从 0 开始搭建个人专属 AI 工作流：建立个人知识库，让 AI 更懂你【系列第 5 篇】

一、前面四篇已经让你能"用"AI，但还有一个问题

回顾一下我们已经搭建的能力：

第 1 篇：理解 AI 工作流 第 2 篇：写出可复用 Prompt 模板 第 3 篇：把高频 Prompt 封装成 Skill 第 4 篇：让 AI 连接工具，从会回答到能执行

现在你的 AI 已经可以：

• 按照固定流程帮你完成任务；
• 调用搜索、文件、代码等外部工具；
• 在单次会话中稳定地产出结果。

但你会遇到一个新问题：

每次换一个会话，AI 就"忘记"了你之前的偏好、资料和项目上下文。

又要重新解释一遍你的写作风格，又要重新上传参考文档，又要重新描述项目规则。

这种感觉就像每次开会都要跟一个新同事从头介绍你的工作。

这就是本篇文章要解决的问题：

如何建立一个"个人 AI 知识库"，让 AI 跨会话记住你的资料、风格和项目？

二、先搞清楚"知识库"和"上下文"的区别

很多人以为 AI 聊天窗口里的历史记录就是知识库。

不是的。

一句话区分：

上下文让 AI 记住这次聊了什么；知识库让 AI 记住你这个人。

三、权威资料怎么说？

Anthropic 在 Claude Memory Tool 官方文档中描述了一种"跨会话持久化存储"的能力——AI 可以在/memories目录下创建、读取、更新和删除文件，把单次对话中学到的信息保存下来，供后续会话复用。

Anthropic Managed Agents 平台也提供了 Memory Store 功能：可以作为附加资源挂载到会话中，AI 用标准文件工具读写，每个变更都会产生不可变的版本记录。

OpenAI 在 Agents SDK 文档和官方博客关于 AI Agent 实践指南中也强调：一个实用的 Agent 需要具备持久化状态与长期记忆。

Microsoft Copilot Studio 则将知识库作为 Agent 的核心能力来源之一，包括文件、网页、数据库和企业系统。

所以，知识库不是锦上添花——

它是让 AI 工作流从"执行工具"升级为"理解你"的关键组件。

四、一个最简单的个人知识库长什么样？

你不用学 RAG 架构，不用搭向量数据库。

搭建一个最小可用的个人 AI 知识库，只需要一个文件夹。

/knowledge-base ├── 我的AI使用规范.md ├── 我的项目上下文.md ├── 常用模板.md ├── 参考资料/ │ ├── 风格分析.md │ └── 优秀案例.md └── 工作流模板/ └── ******.md

每一份文件，就是一条"长期记忆"。

每次开启 AI 会话，你可以让 AI 读取我的AI写作规范.md，它就立刻"想起"了你的偏好。

五、知识库里该放什么？

知识库的内容应该是你反复用到、但不属于通用知识的信息。

建议从这 5 类开始：

1. 你的个人风格与规范

# 我的AI使用规范 ## 语言风格 - 面向某某群体或领域，用通俗类比，不堆砌术语 - 每个概念加一个生活化例子 - 不使用夸张营销语 ## 结构 - 以痛点开头 - 用小节分割，每节不超过500字 - 具体要求 - 。。。。。。。 ## 禁止事项 - 不编造数据和来源 - 。。。。。。。 - 不确定的信息标注"需要核验"

2. 项目上下文

# 我的项目上下文 ## 当前项目 描述进度 ## 项目文件夹结构 ## 关键决策记录 - 系列统一用。。。。。。 - 。。。。。。。 - 。。。。。。。

3. 常见任务模板

把之前沉淀的模板放进来：

# 什么什么模板 ## 选题输入 主题：{主题} 目标读者：{目标读者} ## 流程 1. 先分析痛点 2. 再生成。。。。 3. 写初稿 4. 自查：逻辑、例子、可读性 5. 最终定稿

4. 参考资料

把优质文章的链接、摘要、核心观点放进来。

5. 工作日志

# 工作日志 ## 2026-08-05 进度完成情况或者一些其他要求

六、进阶方向

当你积累了一定量的知识库文件，可以考虑：

1. 用 Skill 封装知识库加载

把"每次对话加载知识库"变成 Skill：

.claude/skills/load-my-knowledge/ └── SKILL.md

内容：

--- name: load-my-knowledge description: 在开始任何写作或项目任务前，自动加载用户个人知识库中的规范、模板和上下文。 --- # 加载个人知识库 ## 启动步骤 1. 读取 ~/my-ai-knowledge-base/规范/ 目录下的所有文件； 2. 读取 ~/my-ai-knowledge-base/项目上下文/ 目录下的项目信息； 3. 在本次对话中始终遵循上述规范。

2. 引入向量检索

当知识库文件超过 20 个，靠文件名和目录组织就不够用了。

这时可以引入RAG（Retrieval-Augmented Generation）的思路：

用户提问 → 关键词检索 → 找到最相关的知识库片段 → 注入Prompt上下文 → AI回答

入门方案推荐：

• Claude 内建 Memory Tool / Memory Store；
• OpenAI Assistants 的 File Search；
• 轻量本地方案：用chromadb+sentence-transformers搭一个本地检索。

但记住一个原则：

先用文件夹管好内容，别一上来就搭向量库。

先把知识沉淀、分类、验证效果，再考虑自动化检索。

3. 接入真实数据源

当你想让 AI 自动获取最新信息，可以接入：

• 你的笔记工具（如 Notion、Obsidian）；
• 你的任务管理工具（如 Todoist、滴答清单）；
• 你的阅读记录（如 Readwise、Cubox）。

七、知识库的 3 条原则

1. 先有习惯，再有系统

最怕的是搭了一个精致的知识库，但从来不更新。

建议从每天只写 1 条记录开始。

2. 用 AI 帮你维护知识库

你不需要手动归类每一句话。

可以定期让 AI 帮你：

请读取我过去一周的对话记录，提炼出： 1. 我的新偏好； 2. 我需要加入知识库的信息； 3. 哪些旧的规范已经不适用了。

3. 知识库要适配工作流，而不是反过来

如果你的工作流还在用第 2 篇的 Prompt 模板，知识库就放模板和规范。

如果你的工作流已经接入工具（第 4 篇），知识库就放工具的配置说明、常用参数、安全边界。

知识库为工作流服务，不是独立系统。

八、总结

这一篇我们讲清楚了个人 AI 知识库的核心：

1. 聊天上下文 ≠ 知识库，前者是短期缓存，后者是长期记忆；
2. 最小可用的知识库就是一个文件夹，不需要向量库；
3. 知识库里放风格规范、项目上下文、模板、参考资料和工作日志；
4. 每次对话前加载知识库、对话后更新知识库，形成闭环；
5. 先用文件夹管理内容，再考虑向量检索和自动化。

参考资料

1. Anthropic Claude 官方文档：Memory tool
2. Anthropic Claude 官方文档：Managed Agents — Memory stores
3. Anthropic 资源：Building Effective AI Agents
4. OpenAI Agents SDK 官方文档：Tools
5. OpenAI 官方博客：A practical guide to building AI agents
6. Microsoft Learn：Tools overview for agents — Copilot Studio
7. Microsoft Learn：Agent Framework documentation