万字实战教程｜我是如何用WorkBuddy搭建AI培训知识库的

今年我大大小小的AI培训已经做了10多场了，真正让效率发生变化的，并不是某个牛逼的Agent产品（当然Codex还是很有功劳的），而是一个我长期维护的AI培训知识库。

每次和客户聊完初步需求，我会让Agent进入这个Wiki，先找相关素材，再说这场培训应该怎么组织。

通常的做法不是马上写PPT，而是先定整场培训的故事线：这群学员是谁，他们的工作里卡在哪里，课堂上应该先建立哪个认知，再进入哪个实操任务。

故事线确认以后，才写逐页脚本。

这个流程跑久了，我有一个很直接的体会：如果等培训任务来了，再去收集资料、找案例、翻旧复盘，速度会很慢。平时维护一个高质量的Wiki，对我来说不是知识管理爱好，而是培训业务的生产设施。

这篇文章讲三件事：

1. 为什么收藏夹越来越满，AI还是不懂你的业务；

2. 我如何用WorkBuddy从8份散乱材料复建一个最小Wiki，并用一门两小时课检验它；

3. 如何让这个Wiki持续生长，而不是建完就废。

先说明边界：我日常确实有一个成熟AI培训Wiki；下面这个从8份材料开始的案例，是为了把方法讲清楚，在WorkBuddy里重新复建的最小Wiki。

它不是我日常那个成熟库本身，但复现了同一套核心结构。

一、收藏再多，AI还是不懂你的业务

大多数人都有类似经历。

看到好文章，收藏；看到好课程，保存；开完一场培训，留下复盘；做了一份还能用的模板，放进文件夹。保存的时候，我们觉得自己又在积累知识。

真正要备一门课、写一份方案、研究一个问题时，还是从搜索引擎和聊天框重新开始。

问题不在保存动作，而在三个断裂。

第一，==收藏解决保存，不解决复用==。

收藏一篇文章，只说明我们认可它可能有价值，却没有说明：哪些内容是可核验事实，哪些是作者观点，它适合给谁讲，能进入课程的哪个环节，和已有材料是补充、重复还是冲突，几个月后哪些部分会失效。

第二，搜索能找到片段，不能判断责任。

搜索「Skill」，可能同时命中官方定义、我的经验、旧版教程、商业推广和一次失败复盘。它们都包含同一个词，责任完全不同。如果Agent把这些内容拼成一段流畅回答，读者很难看出哪些是事实，哪些是推论，哪些已经过时。

第三，==一次性聊天不会自动积累经验==。

Agent可以在一次对话里读完几份文件，写出不错的课程大纲。但如果哪些材料被采用、哪些观点被我驳回、哪个案例适合普通员工、哪个模板真正进过课堂，这些使用中形成的新知识没有写回知识库，下一次任务仍要从头开始。

真正要解决的不是保存更多文件，而是让原始资料、人的判断和真实工作形成一个持续更新的系统。

二、不要从工具开始，先定验收任务

很多人建知识库的第一步是选工具：用Obsidian还是飞书，用Notion还是本地文件夹。

我的顺序相反：先确定这个Wiki以后用来完成什么任务。

同样一批AI培训材料，如果服务公众号写作，可以拆成选题、观点、案例和表达；如果服务企业培训，就要拆成课程模块、课堂讲法、练习、模板和风险边界；如果服务技术研发，结构又会转向架构、接口、决策和失败记录。

知识库的消费者不同，知识颗粒和组织方式也不同。

这次复建实验，我没有把「建出多少页面」当完成标准，而是设置两个验收任务：

1. 组课：为传统企业普通员工设计一门两小时AI落地入门课；

2. 写作：把「为什么Skill比Prompt更值钱」扩展成一篇能区分作者主张与外部事实的文章。

这两个任务共同决定Wiki至少要能找到：课程判断、核心概念、落地方法、练习模板、写作素材、来源和知识缺口。比起「把AI培训知识全部整理完」，备课和写文章更能检验这些页面能不能组合成真实成果。

flow 定任务 → 定结构 → 处理材料 → 用任务验证

WorkBuddy的起点也很简单：一个独立目录、8份材料，以及一段自然派活。

我没有要求它直接建库，而是说清楚==材料用途和执行边界==：

这里有一批AI培训材料，还有一个方法参考。
我希望把它们整理成一个以后能支持企业AI培训备课的Wiki。
先不要建页面：先读材料，盘点类型、来源和风险，
再提出页面类型、入口地图和验收任务，等我确认后再处理第一份材料。
原始文件不要修改。

