OPEN KNOWLEDGE STUDIO

托管你的学习

你给目标、材料和反馈，Agent 负责执行与整理。OKS 把经过确认的判断保存下来，让下一次任务接着做，而不是从头解释。

教 Agent 学会一件事查看真实案例

Agent 会做事，但不会自然记住你的判断

一次任务里，你会纠正事实、说明边界、否决方案，也会告诉 Agent 什么结果才算完成。会话结束、上下文压缩或执行者切换后，这些判断很容易消失。下一次任务于是又从解释背景开始。

OKS 要解决的问题是：

Agent 如何在人机协同中持续学习，并保持长任务执行的稳定？

这里的“学习”不是修改模型权重，而是让 Agent 使用一套由人类反馈持续校准、能够追溯来源的外部知识模型。

你负责判断，Agent 负责执行

你给方向

说明要解决的问题、什么不能做、哪些证据可信，并决定一条经验是否值得长期保留。

Agent 做工作

查找已有知识、处理材料、记录执行过程、暴露冲突，并把可能有用的经验整理成待审核提议。

OKS 保持连续

保存来源、提议、审核结果和使用反馈，让后续 Agent 能沿用已经确认的判断。

一次学习如何发生

flowchart LR
    H1["人类提出目标与边界"] --> R["Agent 召回已有知识"]
    R --> A["Agent 执行并收集证据"]
    A --> C["Agent 提出可复用的经验"]
    C --> H2{"人类审核"}
    H2 -->|接受或修改| K["成为长期知识"]
    H2 -->|拒绝| F["保留反馈"]
    K --> N["下一次任务继续使用"]
    F --> N

Agent 可以提出知识，但不能批准自己的提议。被使用很多次也只能说明它常被需要，不能证明它一定正确。

使用时，你只需要做三件事

告诉 Agent 你正在解决什么，以及哪些决定必须由你做。
提供材料，或允许 Agent 在约定范围内收集证据。
审核 Agent 提出的长期知识：接受、修改、拒绝，或者暂时不决定。

安装、收录、整理、保存和召回都由 Agent 调用 OKS 完成。你不需要记住命令，也不需要理解目录结构才能开始。

它不会替你做什么

来源被保存，不代表来源中的主张已经证实。
Agent 写出的总结，不会自动变成长期知识。
证据不足时，系统应说明缺口，而不是补出一个确定答案。
发布、合并、删除和外部发送等高风险动作，仍需要人的明确授权。

从第一次学习循环开始，或直接阅读案例托管你的学习。