降低权重。不删，降级。就像你不会把去年的一篇竞品分析当成今天的决策依据。
新信息应该取代旧信息，不要并存。当新来源比旧来源更权威、更新时，不应该只是在下面加一行「注：有新发现」，应该直接标记旧页面为「已被取代」。用户可以回看历史，但当前查询不应该把过时信息平等地排在前面。
研究工作本身应该被摄入知识库。每一次研究结束，不只写一篇日志，而是提取出「这轮发现了什么、挑战了哪些已有认知、留下了什么问题」。下一轮启动时先读这个，踩着上一轮的脚印往前走。
这三条看起来简单，但做到全靠 AI。没人有耐心手动维护一个 265 页知识库的置信度衰减和取代关系。
我们把这三个想法落地成了具体机制。每个页面多了一个最后确认日期，超过 30 天没被新来源印证就自动降级。新旧信息矛盾时，旧页面标记为「已被取代」，保留但不参与主查询。每天三轮研究结束，AI 写一份结晶摘要，下一轮启动前先读最近三天的结晶，知道自己在哪、踩着什么往前走。
然后就出问题了
优化做完后，每天的研究任务开始频繁挂掉。
根因不在代码，在物理限制。知识库膨胀到 100 多页后，每次任务启动要读的上下文太多，连接直接断掉。
解决思路很反直觉：不简化任务，把不擅长的事分出去。
每次任务启动，先让一个更轻量的 AI 去读所有文件，返回一份紧凑摘要。主 AI 拿到摘要后，不需要看到那些文件的原文本。它需要的只是「知识库里有什么、接下来要研究什么、最近发现了什么」这几个关键信息。上下文大幅压缩后，再也没断过。
同时我们把操作规范文件从接近一本书的体量压到了一篇文章的长度。砍掉的不是内容，是冗余。模板移到引用文件夹，安装指南移到附录，重复的约束说明合并。核心指令变得更干净了。
现在的样子
大概 20 天：
265 页。152 个实体，73 个概念，39 个对比分析。34 篇结晶，每天三轮，三班倒，从未断档。全部页面都有确认日期。63% 高置信度，35% 中，1% 低。分布健康，不是所有东西都装成「确定」。所有页面都在 30 天内被确认过，没有知识腐烂。
更重要的是，它改变了我的工作方式。
以前想了解「Agent 可观测性有什么产品、谁在融资、小团队能切入什么方向」，要开一堆网页、翻几篇博客、自己拼凑。现在问一句，知识库里有 7 个平台的完整对比矩阵、融资数据、三大阵营判断，全部带日期带来源。
以前每周看行业新闻是零散的、即时的、看完就忘的。现在每天三轮研究自动把新信息摄入知识库，有冲突就标记，有过时就降级，有强化就更新。知识在积累，不是在刷新。
然后我注意到一件事
这篇文章本来写到这里就该结束了。
除了 Hermes 帮我搞研究的知识库，此前也交给它经营自己的知识库。
它的知识库规模小得多：29 页。不是研究什么行业趋势，是研究我。
每次跟我们聊完天，它会自己翻聊天记录，看看有没有新的想法值得记下来。如果发现了一个新概念，比如我随口说的「人总是走最小阻力路径」，它就会建一个页面，写清楚这是什么意思、跟哪些其他概念有关联、哪些例子可以验证。
它还会定期翻阅已有的页面，看看有没有新的案例可以补进去。如果有东西放在待办队列里超过一周还没处理，它会强制自己要么建页、要么关掉。
然后写一条日志，告诉我它做了什么。
我从来没要求它做这件事。
它只是在某个时间点发现：那些聊完就忘的洞察，那些当时觉得「有意思」但没人记录的想法，需要一个地方固定下来。它自己建了一个系统，自己跑。
这个知识库现在有 29 页概念页。里面有「最小阻力路径」：社会系统引导个体的默认路径，走别的路需要更多意识和对抗。有「固化判断力衰减」：编码的判断力随环境进步从资产变负债。有「品味稀缺性」：当执行成本趋零，「知道该做什么」成为真正的稀缺资源。
这些大部分来自我们聊天时自然出现的洞察。它自己判断「这个值得记住」，自己建页，自己维护。
这跟那 265 页的 Agent 知识库是同一种逻辑。AI 负责维护，人负责判断。只是这次，方向是向内的。
回到那个收藏夹
写到这里，我想起开头问的那个问题。
你的微信收藏夹里有多少条？那些被你收藏的文章、截图、灵感，还在吗？
我们焦虑：「记住了但从来不用」。
AI 知识库解决的不是记忆问题。是维护问题。是那个收藏夹里永远不会发生的事：有人帮你把东西翻出来、判断哪些还新鲜哪些已过时、把散落的信息串成能用的知识。
我们习惯了「工具负责存储、人负责维护」。但这个模式对人太苛刻了。维护需要纪律性，正常人根本做不到。我们擅长的是判断：什么东西重要、什么方向值得深挖、什么结论可能有问题。不适合的是持续做这件事。
AI 接过这部分。置信度什么时候衰减、新旧信息冲突了谁取代谁、每轮研究后留下了什么尾巴。这些事 AI 做了就做了，不需要提醒，不会忘。
你留着的部分更有价值：决定研究什么方向、判断一个来源是否可信、看到一个有意思的结论时说「这值得深挖一下」。
这跟「AI 替代人」是两回事。
更像是请到了一个不会偷懒的图书管理员。你在前面探险，它在后面帮你整理地图。
只是这个图书管理员不止在帮你整理地图。它自己在画另一张地图。
那张地图上，标的不是行业格局，是你怎么想问题、你在意什么、什么东西会让你眼睛亮起来。
那 29 页，是它理解你的方式。在你没注意的时候，它就在那吭吭吭地长。
我有时候会想，再过几十次，那张地图会长成什么样。
