这几年，大家都在说「第二大脑」、「知识管理」，但很多人依然停留在「听起来很厉害」的阶段。真正卡住我们的，往往不是概念，而是一个问题：我到底该从哪一步开始做？
今天这篇文章，就是给完全没有基础的小白写的，从零开始，手把手带你在本地搭建一个 AI 驱动的知识库，让 AI 帮你整理资料、搭建个人 Wiki，当你的「第二大脑」。这套方法对个人知识工作者、也对咨询公司都有非常大的参考价值，尤其是那些还没把知识管理当回事、但又想先试试水的团队。
本文的内容基于之前Andrej Karpathy写的Second Brain，我们针对读者做了一些调整，然后给出了一些markdown的格式模块。对原文感兴趣的，可以上网搜索，或者后台留言。
我们做四件事：
搭一个简单的文件夹结构 把所有资料丢进原始资料夹 用一个小工具自动抓网页内容（如果技术能力不够，可以手动代替） 写一个「说明书」，让 AI 自动生成你的知识 Wiki，并循环迭代
下面一步一步来。
第一步：创建三个文件夹
你可以在任何位置新建一个项目文件夹，例如叫 my-knowledge-base。里面再建三个子文件夹：raw/、wiki/ 和 outputs/。
my-knowledge-base/
raw/ (your source material - articles, notes, screenshots)
wiki/ (where your AI will write the organized version)
outputs/ (answers, reports, and research your AI generates)
三个文件夹的作用非常简单：
raw/：你的「杂物箱」，所有原始资料都往这里扔 wiki/：AI 整理好的「知识百科」，结构化内容都会写在这里 outputs/：你向 AI 提问后，生成的报告、摘要、对比分析等，都可以存在这里
到这里为止，你已经完成了整个系统最重要的基础搭建。
第二步：往 raw 里疯狂塞东西
大多数人卡在这一步：文件夹建好了，却不知道要放什么进去。
答案其实只有两个字：全部。
你可以往 raw/ 里塞这些东西：
你之前收藏的文章，复制成 .md 或 .txt 文件 微信读书、Kindle 的读书笔记导出 工作中的会议纪要、项目方案 你写过的复盘、邮件内容 各种截图、流程图、PPT 导出的 PDF
重点是：不要先整理，不要改文件名，不要分类，这是 AI 的工作。
可以让最近火爆的小龙虾，或者手动新建文件也完全没问题，只要最后都丢进 raw/ 即可。
如果你现在脑子一片空白，不知道放什么，可以先选一个主题，比如「品牌营销」「行业研究」「AI 学习」，把你已经有的所有相关资料，统统扔进去就行。
第三步：用 Agent-browser 自动抓网页内容（可选但非常香）
人工一篇篇复制网页内容很累，用 AI 来帮你做「网页爬虫」会高效很多。这里用到的是一个免费的命令行工具：agent-browser。
它的作用很直接：让你的 AI 能够控制一个真正的浏览器，打开网页、滚动、点击「加载更多」，然后把内容抽出来写成文件。
3.1 安装 agent-browser前提是你已经安装了 Node.js（如果不会，可以让公司技术同事帮你装一下）。安装命令只有两行：
npm install -g agent-browser
agent-browser install
第二条命令会自动下载一个专用的 Chrome 浏览器，给 AI 用来访问网页。
3.2 抓一篇网页进 raw/ 假设你看到一篇好文章，想把全文存入 raw/ 文件夹，可以这样做：
# 1. 用 agent-browser 打开页面
agent-browser open https://some-article-you-want.com
# 2. 抓取页面中 <article> 区域的文本
agent-browser get text "article" > raw/web_article_01.txt
上面第二行命令的意思是：从网页上找到 article 这个区域，把里面的文字抽出来，重定向保存到 raw/web_article_01.txt 文件。
网络上有很多关于Agent browser的信息。
agent-browser 的好处是，可以处理很多普通复制粘贴搞不定的页面，比如需要滚动加载的长文、登录后才能访问的研究报告等，同时还能大量节省 token 成本。
如果你对命令行很不熟，这一步可以先跳过，先用手动复制的方式建立第一版知识库，等你习惯之后再慢慢引入自动化工具。
第四步：写一份「给 AI 的说明书」—— Schema 文件
现在你已经有了三层结构：项目文件夹 + 三个子文件夹 + 一堆原始资料。接下来，需要告诉 AI：这些资料是关于什么的、要怎么整理。
我们用一个非常简单的文本文件来做这件事，叫做 CLAUDE.md（名字你可以随便取，比如 AGENTS.md、README.md 都行）。
在项目根目录里创建这个文件，内容可以使用下面的模板，然后按你的场景做一些替换即可：
# Knowledge Base Schema
## What This Is
A personal knowledge base about [YOUR TOPIC].
## How It's Organized
- raw/ contains unprocessed source material. Never modify these files.
- wiki/ contains the organized wiki. AI maintains this entirely.
- outputs/ contains generated reports, answers, and analyses.
## Wiki Rules
- Every topic gets its own .md file in wiki/
- Every wiki file starts with a one-paragraph summary
- Link related topics to each other using [[topic-name]] format
- Maintain an INDEX.md in wiki/ that lists every topic with a one-line description
- When new raw sources are added, update the relevant wiki articles
## My Interests
[List 3-5 things you want this knowledge base to focus on]
如果你是做咨询的，比如专注在「消费品行业」，可以这样填写 What This Is 和 My Interests：
text
## What This Is
A knowledge base about consumer goods industry research, brand strategy, and go-to-market best practices.
