拆书这周更新了一版，一本书拆完可以选衍生同人或者风格仿写，同人治人物跑偏，仿写治AI味。但这两条路都只管眼下这一个项目，换个故事又得从头拆一遍。AISet的知识库接在这儿用，原始资料层存底稿不改，实体层放人物阵营世界观，概念层放开篇手法和节奏控制，页面之间互相链接，机器写戏时顺着链接把关联资料一起带出来。拆完一本沉进去，拆完第二本又沉进去，两本书的手法摆在一个库里就能对比，单本书拆出来是资料，两本书拆出来是判断。

cangjie-skill 是个把整本书蒸馏成 AI 可调用技能的元 skill，作者袋鼠帝，仓库 12.5k 星。我在 AISet 里拿《黄帝内经》跑了一轮，素问加灵枢拆出 22 个能力。这篇讲清楚 RIA-TV++ 七阶段流水线怎么转，v2.5 的 Capability Bundle 为什么是分水岭，安装和编译模式选择上我踩过的坑，以及蒸馏产物怎么接进我自己的分层 Wiki 知识库。

企业知识库项目失败的核心原因不是技术，而是组织支持不足、缺乏维护机制、没有高频使用场景。文章通过一次客户咨询，拆解了知识库项目的五个关键问题，强调组织支持必须先于技术落地。

医疗资料变Skill，从存着到用起来企业天天喊着要要更聪明的AI，但很多时候AI连你的资料都没看过，再聪明也帮不上忙，电脑里有报告、方案、录音、案例、SOP，老板和老员工脑子里还有多年经验，这些东西都在，只是放在那里，要用时找不到，找到了也不知道哪份合适，新人来了又得跟着老员工从头学。文件夹像个仓库

很多人以为prompt能力是会写更复杂的指令。但真正的prompt能力根本不在措辞层面，它在你能不能定义问题、建立边界、控制污染、安排验证。换句话说，prompt能力是研究能力，不是写作能力。这篇文章记录了我从爽文研究项目中得出的认知，以及AISet知识库的设计思路。

一个大二学生用 AISet 加 Obsidian 搭了一套围绕自己运转的 OPC 赚钱系统，大半年变现六万多。文章拆解了前端获客中端转化后端交付的三段结构，以及五模块知识库怎么让 AISet 一直知道你是谁。

收藏夹里的文章从来不会重读，知识没有沉淀只是换了地方堆。Karpathy提出的LLM Wiki思路，让AI增量维护结构化Wiki代替每次从零拼接的RAG模式，一次编译持续复用。用AISet+Obsidian实操搭建，从采集到编译到查询到治理，跑通个人知识管理全流程。

REALM: Retrieval-Augmented Language Model Pre-Training REALM: 检索增强的语言模型预训练 Kelvin Guu * 1 Kenton Lee * 1 Zora Tung 1 Panupong Pasupat 1 Ming-Wei Chang Kelvin Guu * 1 Kenton Lee * 1 Zora Tung 1 Panupong Pasupat 1 Ming-Wei Chang Abstract 摘要 Language model pr... 语言模型预训练已被证明能捕获大量世界知识，这对问答等自然语言处理任务至关重要。然而，这些知识隐式存储在神经网络参数中，需要不断扩大网络规模以涵盖更多事实。为使知识获取更具模块化和可解释性，我们通过潜在知识检索器增强语言模型预训练，使模型能在预训练、微调和推理阶段检索并关注来自维基百科等大型语料库的文档。我们首次展示了如何以无监督方式预训练此类知识检索器：使用掩码语言建模作为学习信号，并通过考虑数百万文档的检索步骤进行反向传播。通过在开放域问答(Open-QA)任务上的微调，我们验证了检索增强型语言模型预训练(REALM)的有效性。在三个主流Open-QA基准测试中，我们与显式和隐式知识存储的先进模型进行对比，发现以显著优势(绝对准确率提升4%)超越所有现有方法，同时具备可解释性和模块化等质性优势。