别再羡慕别人的知识图谱快照了，我用WorkBuddy+llmwiki+obsidian打造双环知识飞轮，和99%人的玩法不一样（打包拿走）

最近刷到很多这样的分享："我用 WorkBuddy / Codex + Obsidian，打造了一个会自增长的知识库。" 配一张星光点点的知识图谱，几百个节点连成一张漂亮的网，中间还有几条主干把它们串起来。评论区一片"求教程""这也太强了"，点赞转发一大片。

我盯着那张图看了很久，然后想说一句可能不太受欢迎的话：

他们大多数人，没做到知识的自增长。你只是完成了一次初始化。

这不是抬杠。我自己也搭了这么一套——用它把 5 本书、339 个思维模型炼成了一个 550+ 节点的活库。

正因为我真搭过、真踩过坑，我才越来越确定：市面上九成的"自增长知识库"，都停在了一个看起来很美、其实只转了半圈的地方。

这篇文章想把那半圈补完，也把"到底怎么搭"一步步讲清楚。

一、大多数"自增长库"，藏了两层假象

第一层：初始化，不是自增长

把 5 本书、100 篇文章一次性 ingest 进库，让 AI 生成一张漂亮的图谱——这是一次性的搬运，不是飞轮。

飞轮的定义是"不靠你持续手动喂，它自己越转越快"。可他们的库，手一停就停止生长。你上周跟同事的一次关键讨论、今天在项目里踩的一个坑、刚刚读到的一个反直觉的观点——这些新的活知识，不会自己爬进那张图里。等你下次要用的时候，翻遍库也找不到，因为它压根没进去。照样"书到用时方恨少"。

漂亮的图谱是一张快照，不是一台飞轮。 很多人晒的，是搭建完成那一瞬间的烟花，不是持续燃烧的引擎。烟花很好看，但它不发电。

举个具体的对比你就懂了：

• 快照式的库：你 2 月份 ingest 了 5 本书，此后半年，库还是那 5 本书。它没变笨，但也一点没变聪明。

• 飞轮式的库：你 2 月份起步是 5 本书，到 8 月，它自动吸收了你这半年 200 次对话里的洞察、30 篇随手读的文章、10 次项目复盘——而你一次都没手动搬运过。

后者才配叫"自增长"。

第二层：就算真自增长了，那也是"AI 的飞轮"，不是你的

这一层更隐蔽，也更致命，是全网几乎没人说破的一刀。

假设你技术够硬，真的搭好了回流机制，库确实在自己长——恭喜，你造出了一个越来越聪明的外部大脑。AI 调用它越来越强，检索越来越准，你问它啥都对答如流。

但你自己的大脑，一个神经元都没变。

本质上，这跟你收藏夹里躺着一个更强的搜索引擎没有区别。知识在硬盘里、在库里、在 AI 的上下文里，就是不在你脑子里。所以"用时方恨少"这个病，它一天都没治好——你只是换了个更高级、更贵的地方，继续存着那些你并没有真正学会的东西。

开会的时候，你没法把库背在身上。跟人辩论的时候，你调不出向量检索。真正考验你的那一刻，能用的只有长在你脑子里的东西。

他们造的是"AI 的第二大脑"，可你真正需要的，是让"你自己的第一大脑"变强。这是两件完全不同的事——而绝大多数人，把前者误当成了后者。

二、用一把认知科学的尺子，量一量

上面这些还只是直觉。要让它立得住，得请出一把有实证数据支撑的尺子——认知科学家季清华（Michelene Chi）提出的 ICAP 框架。她把人的学习方式，按"认知参与度"从低到高分成四层，并且用一系列对照实验证明：层级越高，学习效果越好，而且是碾压式的差距。

一句话记住它：I > C > A > P。只有 C 和 A 之间那道线以上（C 和 I）才算真正的学习，A 和 P 都是伪装成学习的努力。

现在，把这把尺子架到那些"自增长库"上，一量就现形：

晒图党，卡在 A（主动）。 搬运资料、生成图谱、划重点、做双链——这些都有"动作"，看起来很努力，但按季清华的定义，全是"对已有信息的直接操控，没有产生超出原材料的新信息"。这就是标准的 A。

