很多人一想到要给 AI 搭一个能记住自己资料的知识库，第一反应就是"是不是得上向量数据库、搞 Embedding 检索"。如果你手上的知识库就是几十份 Markdown 文件——不管是简历、行业笔记还是项目复盘，答案是不需要。直接靠文件系统读写，配合四个工程动作，就能搭出一个更简单、更可靠、还更省钱的替代方案。
阅读提示：文中四个阶段与下方架构图一一对应，建议对照阅读——文字讲述"解耦、变量、幂等、载入"四大设计，架构图用模块与箭头把底层工程逻辑可视化，两者结合更容易一次看懂。
穷人版 RAG 架构图，对应下文四个落地阶段
01
范式转移：为什么个人场景不需要传统的 RAG 管道
战略意义背景
在企业级 AI 应用中，传统的 RAG（检索增强生成）架构通常被视为标配，依赖向量数据库、Embedding 模型和复杂的检索分块流水线。然而，当应用场景缩减至个人或小规模团队时，强行套用这套繁琐的架构往往陷入"过度设计"的策略性误区。在处理少量的 Markdown 知识文件时，追求极致检索性能的边际收益递减，反而掩盖了对数据质量和可控性的核心需求。
类比：传统 RAG 像是为大型图书馆建的自动化检索系统——你得先给每本书编目、建索引卡片，再训练机器人按坐标去书架取书。而个人知识库更像自己书房里的几十本常用书，你站起来伸手就能从书架上拿到，根本用不着先造一台取书机器人。规模不同，合理的工具就不同。
过度设计的技术评估
对比传统向量检索，针对小规模场景的"穷人版 RAG"展现了更高的工程合理性。传统 RAG 在此类场景下存在明显的劣势：
维护成本与复杂度：向量数据库的部署、索引策略的调优以及 Embedding 模型的选型增加了非必要的维护开销。
检索的不确定性：向量相似度计算本质上是一种基于语义的"黑盒猜测"（Semantic Guess），在小样本下极易出现偏差，缺乏确定性。
Token 消耗与碎片化：频繁的 Embedding 计算和机械的分块检索往往导致 Token 浪费，且分块过程极易破坏文档的上下文连续性。
可解释性缺失：传统的 RAG 管道在小规模场景下是过度设计的知识库 / 记忆层。用户难以追踪 Agent 为何选择特定的文本片段，导致系统透明度极低。
核心优势提炼
"穷人版 RAG"转而利用File System Tools进行手动读取，将检索行为转化为 Agent 的"确定性提取"（Deterministic Fetch），其核心优势在于：
简单（Simplicity）：架构扁平化，无需任何数据库，直接基于文件路径操作。
可靠（Reliability）：基于确定的逻辑指令读取文件，彻底消除语义检索带来的幻觉。
可解释（Interpretability）：所有的检索过程在对话中透明化，用户可随时干预 Agent 加载的上下文。
节约（Cost-Efficiency）：完全规避了 Embedding 调用成本及向量库托管费用，仅为有效的任务生成买单。
实际应用：如果你只是想让 AI 帮你写求职信、复盘个人经历、维护一份行业观点笔记，手上知识资产也就是几十份 Markdown 文件，那么部署向量数据库纯属杀鸡用牛刀——直接让 Agent 按路径读文件，效果一样、还不用运维。
通过这一范式转移，我们实现了从"技术驱动检索"向"工程驱动质量"的认知升级。
02
核心架构组成：数据与逻辑的解耦设计
架构原则背景
在 AI 工作流设计中，"关注点分离"（Separation of Concerns）是构建健壮系统的基石。将静态的数据资产（知识）与动态的执行逻辑（策略）彻底剥离，不仅能够实现系统模块的独立演进，更能确保核心资产在不同底座模型间具备高度的可移植性。
技能文件（Skill Files）深度解析
Skill Files 是系统的"持久化记忆"载体。这些以 Markdown 存储在 .claude/skills/*.md 路径下的领域知识模块，将用户档案、行业深度见解或特定任务模板进行标准化沉淀。它们不再是被随机切分的片段，而是作为完整的语义单元，供 Agent 根据任务需要按需加载。
关注点分离（Separation of Concerns）实现
在架构实现上，系统实现了"记忆"与"指令"的物理隔离：
逻辑层（Logic）：封装在 Commands 配置文件中（如 .claude/commands/*.md），定义"如何做（How）"的执行步骤，专注于工作流的编排。
数据层 / 存储层（Memory）：封装在 Skill Files 中，定义"是什么（What）"的知识事实。这种解耦允许开发者在不修改底层知识库的情况下，通过优化 /apply 命令来提升执行效率；反之，用户更新自身简历或行业观点时，也无需理解复杂的 Prompt Engineering 逻辑。
类比：逻辑层（Commands）就像一份菜谱，数据层（Skill Files）就像食材。同一份"番茄炒蛋"菜谱，可以配你冰箱里的番茄和鸡蛋，也可以配我冰箱里的——换了食材不用改菜谱步骤。这也是为什么团队里可以共用一套 Commands 模板，每个人各自维护自己的 Skill Files，互不干扰。
