用 Craft Agent 搭建你的私人智能知识库——对话、网页、灵感三条通道自动入库，分类、关联、语义检索无需手动整理，跨框架自动连接让知识越大越好用，把精力还给深度思考与核心决策。

痛点：知识散落，洞察蒸发

作为渴望科学创业、少走弯路的创业者，我长期面临一个核心难题：洞察会蒸发。和AI深度探讨一晚蓝海战略，次日只剩模糊印象；读到极具启发性的营销案例，最终在收藏夹里尘封；聊天时迸发的创业灵感，转头就忘得一干二净。更致命的是，由于上一次的教训未被沉淀，同样的坑可能会踩第二次。

我真正需要的，是一个活的知识库——无需手动整理，就能让每一次对话、每篇好文、每个灵感自动沉淀、归类、关联，形成可复用的商业智慧。

一次真实的对话：知识库如何回答定价问题

架构讲起来抽象，让我用一个我真正思考过的问题来演示这个知识库的威力。

我做了一个小工具，日活 200 多，想开始收费。该定多少钱？

如果直接问 ChatGPT，它会告诉你：可以参考竞品定价、用成本加成法、考虑价值定价法、先做免费增值再转化……这些都对，但是散装的。它不会告诉你定价背后有一个你根本没想到的结构性问题。

但当我问自己的知识库时，它从我过去数周沉淀的上百个条目中，跨领域调出了完全不同的东西。

知识库返回的第一个启发是「愿望驱动型消费」——来自我之前读一篇少数派墨水屏评测文章时的深度对话，那次讨论让我提炼出了一个跨品类通用的消费心理模型。它直接命中了问题核心：

消费者购买"自我改善型"产品时，真正驱动购买的不是功能，而是**"理想中的自己"这一心理承诺**。当承诺与现实产生落差时，用户不反思自己的行为，而是归因于产品——"是这个工具不够好"——然后去寻找下一个"完美"的替代品。

我的AI知道，我的产品属于"自我改善型"（因为知识库里有我的计划书）。定价的根本问题就不是"值多少钱"，而是用户购买的是一个关于自己的幻想，这个幻想注定会在蜜月期后破灭。定价策略必须考虑这个心理周期。

继续深入，知识库调出了「消费节律与收费模式对齐」——这是我在另一场关于商业模式设计的对话中提炼的方法论。它指出一个关键事实：

消费节律是需求域的天然属性，不能被创造，只能被发现。你不能把脉冲型需求硬做成订阅制（用户会反感），也不能把周期型需求做成一次性购买（你亏了）。

这个框架让我意识到：我根本没有分析过自己产品的消费节律。用户是每天用（持续型）、每周用几次（周期型）、还是遇到问题才用（触发型）？这个特征直接决定了应该做订阅制、一次性购买还是按次付费——但我之前完全跳过了这一步。

两个框架交叉后，产生了一个我自己之前没想到的洞察：

定价的核心不是"成本 + 利润"或"竞品参考"，而是两个维度的交叉——消费节律决定收费模式（脉冲型→一次性、周期型→订阅、触发型→按次），愿望消费心理决定价格锚点（用户为"理想自我"支付的溢价远高于功能价值）。如果我在错误的节律上收费，即使价格很低，用户也不会买；如果我没有利用好愿望消费的心理锚点，即使产品很好，价格也上不去。

同时，知识库还自动关联到了「商业模式因果推导链」——它把定价放在一条完整的因果链中：需求域 → 价值主张 → 消费节律 → 关键业务 → 定价+成本。这意味着定价不是孤立决策，它是消费节律的必然结果。如果我跳过消费节律直接定价，就是在因果链上打了个洞。

回顾：我最初思考中的四个盲区

做完这次分析后，我回过头审视自己最初的想法，发现了四个明显的盲区。如果没有知识库，我可能根本意识不到。

盲区一：我在功能层面定价。 我最初想的是"成本多少、竞品卖多少、我比它好所以定高一点"。但愿望驱动型消费告诉我：用户愿意为"理想中的自己"支付远高于功能价值的价格——这就是为什么一个笔记 App 能卖到每年 200 多元，而一个功能更强的传统软件只能卖 50 元。

盲区二：我没有问过消费节律。 我跳过了"用户多久用一次"这个根本问题，直接考虑按月订阅还是按年订阅。但知识库的因果链告诉我：消费节律是定价的前置条件——如果用户是触发型使用（遇到问题才打开），你做成月订阅他一定会流失。

