为什么 AI材料柜越用越"懂你"？——知识与对话的分工设计

为什么 AI材料柜越用越"懂你"？——知识与对话的分工设计

导读：同样是 AI 写作工具，为什么有的越用越像你的"同事"，有的却永远像"陌生人"？答案或许不在于模型本身，而在于知识与对话之间那条被精心设计的边界。

一、开场：为什么每次对话都像"重新认识你"

1.1 普通 AI 对话的困境：聊完就忘

用过各类对话式 AI 的人，大多有过这种体验：你和它聊了一个下午，把项目的来龙去脉、团队的叫法、文档的习惯都交代了一遍，它答得头头是道；可第二天打开新窗口，它又变回那个"一无所知"的陌生人。你只好把昨天的话重新说一遍，甚至把同一份文档再传一次。

这不是模型的错，而是产品形态的问题。传统对话式 AI 把一切都装进"一次会话"里——会话结束，上下文清空，一切归零。模型的能力没有退化，但它没有"记住你"的载体。于是每次使用，都像第一次见面。

1.2 材料柜给出的不同答案：把"懂你"沉淀下来

AI材料柜给出了另一种思路：不要让对话记住你，而要让知识记住你。

它的做法是，把"你"拆成两样东西来管理——一样是可以长期沉淀的知识（你的文档、资料、历史产出），另一样是每次即时发生的对话（一次问答、一次生成、一次修改）。两者不再混在一起，而是各司其职：知识负责"记得住"，对话负责"用得好"。

这样一来，越用越"懂你"就不是玄学，而是一个可解释、可落地的工程结果。

二、核心理念：知识与对话的分工

2.1 什么是"知识"：材料柜里的文档与索引

在材料柜里，"知识"是有实体的：它就是你导入的那一篇篇 Markdown、Word、表格，以及系统为它们建立的索引。

当你把一份材料拖进材料柜，系统会做三件事：把原始文档存入文件仓库；把文档切块、提取元数据与文本，写入 SQLite 关系数据库；再把文本向量化，写入 Qdrant 向量数据库。之后，无论你是按关键词精确查找，还是按语义模糊搜索，都能在毫秒级命中。

知识是静态资产，它不随某次对话的开始而存在，也不随对话的结束而消失。它是你长期积累、反复复用、不断增值的那部分。

2.2 什么是"对话"：一次性的问答与生成

与知识相对，"对话"是动态过程。它对应某一次具体任务：你要写一份季度汇报，AI 帮你生成大纲、逐段续写、检查格式；你要查一个技术点，AI 基于你的材料给出答案。

对话天然是短命的——一次任务结束，它的使命就完成了。对话的特点是"轻"：它不需要被永久保存，只需要在当下围绕目标高效运转。

2.3 分工的价值：长期知识 + 短期上下文的组合

把两者分开，价值立刻显现出来：

• 知识负责"深"：越攒越多、越攒越懂你，是长期主义的载体；
• 对话负责"快"：聚焦当下任务，不用背负历史包袱，是高效执行的载体；
• 两者结合：每次对话都能从你的知识里取"真材实料"，每次对话的产出又可以被沉淀回知识库，成为下一次对话的养料。

这就是"越用越懂你"的底层逻辑：知识在积累，对话在消耗并反哺知识，形成正循环。

三、知识侧：让 AI 真正"读懂"你的资料

3.1 分层架构：前端、后端、向量库与模型服务

要让"知识"真正被 AI 读懂，首先得有一套稳的骨架。材料柜采用典型的分层架构：

• 前端界面层：基于 React 构建，负责文档管理、检索、编辑与 AI 写作辅助等交互；
• 后端服务层：基于 Python FastAPI 实现，负责业务逻辑、文档解析、向量索引与 AI 模型调用；
• 向量数据库层：选用 Qdrant，为语义检索提供高性能的向量相似度计算；
• 模型服务层：集成本地轻量模型与云端大模型 API，根据任务复杂度智能切换，兼顾效果与成本。