季清华有一句话，简直像是为晒图党量身定做的：

"把一段东西弄得很熟，你会有一种顺滑感。这个顺滑感会给你一种能力错觉，让你以为自己已经掌握了。"

图谱越漂亮、双链越密、节点越多，这种"我拥有了一个第二大脑"的顺滑感和能力错觉就越强烈。可你只是对那堆文字的排列组合越来越熟悉，背后的知识，你一点没多掌握。A 级的勤奋，最擅长伪装成学习。

而做了 AI 飞轮的那批人，问题是——做 C 的是 AI，人还停在 P。

知识库库自我解释、自我缝合、越长越密，这确实是 C（建构）没错，但做这件事的是 AI，不是你。砌墙盖房子这个动作，发生在 AI 的地基上。你站在旁边看着它盖，你自己的地基，一块砖都没多。

三、我造的这套，凭什么不一样：它比别人多一个环

我把它叫双环知识飞轮。它比市面上的"自增长知识库库"多了一个环，而且恰好是最难、最反爽、别人都不愿意做的那一个。

第一个环 · 编译环（让"库"变聪明）——这个别人也有

用 AI 把外部资料"编译"进库。注意是编译，不是存储。

这里要澄清一个几乎人人都踩的误解：编译不是把文章丢进向量库做 RAG 检索。

• RAG 是："原样塞回去、按相似度捞出来。" 东西还是一个个孤岛，只是变得能搜了。

• 编译是："AI 读进去、消化掉、用自己的结构重写一遍。" 正因为重写了，它才会在重写时主动把邻居找好、把矛盾标出来。

举个例子：我把"黄金圈法则"编译进库时，AI 会自动发现它跟库里另外几个讲"动机 / why"的模型是一伙的，主动连上线；如果它跟某个旧模型的结论冲突，AI 会打个矛盾标记提醒我。存下来的是孤岛，编译过的是网络。这更接近人脑把新知识织进旧网络的方式，而不是把文件塞进抽屉。对应 ICAP 的 C（建构）。

但只是AI的建构，不是我的，不是我的，不是我的

第二个环 · 互动环（让"我"变聪明）——这个别人几乎都没有

它不是"我问、AI 答、我点头"（那还是 P，只是换了个更聪明的搜索引擎）。

它逼我做三件反本能的事：用自己的话把一个模型重新讲透、拿真实战场上的问题去压测它、让 AI 当场挑我的漏洞并反驳我。 对应 ICAP 的最高层 I（互动）。

这里藏着全篇最关键的一点，值得你慢读三遍。

季清华专门辨析过大名鼎鼎的费曼学习法（"给别人讲，你才算真懂"）。她的结论有点扎心：费曼法本质上只到 C，还没到 I。 因为你讲给别人听的时候，对方未必真听懂了，也未必会反驳你——你只是自说自话地建构了一遍。她说：

"要让费曼学习法爆发威力，听你讲的那个人不能是一个纯外行，他最好是个圈内人才行。"

只有当听众是个能听懂、还能挑刺、能反驳你的圈内人时，费曼法才从 C 升级到 I。

问题就在这里：这个"随时在线、听得懂、还能反驳你"的圈内人，历史上极度稀缺。研究生靠导师，工程师靠资深同事，普通人……基本没有。I 级学习一直是要凑人、凑时间、看运气的奢侈品。季清华的课堂调研更扎心：大学 80 分钟一节课，真正达到 I 的互动，平均只有 4.5 分钟。

而 AI，第一次把这个人类历史上最贵、最稀缺的"圈内人"角色，变成了随叫随到。

我的互动环，就是用一个能质疑、能追问、能跟我打"思想乒乓球"的 AI，把 I 级学习从奢侈品变成了日常。我讲，它反驳；我提假设，它挑漏洞；我再修正，它再压测。这篇文章里那套"ICAP 给晒图党定级"的论证，就是这么在互动环里一来一回碰出来的——不是我读来的，是我跟 AI 论出来、然后我自己重构了一遍的。

