WorkBuddy+Obsidian，搭了一个会自己积累经验的知识库
需要准备的工具不多。WorkBuddy负责操作文件，Obsidian负责管理本地笔记，Obsidian Web Clipper负责把网页剪藏成Markdown。
第一步，在Obsidian里创建一个仓库，再让WorkBuddy的工作空间指向同一个文件夹。
像我的仓库就是直接建在E盘下的Obsidian目录下，然后在workbuddy新建任务，里面设置这个为工作目录。
先别扫描整台电脑。挑一个真正会反复使用的主题就够了，比如销售跟单、课程研究或项目复盘。
目录也别搭得像公司组织架构。先保留这五层：收件箱接住新资料、原始资料保存完整内容、Wiki存放整理后的知识、项目记录真实工作、复盘保存人工确认后的判断。
根目录再放三个文件。
🧩
•AGENTS.md告诉Agent哪些文件能动、资料放在哪里、整理时遵守什么规则
•index.md记录知识索引，查询时先从这里找入口
•log.md记录每次新增、修改和检查
AGENTS.md不用一开始写得特别复杂，先守住几条底线即可。原始资料不能删除，摘要不能替代完整原文，重要结论保留来源和日期，遇到冲突先标记，涉及删除、移动和敏感目录时先停下来问人。
这些规则看起来有点笨，实际很重要。AI特别自信的时候，往往也是最需要人检查的时候，大家也可以参考我部分的agents.md文件。
第一次让它整理资料时，不用写很长的咒语。把任务和底线说清楚就够了。我用的指令大致是：
●●●基于karpathy的llm wiki理论，请读取本次新增的资料，保留完整原文。按照 AGENTS.md 的规则，把可以长期复用的内容整理进 Wiki，同时更新 index.md 和 log.md。遇到来源不清或相互冲突的内容先标记，等我确认，不要自行覆盖。
拿销售场景举例
等前面运行起来后，随着项目复杂度增加，可以再分别建立好AI维护的llm wiki目录和人工Obsidian操作的目录，就像我们的销冠话术知识库。
第一步，先把销冠经验收进来
所以第一批资料，我会先放三类。
•销冠脱敏后的成交与失败案例，包括聊天记录和通话纪要
•产品资料，包括定位、价格、交付范围、案例、FAQ和明确不能承诺的内容
•跟单规则，包括客户阶段、常见异议、跟进节奏和需要人工升级的情况
而我具体常用的收集资料的方式有四种。我之前的资料主要放在飞书里，可以手动导出，也可以用飞书 CLI 批量整理。尽量保留为 Markdown，后面拆分、检索和追溯来源都更省事。
🧩
另外我们也能通过谷歌浏览器插件 Obsidian Web Clipper 把网页的相关内容下载到Obsidian。手机上可以多使用ima知识库收集。
微信里的消息和聊天记录，可以通过 笔记同步助手 进入 Obsidian。
平时的录音，或者某音、B站等第三方视频平台的摘要，也可以通过 Get笔记 进入 Obsidian。
第二步，让WorkBuddy把案例编译成Wiki
资料进入Obsidian以后，让WorkBuddy保留完整原文，再整理出客户类型、常见异议、谈单逻辑、跟进节奏、产品问答和案例页面，同时记录来源与日期。
这次实际读入了 1,502 个文章来源。正文去重后，最后形成 11,917 个案例，再继续拆成客户异议、成交阶段、谈单逻辑、回复语气和风险边界等索引。
这样原始聊天不会被一份总结替代。以后AI判断错了，我们还可以回到当时的上下文，看看它到底漏了什么。
第三步，拿真实问题去查询
真正使用时，我把一张脱敏后的客户聊天截图交给AI。它先判断客户处在哪个阶段，主要顾虑是什么，再去检索过去最接近的销冠案例和对应的产品资料。
我实际提问时，会把客户截图和下面这段一起发过去：
●●●先判断客户处在什么阶段，核心顾虑和关键意图分别是什么。再从 Wiki 里找最接近的 2 到 3 个历史案例，结合产品资料给出两个回复版本，并说明各自参考了哪些案例、适合什么情况。涉及价格、交付和承诺边界时，单独提醒我。
我先拿一个模拟客户场景做了对照。没接知识库时，它给的回答比较泛，听着都对，真要发给客户却差点意思。
接上销冠案例和产品资料以后，它能找到以前遇到过的相似情况，也会说清楚这次参考了哪条经验。
最后发哪一版，仍然由人决定。销售可以直接采用，也可以结合对客户的了解再改几句。
第四步，把客户结果写回来
事情还没结束。客户后续怎么回复、阶段有没有推进、最终成交还是流失，都要写回复盘。下一次遇到相似情况，AI调用的不只是那句漂亮话，还包括这套说法后来有没有用。
客户有了后续，我会再补一句：
●●●把本次采用的回复、客户后续反馈、阶段变化和最终结果写进复盘。更新对应的案例页和异议页，保留日期与来源。如果这次结果和过去经验冲突，先标记出来，不要直接改掉旧结论。
这时，销冠经验才从个人记忆变成可以检索、可以复用、还能继续更新的团队资产。
这套东西当然不会把实习生一夜之间变成销冠，但至少能让新人少摸索一阵。以前要靠师傅带、靠自己慢慢悟的经验，现在有机会在真正跟客户沟通时被重新调用。
这套闭环不只适合销售
换一批知识源，这套逻辑也能放进很多业务。
法律场景可以调用法规、合同和历史案例；咨询可以调用旧项目与方法论；个人学习可以调用笔记和错题；老板做战略判断，可以回看会议纪要、行业资料和过去的决策；客服则可以结合工单、产品规则和处理结果。
底层都是同一条链路。沉淀优质历史资料，接住眼前的真实问题，找到相似案例，结合业务规则给出建议，再把结果写回去。
换的是知识源，复用的是同一条闭环。
为了看看它是不是真的记住了，我还会换个新会话再试一次。不复制前面的聊天，只丢给它一张相似的客户截图。
它要是能找到上次写入的案例，还能说清这次参考了什么，这套外部记忆才算开始起作用。只给出一个听起来正确的答案，却说不清出处，我不会把它算作通过。
下一步再把确认过的新结论写回去。采集、整理、确认、写回、再次调用，这个循环不断重复，知识库才会越用越好。
这里仍然需要人。AI可以帮忙整理，却无法替我们判断什么值得留下。完整原文、来源、日期、冲突标记和人工复核，都是为了少踩坑。
这套东西适合谁
如果手上只有几条笔记，平时也很少做重复任务，一个普通文件夹加搜索已经够用。
如果你长期做销售、咨询、研究、客服或管理项目，经常需要重复解释背景、业务规则和历史决策，这套系统的价值会更明显。
它也有成本。资料越多，摄入和查询消耗越高，后续还要检查过期结论、断开的链接和来源不清的页面。
如果里面放了客户聊天、合同或报价，记得先脱敏，也别把所有文件一股脑塞进去。涉及价格承诺、合同和重要业务判断，最后还是要有人过一遍。团队权限比较复杂时，可以先从自己可控的一小块开始，没必要第一天就把它做成公司总知识库。
所以别一上来追求大而全。先选一个小主题，跑通采集、整理、查询和写回，再根据真实使用慢慢调整。
结语
真正能够持续学习、自我迭代的AI大模型，也许还需要一些时间。
在它到来以前，我们可以先把做过的事情、踩过的坑、确认过的结论和完整来源留下来。让AI下一次开始工作时，手边有一份更新过的档案。