Digital Brain 知识模块实战用 KNOWLEDGE.md 构建 Agent 驱动的第二大脑bookmarks / learning / research 完整指南【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering本文聚焦 Agent Skills for Context Engineering 仓库中 digital-brain-skill 示例的知识模块knowledge module即以 examples/digital-brain-skill/knowledge/KNOWLEDGE.md 为总纲的个人知识库系统。你将掌握如何用bookmarks.jsonl、learning.yaml、competitors.md与research/目录组织个人研究、收藏与学习目标并让 AI Agent 能按固定协议检索、综合并产出内容最终落地一套“收藏→研究→学习→输出”的可自动化知识闭环。模块定位Digital Brain 中的“第二大脑”Digital Brain 是一个面向创始人、创作者与构建者的结构化个人知识管理系统其完整架构见 README.md整体由五个互相独立、互不污染的领域模块组成模块目录职责个人品牌identity/声音、定位、价值观内容创作content/想法、草稿、发布流水线知识库knowledge/书签、研究、学习人脉网络network/联系人、关系、介绍运营系统operations/目标、任务、会议、指标知识模块是其中“输入侧”的核心它是研究、学习与信息组织的中枢其模块级指令文件正是 KNOWLEDGE.md。该文件同时承担两个角色既是给人看的模块说明文件清单、数据 Schema、工作流也是给 Agent 看的指令协议instructions块。从上下文工程角度看这正是 README 所强调的渐进式披露progressive disclosure与模块分离原则在个人知识库上的具体化。模块文件清单与职责KNOWLEDGE.md 开篇即给出本模块的文件结构这是 Agent 路由时首先要加载的表文件格式用途bookmarks.jsonlJSONL已保存的链接与资源learning.yamlYAML技能与学习目标competitors.mdMarkdown竞争格局research/文件夹深度研究笔记notes/文件夹快速捕获笔记实际仓库中知识模块目录为 examples/digital-brain-skill/knowledge/包含bookmarks.jsonl含 1 条 schema 头与 1 条示例、learning.yaml完整字段模板、competitors.md竞争情报模板以及research/_template.md研究笔记模板。设计上遵循 file-formats.md 中定义的全局文件格式约定JSONL 用于追加式日志、YAML 用于结构化配置、Markdown 用于叙事内容、XML 用于复杂提示词。JSONL 通用约定schema 头与 ID 生成阅读 file-formats.md 可知所有 JSONL 文件的第一行必须是 schema 定义行{_schema: schema_name, _version: 1.0, _description: Purpose of this file}该行在数据处理时会被跳过见下文源码佐证但用于文档化文件期望的结构。bookmarks.jsonl实际文件头为{_schema: bookmark, _version: 1.0, _description: Saved resources and links. Append only. Use categories: ai_agents, building, growth, productivity, leadership, industry, personal}同时每条记录都应当使用统一的 ID 生成约定{type}_{YYYYMMDD}_{HHMMSS}或{type}_{unique_slug}例如bm_20241229_120000、contact_johndoe。时间戳型 ID 保证了时序数据的唯一性ID 在各自文件内必须唯一。数据 SchemaBookmark 条目完整字段KNOWLEDGE.md 定义了收藏条目的核心 Schema下面结合 file-formats.md 中的完整规范展开{ id: bm_YYYYMMDD_HHMMSS, saved_at: ISO8601, url: https://..., title: Page title, source: article|video|podcast|tool|tweet|paper, category: ai_agents|building|growth|productivity|leadership|industry|personal, summary: 1-2 sentence summary, key_insights: [Insight 1, Insight 2], status: unread|read|reviewed|archived, rating: 1-5, tags: [tag1, tag2] }各字段的语义与取值约束id按bm_YYYYMMDD_HHMMSS约定生成全文件唯一saved_atISO8601 时间戳脚本按它排序以取“最近收藏”url/title收藏的基本锚点Agent 保存链接时必须捕获这两项见 Agent 指令第 1 条source资源形态枚举article|video|podcast|tool|tweet|paper便于按媒体类型过滤category一级分类必须取自固定枚举见下节分类体系保证跨文件统计口径一致summary12 句摘要是后续检索与综合的最小信息单元key_insights要点数组脚本会读取第一项作为“关键洞见”展示status生命周期状态unread|read|reviewed|archived从“待读”到“已归档”rating15 分的个人评分可空nulltags自由标签数组用于细粒度检索与跨类目关联。