插图映射：架构图第一阶段直观呈现了 Commands 目录与 Skills 目录并行解耦的二元结构，展示指令逻辑与用户数据各司其职的工程设计。
占位符与模板变量设计
为了解决框架通用性与数据个性化的矛盾，系统引入了占位符（如 [YOUR_NAME]、[YOUR_EXPERIENCE]）。这种设计实现了"一套框架，多人分发"的灵活性：占位符作为隔离带，确保核心逻辑不被硬编码的数据污染，使框架规则可以安全地作为开源配置进行版本管理（Git 仓库），而不用担心泄露用户的隐私数据，从而实现软件工程层面的高度复用性。
类比：这和 Word 邮件合并里的域、或者简历模板上印着的"「姓名」「毕业院校」"空格是同一个思路——模板本身可以公开印刷、分发给任何人，真正私密的信息只在"填空"那一步才注入进去，模板和数据全程不发生物理接触。
实际应用：这也是为什么现在能看到不少人把自己的 Commands 配置直接开源在 GitHub 上——别人 clone 下来，[YOUR_NAME] 换成自己的名字、[YOUR_EXPERIENCE] 换成自己的经历，规则原封不动就能用，完全不用担心原作者的隐私数据被一并带出去。
插图映射：架构图第二阶段形象地展示了这些"高亮占位符"如何在 Commands 模板中充当待填充的变量插槽，从而彻底将"规则"与"数据"进行物理隔离。
这种解耦设计的静态架构，为后续动态的数据初始化与任务执行提供了清晰的边界。
03
落地流程拆解：从初始化到自动化填充
流程设计背景
数据初始化的质量直接决定了后续生成的"事实基础约束"（Factual Grounding）。通过结构化的引导（Setup）过程，将杂乱的原始信息转化为高置信度的结构化资产，是构建可信 AI 系统的战略首站。
/setup 命令的三条执行路径
用户运行 /setup 自定义命令，系统激活初始化智能体，通过三条不同的路径实现数据的标准化采集：
Path A（文档文件夹 · 多源交叉验证）：Agent 使用 File System Tools 自动扫描工作区内的 CV、LinkedIn 导出、学历证书等文件夹。该路径的核心价值在于"数据完整性"（Data Integrity），通过多份文件之间的交叉核对与验证，确保 Factual Grounding 扎根于真实事实而非单一陈旧文档。
Path B（单份简历 · 关键提取与增量补充）：当用户仅能提供单份简历时，Agent 自动提取核心脉络，并针对缺失字段生成结构化追问，通过人机协作提升记忆密度。
Path C（对话访谈 · 结构化访谈）：针对无文档场景，Agent 启动"逐节问答"模式，通过一问一答的方式逐节搜集用户背景，将碎片化的对话实时转化为结构化的 Markdown 知识库。
实际应用：三条路径对应的其实是三种真实用户状态——手头材料齐全的老手（Path A）、只有一份简历但愿意补充几句的普通人（Path B）、什么文档都没有、只能靠聊天慢慢挖记忆的新手（Path C）。设计上不强求用户"先把资料备齐"，而是就着用户当下有什么，用什么方式采集，这本身就是一种对真实使用场景的适配。
幂等性配置（Idempotent Setup）的安全保障
在工程落地中，流程严格遵循"幂等性配置"原则：为了防止重复执行命令覆盖用户已经手动优化的数据，系统强制执行幂等写入规则——重复运行 /setup 时，系统"只合并、不覆盖 / 不重复写入"，确保数据资产绝对安全，也体现了工程设计中对系统稳定性的极致追求。
类比：这类似于整理书房——新书到货，你只是把它"上架"到对应的分类里，而不是把书架上原本已经排好、贴好标签的旧书全部搬下来重新摆一遍。放到数据库场景里，这就是常说的 upsert（有则更新、无则插入），而不是"先清空再重写"的粗暴逻辑。
实际应用：假设你上周已经手动把 personal_info.md 里的自我介绍段落精修到很满意，这周又运行了一次 /setup 补充了新完成的一个项目——幂等写入保证新项目会被追加进去，而你精修过的那段自我介绍文字丝毫不受影响，不会被自动生成的"通用版本"覆盖掉。
插图映射：架构图第三阶段展示了 Path A/B/C 三条河流如何交汇合并，并通过一个带锁的"幂等阀门（Idempotency Gate）"安全地将干净的数据填入并生成最终的专属 Skill File。
初始化完成后，系统进入了"数据消耗"阶段，由静态存储转为动态推理。
04
运行机制：手动 RAG 与 In-context Learning
运行机制背景
当用户调用命令（如 /apply）执行任务时，Agent 利用"文件系统工具"（File System Tools）在运行时根据需求动态构建上下文，直接加载已填充的技能文件提供上下文内学习（In-context Learning），取代昂贵的向量检索。这种"手动 RAG"模式赋予了 Agent 类似人类"查阅资料"的能力，在关键生成节点提供实时的知识加持。
