Personal Knowledge Harness

课程、对话、笔记散落各处；读完就忘；复盘从不沉淀成可复用的东西。

拆 Claude Code 源码 → 看懂 harness 工程：核心不是让模型更聪明，而是决定给它塞什么上下文、何时塞、塞多少。学 RAG → 掌握检索增强：知识不必全塞进去，按需检索。

搭一套 Personal Knowledge Harness。目标不是「知识管理」，是「个人工作代理」：持续替我做 PRD、原型分析、竞品分析、复盘，还能发现自己哪里不够好、继续调整。

都放 wiki 下，分两层：知识卡片（工作方法论 / RAG 学习）负责日常加载；claude-sessions 原始对话保底——卡片说不清时回查原文。这正是 RAG 里 Parent Document 的思想。

把重复工作 skill 化（竞品分析 / PRD / 深度阅读…），知识卡片作为 skill 的上下文传入。

skill 涨到 73 个，每次复盘都在沉淀新卡片、新规则 → 索引退化成目录清单，规则互相打架，每次任务塞进的上下文越来越大。

这不是「存」的问题，是「用」的问题——存下来 ≠ 能按需取出来。能力层正在退化成第二份知识库。

重构为三层：原文层保真（输入带状态流转），正式知识域复用（领域 → 任务域两级，工作只是 v0 首个领域，为理财 / 心理学 / AI 漫剧预留），能力层管加载。

两层管「存」，第三层管「用」——这层才是 harness 的本体。否掉的方案：「学习沉淀层」是加工过程、不配做长期一层；旧 wiki 不搬家，降级为 legacy 只读源，高频卡渐进迁移。

三层目录只回答了「知识放哪」；「加载什么、何时加载、加载多少」仍然没人管。

这正是 harness 的原始命题。能力层不是又一个装知识的文件夹，而是 agent 的操作系统层：输入进来，控制面负责路由、权限、压缩、沉淀、复盘、prompt 组装，执行层才动手。

拆成六个子域：路由索引 · 上下文加载规则 · skill 工作流 · 自我成长规则 · 用户偏好与协作协议 · 工具接入与排障——个人偏好也进这层：它不是业务知识，是影响所有任务的控制规则。加载永远四级渐进、从不全量：能力层自己也可能变成污染源。

写入一直成功，找回越来越难——新材料、新卡、新规则，未来的 agent 只能靠记忆、全文搜索或碰巧想起路径。

索引不是目录，是 agent 的加载控制面：只管路由 · 状态 · 候选 · 预算，不写全文摘要——摘要每个文件等于又造一份要维护的知识库。本质是一套 file-system RAG：目录和索引当检索器，skill 每次只带 2–5 张卡；向量库留给未来规模变大再说。

三层对称的双入口：README 当门面，00-索引 当控制台；立「三层索引维护规则」：任何 skill 写任何一层，必须同步更新索引并在产出里报告。治理同时延伸到 skill 入口——prd / 竞品 / digest 等 skill 若写死旧路径，系统就会退回旧库。

三层落地后卡片仍在增长——增长本身会破坏路由和索引。

写卡前先过准入五问：会复用吗？会改变判断吗？能被路由吗？已有卡能承接吗？会污染上下文吗？再定六去向；同时给加载设预算：正式卡每次 2–5 张，能力层规则 1–3 条。

知识库不该绑死某一个工具——Claude、OpenClaw、Codex 都是消费者，记忆应该是基础设施。

真值源收敛到 Obsidian Vault + 共享 skill 目录；memory-loader 按任务生成 context-pack：任务 · 路由依据 · 候选 · 最终加载 · 未加载原因 · 风险。它不是第四层知识库，是用完即走的操作层。