知识系统与自动化
这条路线关注的不是某个脚本，而是一个人如何把信息、笔记、AI 助手、网站和部署流程连成可持续运转的系统。
很多工具刚做出来时只是“能用”。真正有价值的是后面那部分：它能不能复用，能不能被 AI 接手，能不能少靠记忆和手工操作，能不能在出错时恢复。
这条线解决什么问题
- 信息如何进入系统：从网页、对话、文件和业务流程里抓取可用信息。
- AI 如何参与处理：不是让 AI 写一篇漂亮总结，而是让它按固定目标过滤、拆解、复盘。
- 经验如何沉淀下来：把一次排障、一次部署、一次工作流优化变成以后还能复用的流程。
- 网站如何变成输出层：Quartz 和静态托管负责公开表达，Obsidian 和本地仓库负责源头管理。
推荐阅读顺序
1. 先理解 Agent 和记忆边界
- Agent 工程路线：从模型、提示、工具、编排理解 Agent 为什么能干活。
- Hermes 记忆 vs 技能：可视化全解指南：区分长期偏好、项目上下文和可复用技能该放在哪里。
2. 再看自动化管线如何跑起来
- 自动化管线：信息从抓取、过滤到发布的整体入口。
- 信息抓取与发布全自动管线：一次基于 GitHub Actions 的情报过滤 PoC，重点是“审计式摘要”。
- 网站库存自动同步：发布区和构建区同步时，如何处理边界、冲突和取舍。
3. 最后回到真实工具
- 真实工具路线：把知识系统、业务问题和可用工具放到同一条实际路线里。
- 自己搭了一个装修需求调查问卷系统：一个业务问题如何被 AI 协作快速做成系统。
- 从内部工具到多设计师问卷平台：从自用工具到多人平台时，权限、通知、产品边界如何出现。
当前判断
对我来说，个人知识系统不是“把资料收得更全”，而是减少三类损耗：
- 重复解释：同一套偏好、部署路径、验收标准，不该每次重新说。
- 重复排障：踩过的坑要变成流程，而不是变成记忆力测试。
- 重复整理：能由管线生成的索引、入口、健康检查，不应该长期靠手写维护。
这也是 DacAI 实验室目前最稳定的一条主线：先让 AI 进入真实流程，再把流程沉淀成下一次可以继续调用的系统。