这种分层明确了各层职责边界，也为横向扩展留了空间——向量库和模型服务都能独立扩容。

3.2 混合检索：全文索引 + 向量语义搜索

"读懂"资料的第一步是能"找到"资料。材料柜没有只押注一种检索方式，而是构建了混合搜索体系：

• 关键词精确匹配：基于 SQLite 维护的倒排索引，适合查找明确的术语、人名、编号；
• 向量语义搜索：基于 Qdrant，适合"意思相近但用词不同"的模糊查询。

你问"上季度的经营分析"，全文索引可能命中"经营分析"，向量检索则能把你写过的"业绩复盘""季度总结"也一起捞出来。两种方式互补，覆盖"想得起关键词"和"想不起关键词"两种场景。

3.3 引用池（refs）：圈定范围，让生成有据可依

有了全库检索，为什么还要"引用池"？因为写作与泛搜索不同——写作需要边界。

写一篇汇报，你并不希望 AI 把库里所有内容都掺进来，只需要它围绕你圈定的那几篇材料展开。于是材料柜引入"引用池"（refs）的概念：你把相关材料圈进当前工作集，之后的大纲生成、正文续写、质量检查，都只在引用池内检索信息。

这样做有三个直接好处：

• 范围可控：AI 不会引入无关材料，内容更聚焦，杜绝"跑偏"；
• 检索高效：在有限集合内检索，速度远快于全库搜索；
• 引用可溯：每一段生成的内容都能追溯到具体原文，可复核、可追溯。

更关键的是"严格"二字——系统会对输出中的引用做合法性校验：凡是在输出里出现、却不在引用清单中的引用，都会被识别为非法引用并拦截。圈了什么、才能用什么，这是让"文档互为素材"而不越界的护栏。

四、对话侧：让每次交互都"用"上你的知识

4.1 引用池即上下文：文件即 prompt

知识侧解决了"有什么"，对话侧要解决"怎么用"。材料柜的答案是：文件即上下文。

传统 AI 写作，模型靠的是它自己脑子里"背过"的知识，遇到盲区就容易一本正经地编造（幻觉）。RAG（检索增强生成）的思路是：先检索、再生成——从可信知识源里捞出相关片段，把真实内容作为上下文喂给模型，再让它基于这些内容作答。

材料柜把这个"可信知识源"进一步收窄为引用池：生成的每一步，都把引用材料的实际内容（而不是文件名或摘要）作为 prompt 的一部分输入给模型。这样做不仅抑制了幻觉，还让每句输出都能挂到原文上，形成"引用链"。引用管理 + RAG，正是"素材"真正转化为"内容"的引擎。

4.2 Agent 意图路由：动态判断调用哪条路径

要让对话"活"起来，而不是死板地走固定脚本，材料柜引入了 Agent 驱动的意图路由。与传统"一问一答"的对话式工具不同，它由一个统一的 AI Agent 充当核心决策者：接收你的问题与当前上下文，动态判断该调用哪个工具、走哪条路径。

整个对话侧分三层：

• Agent 层（核心决策层）：由大模型驱动的单一 Agent，负责理解意图、维护上下文、路由到合适的工具，是整个系统的"大脑"；
• 工具集层：包含需求理解、资料检索、结构分析、大纲生成、内容生成、质量检查等工具模块，各自职责单一，由 Agent 按需调用；
• 基础设施层：提供数据存储、模型服务与工具执行等底层支持。

每个工具调用都有明确的输入输出规范，全程可观测。正是这种"Agent 决策 + 工具分工"的设计，让对话不再是散装的聊天，而是一台围绕你的目标有序运转的"写作流水线"。

4.3 从引用到大纲再到正文的可复用工作流

把知识侧与对话侧串起来，就得到了一条清晰的工作流：

1. 需求理解：解析你的意图，确定写作目标、受众与格式；
2. 资料检索：在引用池中检索相关内容；
3. 结构分析：分析类似文档的结构模式，提取常见框架；
4. 大纲生成：基于检索结果与结构分析，生成初步大纲；
5. 正文生成：基于大纲和引用内容，逐段续写、扩写、改写；
6. 质量检查：校验内容连贯性与格式规范性。