WorkBuddy先读方法原文和全部材料，没有立即创建文件，而是提出两项关键改造：

1. 培训是生产导向，需要增加课程产出层；

2. 材料混合了外部事实和作者主张，概念页与主张页必须分开。

这两个判断很关键。培训Wiki不是资料摘要库，它最终要产出课程和文章。同时，外部作者的观点不能混成我的判断，我的商业判断也不能被写成行业共识。

真正影响结构的三个问题，WorkBuddy交给我拍板：采用哪种分层、第一版处理多大范围、用什么任务验收。文件命名、页面链接和日常索引维护，则交给它推进。

三、Wiki的五个核心层

这个最小Wiki有五个核心层，理解了它们，就不会把知识库做成文件夹工程。

1. 原始材料：保存证据

原始材料保持不动。错字、过时信息、不成熟判断都保留原貌。

原因很简单：以后要回查。某个错误来自原文、转写工具还是后续AI加工，某项产品数据是什么时候进入系统的，都依赖原件。如果AI一边整理一边覆盖原文，出错后就失去对照依据。

2. 来源卡：材料的身份证和风险单

来源页不是再写一遍摘要，而是回答：这份材料是谁、能不能信、有什么风险、能支持什么内容。

它记录标题、作者、平台、链接、获取日期、本地形态、转写工具、识别错误、时效风险、可支持的概念、待核验项和已拆出的页面。

这层最容易被省略，也最重要。没有来源卡，AI只知道「文字放在哪里」；有了来源卡，AI才知道「这份材料能不能信，可以怎么用，有哪些风险」。

3. 知识页：把材料编译成可复用知识

知识页不是摘要，而是按责任拆开：

• 概念页回答「它是什么」；

• 主张页回答「作者怎么看」；

• 方法页回答「具体怎么做」；

• 模板页回答「拿什么做」。

概念和主张必须分开。「Prompt是用户或系统给模型的指令」可以进入概念页；「提示词工程热度下降」只能是外部作者观察，需要核验后才能长期使用。

方法页沉淀可重复的步骤和边界。模板页提供可以直接填写的结构，例如任务Brief、概念对比表、课堂练习单和输出检查表。

4. 入口地图：告诉Agent先读哪里

Wiki只有十几页时，全量读取似乎没问题；积累到几百页后，所有内容一起进入上下文，不仅成本高，旧材料、旁支主题和相似页面还会争夺模型注意力。

入口地图不是目录清单。它至少说明：

• 这个Wiki服务什么工作；

• 每个目录承担什么职责；

• 哪些页面是稳定知识，哪些只是候选；

• 不同任务从哪里开始；

• 哪些区域默认不读；

• 发现缺口后怎样扩大范围。

Agent的读取路径是：

先读维护规则和入口地图
→ 定位相关知识页
→ 读取具体页面
→ 发现证据或执行缺口
→ 再回查原始材料或权威外部来源

Query不是闲聊，而是带着具体任务去知识库取料，再组装成课程、文章或方案。

5. 交付物：保存一次具体工作的成果

交付物不是Wiki中的稳定知识，而是使用Wiki完成的课程、文章和方案。

这门两小时课的课程包、组课复盘和使用台账，都保存在交付物里。

课程完成后，再从交付物中识别哪些解释经过验证、哪些概念太难、哪些例子无效，然后有选择地回写Wiki。

四、AI第一次就犯错

如果这篇文章只展示成功结果，就没有意义。真实运行里，AI第一步就犯了一个很有代表性的错误。

第一批摄入资料后，WorkBuddy生成了13个知识页和3个管理文件。问题在于，它把13个内容页全部标成了live。

live的意思是：可以正式使用。可是这些页面刚刚生成，我还没有逐页审核。AI在没有得到人工确认时，替用户完成了「可以正式使用」的判断。

同一轮审计还发现，9个知识页的来源追溯链断裂：两个主张页写着「来源页待建」，6个模板只链接到sources/目录，方法页只有材料名称。

这揭示了「写了来源」和「真正可回查」的区别。链接到一个目录，只相当于说「证据在档案室里」；链接到具体来源页，才相当于给出了档案编号。

我确认问题后，要求WorkBuddy统一修正：13个内容页退回draft；补具体来源链接；把状态规则写进维护说明；所有变化记入日志。

