---

Astra之后，我如何为静态知识补上一套AI行动系统

知识库越来越完整，手头的工作却没有因此自动向前。 过去几个月，我把散落在不同项目、文档和AI会话里的业务架构、SOP与核心判断整理进Obsidian，让它成为多个AI共同读取的知识底座。 这解决了一个长期痛点：每次与AI协作，不必再从头介绍我是谁、项目做过什么，以及过去形成了哪些判断。 但随着项目、Agent和专业任务越来越多，一个新的问题逐渐暴露出来： Obsidian能够告诉AI，我过去思考过什么，却无法独自回答项目现在卡在哪道业务关口、下一步由谁推进，以及什么证据才能证明任务真正完成。 我缺少的已经不是更多知识，而是一套能够调用知识、组织任务并回收结果的行动系统。 直到Astra 模型指南的出现，让我把AI从聊天工具，升级为能分工、接力、回收结果的任务协同系统。

---

01 Obsidian解决了记忆，却没有解决行动

最初建立Obsidian，是为了解决知识散落的问题。 一次AI对话结束后，判断留在会话里；一个项目结束后，经验留在文件夹里；一份报告完成后，其中的方法未必能进入下一项工作。 Obsidian把这些内容连接起来，让AI不再只理解眼前的一句话，也能读取背后的项目、方法和历史判断。 它解决的是：

我过去知道什么，以及这些知识放在哪里。

但知识被保存下来，并不等于知识已经进入工作。 一份SOP可以写得很完整，却不知道当前项目是否应该调用它；一项经验可以反复出现，却不知道新的业务结果是否已经证明它不再适用。 知识库按照主题、文件和链接组织内容，真实工作却围绕目标、任务、依赖、责任和决策门推进。 过去，我更多是在完成相对独立的方案、分析和项目材料。现在，我同时面对北美营销、外贸验货、薪资软件、战略规划、知识治理和内容生产等多条工作线。 需要管理的对象，已经从文件和知识点，变成了：

目标、任务、依赖、责任、决策门和业务结果。

这才是当前的主要矛盾：

静态知识组织，无法独立支撑动态业务执行。

---

02 Astra让我看到：AI已经能执行，却还没有形成组织

Chat时代，AI主要帮助我回答问题、整理思路和生成内容。 Copilot进入文档和办公环境后，AI开始参与具体工作。随着Skill和Agent增加，它又开始承担项目分析、文档制作、开发、测试、知识检索和资料研究等专业任务。 Astra相关的协作方式进一步触发了我的思考： AI能不能不只回答当前问题，还能检查前提、识别制约、协调依赖、调用专业能力，并在目标尚未完成时持续推进？ 当AI开始具备这些能力，问题也随之变化。 过去的问题是AI不知道我的背景。 现在的问题是，AI知道了很多背景，也能执行很多任务，但这些能力没有被组织成一条完整的工作流。 能力越多，越需要有人回答：

• 当前真正应该解决什么；
• 应该调用哪个Agent或Skill；
• 多个任务如何接力；
• 谁确认业务事实；
• 什么条件满足后才能关闭任务。

这促使我从“继续扩充知识库”，转向“为知识库补上一套行动系统”。

---

03 我给AI军团重新分了工

我借用了任务型指挥中的五个动作：

明确意图 → 编组能力 → 下达任务 → 回收证据 → 行动后复盘

这里的“军团制”，不是让AI替代人的业务决策，而是让多个Agent、Skill和专业任务围绕同一个结果协作。 新的运行关系是：

 Peter确认意图与关键决策         ↓ AI指挥中枢识别问题、状态和依赖         ↓ 任务工作台维护当前任务与下一道关口         ↓ 专业Agent和Skill承担执行         ↓ 业务项目保存规则、版本和验收证据         ↓ Obsidian沉淀可复用的知识、方法与反例

这套分工的关键，不是增加更多工具，而是让不同对象回到各自的位置： 指挥中枢连接现在：判断当前真正需要推进什么； 任务工作台维持行动：保存动态状态、依赖和下一道关口； 业务项目保存事实：承载正式规则、版本、测试和Owner回执； Agent与Skill承担执行：完成分析、写作、开发、测试和研究； Obsidian沉淀长期能力：保存稳定判断、方法、经验和反例。 Obsidian并没有被削弱。 它只是从一个试图承载所有工作的“第二大脑”，回到了更准确的位置：