盲区三：我低估了消费者心理。 我假设用户会理性评估"这个工具值不值这个价"。但愿望驱动型消费模型告诉我：用户的心理是"这次用了它我就能变高效" → 蜜月期 → 现实落差 → 归因于工具 → 流失。定价策略如果不考虑这个心理周期，续费率会很难看。

盲区四：我没有检查过约束条件。 价值域再发现理论的 12 个约束中，有几条是独立开发者必须面对的硬约束——消费者心智锁定（"工具就该免费或很便宜"）、能力缺口（我一个人能不能持续迭代）、互补品锁定（用户是否需要配合其他工具才能发挥价值）。这些约束在定价前就应该评估，而不是等收费上线后才发现没人买。

知识库真正的价值不是给了我一个定价公式，而是让我看到了自己思维的漏洞。 每一个框架都是一面镜子，照出了我"不知道自己不知道"的那些角落。

而这些框架——愿望驱动型消费来自一次关于墨水屏的阅读讨论（我看到少数派上的一篇文章，然后与它展开的讨论），消费节律来自一场商业模式设计的对话——它们在不同时间、不同对话中被分别沉淀，却在我提出一个看似无关的问题时自动连接，共同指向了一个远比"竞品参考定价"更深的洞察。

三个输入通道，一个知识中枢

这个智能系统围绕三个输入通道运转，所有信息最终汇入统一的知识中枢，形成结构化体系：

对话输入：与AI深度探讨商业问题 → 标记「已发布」→ 自动策展入库，留存核心观点

网页输入：看到优质文章 → 粘贴链接 → 系统自动提取知识、归档原文，无需手动复制

创意输入：聊天中冒出的灵感 → 标记「创意已评审」→ AI自动评估可行性，形成可追踪管线

而Craft Agent，正是实现这一愿景的完美平台。

整体架构

整个工作区分为四层，各层职责清晰、协同运转，具体如下：

第一层：知识中枢（数据层）

主知识库

知识库存储于本地目录 ~/notes/business-analytics-kb，经过5天的密集沉淀，已从最初8条条目扩展到37+条，覆盖10个类别，形成了完善的商业分析知识体系，目录结构如下：

business-analytics-kb/
├── frameworks/                → 8 个分析框架
│   ├── business-model-causal-chain.md     ← 新增：商业模式因果推导链
│   ├── value-domain-rediscovery.md        ← 新增：价值域再发现理论
│   ├── strategy-map.md                    ← 新增：战略地图
│   ├── strategic-vs-tactical-*.md         ← 新增：战略与战术决策界定
│   ├── strategic-canvas.md                ← 新增：战略布局图
│   ├── noncustomer-three-tiers.md         ← 新增：非顾客三层模型
│   ├── four-actions-framework.md
│   └── six-paths-framework.md
├── methodologies/             → 8 个方法论
│   ├── demand-domain-segmentation.md      ← 新增：需求域细分框架
│   ├── consumption-rhythm-*.md            ← 新增：消费节律与收费对齐
│   ├── customer-relationship-*.md         ← 新增：客户关系身份模型
│   ├── content-vs-performance-marketing.md← 新增：内容营销心智模型
│   ├── market-nonmarket-strategy.md       ← 新增：市场与非市场战略
│   ├── pr-early-warning-system.md         ← 新增：公关预警系统
│   ├── noncustomer-conversion-*.md        ← 新增：非顾客转化评估
│   └── ...
├── psychology/                → 9 个消费者心理学条目（全新类别）
│   ├── dual-process-theory.md             ← 双系统理论
│   ├── cognitive-biases-catalog.md        ← 认知偏差图鉴
│   ├── brand-psychology.md                ← 品牌心理学
│   └── ...
├── case-studies/              → 商业案例库
│   └── tech/
│       ├── manus-ai-agent.md              ← 新增：Manus AI Agent 增长案例
│       └── bilibili-content-marketing.md  ← 新增：B站内容营销生态
├── management/                → 全新类别（管理相关）
│   └── corporate-pr-strategy.md           ← 企业公关战略重定位
├── intelligence/              → 行业情报
│   └── macro-trends/
│       └── stakeholder-capitalism-shift.md← 新增：利益相关者资本主义
├── glossary/                  → 6 个核心术语
├── finance/                   → 全新类别（金融知识）
├── distribution/              → 全新类别（传播与新媒体）
├── articles/                  → 网页文章归档（按日期分类）
├── creativity.json            → 创意评估库
├── questions.json             → 问题洞察库
├── summary.json               → 机器可读索引（37+ 条目）
└── scan_frontmatter.py        → 索引重建脚本

