把个人经验编译为 AI Agent 可复用资产 — Praxis 知识库的架构思路

起点

传统个人知识库的目标用户是人。你用 Obsidian、Notion 或 Logseq 记笔记，偶尔回头翻看，大部分笔记成为数字废墟。

但如果目标用户是 AI Agent 呢？

Agent 能记住上下文，能主动关联，能遵循指令执行复杂操作。把经验交给 Agent 管理，意味着知识库从”被动存档”变成”主动调用的可执行资产”。

Praxis 就是围绕这个前提设计的。

核心设计：经验编译链

系统的核心是一条价值链：

真实问题 → 调查 + 决策 → 行动 → 反馈 → 可复用认知/skill → 可兑换资产

每个阶段对应一个目录和一种笔记类型：

关键约束：

• 项目不能凭空创建。你要构建一个东西，必须先有一个 01-problems/ 下的问题描述它要解决什么。
• 反馈不单建文件。调查结果、决策理由、事后验证全部追加在同一个 problem 文件里。一条时间线，读完就知道来龙去脉。
• 认知升级有门槛。L1 是假设（存 inbox），L2 是经过一次外部验证（存 knowledge），L3 是经过多次个人经验证实（可以输出为 asset）。
• 不收外部知识做 L3。外部框架只能 L2 封顶，升级 L3 必须经过自己踩过坑。

入口：为什么是 MOC 而非目录树

Agent 不需要 Sidebar。遍历目录树找文件既不高效也不优雅。

Praxis 的入口是 +.md —— 一个 Map of Content：

## 活跃问题
- [[01-problems/跨 Agent 会话连续性挑战]] `[investigating]`

## 知识
- [[03-knowledge/models/Agent 扩展的三层隔离]]
- [[03-knowledge/methods/混沌输入-结构化输出]]

所有笔记通过 frontmatter 的 status 字段声明状态，MOC 上的链接和状态标签由 Agent 自动维护。人用 Obsidian 打开这个文件，看到的是完整的知识地图；Agent 读到的是结构化的导航指令。

会话协议：Agent 如何记住上一次对话

Praxis 有一个核心痛点：你换了 Agent 运行环境（从 Codex 切到 opencode，或者换了一台机器），Agent 怎么知道上次聊到哪里？

解决方案是一个三层协议：

会话记录 (session-history.json)  ← 通用事实源，由 track-agent-sessions skill 维护
    ↕
Agent 状态投影 (core/agent-state.md)  ← Praxis 自己的视图
    ↕
MOC (+.md)  ← 当前焦点，wikilink 入口

每次新会话启动时，Agent 按以下流程操作：

1. 读取 core/agent-state.md + +.md，获取上次焦点
2. 通过 praxis-session skill 登记当前会话（包括运行时标识和原生 session ID）
3. 完成工作后，回写终态（ended / interrupted）
4. 同步 MOC 和状态文件

中断恢复的场景也被考虑在内：如果检测到上次会话是 active 但没有可靠证据证明异常中断，Agent 把它标记为 interrupted 并新建一条记录，不丢失历史。

Agent 行为准则：不是你的回声壁

Praxis 的 AGENTS.md 里有一条规定特别重要：

指正优先于迎合。当用户判断与既有原则、目标或已知事实冲突时，Agent 必须指正；当用户结论缺乏支撑时，Agent 必须追问。

这意味着 Agent 在 Praxis 中不是一个执行机器，而是一个校正器。它有权质疑用户的判断，有权指出知识库内部的矛盾。

这个设计的出发点是：如果知识库的目标是”产生复利”，那错误积累就是在产生”负复利”。让 Agent 有指正的权限，比让用户舒服地犯错更重要。

目录设计的取舍：为什么用数字前缀

目录名是 00-inbox/、01-problems/ 而不是 inbox/、problems/。

这不是给 Agent 看的——Agent 靠 frontmatter 的 type 字段识别类型。数字前缀纯粹是为了 Obsidian 的文件列表排序。同一套文件，人用 Obsidian 浏览时看到的是有序列表，Agent 读取时走 wikilink 跳转，互不干扰。

类似的取舍：

• 不用 Dataview 插件。所有状态查询由 Agent 直接读文件完成，不依赖 Obsidian 插件。
• 不用模板。Agent 创建文件时根据 type 自动填充 frontmatter，不需要模板系统。
• Wikilink 格式统一为 [[路径/文件名]]，不带 .md 后缀，不用 markdown 链接。

从问题到可复用资产：一个实例

最早的问题是：“Agent 会话记录缺少原生 ID，导致无法精确追踪与回溯”。

这个问题经历了完整的转化链：

问题: 会话缺少唯一 ID → 调查: Codex 有 CODEX_THREAD_ID，opencode 有 session ID
→ 方案: 封装为跨 Agent 的通用会话历史 Skill
→ 实现: track-agent-sessions skill（独立 npm 包）
→ 验证: 在 Codex 和 opencode 两个环境下跑通安装验收
→ 沉淀: 04-assets/通用 Agent 会话历史 Skill
→ 认知: 03-knowledge/models/机器事实源与人类投影分离

一个问题驱动了一个可复用 Skill 的诞生，同时产生了一条可复用的认知模型。这正是 Praxis 的核心价值。

当前状态

Praxis 目前处于 v2.4.1，核心架构冻结。已经解决了数个基础问题（会话协议、跨 Agent 兼容、状态一致性），但还在等待更多真实问题来驱动下一步演化。

如果你也在用 AI Agent 来管理知识，以下问题值得思考：

• 你的知识库目标用户是谁？如果是人，那 Agent 只是辅助工具；如果是 Agent，那文件结构要为机器解析优化。
• 你对 Agent 的期望是什么？执行工具还是思考伙伴？这决定了行为准则的写法。
• 经验如何验证？L2 和 L3 的区别在于”是否经过个人经验证实”，这条分界线是知识质量的保证。