20260420:first commit

concepts/knowledge-bank.md

@@ -0,0 +1,96 @@
+---
+title: Knowledge Bank — AI 辅助开发时代的知识管理系统
+created: 2026-04-16
+updated: 2026-04-17
+type: concept
+tags: [knowledge-management, open-source, multi-agent]
+sources: [raw/articles/knowledge-bank-ai-dev-2026.md]
+---
+
+# Knowledge Bank
+
+面向 AI 辅助开发时代的知识管理系统，通过自动捕获、结构化存储和智能检索，让开发团队的知识真正流动起来。
+
+项目仓库: [gabrywu-public/knowledge-bank](https://github.com/gabrywu-public/knowledge-bank)
+
+## 核心洞察
+
+### 转变一：知识受众从"人"变为"机器"
+
+传统知识管理假设知识是给人阅读的（精美文档、结构化 wiki、详细注释），但现实中开发者不会主动看文档，即使看了也记不住、找不到、或已过时。
+
+在 AI 辅助开发时代，**真正的知识消费者是 AI 代码助手**（Claude Code、Cursor、GitHub Copilot）。知识需要结构化、情境化、可检索的格式，让 AI 能快速理解和应用。
+
+### 转变二：三维知识分类体系
+
+不再按主题分类，而是采用 **作用域 + 来源 + 类型** 的三维分类：
+
+| 维度 | 分类 | 说明 |
+|------|------|------|
+| **作用域 (Scope)** | 个人 / 项目 / 组织 | 知识的共享边界，避免知识冲突，实现精准注入 |
+| **来源 (Source)** | AI 观察 > 架构师决策 > Reviewer 偏好 > 开发者经验 | 知识的权威性权重；AI 观察因来自实际代码、可验证、实时性而权重最高 |
+| **类型 (Type)** | 代码模式 / 架构决策 / 配置偏好 / 陷阱警示 / API 用法 | 知识的应用方式 |
+
+**关键设计：AI 观察的可信度最高** —— 这违反直觉但合理，因为 AI 观察直接来自实际代码（可追溯到 commit），反映当前真实状态，而非人为偏好或可能过时的文档。
+
+### 转变三：知识生命周期重构
+
+从 **"写作→发布→被遗忘→过时→删除"** 转变为 **"捕获→检索→应用→收集"**：
+
+- **零摩擦捕获**: 不需要开发者专门写文档，知识在开发过程中自动提取
+- **情境化检索**: 不是被动等待查询，而是主动在需要时注入相关知识
+- **智能去重**: 通过多维度相似度评分（标题 40% + 摘要 30% + 内容 20% + 上下文 10%）自动合并
+- **持续进化**: 知识库随项目发展自动更新和优化
+
+## 技术架构
+
+### Fork Context（上下文隔离架构）
+
+知识操作（检测、去重、评分）在分叉的隔离环境中执行，不干扰主会话：
+
+1. **会话开始 → 知识注入**: 提取关键词 → 搜索知识 → 相关性评分 → 过滤 → 格式化注入
+2. **会话结束 → 知识收集**: 分析会话记录 → 识别有价值知识点 → 4 项资格检查 → 去重 → 创建/更新知识
+
+优势：主会话保持简洁，复杂分析不干扰用户体验，可并行执行。
+
+### 强制仓库关联 (Repository-Aware)
+
+所有知识和会话必须关联到 Git 仓库（`repository_id NOT NULL`），确保数据完整性和精准检索。
+
+### 完整会话追踪
+
+记录每次开发会话的完整上下文：session_id、仓库、分支、commit、工具使用、文件修改等。
+
+## 知识生命周期七阶段
+
+Knowledge Bank 将知识管理融入软件开发全流程，形成"生长的枝干"：
+
+1. **需求分析**: 自动检索历史需求知识，注入相关业务规则
+2. **架构设计**: 自动注入项目架构规范，收集新的设计决策
+3. **编码开发**: 自动注入编码规范，识别新的代码模式
+4. **测试验证**: 自动注入已知陷阱，收集新的 edge case
+5. **Code Review**: AI 辅助审查，更新 Review 规则
+6. **部署运维**: 基于历史故障经验自动诊断，收集运维知识
+7. **迭代优化**: 追溯完整知识链路，指导优化决策
+
+## 与传统知识管理的对比
+
+| 维度 | 传统方式 | Knowledge Bank |
+|------|----------|----------------|
+| 受众 | 人 | AI（+ 人） |
+| 载体 | 静态文档 | 动态上下文 |
+| 获取方式 | 主动查询 | 自动注入 |
+| 维护方式 | 人工编写 | 自动捕获 |
+| 知识形态 | 散落的金子（孤立、过时） | 生长的枝干（互联、进化） |
+
+## 相关概念
+
+- **多 Agent 工作流**: Knowledge Bank 的多阶段知识采集机制本质上是一种 agent 工作流
+- **持久化知识编译**: 与 Karpathy 的 LLM Wiki 模式形成互补——Knowledge Bank 侧重 AI 辅助开发场景的自动化知识捕获，llm-wiki 侧重持久化知识编译
+- [[computerized-adaptive-testing]] — CAT 的自适应选题本质上是知识注入的精准化：在正确的时间向正确的对象注入正确的测试项，与 Knowledge Bank 的情境化检索有相同的设计哲学
+
+## 开放问题
+
+- Knowledge Bank 的三维分类体系是否可扩展到非代码领域（如科研、写作）？
+- AI 观察的"最高可信度"假设在代码存在 anti-pattern 时是否仍然成立？
+- 知识去重的相似度阈值（0.85 合并 / 0.60 提示）是否经过实证验证？