长期记忆、方法库、规则库和能力训练底座。

---

04 一个验货项目，让我看见了知识与行动的差别

外贸验货平台已经形成了完整PRD和验收场景。 如果只看文件，很容易得出“方案已经完成”的结论。Obsidian也能够提供验货管理、业务架构、项目管理和测试方法等知识。 但回到真实业务状态后，项目的下一步并不是继续增加文档，而是确认关键业务规则、完成联合评审，再进入测试和验收。 这时，不同系统承担了不同职责：

• Obsidian提供可复用的方法和历史判断；
• 指挥中枢识别当前真正的制约因素；
• 任务工作台记录项目正在等待业务确认；
• 项目目录保存正式规则和评审结果；
• 评审中的新事实和反例，再回到Obsidian修正原有知识。

同样的情况也出现在其他任务中。 薪资软件能够运行，并不等于业务已经批准发布；战略母稿已经形成，也不等于关键选项已经完成取舍。 这些任务共同说明：

知识库告诉AI过去知道什么，项目证据告诉AI真实发生了什么，任务工作台告诉AI下一步需要什么，指挥机制决定现在应该调动谁。

知识由此不再只是等待检索的文件，而是进入了一条完整循环：

真实问题触发 → 调用知识 → 组织任务 → 执行并产生证据 → 人确认事实与价值取舍 → 更新、保留或淘汰原有知识

所谓“知识活起来”，不是文件自动变化，而是知识能够进入行动，并被行动结果重新塑造。

---

05 这套调整真正改变了什么？

目前，我看到三个直接变化。 第一，知识与任务开始分开 稳定知识进入Obsidian，动态状态留在任务工作台，业务事实回到项目目录。知识库不再因为大量临时状态而不断膨胀，项目也不会因为生成了文件就被误判为已经完成。 第二，AI开始围绕结果协作 AI不再只围绕当前会话生成内容，而是可以从统一入口恢复背景、识别依赖，把任务送到相应的专业能力，再回收结果和证据。 第三，我的角色开始变化 过去，我更多是文档、知识和项目成果的直接生产者。 现在，我开始保留真实问题、业务判断和价值取舍，同时让AI承担更多分析、执行、协调和回收工作。 我正在从“亲自完成每一项工作”，逐渐转向：

定义问题、组织能力、判断结果并推动知识进化。

目前，这套结构已经完成首轮运行，也帮助我重新识别了验货、薪资和战略任务的真实阶段。但它还不能证明长期协调成本已经下降，也不能证明这套模式已经适合部门或企业复制。这些仍然需要更长时间的真实任务验证。

---

结语

回头看，我最初用Obsidian解决的是知识散落的问题。 当知识越来越多、AI越来越能干之后，我需要解决的变成了知识与行动分离的问题。 Astra模型指南触发了这次重新思考，也让我开始把知识库、任务状态、业务事实和AI执行重新分层。

• Obsidian负责沉淀长期知识。
• 指挥中枢负责组织行动。
• 任务工作台负责维护动态状态。
• 业务项目负责保存正式事实。
• Agent和Skill负责专业执行。
  

它们最终形成一条新的循环：

知识进入任务，任务产生行动，行动留下证据，证据再修正知识。

知识只有进入真实业务，并从结果中持续学习，才会从被保存的文件，逐渐变成可以复用和进化的能力。

———笔者在此与大家共勉———

建起第二大脑的知识库不是终点，让知识在真实战场上开火才是。 这套“军团制”协作只是打响了第一枪。前路没有现成地图，只有未知的业务硬仗、新的反例和更复杂的协同关口等着我去趟、去破。 我不会停在安全的静态文档里。真正的进化，永远发生在向未知开火、把认知打穿成行动的路上。 如果你也厌倦了把时间耗在零散对话与无效文档里，想真正打造属于自己的“AI作战部队”——别在后方观望，加入这场探索。 你的AI军团，现在卡在哪个冲锋关口？留言聊聊，我们并肩破局。

---

Peter Tang｜战略变革 · 数字化转型 · LTC · 跨境出海