仓库中的示例条目bookmarks.jsonl以[PLACEHOLDER: ...]占位符呈现用户在克隆模板后自行填充即可。占位符约定在 file-formats.md 中有统一说明用[PLACEHOLDER: description]标记用户待填字段。分类体系七大类目KNOWLEDGE.md 的instructions块规定了必须统一使用的分类枚举这是 Agent 保存与检索时的一致化词汇表分类含义ai_agentsAI、Agent、自动化building创业、产品、工程growth营销、受众、内容productivity系统、工具、工作流leadership管理、团队、文化industry市场趋势、竞争对手personal健康、关系、生活三条核心工作流KNOWLEDGE.md 定义了三条可被 Agent 直接执行的操作流程是模块的“行为规范”。工作流一保存资源Saving a Resource以status: unread追加到bookmarks.jsonl补充category与初始tags稍后阅读、写摘要、更新statusunread → read → reviewed → archived。这套流程的关键在于**“先入档、后消化”**收藏时只需最低成本的结构化捕获URL、标题、分类消化动作推迟到后续符合追加式append-only数据原则也避免打断当前上下文。工作流二研究项目Research Projects为深度研究创建research/[topic].md关联相关书签通过 ID、URL 或标题反向指向bookmarks.jsonl综合洞见Synthesis提取内容创意喂给content/模块。research/_template.md为每次研究提供了标准骨架包含元数据、研究问题、关键发现每条带Source与Confidence置信度、综合、内容创意、相关资源、未解问题与行动项并在结尾注明“研究笔记是活文档随学习不断更新”。元数据字段如下created: [DATE] updated: [DATE] status: exploring|synthesizing|complete related_pillars: [[pillar1], [pillar2]] content_potential: high|medium|low其中content_potential与related_pillars直接服务于“研究 → 权威内容”的知识图谱连接见后文。工作流三学习追踪Learning Tracking在learning.yaml中定义技能将资源链接到技能跟踪进度与里程碑季度复盘。深度实操learning.yaml 字段全解析learning.yaml是知识模块中的“技能与学习目标”结构化配置仓库中的完整模板learning.yaml支持从当前焦点到学习习惯的全面跟踪current_focus: skill: [PLACEHOLDER: e.g., AI Agent Development] why: [PLACEHOLDER: Why this is important now] target_level: [PLACEHOLDER: e.g., Build production agents] deadline: [PLACEHOLDER: Target date] skills: - name: [PLACEHOLDER: e.g., Python] category: technical|creative|business|personal current_level: beginner|intermediate|advanced|expert target_level: [PLACEHOLDER] status: learning|practicing|maintaining resources: - type: course|book|tutorial|project title: [PLACEHOLDER] url: [PLACEHOLDER] status: not_started|in_progress|completed notes: [PLACEHOLDER] milestones: - [PLACEHOLDER: e.g., Build first CLI tool] - [PLACEHOLDER: e.g., Contribute to open source] last_practiced: [DATE] learning_queue: - title: [PLACEHOLDER] type: course|book|video|article url: [PLACEHOLDER] priority: high|medium|low skill: [PLACEHOLDER: Related