用 OpenClaw 构建个人知识库：从几百字到 10 万字，让 AI 真正懂你

说起用 OpenClaw 打造私人知识库这事儿，挺有意思。很多人都在讨论“让 AI 成为私人助手”，但真正落地的时候，才发现没那么简单。

这篇文章会聊三个核心问题：为什么靠聊天记录远远不够？怎么从零开始构建一个 10 万字的个人知识库？以及，这个东西在实际场景中到底能干什么。

先扔几个核心判断：单纯靠聊天记录沉淀出来的“记忆”，精度非常有限。AI 主动记住的内容，经常是它以为重要但你其实不 care 的东西。想要真正懂你，还得自己出手。

为什么只有聊天记录还不够？

最近 OpenClaw 的热度很高，大家嘴里常挂着一句话：“它是我的私人助手。”甚至有人整了个开源项目，把前同事的聊天记录导进去，生成对应的 Skill。

但这里有个关键问题：聊天记录和文档能还原的信息精度，着实有限。对于真正意义上的私人助理，需要很多独有的信息——而这恰恰是 AI 靠“猜”搞不定的。

从 2025 年开始，我就在持续构建个人信息知识库，到现在已经攒了超过 10 万字，还在不断迭代。不管是预测未来，还是复盘过去，这东西的帮助都非常大。这篇文章，就把过程中的实践和一些经验分享出来。

1.0 版本 - 单个文件

起初，Gemini、Claude 和 GPT 都陆续上线了长期记忆功能。当时不少自媒体在“闭眼吹”，说 AI 会用得越久越聪明。但实际体验下来，AI 沉淀记忆的方式存在几个致命的盲区：

• 你的收入情况
• 你的家庭情况
• 你的偏好、优缺点等等

这些关键信息，AI 根本没法通过聊天自己“悟”出来。少了这些，它给出的建议自然隔靴搔痒，更别说做出准确的预测。

更重要的一点是：没有形成闭环。比如说，AI 给你出了一份材料，列了 10 个要点，你最后只采纳了 2 个。你不会特意回去告诉 AI 你选择了啥，那 AI 记住的内容就很可能是乱猜的结果——严重不完整，甚至可能是错的。

这就导致了一个尴尬的局面：所谓的长期记忆帮助不大，甚至会过度拟合某些信息。比如你是程序员，它就老拿写代码来举例，反而偏离了你的真实需求。

既然 AI 自己搞不定，那就自己动手。最开始，简单粗暴——用 Markdown 格式写到同一个文件里，不同内容用不同标题分开。当然，姓名、学校这类关键信息做了脱敏处理。

当时长文档检索主流还是 RAG 方式。长文本会被拆成很多小块，很容易在提取时遗漏。比如，“我的大学阶段”写了十几个段落，你问一句“大学有什么经历”，它可能只匹配到第一个段落。

所以构造数据时，每一段都得重复说明这是“我的大学阶段”，面向检索去写。同时也要面向实际使用场景来构建数据。比如你可能问某段时间获过什么奖、做了什么事，那证书或主要事件上就都得加上时间。

选一个长知识库检索做得好的平台（比如 Gemini），就可以开始各种提问了。

有了这些个人信息，能干的事就多了：

：让它扮演几年后某个级别的你，告诉它你已经克服了当下的缺点。它就是你未来想成为的样子，结合你现在的实际情况，给出的建议自然更有价值。

：申请某个荣誉，需要填写证书或经历。只要告诉它目的，它就能快速生成对应的材料。

：面对重大选择犹豫不决时，让它基于你的信息给出有理有据的分析。

：个人信息里存上老板的偏好，尤其是对材料的具体要求。发送材料让它把关时，给出的建议就更对路。

：想知道自己以前为啥做了某个选择，也能让它根据已有信息给出更合理的推断。

2.0 版本 - Skill

为了让信息更通用，能在 OpenClaw、Cursor 以及任何支持 Skill 的工具中方便调用，决定把它改造成 Skill。

有了之前的个人资料，让 AI 根据目录结构拆分成多个独立的 Markdown 文件。单个文件如果太长（比如超过 500 行），就拆成文件夹，里面再分多个子文件。制作 Skill 时，在 SKILLS.md 文件里构建对应的目录，这能让 AI 实现更好的渐进式加载。

