v
看看你自己的数字生活：微信收藏了几百篇文章，Obsidian 里存了上千条笔记，浏览器书签栏挤得连图标都看不清，聊天记录里散落着各种"稍后看"的截图。
这些东西加起来可能有几个 G。但当你真正需要写一篇文章、做一个决策、或者回答一个复杂问题时，你能在 30 秒内找到那条最关键的信息吗？
大概率不能。
这不是因为你不够勤奋，也不是因为工具不好用。而是因为你一直在做信息的搬运工，而不是知识的编译器。
这两者的区别，就像源代码和可执行程序的区别。源代码是人类可读的，但不能直接运行；你需要一个编译器把它变成机器可以高效执行的东西。知识也一样——原始的笔记、文章、截图是"源代码"，它们包含了所有信息，但没有被组织成可以直接"调用"的形式。
大多数人的知识库，本质上是一个巨大的、没有索引的源代码仓库。你往里扔的东西越多，找到有用信息的效率反而越低。
这就是"知识越积越多，却越来越没用"的根本原因。
"编译"这个比喻不是随便说的
"知识编译"这个概念来自 Andrej Karpathy 提出的 LLM Wiki 模式。他的核心洞察是：
RAG 每次查询从头推导，什么都不积累。LLM Wiki 预编译、持续维护，知识随时间复利。
现在大多数人用 AI 处理文档的方式是 RAG：上传文件 → 检索相关片段 → 生成答案。这能工作，但每次都是从头开始。一个需要综合五份文档才能回答的问题，RAG 每次都重新拼凑。上次花了两小时整理出来的洞察，下次还得重来。
LLM Wiki 的思路完全不同：让 AI增量构建并维护一个结构化知识库。加入新资料时，AI 不只是存储它，而是阅读、提炼、整合进已有体系——更新实体页、修订主题摘要、标记新旧信息的矛盾、加强或挑战已有的判断。
这意味着你的知识不是一堆散落的文件，而是一个活的、持续生长的认知结构。每一次投入都在为未来的自己节省时间。
这就是"复利"的含义：知识被结构化之后，它的价值不再是线性叠加，而是指数增长。你今天花一小时整理的东西，可能在未来十次创作中各省下两小时。
为什么人做不到这件事
道理很简单，但几乎没人真正做到过。原因也很简单：维护成本。
Vannevar Bush 在 1945 年就提出了 Memex 的构想——一个个人策展的知识存储，文档间通过关联路径连接。80 年过去了，这个愿景从未真正实现。不是因为技术不行，而是因为人不愿意做簿记工作。
更新交叉引用、保持摘要最新、标记新旧数据矛盾、维护数十个页面的一致性……这些工作不难，但烦。而且它们的价值是延迟兑现的——你今天花了三小时整理索引，收益可能在三个月后的某次写作中才体现。人类的大脑天然不擅长为延迟奖励付出即时努力。
所以大多数人放弃 wiki 不是因为不想，而是因为维护负担的增长速度超过了价值的增长速度。
但现在不一样了。
LLM 不会厌倦、不会忘记更新交叉引用、一次可以修改 15 个文件。那些让人崩溃的簿记工作，恰恰是 AI 最擅长的。当维护成本趋近于零时，知识库终于可以被持续维护了。
人的角色变了：从"什么都自己做"变成"策展者和判断者"。你决定读什么、强调什么、跳过什么。AI 负责其他一切——阅读、提炼、写入、链接、更新。
这正是 Naval Ravikant 所说的"第四种杠杆"在知识管理中的体现：AI 承担零边际成本的执行工作，人专注于判断力。知道"做什么"比知道"怎么做"值钱得多。
从理念到实践：我自己的尝试
这套方法论我在自己的知识库里实践了好几个月。raw 目录丢原始素材，wiki 目录存结构化页面，index.md 做检索入口，CLAUDE.md 定义操作规范。跑了半年，wiki 下积累了近百个结构化页面，覆盖写作、开发、业务三个域。
效果确实好。但有一个问题始终没解决：知识库和创作工具是割裂的。