skill] estimated_time: [PLACEHOLDER: e.g., 10 hours] added: [DATE] completed: - title: [PLACEHOLDER] type: [PLACEHOLDER] completed: [DATE] rating: 1-5 key_takeaways: - [PLACEHOLDER] applied_to: [PLACEHOLDER: How you used this knowledge] learning_habits: daily_time: [PLACEHOLDER: e.g., 30 minutes] best_time: [PLACEHOLDER: e.g., 6am before work] preferred_formats: - [PLACEHOLDER: e.g., Video tutorials] quarterly_review: last_review: [DATE] skills_improved: - [PLACEHOLDER] skills_to_focus: - [PLACEHOLDER] resources_to_complete: - [PLACEHOLDER]结构分层与取值约束current_focus当前唯一学习焦点技能、动机、目标水平、截止日期Agent 在做检索排序时可优先匹配该焦点skills[].categorytechnical|creative|business|personal四类current_levelbeginner|intermediate|advanced|expertstatuslearning|practicing|maintainingskills[].resources[]资源类型course|book|tutorial|project完成状态not_started|in_progress|completed——这构成了“学习 → 品牌中要突出的技能”的图谱连接learning_queue待消费资源队列带优先级与预估耗时completed已完成记录含评分与关键收获且要求记录applied_to知识如何被实际使用learning_habits/quarterly_review学习习惯元数据与季度复盘状态支撑“Review quarterly”工作流。深度实操competitors.md 竞争情报模板competitors.md查看完整模板是知识模块中的竞争格局文件结构上覆盖直接竞争者每位含 YAML 元数据、做得好/短板/差异点、间接竞争者表格、灵感对象非竞争者、市场趋势增长/衰退/新兴、定位矩阵技术深度 × 可及性二维图、竞争优势独家优势与市场缺口。其价值在于为内容差异化提供依据——对应知识图谱中的“Competitors → Differentiation angles”连接。Agent 指令协议Agent 管理知识的五条规则KNOWLEDGE.md 的instructions块是写给 Agent 的行为协议必须完整继承到你的个人副本中保存链接Saving links始终捕获 URL、标题和初始分类组织Organizing使用一致的分类和标签检索Retrieving按分类、标签或关键词搜索bookmarks.jsonl综合Synthesizing被问及某个主题时先查research/文件夹学习更新Learning updates完成资源时更新learning.yaml。这五条规则的价值在于把“零散收藏”变成“可检索、可综合、可学习”的结构化资产同时约束 Agent 不要凭印象作答而是先检索本地知识库。知识图谱提示模块间的四类连接KNOWLEDGE.md 末尾给出检索时的图谱连接提示是知识模块与整个 Digital Brain 联动的枢纽Bookmarks → Content ideas收藏转化为内容创意Research → Authority pieces研究沉淀为权威作品Learning → Skills to highlight in brand学习成果成为品牌亮点Competitors → Differentiation angles竞争情报生成差异化角度。从架构上看这些连接把knowledge/与content/创意、草稿、identity/品牌打通形成“输入侧滋养输出侧”的闭环。源码佐证脚本如何消费知识模块知识模块不只被 Agent 手工读取还通过agents/scripts/下的自动化脚本被程序化消费。以 content_ideas.py 为例其核心逻辑展示了bookmarks.jsonl的实际读取方式load_jsonl()逐行解析跳过_schema头行if _schema not in data与 file-formats.md 的 schema 行约定一一对应get_recent_bookmarks(categoryNone)读取knowledge/bookmarks.jsonl可按category过滤、按saved_at倒序取最近 10 条generate_suggestions()将“最近研究主题”直接输出为内容建议并读取每条key_insights[0]作为关键洞见——印证了category、saved_at、key_insights字段的语义。同理idea_to_draft.py 通过find_related_bookmarks()以标签交集或分类匹配方式从bookmarks.jsonl为草稿检索支撑证据Supporting Evidence再结合同 pillar 的历史帖子生成草稿脚手架。