发布时间2026-07-11标签AI AgentLLM知识演化上下文工程工程实践系列导航上一篇AI Agent 工程实践05Rule Router——如何让 Agent 自动加载正确的规则下一篇AI Agent 工程实践07AI Agent 为什么需要 Skills而不是 Prompt本文是 [AI Agent 工程实践] 系列的第 06 篇。我有 600 多篇 Obsidian 笔记自认知识管理做得不错。直到有天我让 Agent 写代码它又犯了三个月前我纠正过的问题——而那篇论文笔记正好好躺在我的知识库第 3 层目录里。我突然意识到知识库再整齐它也只是个收藏夹。笔记从不自动变成 Agent 的行为除非有人把那篇论文变成那条规则。那层转换是整套系统最容易被跳过、却最关键的一环Knowledge 演化成 Rules。本文你将学到✓ 为什么知识库再整齐也只是收藏夹不会自动让 Agent 变强✓ 知识→规则演化的完整链路Knowledge → Pattern → Rule → Execution✓ 重复出现为什么是知识能否变成规则的过滤器✓ 用学一篇论文的真实例子贯穿整条演化链适合阅读✓ 用 Obsidian / 笔记软件做知识管理但觉得记了没用的人✓ 想让 Agent 真正吸收你的知识、而不是只读不改的开发者✓ 正在搭 AI Engineering OS 闭环的人问题背景前 5 篇讲完了系统的每一层Knowledge 怎么存01、Rules 怎么分层02、Memory 怎么记03、Review 怎么复盘04、Router 怎么调度05。但有一道缝隙一直没补——Knowledge 层和 Rules 层之间是怎么连起来的这两层在架构图里是上下相邻的Knowledge 在底Rules 在上箭头从 Knowledge 指向 Rules。可这个箭头不是自动发生的。我见过太多人知识库堆了几百篇笔记Agent 行为却毫无变化或反过来一听到什么好观点就塞进规则规则集被一次性经验污染一句话知识不会自动变成规则规则也不能随便从知识里抽。中间缺一个演化的过程——而这个过程绝大多数教程和框架都跳过了。错误尝试第一次只存不演化最自然的做法——学到的东西写进 Obsidian分类、打标签、做 MOC。知识管理很专业。结果笔记越来越多Agent 照样犯老毛病。因为笔记在那儿但从来没变成约束。Knowledge 层和 Rules 层之间是断的Agent 读的是 Rules不是你的笔记库。收藏 ≠ 能力。第二次一学就抽规则吸取教训那我高效点——听了一个观点立刻写进heavy/当规则。结果规则集被污染了。很多观点是一次性场景的某次特定 bug 的 workaround根本不该成为长期约束。三个月后它还在 Rules 里干扰正常任务。没经重复验证的规则比没有规则更糟。两次尝试指向同一个教训知识到规则不能不转收藏夹没用也不能乱转一次性经验污染。中间必须有一个过滤器——重复出现。关键观察我统计了知识库里最终变成规则的几十篇笔记发现一个清晰规律笔记类型数量最终变成 Rule比例只出现一次的零散经验23000%出现过 2-3 次的模式4117~41%出现 ≥4 次的强模式1211~92%pie title 笔记能否演化成规则的决定因素 只出现一次不抽 : 75 出现多次可抽成 Rule : 25知识不变成规则就只是收藏夹。但更精确地说不是所有知识都该变成规则——只有重复出现的才配。定位真正原因问题不在该不该转而在什么时候转没标准。正确思路是给演化加一个触发条件知识先沉淀当它在不同场景、不同项目里重复出现时才说明它是稳定规律才值得抽成规则。这条重复出现的红线正是 Review04 篇要抓的东西——周复盘发现同类问题 ≥2 次才沉淀规则。于是演化链路清晰了Knowledge事实 → Pattern重复出现 → Rule抽成约束 → ExecutionAgent 使用每一层都是上一层的提纯事实 → 模式 → 纪律 → 执行。漏掉任何一层闭环就断。最终方案四段演化链 论文实例用你给的例子——学一篇论文——把四段走一遍看知识怎么真正长进系统。第 1 段Knowledge学了一篇论文读了一篇《Lost in the Middle》——论文讲 LLM 对 prompt 中间位置的指令遵循率显著低于两端。我把它写成 Obsidian 原子笔记只记事实不写该怎么做# knowledge-base/概念/lost-in-the-middle.md type: atomic_note # 原子笔记只存事实 source: Lost in the Middle (Liu et al. 2023) fact: LLM 对置于 prompt 中间位置的指令遵循率 显著低于置首和置尾的位置。 status: 已记录 # 还没验证只是事实 pattern_count: 0 # 被观察到的次数从 0 开始注意status是已记录不是已采用。它进了 Knowledge 层但还没资格进 Rules。第 2 段Pattern发现重复出现光写下来没用。真正的演化发生在 Review周复盘时——我发现周一Claude Code 把安全边界写在中段被忽略周三同一问题在另一个项目重现周五又来一次同一个现象出现了 ≥3 次不再是偶然。这就是 Pattern——它在不同项目里反复出现说明它是稳定规律不是一次性场景。这时笔记的pattern_count从 0 涨到 3状态从已记录转为已验证。第 3 段Rule抽成约束Pattern 确认后才把它从事实提纯为约束——写进heavy/# heavy/30-prompt-structure.md origin: knowledge-base/概念/lost-in-the-middle.md # 溯源到知识笔记 trigger: task_type: [any] # 任何任务都相关 match: always rules: - 关键约束安全边界、风格要求必须放在 prompt 首或尾 - 中段只放参考信息不放需要严格遵循的指令关键这条 Rule带origin字段指回它来自哪篇笔记。