为什么选择 Markdown + YAML Frontmatter？

每一条知识条目都遵循严格的格式规范，确保其成为可驱动AI智能检索的结构化数据，而非单纯的文档。标准格式如下：

---
title: "价值域再发现理论 | Value Domain Rediscovery Theory"
category: framework
tags: [value-domain, rediscovery, strategy, constraint, blue-ocean, demand-domain]
applicable_to: [strategic-planning, business-model-design, growth-strategy]
related: [six-paths-framework.md, four-actions-framework.md, business-model-causal-chain.md]
industry: general
source: "基于蓝海战略、商业模式画布、需求域框架，结合约束理论综合提炼"
last_updated: 2026-05-10
summary: "企业战略增长的底层模型：蓝海战略 = 价值域再发现 × 价值曲线重构 × 约束穿越..."
---

其中，tags 支持模糊搜索，related 构建知识图谱，source 确保信息可溯源，summary 让AI无需阅读全文即可判断内容相关性，大幅提升检索效率。

创意评估库（creativity.json）

当对话中的创意被标记「创意已评审」时，AI会自动完成三项核心操作：提取创意并润色、多维度可行性评审（含评分、优势、风险、建议、MVP预估）、写入 creativity.json，形成可追踪、可迭代的创意管线。

问题洞察库（questions.json）

用于记录学习和研究过程中提出的各类问题，配合 @question-analysis 技能，可实现：筛选近7天问题、AI深度挖掘问题共性与内在逻辑、发现思维盲区和知识空白，助力精准补全知识体系。

文章归档（articles/）

通过 @web-to-kb 技能抓取的网页文章，会自动按日期归档（如 articles/2026/05/11/在B站找新商机的人.md），确保原文可回溯、知识可验证，避免引用失效。

第二层：技能（可复用的AI行为）

技能是教给Craft Agent的专项行为指令集，我共创建了8个技能，覆盖从知识获取、策展到深度分析、创意评估的完整链路，各技能协同运转：

知识获取类

web-to-kb（网页知识提取器）：接收URL → 自动抓取文章内容 → 四维过滤+时效性评估（判断内容是否过时）→ 生成入库计划供用户审阅 → 确认后写入知识库并归档原文。

write-kb-entry（格式守门人）：强制执行8字段frontmatter规范，确保双语标题、交叉引用、索引更新到位，保证每条入库内容格式统一、质量达标。

策展类

kb-curation（对话知识策展人）：读取已完成对话 → 提取有价值知识 → 执行四维过滤（信号筛选→可复用性→新颖性→可结构化）→ 将合格内容自动写入知识库 → 输出策展报告（新增/修改/跳过）。

分析类

competitive-intel（竞争分析师）：接收公司对比或行业问题 → 搜索最新数据+调取知识库已有分析 → 输出结构化竞争简报+Mermaid可视化，助力快速决策。

kb-insights（知识库洞察引擎）：针对特定主题，从知识库中提炼非凡洞察；通过“摘要筛选→精读提炼”两步流程，重点发现跨框架关联和反直觉观点，同时评估时效性内容有效性，建议清理过期数据。

question-analysis（问题深度挖掘器）：扫描 questions.json → 筛选近7天问题 → AI分析问题共性、逻辑链和思维盲区 → 发现“尚未被问到的重要问题”，补齐知识短板。

创意类

idea-evaluation（创意快速评审）：从对话中提取创意并润色 → 进行可行性评分 → 多维度评审（优势、风险、建议、MVP预估）→ 写入 creativity.json，形成创意管线。

idea-deep-eval（创意深度评估）：结合互联网调研（市场、竞品、技术、用户需求）、知识库洞察、交叉分析（外部事实×内部框架），输出完整的可行性评估报告，比单一来源评估更具参考价值。