为了让单个文件检索更高效，在较长的文件顶部加上目录，方便 AI 快速定位和查找。

3.0 版本 - 升级优化

以前的信息大多需要手动添加到不同文档，效率实在不高。后来开始用一些工具辅助录入：闪电说、智谱 AI 语音输入法，最近改用了 Typeless，配合麦克风，录入效率提升不少。

随着越来越多的人开始使用 OpenClaw 和 AI 对话，OpenClaw 本身会生成每日记忆归档，并会不定时整理成长记忆。但问题是，每日对话的内容中，很多只是临时性的，并不适合回流到永久记忆中。而且，AI 自己觉得该回流的，往往也不是我们真正想要的。

所以，在 OpenClaw 里启动定时任务，每天整理前一天的内容，筛选出适合回流到 Skill 的部分。让 AI 先出个计划，确认后再回流进去。

有了 OpenClaw 之后，反而不太愿意主动打开个人信息 Skill 来手动修改了——太麻烦。于是搞了一个回流的 Skill：当提到要回流个人信息时，它会自动识别目录，给出计划。确认后再回流进去。

辛辛苦苦整理的记忆如果丢失，那损失可就大了。好在这些内容本质上都是 Skill，可以这样操作：

• 建立私有 GitHub 仓库
• 通过 Git 管理所有私有 Skill（包括个人知识类的）

这样一来，就算被 AI 改坏了，恢复特定版本也是小菜一碟。换个电脑恢复关键 Skill 也非常方便。

还有一点值得注意：如果你看过 AI 相关的论文，会知道 AI 有迎合用户判断的倾向。在你的私人助手里，它很容易对你形成误导，让你做出误判。所以，在用 OpenClaw 时，我会修改它的 SOUL.md 文件，调整性格特点。目的是让它不总是迎合，而是能有相对独立的思考。同时，很多 AI 回答还带有明显的“AI 味”——大量破折号、机械的句式。调整它的表达，让它更像真人。在回答个人信息相关问题时，必须要求它根据 Skill 提取相关信息后再回答。

写在最后

坦率说，现在整体还是用隐私换效率，你得有“就算全部泄露也无所谓”的心态。不过，也没必要把所有隐私都暴露出去：创建私有仓库，对姓名、学校等关键信息做脱敏，特别隐私的数据就别写进去了。另外，可以根据不同场景，把常用场景独立成单独的 Skill。比如写材料缺乏逻辑，就专门建一个“材料审核”的 Skill，只做逻辑性检查，没必要让 AI 了解私有信息。尽量用正规厂商，避免不知名的中转站。未来本地模型能力足够可用后，隐私数据可以优先用本地模型处理，或者先本地脱敏再发给大模型。

这个问题很关键。你需要什么样的数据，取决于你用它来做什么事。换句话说，做那件事所需的信息是否完整、准确，这比数据有多少更重要。数据永远没有“全”的时候，能做的只有：把可能用到的关键数据提前准备好，在使用过程中不断补充、优化和调整。

一个有趣的检验方法：让它判断你是十六型人格中的哪一种。如果 AI 的判断结果和你真正做题得出的答案一致，说明刻画得非常准确；如果有较大出入，说明数据可能不完整或有偏差。

缺点的价值其实比优点更大。我们用 AI，就是希望它能帮我们规避缺点，并针对这些缺点做增强。只有让 AI 了解真实的你，它才能给出有实质帮助的建议。有了这些缺点，甚至可以和 AI 一起探讨，针对性地打造对应的 Skills，让它更好地帮你完成任务。

每天工作和生活都录音，必要性不大。不仅要考虑硬件条件（工作场景是否适合录音、设备电量能不能撑住），更关键的是：数据多不代表质量高。每天产生的大量信息其实都是重复性的、低密度的，价值有限。当然，如果是参加重要的 AI 大会，录音确实有意义。但真正有用的数据，还是靠自己的观察和积累沉淀下来更实在。

未来展望

可以预见，未来知识的沉淀会走向自动化，能突破 AI 眼镜这种便携设备在电池等方面的限制。不管是个人记忆还是知识库，一定会走向多模态——不仅能沉淀文本，还能感知语气变化，看懂人的表情。随着模型能力不断增强，AI 一定会走向个性化，满足每个人的独特需求。

从小处着手，在使用中不断完善，让 AI 真正成为懂你的私人助手。随着模型能力越来越强，个人数据、团队数据的价值，只会越来越大。