他不用数据库，只用文件夹建知识库，LLM却比人更懂结构

有人在整理三年来的AI论文笔记时，发现每次重读都要花20分钟定位上下文；另一个人打开自己的知识库，输入‘找2023年关于MoE稀疏训练的所有实验对比图’，三秒后弹出三张PNG和一段带引用的总结。

这个知识库没有数据库、没有向量索引、没有API服务——只有本地文件夹：一层层嵌套的.md、.png、.csv和.py文件，根目录下一份AGENTS.md写着所有规则。LLM不靠微调，只靠读这份文档，就理解了‘哪里该放图、哪里该写假设、哪个子目录对应哪个模型变体’。 这意味着：知识组织的门槛，从搭建检索系统，降到了写清楚‘这个文件夹是干啥的’。

每份新资料仍需人工加入，但加到第五份后，LLM已能根据前例自动建议路径；第十份时，只需说一句‘存到wiki: /moe/ablation/’，它就生成标题、归类、更新索引页。 这意味着：不是人在教AI怎么记笔记，而是AI在帮人发现——自己原来早有一套隐性分类逻辑。

别人用RAG拼接向量库和大模型，他让LLM直接‘读’文件系统结构；别人为schema写JSON Schema，他把schema写成人类可读的段落，再让LLM当实习生去学。 这背后不是技术降级，而是把‘知识如何被理解’这件事，重新交还给语义本身——只要结构足够诚实，语言模型就能从中长出推理能力。

这条路走通的前提，是人愿意先把自己的思考痕迹摊开成文本，而不是藏进PPT或会议纪要里。