導讀：當每個人都能用同樣的 AI 模型時，什麼決定了你和別人的差距？不是你用哪個模型，而是你餵它什麼知識。個人知識庫正成為 AI Agent 系統的核心差異化要素。
同一個 AI，不同的產出品質
兩個研究者，同一個模型，同一篇論文。A 得到泛泛摘要。B 呢？他拿到的是與自己過去三年研究脈絡精準對接的洞察。
差別不在 prompt 技巧——B 的 AI 背後接了一個知識庫。裡面累積了數百篇精心策展的論文、標註過的關鍵發現、還有跨論文的概念連結。這座知識庫不是一天建成的，是他花了大半年慢慢養出來的。
模型能力是公共財，知識庫是私有資產。 你跟隔壁同事用一模一樣的 ChatGPT，產出天差地遠。問題不在模型。在你後面有沒有東西撐著。
三層架構：策展、索引、生成
AI 研究者 Elvis（@omarsar0）的實踐框架，把知識庫拆成三層來看。
策展：用微調過的 Skill 自動掃描新論文，只抓「最佳中的最佳」。不是什麼都收，是只留真正跟你研究方向相關的。跑了幾個月之後？這個 Skill 比你自己挑論文還準。
索引：所有文獻用 Markdown + metadata 儲存，支援語義搜尋。標準化標籤、關鍵概念、跨文獻交叉引用——你問「NAD+ 相關的臨床試驗有哪些？」，秒級回應。
生成：知識庫不只是倉庫，它能動態產出互動式 artifact。視覺化圖表、研究地圖、趨勢分析。你用自然語言下指令：「把過去六個月的 NAD+ 論文按研究方向分群」、「只顯示臨床試驗結果」。不是搜尋引擎——更像一座會回話的研究圖書館。
為什麼 Markdown 打敗所有花俏工具
你可能會想：Notion、Obsidian、各種 AI 筆記 App 那麼多，為什麼最後贏的是最樸素的 Markdown？
三個字：零阻力。
- Agent 原生支援：幾乎所有 Agent 框架直接讀取 Markdown，不用 API、不用轉換。你的知識庫對 AI 來說像呼吸一樣自然。
- 可版控：純文字天然適合 Git，每次變更都有歷史紀錄。知識庫的演化本身就是有價值的資料。
- 可遷移：不被任何平台綁定。今天 Obsidian、明天 VS Code——你的知識庫完整帶走，一個字都不會少。
不過，我們得誠實講：Markdown 也有門檻。你得習慣純文字介面，得自己建立 metadata 規範，對不寫程式的人來說上手成本不低。如果你現在連筆記習慣都還沒建立，Obsidian 或 Notion 反而更務實——先有東西，比完美格式重要得多。
知識庫作為 Agent 的外部記憶
Vox 的三環迴圈架構點出了更深一層的邏輯。
Agent 每次執行的結果寫回知識庫。下次執行？先讀上次結果再做新分析。品質不是固定的——它像滾雪球一樣，隨著知識庫的深度持續膨脹。跑了三個月的「論文策展 Agent」和剛啟動的，即使用同樣模型與 Skill，產出品質差距可達數倍。
你可以複製別人的 Skill。三分鐘搞定。但你複製不了別人三個月的策展歷史。
那才是護城河。
今天開始建知識庫，不嫌晚。明天開始？就比今天晚了一天的策展累積。
References
- @omarsar0 (2026). Thread on personal knowledge bases for agent systems. X/Twitter.
- Vox (2026). I Stopped Collecting Agent Skills. Started Wiring Them Into Loops. Blog.
- Matuschak A. & Nielsen M. (2019). How can we develop transformative tools for thought? numinous.productions.
- Anthropic (2026). Claude Code Documentation — CLAUDE.md and Project Context. docs.anthropic.com.