可见一致化的字段约束category/tags是脚本可编程消费的前提这也是 KNOWLEDGE.md 反复强调“使用一致的分类和标签”的根本原因。端到端示例从收藏到内容的完整链路结合 content-workflow.md 可以看清知识模块在实际创作流程中的位置当用户要求“写一条关于 in public 构建经验的线程”时Agent 会先加载identity/voice.md与identity/brand.md确认主题与声音再扫描content/posts.jsonl参考历史表现、检查content/ideas.jsonl待开发想法最终套用content/templates/thread.md生成草稿并做声音对齐检查。整个流程约消耗650 tokens而全量加载整个脑约需 5000 tokens——这正是渐进式披露带来的上下文成本优势。知识模块在其中负责“供给素材”收藏的研究主题、书签洞见与研究笔记会在content_ideas.py等脚本中被转译为内容建议。设计原则与上手步骤Digital Brain 的整体设计原则README.md同样约束知识模块渐进式披露只加载当前任务所需、追加式数据永不删除保留历史供模式分析、模块分离各领域独立、声音优先生成内容前必读 voice.md、平台无关兼容 Claude Code、Cursor 等任何 AI 助手。关于这些原则与仓库中各上下文工程技能的对应关系可查阅 SKILLS-MAPPING.md。上手建议按以下顺序初始化知识模块用bookmarks.jsonl的 schema 头与示例条目为模板定义自己的分类与标签习惯参照learning.yaml模板填写当前焦点与 12 个技能条目首次深度研究时复制research/_template.md为research/[topic].md有竞品分析需求时按competitors.md模板建档之后即可让 Agent 依据 KNOWLEDGE.md 的instructions五条规则接管日常的保存、检索、综合与学习更新。小结knowledge/模块的价值不在于文件多而在于协议的统一固定枚举的分类、带 schema 头的 JSONL、统一的 ID 约定、可复用的研究模板以及明确写给 Agent 的操作规则。正是这些约定让个人知识库既能被人轻松维护又能被 Agent 与脚本程序化消费从而真正成为“第二大脑”。【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Digital Brain 知识模块实战：用 KNOWLEDGE.md 构建 Agent 驱动的第二大脑（bookmarks / learning / research 完整指南）
Digital Brain 知识模块实战用 KNOWLEDGE.md 构建 Agent 驱动的第二大脑bookmarks / learning / research 完整指南【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering本文聚焦 Agent Skills for Context Engineering 仓库中 digital-brain-skill 示例的知识模块knowledge module即以 examples/digital-brain-skill/knowledge/KNOWLEDGE.md 为总纲的个人知识库系统。你将掌握如何用bookmarks.jsonl、learning.yaml、competitors.md与research/目录组织个人研究、收藏与学习目标并让 AI Agent 能按固定协议检索、综合并产出内容最终落地一套“收藏→研究→学习→输出”的可自动化知识闭环。模块定位Digital Brain 中的“第二大脑”Digital Brain 是一个面向创始人、创作者与构建者的结构化个人知识管理系统其完整架构见 README.md整体由五个互相独立、互不污染的领域模块组成模块目录职责个人品牌identity/声音、定位、价值观内容创作content/想法、草稿、发布流水线知识库knowledge/书签、研究、学习人脉网络network/联系人、关系、介绍运营系统operations/目标、任务、会议、指标知识模块是其中“输入侧”的核心它是研究、学习与信息组织的中枢其模块级指令文件正是 KNOWLEDGE.md。该文件同时承担两个角色既是给人看的模块说明文件清单、数据 Schema、工作流也是给 Agent 看的指令协议instructions块。从上下文工程角度看这正是 README 所强调的渐进式披露progressive disclosure与模块分离原则在个人知识库上的具体化。模块文件清单与职责KNOWLEDGE.md 开篇即给出本模块的文件结构这是 Agent 路由时首先要加载的表文件格式用途bookmarks.jsonlJSONL已保存的链接与资源learning.yamlYAML技能与学习目标competitors.mdMarkdown竞争格局research/文件夹深度研究笔记notes/文件夹快速捕获笔记实际仓库中知识模块目录为 examples/digital-brain-skill/knowledge/包含bookmarks.jsonl含 1 条 schema 头与 1 条示例、learning.yaml完整字段模板、competitors.md竞争情报模板以及research/_template.md研究笔记模板。