每日循环：训练你的知识库

知识库不是一次配好的，而是每天一点点练出来的。

理念那一页说明了”为什么”——知识库是你亲手训练的模型。这一页讲”怎么练”：一个每天都能跑、越跑越顺的闭环。

闭环长什么样

① 收集   你每天看到的信息（多维表格 / 收藏 / 剪藏 / 对话）
   ↓
② 入料   AI 处理成 markdown，落入 raw/{YYYY}/{MM}/{DD}/{source}/
   ↓      （转格式，不转知识——保真为先）
③ 分级   /ingest → A/B/C，抽出候选 drafts/
   ↓
④ 审查   /promote → 你决定：留 / 改 / 弃（这一步 = 打标注）
   ↓
⑤ 沉淀   通过的写入 wiki/，成为带衰减的持久记忆
   ↓
⑥ 召回   oks search / /query → 用得多的变强，没用的慢慢衰减
   ↓
  （反馈回到明天的收集：你发现缺什么，就去补什么）

每一环都在给知识库一点反馈，明天的它就比今天更懂你。

六步展开

① 收集——把入口固定下来。很多人用多维表格每天汇入看到的文章、片段、链接；也可以是浏览器收藏、笔记速记。关键是低摩擦：先攒下来，别当场纠结要不要留。

② 入料到 raw/——让 AI 把原始内容整理成 markdown 放进 raw/，按日期和来源归档。这一步只做模态转换（网页→文本、视频→字幕），不做提炼。原则见 Raw Materials。

③ 分级 /ingest——对当天的 raw 做 A/B/C 分级：A 值得马上蒸馏，B 先留着，C 大概率是噪音。有价值的部分抽成 drafts/ 候选。

④ 审查 /promote——这是整个循环里最像”训练”的一步。 你逐条决定留、改、还是弃。你的判断就是奖励信号，塑造知识库的走向。

⑤ 沉淀到 wiki/——通过审查的写入 wiki/，带上类型、重要度、来源链路，从此进入衰减与召回体系。

⑥ 召回反馈——日常用 oks search / /query 检索。被反复召回的知识分数走高、更”敏锐”；长期没用到的按衰减系统淡出。用得上用不上，本身就是最真实的反馈。

闭环跑顺后，你会自然发现”某个主题我攒了一堆 raw 却没沉淀”或”某类知识老是搜不到”——这就是下一轮该补的方向。反馈驱动迭代，正是这个意思。

第一步该做什么

今天只跑通一圈，哪怕只有一条：

收集一条今天看到的有用信息 → 存进 raw/。
/ingest 分级 → /promote 审查出一条 wiki/。
oks search 搜一次，确认能召回。

明天再来一圈。迭代跑通，比一次配好整套体系重要得多。

暂时别管什么

别追求当天清空 raw/——攒着没关系，B 级材料本就该慢慢发酵。
别为收集环节上重工具——多维表格、笔记、甚至一个文本文件都行，先让流程转起来。
别怕留下”没用的”——衰减会自动处理，你不必手动打扫。

接下来读哪里

知识库指标：用四维报告卡看这个循环有没有让知识库变好。
Dreaming 循环：③④ 两步背后的蒸馏与审查机制。
理念：这个循环为什么等价于”训练你自己的模型”。