知识即模型
你不能每天重新训练底座模型，但可以持续训练一套 Agent 能够读取、审查和修正的知识模型。
这不是权重训练
OKS 不修改大模型参数。“知识即模型”描述的是一套外部心智模型：Goal、Profile、Evidence、Candidate、Wiki、Trace 共同决定 Agent 在一个任务里知道什么、相信到什么程度、接下来该做什么。
它与黑盒记忆的区别在于：
- 你能看到每条知识；
- 你能追到来源；
- 你能拒绝 AI 的提议；
- 你能记录新知识如何补充或挑战旧知识；
- 你可以用 Git 携带、比较和恢复它。
人类反馈是训练信号
| OKS 动作 | 训练循环中的作用 |
|---|---|
| 设定 Goal | 定义当前优化方向与边界 |
| 收集 Evidence | 保存原始观察，不抢先下结论 |
| AI 写 Candidate | 提出可审查的知识更新 |
| 人类 Promote / Reject / Edit | 提供正向、负向和修正反馈 |
| Wiki 演化 | 保存经过批准的长期判断 |
| Recall 与任务反馈 | 检查知识是否真正帮助了执行 |
| Decay / supersedes / challenges | 处理过时、替代和冲突 |
人类不需要给每条知识机械打分。更重要的是设定 Goal，在关键状态变化处做判断，并把失败原因留下来。
为什么能帮助长任务
长任务不稳定通常不是因为 Agent 少生成了一段文字，而是因为目标、约束、证据和中间判断在多轮执行中逐渐漂移。
OKS 将这些状态分开保存：
- Goal 提供任务方向；
- Profile 提供稳定背景；
- Trace 说明执行发生了什么；
- Raw 保存可以重查的来源；
- Wiki 提供经过人审的长期判断；
- Recall 在新一轮执行前恢复相关上下文。
这样，任务可以跨会话继续，同时仍然知道哪些内容只是来源、哪些是 AI 推断、哪些已由人确认。
不可越过的边界
- AI 不能批准自己的 Candidate。
- 重复使用不能把内容升级为真相。
- Raw 不因格式整洁而变成 Wiki。
- 缺少证据时应保持
partial或failed。 - 任何提高信任的状态都必须来自系统外部事实：人类审核、执行证据或独立复核。