设计上遵循 file-formats.md 中定义的全局文件格式约定JSONL 用于追加式日志、YAML 用于结构化配置、Markdown 用于叙事内容、XML 用于复杂提示词。JSONL 通用约定schema 头与 ID 生成阅读 file-formats.md 可知所有 JSONL 文件的第一行必须是 schema 定义行{_schema: schema_name, _version: 1.0, _description: Purpose of this file}该行在数据处理时会被跳过见下文源码佐证但用于文档化文件期望的结构。bookmarks.jsonl实际文件头为{_schema: bookmark, _version: 1.0, _description: Saved resources and links. Append only. Use categories: ai_agents, building, growth, productivity, leadership, industry, personal}同时每条记录都应当使用统一的 ID 生成约定{type}_{YYYYMMDD}_{HHMMSS}或{type}_{unique_slug}例如bm_20241229_120000、contact_johndoe。时间戳型 ID 保证了时序数据的唯一性ID 在各自文件内必须唯一。数据 SchemaBookmark 条目完整字段KNOWLEDGE.md 定义了收藏条目的核心 Schema下面结合 file-formats.md 中的完整规范展开{ id: bm_YYYYMMDD_HHMMSS, saved_at: ISO8601, url: https://..., title: Page title, source: article|video|podcast|tool|tweet|paper, category: ai_agents|building|growth|productivity|leadership|industry|personal, summary: 1-2 sentence summary, key_insights: [Insight 1, Insight 2], status: unread|read|reviewed|archived, rating: 1-5, tags: [tag1, tag2] }各字段的语义与取值约束id按bm_YYYYMMDD_HHMMSS约定生成全文件唯一saved_atISO8601 时间戳脚本按它排序以取“最近收藏”url/title收藏的基本锚点Agent 保存链接时必须捕获这两项见 Agent 指令第 1 条source资源形态枚举article|video|podcast|tool|tweet|paper便于按媒体类型过滤category一级分类必须取自固定枚举见下节分类体系保证跨文件统计口径一致summary12 句摘要是后续检索与综合的最小信息单元key_insights要点数组脚本会读取第一项作为“关键洞见”展示status生命周期状态unread|read|reviewed|archived从“待读”到“已归档”rating15 分的个人评分可空nulltags自由标签数组用于细粒度检索与跨类目关联。仓库中的示例条目bookmarks.jsonl以[PLACEHOLDER: ...]占位符呈现用户在克隆模板后自行填充即可。占位符约定在 file-formats.md 中有统一说明用[PLACEHOLDER: description]标记用户待填字段。分类体系七大类目KNOWLEDGE.md 的instructions块规定了必须统一使用的分类枚举这是 Agent 保存与检索时的一致化词汇表分类含义ai_agentsAI、Agent、自动化building创业、产品、工程growth营销、受众、内容productivity系统、工具、工作流leadership管理、团队、文化industry市场趋势、竞争对手personal健康、关系、生活三条核心工作流KNOWLEDGE.md 定义了三条可被 Agent 直接执行的操作流程是模块的“行为规范”。工作流一保存资源Saving a Resource以status: unread追加到bookmarks.jsonl补充category与初始tags稍后阅读、写摘要、更新statusunread → read → reviewed → archived。这套流程的关键在于**“先入档、后消化”**收藏时只需最低成本的结构化捕获URL、标题、分类消化动作推迟到后续符合追加式append-only数据原则也避免打断当前上下文。工作流二研究项目Research Projects为深度研究创建research/[topic].md关联相关书签通过 ID、URL 或标题反向指向bookmarks.jsonl综合洞见Synthesis提取内容创意喂给content/模块。research/_template.md为每次研究提供了标准骨架包含元数据、研究问题、关键发现每条带Source与Confidence置信度、综合、内容创意、相关资源、未解问题与行动项并在结尾注明“研究笔记是活文档随学习不断更新”。