这一步的价值不是修了几个文件，而是把一次返工变成规则：

新页面一律draft
→ 真实任务使用
→ 作者审核
→ 记录理由
→ 才能升live

[!WARNING] 不要让AI未经人工审核就把新内容标为live。生成成功只说明文件存在，不说明知识可信。

文件生成成功，不等于知识可用；结构完整，也不等于来源可靠。

五、用一门两小时课检验Wiki

建完页面后，不能说「页面生成成功」就算完成。第一个Query要回答：一个新Agent能否借助Wiki完成选择、裁剪和组装，而不是重新从原始材料写课。

我在一个新会话里只说明任务：

需要为传统企业零基础员工设计两小时入门课。
工作目录里有一个刚整理好的AI培训Wiki，
先讨论怎样利用它组织课程。

WorkBuddy先读入口和维护规则，再定向读取讲解方法、任务Brief、自检表、培训主张和试点方法等页面，没有从8份原始材料开始扫描。

它先提出四段结构：开场、建立认知、找到任务、实操收尾。

真正影响课程方向的三个问题，它交给我确认：

1. 学员是否带电脑；

2. 课堂使用什么工具；

3. 岗位构成是什么。

我选择现场带电脑实操、使用WorkBuddy、以办公室岗位为主。

由此带来一个调整：学员第一次打开WorkBuddy，就会看到它拆步骤、调用工具和持续执行。如果不解释Agent，学员会困惑「它为什么自己在动」。所以认知段从两步改成三步：

是什么 → 怎么说 → 怎么干

结构确认后，WorkBuddy先生成9个核心课程文件：课程总览、讲师脚本、两场演示脚本、WorkBuddy实操指引、任务扫描工作纸、三步Brief、自检表、任务卡和岗位示例任务库。

走查后又新增组课复盘和演示执行日志，形成11个课程文件。

这不是把Wiki页面连起来。WorkBuddy根据受众重新设计了知识形态：

• 5步叙事线只用前3步；

• 试点选择从5个条件简化成4个问题；

• 6字段任务Brief压缩为3步；

• 6项自检聚焦为3项；

• 30天试点改成一周行动卡。

这证明了一个判断：==页面完整不等于课程好用==。真实任务会决定知识应该保留多少。

六、课程做完后，经验要回写

课程底稿是一次交付，也是对Wiki的一次测试。它产生三类新证据：

• 哪些页面真正被采用；

• 哪些内容被裁剪；

• 哪些资产是课程为了完成任务新补出来的。

使用台账逐项记录8个实际使用页面及其贡献、5份原始材料路径、未采用页面和原因。

没有采用的内容同样有价值。Tool/MCP、Harness、Skill结构、成熟度自测和试点评分没进入本课，不是没有价值，而是超出零基础员工两小时课程目标。

下一步不是继续扩写课程，而是作者判断。WorkBuddy把课程包压成5个真正需要人拍板的问题，每个问题附推荐项和理由。

我确认后，它执行三项修改：讲师脚本对齐四步Brief；安装入口标注待核实；任务Brief从三步升级为四步。

这里必须区分两件事：

登记发生了什么
≠
把新内容晋升为稳定知识

*使用台账 → 作者审阅 → 选择性回写 → 保持draft *

回写不是把交付物倒进Wiki。

WorkBuddy新建3页、更新6页，同时明确5项不回写：讲师脚本全文、演示脚本全文、材料包样例、课程总览和内部记录。它们绑定单场次执行，没有跨场复用价值。

知识库的复利不是来自文件越来越多，而是来自每次取舍都有理由。

七、定期体检，避免Wiki失控

页面增加以后，Wiki会出现和代码库相似的问题：重复、冲突、孤岛、失效链接、过时结论和规则漂移。

我保留一个定期Lint机制。Lint来自编程，可以把它理解成知识库体检报告：不改正文，只检查哪些页面没有入口、哪些结论缺来源、哪些说法冲突、哪些链接断了。

首次Lint覆盖当时Wiki的25个文件。总评没有严重问题，但发现2项需要作者判断、5项缺交叉引用、2项格式问题。我确认方向后，WorkBuddy完成全部9项修复。