## My Interests
- Brand positioning frameworks
- Successful case studies in FMCG
- Go-to-market strategies in China and Southeast Asia
- Consumer behavior insights for Gen Z
这个 Schema 文件的本质，就是一份「规则说明书」：不需要复杂的数据库，不需要安装插件，AI 只要读懂这份说明，就知道该如何组织你的知识库。
第五步：让 AI 自动把 raw 编译成 wiki
基础设施搭好了，接下来就是系统的灵魂：让 AI 自己把 raw/ 里的杂乱资料，整理成 wiki/ 里的结构化知识。
推荐用支持「读本地文件」的 AI 工具，例如 Claude Code、Cursor、VS Code + AI 插件等。核心思路是：把项目文件夹打开，让 AI 扫描 raw/ 和 CLAUDE.md，然后按照规则生成 wiki/ 内容。
一个典型的提问（Prompt）可以这样写（英文效果通常会更稳定）：
text
You are my knowledge base maintainer.
1. Read all files in the raw/ directory.
2. Read the schema and rules in CLAUDE.md.
3. Create or update files in the wiki/ directory according to these rules:
- Create an INDEX.md first, listing all major topics with one-line descriptions.
- For each major topic, create a separate .md file in wiki/.
- Each wiki file must start with a one-paragraph summary.
- Use [[topic-name]] links to connect related topics.
4. Do not modify any file in raw/.
5. When you are done, briefly report which wiki files you created or updated.
执行之后，你会在 wiki/ 文件夹里看到一堆新生成的 .md 文件，内容一般会包括：
核心概念的定义和总结 来自不同资料的观点对比 相关主题之间的链接（用 [[xxx]] 的形式） 一个 INDEX.md，帮助你快速浏览整个知识库脉络
从这一步开始，你就拥有了一个由 AI 维护的「活的百科全书」。
第六步：持续提问，并把答案存回系统（长期进行）
有了 Wiki 之后，你要做的就不是「维护知识库」，而是「向自己的知识库提问」。
比如：
text
Based on everything in the wiki/ directory,
what are the three biggest gaps in my understanding of [某个主题]?
或者：
text
Compare what source A says about [某个概念]
with what source B says. Where do they disagree?
Only use information from raw/ and wiki/.
又或者：
text
Write a 500-word briefing in Chinese on [某个主题],
using only the information in this knowledge base (raw/ + wiki/).
Structure it with a clear summary and 3 main points.
当 AI 给出答案后，**你可以让它自动把这次输出存进 outputs/**，或者直接更新相关的 wiki/ 文章。
例如，你可以在对话中加一句：
text
After generating the answer, save it as a new markdown file
in the outputs/ directory, with a descriptive filename.
这样，每一次提问，都会让你的知识库变得更厚、更系统，也更贴合你的工作场景。
第七步：定期做一次「健康体检」（建议每月一次）
因为 AI 也会犯错，如果你完全不检查，错误也会随着知识的积累而不断放大。解决办法很简单：让 AI 自己做周期性的「健康检查」。
可以每月或每季度，给 AI 一个这样的任务：
text
Act as a knowledge base auditor.
1. Review all files in the wiki/ directory.
2. Flag any contradictions between articles.
3. Find topics that are mentioned but never properly explained.
4. List any claims that do not have supporting sources in raw/.
5. Suggest 3–5 new wiki articles or sections that would significantly improve coverage and clarity.
Return your findings as a markdown report.
然后把这份报告存到 outputs/ 里，再根据报告指引，对 raw/ 和 wiki/ 做增补和修正。
这就是让你的「第二大脑」既能不断长大，又能保持健康的关键一步。
第八步：你真的不一定需要 Obsidian（但可以用）
很多人一听到「知识库」，第一反应就是：我要用哪个软件？是 Obsidian、Notion，还是某个新出的 AI 工具？
但这里的核心思路非常朴素：一个文件夹结构 + 一堆 Markdown 文本 + 一个清晰的 schema 文件，就足够了。
你可以：
用 Obsidian 打开 my-knowledge-base 文件夹，把 wiki/ 作为你的主库 用 VS Code + AI 插件直接在本地编辑 用任何你顺手的编辑器，甚至系统自带的记事本
真正重要的，不是你用什么软件，而是你有没有一个可持续的结构，让 AI 能理解并且长期维护。
很多团队陷入的陷阱，是在工具上花了大量时间，插件装了一堆，但真正能落地的知识管理流程却没有建立起来。这一套「三文件夹 + 一个 Schema 文件 + AI」的方法，恰恰是反过来的：从结构和流程出发，工具只是表层的皮肤。
这套方法对个人和咨询公司的意义
对个人知识工作者来说，这套体系可以帮你把平时「看过就忘」的文章、项目经验、思考碎片，沉淀成一个可搜索、可复用、越来越聪明的「第二大脑」。
对咨询公司、研究机构、智库或任何高度依赖知识资产的团队来说，它更是一个现成的可落地实践方案：
不需要上马昂贵的知识管理系统 不需要一开始就设计复杂的知识分类体系 只要有一台电脑、一些项目资料、一个愿意折腾的同事，就可以在一个周末搭起来
尤其是在很多公司内部，大家嘴上都说「知识很重要」，但实际上没有时间、没有人力去做系统知识管理的时候，这套方法是一个非常适合「从 0 到 1」的起点。
你完全可以先从一个小主题、小团队开始试点，比如「某条产品线的案例库」\「某个行业的研究库」，等做出一点效果再逐步扩展。
无论你是一个个人创作者、独立咨询顾问，还是在公司里希望推动知识管理落地的人，都非常值得花一个周末亲手搭一次这样的「第二大脑」。你会发现，真正改变工作效率的往往不是某个炫酷的新工具，而是一个简单、可执行、可以坚持下去的知识管理方法论。