四、两个环，靠一条"回流带"咬合

有了两个环还不够——如果它们各转各的，互动环里聊出来的好东西，一关聊天框就蒸发了。这是所有单环库的死穴，也是最多人翻车的地方。 前面说的"聊出的洞察不会自己爬进库"，根子就在这里。

所以我给两个环之间接了一条回流带，让互动的产物自动流回编译环。这才是让它从"两个环"变成"一台飞轮"的那个关键零件。

回流带做两件事，互为因果：

1. 洞察回流：互动环里聊出的每一个洞察、每一次对旧模型的修正，定时自动流回编译环，编译进库。不靠手搬。

2. 库反哺提问：编译好的库，又让我下一轮提问更准、更锋利。

两股力反向一拧，飞轮就被"咬"住了。转一圈，两个环都受益，下一圈更快。这才是"复利"——复利的本质不是"多"，是"连"：那 339 个模型不是 339 个孤立条目，而是 339 个彼此握手、还和我每天的对话握手的节点。

五、那这套东西，到底怎么搭？（分三步，起步别贪全）

光有理论会像空中楼阁。说点最实的——我这套双环，不是一次设计出来的，是分三步长出来的。每一步都先让一个环转顺，再加下一个。

第一步：先让编译环转起来（先别惦记双环）

第一步只做一件事：把一本书，真正编译进库。

工具是三件套，分工非常清楚，缺一个飞轮都咬不住：

• Obsidian —— 库本体。 本地优先（你的知识存在自己硬盘上，不看任何云服务脸色）、双向链接（节点能互相握手）、图谱可视化（就是那张星图）。它只是个容器，本身不会编译。

• LLM Wiki —— 编译方法论。 这是一套"怎么编译才不烂"的规矩：raw/ 目录只读存原料、wiki/ 目录由 AI 编译维护、SCHEMA 是不可违背的宪法；核心三条铁律——别存要编译、增量更新（不重复劳动）、矛盾要显式标注。没有这套方法论，AI 编译出来的库会很快变成一团乱麻。

• WorkBuddy —— 驱动引擎。 它把"读原料 → 提取概念 → 建页面 → 交叉链接 → 更新索引 → 记日志"这条几十步的长链路，用你的一句话驱动它一气跑完。为什么必须有它？因为纯聊天 AI 跑不到第十步就忘了前九步，更不敢真的去动你的 vault。它是让"方法 + 容器"真正转起来的那台马达。

就这么一本一本地编译，我最后把 5 本书、339 个思维模型送进了库，它们自动连成了一张 550+ 节点的星图。

但请你记住这一步的边界：它此刻只证明"库在长"，还没证明"你在长"。 很多人就是在这里停下、截图、发朋友圈的。

第二步：开互动环（把真实问题灌进来）

编译环转顺了，我才开第二个环。载体是飞书 + Claude Code：我在飞书里随手抛问题、讲实战里卡住的地方，Claude Code 当场探索、给反馈、陪我试错。

这一步的产物，是编译环里永远长不出来的活水：真实战场上的修正直觉、对某个旧模型的当场否定、聊着聊着蹦出来的新框架雏形。这篇文章从头到尾的论证，就是在这个环里碰出来的。

但这里有个我踩过、也是全网最容易翻车的坑：互动环如果只是"我问 AI 答我点头"，它就退化成了 P，你啥也没学到，只是用了个更贵的搜索引擎。 我逼自己做的是：听完 AI 的回答，用自己的话重述一遍结论、主动让它挑我重述里的漏洞、拿它的反驳再修正我的理解。这一步做对了，互动环才是 ICAP 的 I，而不是又一台问答机。