这条路径并非固定的流水线——Agent 会在每个决策点，根据当前上下文（你的意图、已生成内容、引用材料）动态判断下一步。而大纲阶段的决策（引用池、结构骨架），会通过共享的上下文管理器传递到正文阶段，保证前后一致。

就这样，被圈定的旧文档，一步步变成了新文档的骨架与血肉。

五、分工如何让工具"越用越懂你"

5.1 知识复利：旧文档变成新内容的骨架

分工设计的最终回报，是知识复利。

举个真实场景：假设你要写一篇季度思想汇报。传统做法是"翻电脑、拼格式、憋内容"；而用材料柜，流程是这样的：

1. 导入材料：把历年思想汇报、学习培训记录、工作日志、会议纪要统统拖进来，系统自动解析、建立全文与向量索引；
2. 圈定引用：把上季度汇报、本季度培训总结、相关工作记录圈定为引用池；
3. 自动大纲：输入"季度思想汇报"，Agent 基于引用池自动生成"思想学习情况 → 工作表现 → 存在不足 → 努力方向"的框架，确认或微调即可；
4. 逐段续写：每写一段，系统基于引用内容和上下文智能续写——写"培训收获"时，自动从当初的培训总结里调用原文，既准确又省事；
5. 一键导出：Markdown 写作完成后，按文档类型模板一键导出为规范 Word。

全程半小时内完成，而且每一处引用的数据、观点都能回溯到原始材料。更妙的是，这篇新写好的汇报，又会成为下一季度汇报的素材——这就是复利发生的瞬间。

5.2 引用可溯源：每句话都挂到原文上

"越用越懂你"的前提，是"用得可信"。如果 AI 生成的内容出处不明，时间一长，你的知识库反而会变成一团雾水。

材料柜用引用可溯源来兜底：每一段生成的内容都能追溯到具体的引用原文，可复核、可追溯。你写进正文的每一个观点、每一组数据，都能顺藤摸瓜找到它在原始材料里的位置。这既是对内容质量的把关，也是在"倒逼"你的知识库越用越干净、越用越有价值——因为被反复引用的，一定是真正经得起推敲的内容。

5.3 与 Obsidian 等工具的对比：存储与生成的差异

或许你会想：这些不正是笔记软件也能做到的吗？差别恰恰体现在"知识与对话的分工"上。

以 Obsidian 为例，它把存储做到极致简单：所有笔记都是本地文件系统中的 Markdown 文本，文件夹结构即数据库。这种"文件即数据库"的哲学保证了数据透明与可移植，但它缺乏高级索引与查询能力，也没有内置的 AI 写作与引用链路——它是优秀的存储工具，但不是"会生成"的创作伙伴。

材料柜则采用混合存储：原始文档存文件仓库，元数据与索引存 SQLite，向量嵌入存 Qdrant。这个设计牺牲了一点简单性，换来了大规模文档管理与智能检索的能力。更重要的是，它在存储之上架起了完整的"引用 → 大纲 → 正文"链路，把知识与对话真正分工起来：

• Obsidian 帮你存知识，把"懂你"留给你的大脑；
• 材料柜帮你用知识，让"懂你"沉淀进系统。

六、总结：让工具记住你，而不是让你记住工具

回到开头的问题：为什么 AI材料柜越用越"懂你"？

因为它想明白了一件事——模型不该替用户记忆，知识库才该替用户记忆。

材料柜把"知识"（文档、索引、引用池）与"对话"（一次性的问答与生成）分开设计：知识负责长期积累与精确检索，对话负责短期聚焦与高效生成；Agent 负责在两者之间动态路由，RAG 负责把真实内容喂给模型，引用池负责圈定边界、抑制幻觉、保证可溯。

于是，你每写完一篇材料，它都会沉淀成下一篇的素材；每被引用一次，你的知识网络就密一分；每一次对话，都在为下一次对话积累"懂你"的资本。工具不再让你记住它该怎么用，而是它记住了你的一切——然后为你所用。