元数据字段如下created: [DATE] updated: [DATE] status: exploring|synthesizing|complete related_pillars: [[pillar1], [pillar2]] content_potential: high|medium|low其中content_potential与related_pillars直接服务于“研究 → 权威内容”的知识图谱连接见后文。工作流三学习追踪Learning Tracking在learning.yaml中定义技能将资源链接到技能跟踪进度与里程碑季度复盘。深度实操learning.yaml 字段全解析learning.yaml是知识模块中的“技能与学习目标”结构化配置仓库中的完整模板learning.yaml支持从当前焦点到学习习惯的全面跟踪current_focus: skill: [PLACEHOLDER: e.g., AI Agent Development] why: [PLACEHOLDER: Why this is important now] target_level: [PLACEHOLDER: e.g., Build production agents] deadline: [PLACEHOLDER: Target date] skills: - name: [PLACEHOLDER: e.g., Python] category: technical|creative|business|personal current_level: beginner|intermediate|advanced|expert target_level: [PLACEHOLDER] status: learning|practicing|maintaining resources: - type: course|book|tutorial|project title: [PLACEHOLDER] url: [PLACEHOLDER] status: not_started|in_progress|completed notes: [PLACEHOLDER] milestones: - [PLACEHOLDER: e.g., Build first CLI tool] - [PLACEHOLDER: e.g., Contribute to open source] last_practiced: [DATE] learning_queue: - title: [PLACEHOLDER] type: course|book|video|article url: [PLACEHOLDER] priority: high|medium|low skill: [PLACEHOLDER: Related skill] estimated_time: [PLACEHOLDER: e.g., 10 hours] added: [DATE] completed: - title: [PLACEHOLDER] type: [PLACEHOLDER] completed: [DATE] rating: 1-5 key_takeaways: - [PLACEHOLDER] applied_to: [PLACEHOLDER: How you used this knowledge] learning_habits: daily_time: [PLACEHOLDER: e.g., 30 minutes] best_time: [PLACEHOLDER: e.g., 6am before work] preferred_formats: - [PLACEHOLDER: e.g., Video tutorials] quarterly_review: last_review: [DATE] skills_improved: - [PLACEHOLDER] skills_to_focus: - [PLACEHOLDER] resources_to_complete: - [PLACEHOLDER]结构分层与取值约束current_focus当前唯一学习焦点技能、动机、目标水平、截止日期Agent 在做检索排序时可优先匹配该焦点skills[].categorytechnical|creative|business|personal四类current_levelbeginner|intermediate|advanced|expertstatuslearning|practicing|maintainingskills[].resources[]资源类型course|book|tutorial|project完成状态not_started|in_progress|completed——这构成了“学习 → 品牌中要突出的技能”的图谱连接learning_queue待消费资源队列带优先级与预估耗时completed已完成记录含评分与关键收获且要求记录applied_to知识如何被实际使用learning_habits/quarterly_review学习习惯元数据与季度复盘状态支撑“Review quarterly”工作流。深度实操competitors.md 竞争情报模板competitors.md查看完整模板是知识模块中的竞争格局文件结构上覆盖直接竞争者每位含 YAML 元数据、做得好/短板/差异点、间接竞争者表格、灵感对象非竞争者、市场趋势增长/衰退/新兴、定位矩阵技术深度 × 可及性二维图、竞争优势独家优势与市场缺口。