第三步：接回流带（这一步才让它真正成为"飞轮"）

前两步做完，你有了两个能转的环，但它们还各转各的——聊出来的洞察，一关聊天框就蒸发。回流带，是把它们咬合成飞轮的最后一个零件。

我写了一个脚本（叫 harvest.py），它干三件事：

1. 抓 —— 读 Claude Code 的对话记录（本地的 transcript.jsonl 文件，聊天时实时落盘）。它记住上次读到的行号断点，每次只读新增的部分，绝不重复劳动。

2. 炼 —— 调用一个"无头"的 AI（headless 模式，没有聊天界面，纯后台跑），从新增对话里挑出真正值钱的"洞察 / 框架 / 对旧模型的修正"，滤掉 90% 的过程性闲聊。这一步是发动机：因为一场对话里真正值钱的可能就 10%，如果不加筛选全灌进库，只会污染它——垃圾进，垃圾出。

3. 写 —— 把提炼出的洞察写回 raw/，编译进库，连进星图，并追加一笔日志。

然后，把这个脚本挂上系统级的定时任务（我用 Windows 计划任务，设定每天 13:00 消化上午、23:00 收尾当天，各跑一次）。

为什么非要系统级？这是个反直觉但关键的点。 我一开始想图省事，把定时逻辑放在对话进程里——结果发现根本不靠谱：进程一结束就被回收了，没有一个常驻的东西替你数时间。只有独立于一切会话之外的系统级常驻定时，关机重启都照跑，才是真正的"自动"。 "自动"这两个字，藏着这么一个容易被忽略的工程细节。

到这一步，飞轮才真正闭合：互动环聊出的东西自动流回编译环、编译进库，库反过来让我下一轮提问更准。转一圈，两个环都受益，下一圈更快。

一句话记住这个搭建顺序：先编译一本书 → 再开一条互动通道 → 最后接一条自动回流带。别想一步到位，一件一件加。三件套少了谁飞轮都咬不住，但你完全可以一件一件加上去。

顺便给零基础的朋友留个入口：第三步的脚本和定时确实有点技术门槛。但没关系——先把前两步用起来，回流带哪怕你每周手动搬运一次，也远比不搬强。 先让飞轮转起来，再让它自动。

六、三个人，说的其实是同一句话

我这套东西的地基，站着三位：

• 卡帕西（Karpathy）：编译，不是存储。→ 对应 ICAP 的 C，图式的缝合。

• 万维钢：高手和新手的差别，不在掌握的知识多少，而在知识的组织方式——新手的知识是一个个孤立的点，高手的知识是长在一起的一张网。→ 学习的本质，就是在你自己脑子里织这张网。

• 季清华（ICAP）：只有 C 和 I 才算真学习，A 是能力错觉。→ 她用对照实验，给上面这一切打了分、做了背书。

三个人从三个角度，指向同一个真相：

知识必须在你自己的大脑里，重构一遍，才算被你真正吸收。

而这，恰恰是"AI 的飞轮"永远替你完成不了的一件事。AI 能替你织库里那张网，但它没法替你织你脑子里那张网。第二个环，逼你自己织。

七、三个问题，测你的库到底是"谁的"飞轮

最后，给你三个自测题。答"否"越多，你越靠近那个只转了半圈的储物柜：

1. 你存进去的东西，会主动连到别的知识吗？（编译过才会——不然就是 A 级搬运）

2. 你聊出的洞察，有没有一个固定出口流回库？（没有，就随风散了——你连半圈都没转完）

3. 最狠的一问：这套系统转了一圈之后，变聪明的是"库"，还是"你"？

如果答案是"只有库"——那你造的是 AI 的飞轮。 如果每转一圈，你自己也被逼着重构了一遍、输出了一遍、被反驳了一遍——那才是你的飞轮。

大多数人用 AI 造了一个"更聪明的硬盘"，还以为自己变聪明了。

我想造的双环知识飞轮，第一个环让库增长，第二个环让我的脑子增长。前者是 AI 的飞轮，后者才是我的。

而只有第二个环，治得了那句压了所有人几千年的老话——书到用时方恨少。