手动 RAG 执行逻辑
不同于传统 RAG 提供零散的"相似片段"，手动 RAG 允许 Agent 根据任务目标，通过 File System Tools 读写工具将 .claude/skills/personal_info.md 等技能文件整盘读取到大模型的 Context Window（上下文窗口）中。这种方式提供了"上下文完整性"（Contextual Integrity）：Agent 能够理解事实之间的逻辑关联，而非断章取义。通过大模型的上下文内学习，Agent 可以在保持完整背景的前提下进行高精度推理。
类比：这更接近人脑回忆一本书的方式——"我记得这个论点是那本书第三章讲的，我直接翻到那一页看"，而不是把整个图书馆的书都读一遍再来回答你的问题。前者又快又准，后者又慢又容易读串。
Token 效率规则与状态管理
为了在有限的 Context Window 中最大化利用率，系统引入了"状态管理"思维下的 Token 效率规则：
读过的不重读：系统明确规定 Agent 必须记录已加载文件的状态，强制规定"读过的文件不重复读取"。这种"状态管理"（State Management）确保了在多轮交互中 Context 始终保持整洁，从而极大地减少了不必要的 API 消耗和 Token 浪费。
精准会话优化：通过精确控制文件的读取与剔除，系统实现了对 stateless LLM 环境下 Session State 的模拟优化。
类比："读过的不重读"本质上就是浏览器缓存的逻辑——第一次打开网页要从服务器下载所有资源，之后再访问同一页面，浏览器直接用本地缓存，不会重新请求一遍。Agent 对已加载文件的处理是同一套省流量思路。
实际应用：设想一个私人助理型 Agent，被问到"帮我根据经历写一段自我介绍"时才去读 personal_info.md，被问到"这个项目当时是怎么做的"时才去读 project_history.md——而不是不管问什么，先把所有技能文件囫囵吞枣地塞进上下文。前者是按需取用，后者是资源浪费，长对话下来两者的 Token 账单可能差出好几倍。
技术局限性分析
必须正视该方案的物理边界：手动 RAG 方案受到大模型 Context Window 大小的硬性约束。若知识库规模过大（如百万字级别），一次性手动读取可能会挤爆窗口、造成效率瓶颈或成本激增。然而，在绝大多数个人或小团队场景中，这种"手动检索"在性价比与精准度上具有绝对优势。
插图映射：架构图第四阶段清晰呈现了 File System Tools 直接抓取技能文件、注入大模型 Context 窗口，并通过"Token 效率漏斗（读过不重读）"精简上下文的完整闭环，直观体现了零成本、高可控的检索生成模式。
这一机制将"数据层"与"推理层"完美缝合，确保了产出结果的专业美感。
05
总结：构建可信的生产力工具
核心价值重申
"穷人版 RAG"的贡献在于通过极简的工程手段，实现了极高的生产力价值：
质量与个性化：依托 Skill Files 提供的深度定制。
可重复性：命令化的工作流保证了输出的稳定性。
可信度：这种架构具备严密的验证体系。它通过 Factual Grounding（事实约束）确保内容不造假；通过 Verification Checklist（Pass/Fail 格式验证清单）进行逻辑自洽性审查；并通过 Compile-and-Inspect Loop（编译验证循环）完成物理层面的格式校验。
类比：整套系统更像一位训练有素、只服务你一个人的私人助理，而不是一台面向所有人的自动化机器——它记得你的背景（Skill Files），懂得按你的规则办事（Commands），也知道用完的资料随手放回原处（Token 效率规则），而不是每次都从零认识你一遍。
展望
该框架不仅仅是低成本的替代品，它更是一条演进的战略路径。这种结构化的 Skill Files 和解耦的架构模式，是迈向多智能体系统（Multi-Agent System）的必经之路。只有当底层的"数据记忆层"足够稳固且结构化时，我们才能在上方构建复杂的"起草者-审阅者"（Drafter-Reviewer）协作模式。对于追求工程优雅性的开发者而言，这正是通往可靠 AI 协作的最佳基石。
开源地址
本文里的这套设计已经整理成一个通用的 Agent Skill——doc-kb（github.com/heycqing/doc-kb），遵循开放的 Agent Skills 规范，Claude Code、OpenAI Codex、Cursor 等主流工具均可直接加载，clone 下来换成自己的数据即可使用。
如果这篇对你有启发，欢迎转发给同样在搭建个人知识库、或正在做 Agent 工程的朋友，也可以点个"收藏"方便回头查阅。
你现在维护自己的行业笔记或简历库，是靠文件夹手动管理，还是已经接入了某种检索方案？评论区聊聊。