其价值在于为内容差异化提供依据——对应知识图谱中的“Competitors → Differentiation angles”连接。Agent 指令协议Agent 管理知识的五条规则KNOWLEDGE.md 的instructions块是写给 Agent 的行为协议必须完整继承到你的个人副本中保存链接Saving links始终捕获 URL、标题和初始分类组织Organizing使用一致的分类和标签检索Retrieving按分类、标签或关键词搜索bookmarks.jsonl综合Synthesizing被问及某个主题时先查research/文件夹学习更新Learning updates完成资源时更新learning.yaml。这五条规则的价值在于把“零散收藏”变成“可检索、可综合、可学习”的结构化资产同时约束 Agent 不要凭印象作答而是先检索本地知识库。知识图谱提示模块间的四类连接KNOWLEDGE.md 末尾给出检索时的图谱连接提示是知识模块与整个 Digital Brain 联动的枢纽Bookmarks → Content ideas收藏转化为内容创意Research → Authority pieces研究沉淀为权威作品Learning → Skills to highlight in brand学习成果成为品牌亮点Competitors → Differentiation angles竞争情报生成差异化角度。从架构上看这些连接把knowledge/与content/创意、草稿、identity/品牌打通形成“输入侧滋养输出侧”的闭环。源码佐证脚本如何消费知识模块知识模块不只被 Agent 手工读取还通过agents/scripts/下的自动化脚本被程序化消费。以 content_ideas.py 为例其核心逻辑展示了bookmarks.jsonl的实际读取方式load_jsonl()逐行解析跳过_schema头行if _schema not in data与 file-formats.md 的 schema 行约定一一对应get_recent_bookmarks(categoryNone)读取knowledge/bookmarks.jsonl可按category过滤、按saved_at倒序取最近 10 条generate_suggestions()将“最近研究主题”直接输出为内容建议并读取每条key_insights[0]作为关键洞见——印证了category、saved_at、key_insights字段的语义。同理idea_to_draft.py 通过find_related_bookmarks()以标签交集或分类匹配方式从bookmarks.jsonl为草稿检索支撑证据Supporting Evidence再结合同 pillar 的历史帖子生成草稿脚手架。可见一致化的字段约束category/tags是脚本可编程消费的前提这也是 KNOWLEDGE.md 反复强调“使用一致的分类和标签”的根本原因。端到端示例从收藏到内容的完整链路结合 content-workflow.md 可以看清知识模块在实际创作流程中的位置当用户要求“写一条关于 in public 构建经验的线程”时Agent 会先加载identity/voice.md与identity/brand.md确认主题与声音再扫描content/posts.jsonl参考历史表现、检查content/ideas.jsonl待开发想法最终套用content/templates/thread.md生成草稿并做声音对齐检查。整个流程约消耗650 tokens而全量加载整个脑约需 5000 tokens——这正是渐进式披露带来的上下文成本优势。知识模块在其中负责“供给素材”收藏的研究主题、书签洞见与研究笔记会在content_ideas.py等脚本中被转译为内容建议。设计原则与上手步骤Digital Brain 的整体设计原则README.md同样约束知识模块渐进式披露只加载当前任务所需、追加式数据永不删除保留历史供模式分析、模块分离各领域独立、声音优先生成内容前必读 voice.md、平台无关兼容 Claude Code、Cursor 等任何 AI 助手。关于这些原则与仓库中各上下文工程技能的对应关系可查阅 SKILLS-MAPPING.md。上手建议按以下顺序初始化知识模块用bookmarks.jsonl的 schema 头与示例条目为模板定义自己的分类与标签习惯参照learning.yaml模板填写当前焦点与 12 个技能条目首次深度研究时复制research/_template.md为research/[topic].md有竞品分析需求时按competitors.md模板建档之后即可让 Agent 依据 KNOWLEDGE.md 的instructions五条规则接管日常的保存、检索、综合与学习更新。小结knowledge/模块的价值不在于文件多而在于协议的统一固定枚举的分类、带 schema 头的 JSONL、统一的 ID 约定、可复用的研究模板以及明确写给 Agent 的操作规则。正是这些约定让个人知识库既能被人轻松维护又能被 Agent 与脚本程序化消费从而真正成为“第二大脑”。【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考