学到一点就写一点 · AI 大白话 用具体例子，把 AI 的原理和用法讲清楚。
书籍、笔记和资料卡片汇集到写作笔记本中的概念封面 · 点击放大
上一篇，我们聊了怎样把任务和要求交代给 AI。接下来，还有一件事：怎样让它用上我们已经积累的资料？
假设你平时会记读书笔记、保存课程记录，也收藏了不少文章。过了一段时间，资料越来越多。
现在想写一篇“怎样把学过的东西用起来”，你隐约记得，之前读过几种相关方法，却想不起它们分别在哪个文件里。
如果直接问 AI“怎样把学过的东西用起来”，它可以给出一些一般性的建议。但你这次更想知道的是：
我以前保存的资料里，有哪些相关方法？它们分别讲了什么，能不能整理到一起？
这就是知识库很适合发挥作用的地方。
知识库，让已有资料能够被继续使用
在这里，可以把知识库理解成一批经过整理、能够供系统查找和使用的资料。
读书笔记、课程记录、收藏文章，都可以成为其中的内容。接到支持资料问答的 AI 应用后，你就可以围绕这些材料提问，让它帮助查找、比较和整理。
比如，同一批学习资料，可以支持几个不同的问题：
我之前记过哪些关于学习方法的内容？
这几份资料对“练习”的说法，有什么共同点和不同之处？
我要写一篇短文，哪些内容可以作为素材？请标出来源。
过去，你需要先想起资料在哪里，打开几个文件，找到对应段落，再开始整理。
有了这样的资料问答能力，可以从眼前的问题出发，让系统先查找相关内容，再交给模型处理。你把更多精力放在判断材料、形成自己的看法上。
知识库的价值，是让原来分散存放的积累，在需要时更容易被找回、联系和使用。
它也不只适合个人学习。团队的项目记录、产品说明和常见问题，都可以按类似思路组织起来，供日常查阅。
拿一个写作问题，看看它能帮什么忙
还是那篇“怎样把学过的东西用起来”。
假设你的资料库中有下面三段记录：
读书笔记 A：读完一节后，合上材料，用自己的话写出主要观点。
课程记录 B：学到一个方法时，为它找一个可以尝试的小场景。
练习记录 C：尝试以后，记下哪里顺利、哪里卡住，以及下一次准备怎样调整。
你可以提出前面那个问题，让 AI 从已有资料里找相关方法，再整理它们之间的关系。
假设系统找到了这三段，模型可以给出这样的整理：
这三份记录分别关注三个环节：
先用自己的话表达，梳理学到了什么——来自读书笔记 A。
再选一个具体场景，尝试使用这个方法——来自课程记录 B。
最后回看尝试过程，记录问题和下一步调整——来自练习记录 C。
写文章时，可以把它们组织成“表达理解—尝试使用—回看调整”这条线。
原本分散在三个文件里的内容，现在围绕同一个问题联系起来了。
这里做了几件有用的事：找到相关材料，看出各自关注的环节，再组织成适合当前写作任务的结构。
同时，来源保留了下来。你想展开“回看调整”这一部分，可以回到练习记录 C，阅读完整内容；想引用其中的话，也能找到原文核对。
这条写作线索是模型根据材料作出的整理，三份记录并没有共同写出一套完整流程。把原文和整理结果分清，也方便你继续修改。
为什么不直接联网搜索？
联网搜索当然有用。如果你想了解最近出现了哪些学习工具，或者寻找还没有接触过的新资料，可以去网上查。
但“网上有哪些方法”和“我以前保存过什么”，回答的是不同的问题。
个人笔记可能记录了你的理解，课程记录可能来自指定课程，练习记录则保留了你自己的尝试。仅凭公开网页搜索，通常无法取得这些没有公开的内容。
知识库还可以帮助限定资料范围。比如，这次就围绕你选定的几份材料做比较，或者为一个持续写作的主题积累素材。
其中的资料不一定都是你自己写的。你筛选过的公开文章、可使用的课程材料，也可以成为资料来源。关键在于：你希望 AI 根据哪一批材料来处理问题。
两种方式也能配合。先查自己的资料，发现缺少某方面的信息，再去搜索新的材料；觉得值得长期参考，就把它纳入后续使用的资料范围。
RAG，怎样把这些资料接到回答里？
前面看的是用途。接下来，看看那三段记录怎样参与回答。
一种常见做法是：先从文件中读出内容，把较长的材料按段落或主题切成片段，保留标题和原文位置，再建立方便查找的索引。
可以把索引想成查资料的辅助目录。它帮助系统定位内容，不需要每次提问都把所有文件从头读一遍。
当你问“怎样把学过的东西用起来”，系统先查找相关片段，再把找到的内容连同问题一起提供给模型。模型参考这些材料，生成前面那样的整理。
这种先检索相关资料，再利用它们生成回答的做法，就叫 RAG，中文是“检索增强生成”。
知识库提供可查阅的资料，RAG 则把“查资料”和“生成回答”接在一起。
从个人学习资料中检索相关片段，再围绕写作问题整理并标出来源 · 点击放大
资料接入或更新时先做整理；提问后查找相关内容，再供模型生成回答。
这也接上了第 06 篇的上下文：检索出来的材料，被放进模型这次能够参考的信息里。日常查资料通常不需要重新训练模型，也不需要让模型永久记住全部原文。
RAG 可以连接个人资料库，也可以使用联网搜索等其他检索来源。它描述的是检索与生成怎样配合，不限定资料必须存在你自己的电脑里。
不记得原话，也能找到相关内容吗？
你的问题里有“用起来”，课程记录里写的却是“找一个可以尝试的小场景”。
两边用词不同，仍然有联系。向量检索就可以帮助处理这类情况。
第 01 篇说过，向量可以先理解成一串数字。适合检索的嵌入模型，会把资料片段和问题转换成可以比较的数字表示，再据此寻找相关内容。
这样，查找就不只依赖原句里有没有完全相同的词。你记不清文件名，也不记得原文怎样表达，仍然可以从自己的问题出发。
关键词检索也有用，比如查一个明确的书名或术语。系统可以把不同办法结合起来，再选择要提供给模型的材料。
文档切分和向量检索是常见实现方式，具体系统可以采用不同做法。理解到“先找相关内容，再用于回答”，就已经抓住了 RAG 的核心过程。
什么情况下，值得用上知识库？
如果只需要 AI 帮你读一篇短文，直接提供材料就很方便。
当资料逐渐增多，而且你会围绕它们反复学习、写作或处理工作，知识库的作用就更明显了。同一批资料，这次可以查一个概念，下次可以比较几种方法，以后还可以为新的文章寻找素材。
开始时，可以先选一个明确主题，把经常需要的一批资料整理进去，保留标题、来源和日期。以后增加或更新内容，再让系统处理相应变化；是否自动同步，取决于所用软件。
资料需要保持适用，重要引用仍要对照原文，AI 的整理也要由你判断。带着这几项基本检查，就可以把重点放在怎样利用材料上。
回到开头的写作问题：你得到的不只是几个文件名，还可以是一份围绕主题组织的材料，以及能够继续阅读的出处。
原来“存下来以后很少再打开”的内容，就有机会重新参与学习和创作。
下一篇，我们继续看：有了资料和写作思路，AI 怎样通过工具读取文件、计算数据、保存文章？它说“文件已保存”，具体还需要发生什么？
配图说明：封面由 AI 生成，是学习资料被联系和重新使用的视觉隐喻；正文图为程序绘制的教学示意。
