理念：知识库即模型

你的知识库就是你的模型——你每天都在训练它。

大模型是别人训练好的，权重固定，人人拿到的都一样。但你每天读到的东西、踩过的坑、验证过的判断，模型不会记得——这些只属于你。Open Knowledge Studio 让你把它们沉淀成一份可以被检索、会随时间演化、由你亲手校准的知识库。

换个角度看：知识库就是你的模型，而你，是它的训练者。

一个你已经熟悉的循环

如果把 OKS 的管线对照人类反馈强化学习（RLHF），每一步都能找到对应：

OKS 里的动作	训练里的角色	在做什么
设定 goal（年/月/周/日）	目标函数 / 约束边界	人类划定方向，对抗熵增
收集每天看到的信息	采样 / 观察	攒下原始经验
AI 处理后落入 `raw/`	数据预处理	转格式，不转知识
`/ingest` A/B/C 分级	数据筛选	决定什么值得进一步加工
`/promote` 人工审查	人类反馈	在 goal 约束下决定留 / 改 / 弃
写入 `wiki/`	权重更新	沉淀为持久知识
`oks search` / `/query` 召回	推理	用学到的东西回答当下问题
衰减与知识演化	正则化 / 遗忘	让过时的淡出，常用的变强

这不是比喻上的巧合。反馈驱动的迭代，本来就是”让一个系统越来越懂你”的通用形状。区别只是：这里被训练的不是神经网络，是一份你看得见、改得动、带得走的 Markdown 知识库。

熵增与 goal：训练的真正杠杆

说到底，训练的信号来自人类判断——你就是标注师。但标注可以发生在两个层次：

实例级：/promote 逐条决定这条留、改、还是弃。
目标级：设 goal，决定什么方向、什么样的知识才算”好”。

目标级尤其关键，因为模型的输出天然熵增——不加约束地生成，知识就会发散、堆砌、跑题，攒得越多越乱。goal 就是那条对抗熵增的边界：

人类设定年 / 月 / 周 / 日的 goal，为 AI 划定方向。
AI 在这个边界内持续执行、入库、学习，不会越跑越散。
有了 goal，工作才能持续下去，而不是每次都从零对齐。

所以真正的训练循环是这样反复的：

人类 discuss → set goal        （划定边界，压住熵增）
      ↓
AI 执行 → 入库（raw → wiki）    （在边界内积累）
      ↓
learning（召回 + 衰减 + 演化）  （沉淀成越来越懂你的知识）
      ↓
回到 discuss，调整 goal          （反复迭代）

人类做的”训练”，本质是不断设定与校准 goal，而不是给每条知识打分。/promote 的取舍，也是在 goal 的约束下才有方向。

OKS 把 goal 作为一等公民：它们存在 profiles/goals/，且 active goal 会给匹配领域的召回加权（见记忆模型）。设定 goal 不只是写给自己看——它直接改变知识库召回什么。

这也解释了独特性：底座模型人人相同，但你的 goal 不同、边界不同、取舍不同，于是每个人的知识库各不相同。这份差异，就是你相对通用模型的护城河。

第一步该做什么

跑通一次最小闭环，而不是先设计一套完美体系：

给自己设一个本周的小 goal（比如”搞懂 X”）——这就是边界。
把今天看到的一条相关信息存进 raw/。
蒸馏 / 审查出一条 wiki/ 记忆。
搜一次，确认它能被召回。

一旦这个环转起来，后面的分级、衰减、指标才有意义。

暂时别管什么

别追指标完美——指标是用来看趋势的，不是第一天的考卷。
别一次配好所有域——22 个知识域是骨架，用到哪个填哪个。
别纠结”这条够不够格进 wiki”——留不确定的进 drafts/，审查时再定。

接下来读哪里

自动驾驶：这份”标注”随自动化程度如何从逐条上移到定策略。
案例：把这套循环用在简历、GitHub、科研上具体长什么样。
每日循环：把上面的循环变成每天都能跑的流程。
知识库指标：用四个维度看你的知识库训练得怎么样。
Dreaming 循环：AI 如何帮你从 raw 蒸馏候选，由你拍板。