我在 Obsidian 里维护知识库，用 Claude Code 辅助写作，用 doocs/md 排版，再手动粘贴到公众号后台。四个工具，三次复制粘贴，两次格式调整。每次发一篇文章，光衔接环节就要花半小时。
更关键的是，AI 看不到我的知识库。每次要让 AI 基于我的积累来写东西，得先把文件路径告诉它，等它读完再开始对话。如果中途想换个模型试试不同风格，又得重新配一遍环境。
知识库是知识库，AI 是 AI，中间全靠我手动桥接。这不就是另一种形式的"上下文断裂"吗？
基于这个原因，我搭了一个本地应用 Molio 。不是什么宏大的产品愿景，纯粹是想把 LLM Wiki 的理念跑通到一个完整的工具链里。
Molio 做了什么
先说清楚：Molio 里没有一个是我的原创组件。知识库管理学的 Obsidian 和 WeKnora，AI 运行时用的 Claude Code / Codex / Gemini CLI / Qwen Code，排版引擎用的 doocs/md。每一个都是成熟的项目组件。
我做的事情只有一件：让它们共享同一个上下文。
具体来说，当你在 Molio 里选择一个知识库项目时，它会自动把这个项目的目录作为工作上下文传给 AI 运行时。Claude Code 或其他 CLI 启动后，会直接读取该目录下的CLAUDE.md和文档结构。不需要手动指定文件路径，不需要复制粘贴上下文。你的知识库就是 AI 的工作现场。
这意味着你可以直接跟 AI 说："帮我基于知识库里关于 Harness Engineering 的概念页，写一篇面向技术团队的科普文章。" AI 会自动去读你的 wiki 目录，找到相关页面，基于你已有的知识积累来创作。不是你从零开始教 AI，是 AI 站在你已有知识体系的肩膀上工作。
另一个设计是创作回流。写完的文章自动回流到知识库，成为下一次创作的素材。这不是一个花哨的功能，它是知识复利闭环的关键一环：
知识沉淀 → 促进创作 → 创作产出 → 丰富知识 → 更好的创作 → ...没有这一环，知识库就是一个只进不出的蓄水池。有了它，知识才开始流动。
Local First 架构选择
为什么不做云端 SaaS ?工具层的价值在于连接，不在于锁定。你的数据和知识应该属于你自己。
如果你的知识库存在别人的服务器上，你永远不会把最真实的思考、最敏感的笔记、最不成熟的想法放进去。你会下意识地自我审查，只存那些"安全的"内容。而恰恰是那些不成熟的、私密的、半成品式的思考，才是知识复利最有价值的原材料。
Local First 不是一个营销标签。它是一个架构选择，决定了你的知识库能不能真正成为你的"第二大脑"，而不是又一个表演性的数字花园。当工具把你锁在某个平台上，你的知识就不再是你的资产，而是平台的用户数据。只有当你可以随时带走一切、随时审计一切时，信任才真正成立，知识复利才有根基。
Molio 的所有数据都存在本地 SQLite 和文件系统里，AI 运行时也是在你自己的机器上跑的。你可以审计每一行代码（完全开源），可以确认数据真的没有外传。这不是承诺，是可验证的事实。
适合谁用？
说实话，这套方法论和这个工具都不适合所有人。
如果你只是想找个地方记笔记，Notion 和 Obsidian 都比 Molio 成熟得多。如果你只是想让 AI 帮你写段文案，直接用 ChatGPT 或 Kimi 更方便。
但如果你已经在积累知识了，如果你觉得自己的知识库越来越像一个"信息坟场"而不是"认知引擎"，如果你厌倦了在工具之间做人肉上下文同步——那也许你缺的不是更多的工具，而是一个把已有工具串起来的编译层。
知识复利不会自动发生。它需要一个前提：你的知识必须被结构化，必须可被 AI 消费，必须在创作中流动起来。
这三个条件缺一不可。而满足这三个条件的过程本身，就是一种值得投入的基础设施建设。