知识管理会成为人和 AI 协作的接口

过去说知识管理，很多时候说的是分类、归档、标签、搜索、双链、卡片笔记，或者某种更适合个人使用的笔记方法。

这些东西当然有价值。但最近我越来越觉得，AI 出现以后，知识管理这件事的意义正在发生变化。

它不再只是“我如何管理自己的资料”，而是在变成“人和 AI 如何持续协作”的接口层。

AI 最缺的不是答案，而是上下文

大模型并不缺表达能力，也不缺生成能力。真正缺的是稳定、准确、可追溯的上下文。

你问它一个孤立问题，它可以给你一个看起来很完整的答案。但真实工作里，问题很少是孤立的。一个业务规则背后有历史决策，一个字段命名背后有组织习惯，一个生产事故背后有环境差异，一个人的偏好背后有很多过去的教训。

这些上下文如果没有被管理起来，AI 每次都会像刚进公司第一天的人：聪明、热情、能干，但不知道历史，不知道边界，不知道哪些地方不能碰。

这也是我现在看知识管理的角度：它不是为了把资料整理得好看，而是为了让未来的人和 AI 都能正确地使用这些资料。

从“存资料”到“形成真相源”

传统个人知识管理很容易停留在“我把东西存起来了”。

但在真实协作里，仅仅存起来是不够的。更关键的是：哪份资料可信？谁维护？什么时候更新？旧版本为什么被替换？当前决策依赖哪条证据？哪些内容只是想法，哪些已经变成规则？

这就是我在做 linch-km 这类知识治理系统时更关心的东西。

知识库如果只是一个堆放文档的地方，它最终会变成另一个混乱源。真正有价值的是把知识变成有主、有版本、有状态、有权限、有生命周期的真相源。这样 AI 读取它的时候，才不是在一堆文本里猜，而是在一个可治理的结构里工作。

对人也是一样。一个团队不是缺文档，而是缺可信文档；不是缺信息，而是缺能支撑决策的信息。

personal-background 是另一种知识管理

personal-background 看起来是一个很小的个人项目：profile、preferences、constraints、episodes、notes。

但它背后的问题和企业知识治理其实是同一个问题：AI 需要稳定上下文。

只不过企业知识治理处理的是组织知识，personal-background 处理的是个人上下文。

一个 AI Agent 如果不知道我的沟通习惯、风险偏好、常用工具、项目历史、反复强调过的边界，它就很难真正成为协作者。它可以完成一次任务，但无法积累对我的理解。

所以 personal-background 不是简历，也不是一个更复杂的 README。它更像是“我的长期上下文接口”。

当 Agent 进入任何一个项目时，它都可以先读到这些信息：

我是谁，最近在做什么；
我偏好什么样的沟通方式；
哪些事情不能擅自做；
哪些项目有长期背景；
哪些经验已经反复验证过；
哪些只是临时想法，还不能当成规则。

这会让 AI 协作从一次性问答，慢慢变成有记忆、有约束、有连续性的工作关系。

未来的人机交互可能不是聊天框

现在我们和 AI 交互，大多数时候还是通过聊天框。

聊天框很好，因为它足够自然。但它也有明显限制：聊天是线性的、临时的、上下文容易溢出，而且很难区分事实、偏好、规则、任务、情绪和草稿。

我不认为未来的人机交互会一直停留在“我问一句，AI 答一句”的模式里。

更可能出现的是一层长期存在的上下文系统：它知道你是谁，知道你当前有哪些项目，知道哪些资料可信，知道哪些事情要确认，知道哪些内容可以公开，哪些内容只属于私人空间。

聊天仍然存在，但聊天只是入口之一。真正重要的是聊天背后的上下文层。

这个上下文层可能包括：

个人背景和偏好；
项目记忆和决策记录；
组织知识库和真相源；
权限、密级和生命周期；
可被 Agent 调用的工具和规则；
从工作与生活中持续沉淀出来的长期记忆。

这就是我觉得“知识管理”会重新变重要的原因。它会从一个个人效率话题，变成未来人和 AI 交互的基础设施。

知识不是越多越好

这里也有一个陷阱：知识不是越多越好。

如果只是把所有聊天记录、所有文档、所有网页、所有历史提交都丢给 AI，那不是上下文管理，而是制造噪音。AI 很擅长在噪音里找模式，也很擅长在噪音里产生误判。

真正好的知识管理应该有筛选、有结构、有状态。

有些内容只是原始材料，有些是已确认事实；有些是个人偏好，有些是组织规则；有些可以长期保留，有些过期后应该归档；有些能给 AI 看，有些根本不应该进入 AI 上下文。

未来的知识系统，必须同时回答两个问题：

第一，什么值得被记住？

第二，什么在什么时候应该被谁使用？

这两个问题不解决，AI 协作就很难真正可靠。

我现在想做的事

所以，我现在做的几个方向其实是连在一起的。

LinchKit 关注的是复杂业务能力如何在统一模型和治理下演进。linch-km 关注的是组织知识如何成为有版本、有权限、有生命周期的真相源。personal-background 关注的是个人上下文如何被 Agent 长期使用。Vibe Lamp 关注的是 Agent 状态如何进入现实空间。

这些项目表面上不一样，但它们背后有同一个问题：

当 AI 不再只是一个工具，而是越来越像协作者时，我们需要怎样的系统来承载上下文、边界、记忆和信任？

我现在还没有完整答案。但我越来越确定，答案不会只在模型能力里，也不会只在聊天界面里。

它会在知识、流程、权限、记忆和真实工作场景之间。

这也是我接下来很想继续写、继续做的一条线。