第三层：自动化（魔法发生的地方）

自动化是让系统实现自我运转的核心，无需手动干预，只需完成对话并标记状态，系统即可自动完成后续操作。目前已配置两条核心自动化管线：

管线一：对话 → 知识入库

管线二：对话 → 创意评审

自动化配置简洁高效，核心逻辑如下（JSON格式）：

{
  "SessionStatusChange": [
    {
      "name": "已存入知识库 - KB Curation",
      "matcher": "^published$",
      "prompt": "先执行 scan_frontmatter.py，然后执行 @kb-curation..."
    },
    {
      "name": "创意评审 - Idea Evaluation",
      "matcher": "^idea-reviewed$",
      "labels": ["idea-evaluation"],
      "prompt": "执行 @idea-evaluation 技能..."
    }
  ]
}

核心优势：我只需正常开展对话、分析问题，结束时选择对应的状态标记，系统会自动完成知识策展、创意评审、索引更新等所有后续操作，大幅节省时间成本。

第四层：组织（让一切可发现）

通过状态、标签、视图的科学设计，让散落的知识和会话可快速定位、可追踪，解决“找得到”的核心问题。

状态 —— 工作流节点

11种状态映射知识的完整生命周期，所有标签已中文化，清晰易懂，其中两个关键状态可触发自动化管线：

「已存入知识库」🔥：触发知识策展管线，自动完成对话知识的提取和入库。

「创意已评审」💡：触发创意评审管线，自动完成创意的评估和归档。

标签 —— 多维度分类

设计6个维度、18个标签，全面覆盖内容分类需求，确保每一条会话、每一个知识条目都能精准归类：

视图 —— 智能筛选

预置4个视图，可快速筛选所需会话，提升工作效率：

New：显示有未读消息的会话，优先处理待回复内容

Plan：显示有待审批计划的会话，聚焦需要确认的操作

Explore：显示处于只读模式的会话，方便查阅历史知识

Processing：显示Agent正在执行的会话，实时跟踪进度

设计原则

整个系统的搭建遵循5大核心原则，确保知识库的实用性、可扩展性和可持续性：

多通道输入，统一结构输出：对话、网页、创意三个输入入口，最终均沉淀为统一的结构化数据，打破信息孤岛，实现知识互通。

自动化策展，而非自动化创造：AI不凭空生成内容，仅从真实对话、文章、灵感中提取和整理知识，每条内容都有明确源头，保证知识的真实性和可用性。

严格的质量关口：通过四维过滤（信号→可复用→新颖→可结构化）+ 时效性评估，筛选优质内容入库，宁缺毋滥，保持知识库的“干净度”。

双向链接 + 跨框架关联：每条条目通过 related 字段链接关联条目，知识库越大，关联越紧密，越容易发现新的商业洞察。

时效性感知：系统不仅记录知识，还会评估知识的时效性，标注内容“仍然有效/可能过时/很可能过时”，避免基于过期数据做出错误决策。

技术栈一览

系统搭建所用到的组件和技术清晰可复用，具体如下：

下一步计划

为进一步提升系统的实用性和自动化程度，后续将重点推进以下5项优化：

• 自动化每周简报：定时扫描本周情报条目，生成汇编简报，快速回顾核心知识
• 知识图谱可视化：用Mermaid绘制全库 related 链接关系图，发现知识聚类和空白区
• 外部源集成：接入Linear获取项目上下文，或接入RSS持续获取行业情报，丰富知识来源
• 阅读清单集成：保存论文或书籍引用后，Agent自动提取核心框架写入知识库，拓展知识边界
• 创意管线完善：添加创意跟踪状态（draft→validated→in-progress→launched），实现创意全流程管理

结语

Craft Agent 不只是一个AI助手——它是一个知识基础设施平台。通过结构化数据（Markdown + YAML + JSON）、可复用技能（8个专项指令集）、事件驱动自动化（状态触发管线）和灵活的组织体系（标签、状态、视图），我搭建了一个真正“活”的知识库，它具备以下核心优势：

• 知识捕获毫不费力：对话、网页、灵感三种自然输入方式，无需手动整理
• 质量自动把关：四维过滤+时效性评估，确保知识库内容优质、可用
• 知识库自我组织：交叉引用、索引更新、新颖性检查，实现自我进化
• 一切可发现：结构化搜索、关联链接、洞察提炼，快速找到所需知识
• 创意有迹可循：从灵感到评估到执行，完整管线跟踪，避免灵感流失