知识库解决的就是这个问题——让 Agent 在回答之前，先去"翻书"。你提问，它先检索相关片段，只把有用的那部分塞进上下文，再回答。 我实际用下来最香的几个场景： 代码库理解。项目有几万行代码，我问"鉴权逻辑在哪"，不用扫全部文件，直接检索出相关函数。克莱德 Code 本身就在做这件事。 不用重复解释。我之前跟 Hermes 说过好几次"我是 macOS ARM64，没有 Homebrew"。每次新对话它还是会建议我 brew install。后来我把这条写进知识库，再也没出过这种问题。 私有文档问答。公司内部的 API 文档、产品手册，训练数据里肯定没有。但索引进知识库之后，Agent 就能准确引用，不会瞎编。 长期项目记忆。我和 Hermes 聊了几个月的设计决策，全部索引后，它能回答"我们之前为什么放弃方案B"。不用翻聊天记录，它自己就知道。 说一下我自己的做法。 我会把踩过的坑和有价值的项目都写进知识库。每次踩坑，不只修完就走，而是把坑点写成 Markdown 存进 Obsidian。每个项目做完，把架构决策、技术选型、关键代码位置记下来。 我的知识库结构大概是这样：projects/ 存项目文档，learning/ 存踩坑记录，articles/ 存写过的文章，entities/ 存工具和框架。用 Obsidian 管理，Markdown 写作，每个页面互相引用，形成知识网络。 三种建库方法，从简单到硬核： 第一种，文件夹加 Markdown。零成本，把知识写成 .md 文件放到 Agent 能读的目录就行。Hermes 的 CLAUDE.md 和 skills/ 就是这个思路。效果立竿见影，但只能做文件检索。 第二种，Embedding 加向量数据库。文档切块，转成向量，存进数据库，提问时语义检索。这是我目前在用的方案，用 knowledge-rag 搭建，Obsidian 文档自动同步，通过 MCP 注册到 Hermes 和克莱德 Code 两端。 第三种，图数据库加知识图谱。把知识拆成实体和关系，顺着关系链找上下文。适合复杂项目，搭建成本最高。 知识库不是什么高大上的东西。它就是让你的 Agent 别每次都从零开始。 #skill #AI工具 #ai #agent #大模型 #AI人工智能