LLM-Powered Knowledge System

把混亂
變成知識

你只管收集素材,AI 負責整理、連結、維護。
一套基於 LLM 驅動的個人知識管理架構。

往下看架構

兩層資料分離

原始素材與結構化知識徹底分開。原始內容永遠不被修改,知識層持續演進。

L0 · 原始層

raw/

素材的唯一入口——丟進來就好

  • 📥
    raw/
    根目錄:丟入任何素材,不分類、不整理
  • 📁
    raw/done/
    已整理:加上 metadata,但原始內容不改
  • 📰
    articles/ books/ conversations/ clippings/
    AI 自動按類型歸檔到對應子資料夾
LLM 編譯
L1 · 知識層

wiki/

結構化知識庫——AI 持續維護與強化

  • 💡
    concepts/
    核心概念與定義,一篇一概念
  • 🛠
    howto/
    操作指南、SOP、步驟教學
  • 📋
    references/
    速查表、參考資料
  • 📝
    logs/
    AI 對話整理後的知識紀錄

資訊流全景圖

從素材進入到知識產出,每一步的資料流向。

📥

raw/

不可修改 · 唯一入口

所有外部素材的第一站。文章、截圖、PDF、語音筆記——統統丟進來,不用分類。

AI 讀取 & 分類
📁

raw/done/

加 metadata · 內容不改

AI 判斷素材類型,加上 frontmatter 後歸檔。原始內容保持原樣——這是歷史紀錄。

  • articles/ — 文章、網頁
  • books/ — 書籍筆記
  • conversations/ — 對話紀錄
  • clippings/ — 剪貼、截圖
🤖

LLM

核心引擎

負責編譯、連結、查詢、校驗——所有智慧工作的中樞。

📖

wiki/

完整編輯 · 持續演進

結構化知識庫。AI 提取核心概念、寫摘要、建立雙向連結,形成知識網絡。

  • concepts/ — 概念定義
  • howto/ — 操作指南
  • references/ — 參考速查
  • logs/ — 對話知識紀錄
歸檔保存
編譯 & 整理
寫入知識
💬

查詢 & 產出

自然語言問答

用自然語言對知識庫提問,AI 交叉比對所有筆記回答。有價值的發現回寫 wiki。

  • 不需要 RAG 架構
  • 靠索引與摘要定位
  • 每次查詢都在累積
🔍

校驗 Lint

品質守門員

定期健檢:找矛盾、補缺漏、清死連結、標記過期內容。

📤

artifact/

對外產出

從知識庫產出的內容——社群貼文、簡報文稿、電子報、部落格草稿。

  • 知識進,成品出
  • 不是素材也不是知識
  • 格式依用途決定
修正回寫 wiki
品質報告

五階段一覽

整套系統的運作,濃縮成五個步驟。

📥
收集
Capture
丟進 raw/,不用管分類。Web Clipper 一鍵擷取。
⚙️
編譯
Compile
LLM 讀取素材,自動產出結構化的 wiki 筆記。
🔗
連結
Link
AI 建立雙向連結,形成可探索的知識網絡。
💬
查詢
Query
自然語言提問,AI 交叉比對所有筆記回答。
🔄
回饋
Feedback
有價值的發現回寫 wiki,知識庫持續強化。

不只是個人筆記

同一套架構,適用於不同規模與場景。

📚

個人知識管理

把散落各處的文章、筆記、靈感統一管理。讀過的東西不再「讀完就忘」,每次查詢都在強化記憶。

🏢

公司治理 Wiki

部門制度寫成互相連結的 Wiki。AI 自動偵測跨部門矛盾,追蹤合規狀態,新人一問就懂。

🔬

研究文獻管理

論文、實驗紀錄、數據集一起管理。AI 幫你找出不同研究之間的隱藏關聯與知識缺口。

溯源機制

每一條知識都能追溯到原始素材。一篇 wiki 筆記可以對應多個來源。

wiki/concepts/llm-知識庫.md
└─ source:
→ raw/done/articles/karpathy-post.md
→ raw/done/articles/補充資料.md
(後來補充的素材,合併到同一篇 wiki)