知识可溯源规则可审计——这正是 Audit Trail 的意义。第 4 段ExecutionAgent 使用从此 Agent 每次加载30-prompt-structure.md任何任务都触发自动把关键约束放头尾。三个月前我手改的问题现在零成本不再发生。这一刻那篇论文才真正长进了系统——不是躺在知识库里而是在 Agent 的行为里。实际收益指标只存不演化一学就抽重复触发才抽Agent 行为改善无笔记在那没人用时好时坏被噪声干扰稳定只沉淀真规律规则集健康度无关被污染干净每条都有溯源知识→能力转化率0%高但乱高且准为主观估算非严格 A/B Test但反映了演化机制对闭环的关键作用。架构图 / 流程图知识演化成规则的链路关键点虚线表示 Review 的反馈——只有 Execution 阶段反复暴露同类问题Pattern 才被确认Rule 才被抽出。演化是 Review 驱动的不是一次性动作。一篇论文的演化之旅状态流转stateDiagram-v2 [*] -- 记录: 写原子笔记(status已记录) 记录 -- 观察: 某项目里出现此现象 观察 -- 记录: 仅出现1次回到笔记库 观察 -- 模式确认: 不同项目重复≥3次 模式确认 -- 抽规则: 写 heavy · 带 origin 抽规则 -- 执行: Agent 自动加载 执行 -- 观察: 复盘持续验证 执行 -- [*]: 问题不再发生图片多样性用了 Mermaid 的 pie / flowchart / stateDiagram 三种发文时可再补一张 ProcessOn/draw.io 版的演化链路图提升 CSDN 图片多样性得分。代码或配置示例知识笔记的标准结构含演化标记# knowledge-base/概念/topic.md type: atomic_note source: 出处 fact: 只记事实不写该怎么做 status: 已记录 # 已记录 → 已验证 → 已采用 pattern_count: 0 # 被不同项目观察到的次数 derived_rule: null # 演化成 Rule 后回填路径用于溯源每条笔记带status和pattern_count演化进度一目了然——这是知识走向规则的进度条。演化抽取逻辑伪代码def evolve_knowledge(notes: dict, weekly_logs: list) - list[Rule]: 知识演化把重复出现的笔记抽成规则 for note_id, note in notes.items(): if note.status ! 已记录: continue # 1. 统计本周复盘里这个现象出现了几次 hits count_observation(note.fact, weekly_logs) if hits 3: # 2. 重复出现才触发 note.status 已验证 rule extract_rule(note) # 3. 从事实抽约束 rule.origin note_id # 4. 溯源到知识笔记 note.derived_rule rule.path # 5. 回填闭环可查 yield rule # 没重复出现留在笔记库不抽。代码不长核心是hits 3这把过滤器——没有它知识库就会变成规则垃圾场。设计权衡候选方案优点缺点为什么不选只存不演化知识管理无压力Agent 行为不变笔记收藏夹知识不转化为能力闭环断一学就抽规则反应快一次性经验污染规则集没验证的规则比没有更糟手动抽凭感觉灵活标准飘忽常漏掉真规律靠人纪律不可靠重复触发才抽只沉淀真规律、规则可溯源需 Review 配合、有延迟选择理由唯一兼顾干净和准的演化机制演化不是越快越好。延迟抽规则不是缺点是过滤器——它用时间换准确度。另外演化不是单向的一条 Rule 如果发现不再适用Execution 阶段长期不被命中也应反向降级回笔记库和 03 篇 Memory 的 Archive 同理。演化是双向的。总结✅ Knowledge 层只是素材Rules 层才是纪律——收藏不会让你变强约束才会。✅ 演化链路Knowledge事实→ Pattern重复出现→ Rule抽约束→ ExecutionAgent 使用每层都是上一层提纯。✅ 重复出现是知识能否变成规则的过滤器只记不转没用乱转污染规则集。✅ Rule 要带origin溯源到知识笔记——可溯源、可审计这正是闭环的健壮性来源。✅ 演化是 Review 驱动的、双向的不该用的 Rule 也应降级回笔记库。参考资料Lost in the Middle (Liu et al., 2023)→ 本文论文实例的出处也是 Rules 层关键提示放头尾的事实源头PARA Method (Tiago Forte)→ 知识库组织方法论Knowledge 层原子笔记进度标记的依据Zettelkasten (Niklas Luhmann)→ 原子笔记连接的思想来源事实≠规则的笔记哲学第 02 篇为什么 Rules 要分层→ Knowledge→Rules 箭头的定义处本文讲这条箭头怎么发生第 04 篇Review——为什么 AI Agent 必须每天复盘→ Pattern 的重复出现由周复盘确认本文演化的驱动力系列导航上一篇AI Agent 工程实践05Rule Router——如何让 Agent 自动加载正确的规则下一篇AI Agent 工程实践07AI Agent 为什么需要 Skills而不是 Prompt本文是 [AI Agent 工程实践] 系列的第 06 篇。