关键不是发现了多少问题，而在两点：

1. 回写后的知识库仍然可检查、可追溯；

2. Agent没有借机静默大改，每一处修复都先出现在报告里，等我确认。

八、让信息自己流进来：WorkBuddy来源雷达

到这里，还有一个问题没解决：企业AI培训的外部知识持续变化，新报告、新案例、新观点不断出现。靠我自己刷文章，既跟不上，也没有把判断力用在刀刃上。

我的方案是把「发现来源」自动化，把「采信来源」留给人。

第一轮试采，我要求WorkBuddy找最近两周对企业AI培训真正有价值的文章、观点和案例。

规则是：一手来源优先，去掉转载和低质量内容；每条记录标题、作者、链接、时间、培训价值和建议拆成的知识类型；结果放候选区，不直接建正式来源页。

它读入口和维护规则后发现，正式来源在sources/，但没有候选区。

它没有动sources/，而是新建inbox/，并在文件开头写明：这是候选区，未经审核不建正式来源页、不进目录索引。

普通网页搜索命中的多是新闻和二手转述，咨询报告、学术论文和深度调查很难搜到。

WorkBuddy在技能市场找到两个扩展能力并实测：一个擅长学术、官方博客和深度调查；另一个接国内研报数据库，擅长咨询报告、白皮书和企业公告。

最终组合是：

深度调研做主雷达
→ 研报检索补盲
→ 普通搜索做基线

三路搜索 → inbox候选区 → 人工审核 → 正式来源页

采集窗口也从两周放宽到一个月。原因是高质量机构报告的发布节奏慢于新闻，窗口太短，它们根本进不来。

随后，我把它配置成每周一早上九点自动运行的来源雷达：滚动看最近30天，结果只写inbox/，每次独立成文，运行记录追加到只增不改的日志表。

首跑三路搜索约36条，去重后8条进入一手强候选，4条留作线索，8条明确排除。此前跑过的候选全部被正确跳过，没有重复建卡。

最后我又验证了一个反直觉场景：找不到东西时，雷达会不会硬凑。

我把条件收窄到「过去24小时内发布的、关于用Wiki做企业知识管理的一手文章」。

三路搜索返回约13条，全部不合格：没有24小时内新发布；多是工具选型软文；唯一带日期的一条超出窗口两天。

雷达输出空批次，逐条写明查了什么、为什么不合格，没有放宽标准。

这条规则看似降低产量，实际保护长期质量。==知识库不需要每周变大，需要每次晋升都有理由==。

发现可以自动化，采信不能。

九、从5份材料开始

看到这里，你不必马上搭一套完整系统。

我建议从5份材料开始，类型不超过3种，入口地图只有一页。第一次派活可以这样写：

我这里有5份材料，想整理成一个以后支持【备课/写方案/做咨询】的Wiki。
先不要建页面：先读材料，盘点它们的类型、来源和风险，
再提出页面类型、入口地图和验收任务，等我确认后再处理第一份材料。
原始文件不要修改。

这句话的重点不是措辞，而是三个控制：

1. 先定任务；

2. 先盘点再建库；

3. 原件不动。

确认第一份材料的来源卡和知识页质量后，再扩大范围。

AI时代的知识库，不是替你保存更多文件，而是让原始资料、人的判断和真实工作形成一个可以持续更新的系统。

AI负责读长材料、生成草稿、建立链接、检查重复、维护索引和寻找缺口；人负责判断为什么保留这份材料、知识怎样拆、哪个来源可信、什么内容能晋升为稳定资产。

这套系统跑起来以后，培训任务来了，你不会再从空白文档开始，而是从已有判断、已有案例、已有模板和已有失败教训开始。

这才是知识库真正的价值。

这套系统的完整闭环：建库 → 用库 → 回写 → 体检 → 持续输入。人负责采信和边界，AI负责搜索、整理、执行和迭代。