AI 知识库越积越多，为什么判断反而越来越旧

直接判断：知识库的风险不是内容太少，而是旧快照、临时假设、稳定原则和当前配置混在一起，AI 无法知道哪条还能用。

独立站的规则变化很快：平台字段、发件要求、主题版本、账号权限和业务优先级都会更新。把每次对话、日志和截图全部塞进知识库，只会让检索命中更多互相冲突的内容。高质量沉淀的核心是路由、来源、有效期和晋升规则。

先做判断

先把知识分成四层。原始证据保留来源和时间，不润色成结论；当前状态只保存此刻有效的对象与边界；稳定原则记录跨任务复用的方法；操作剧本保存已验证的步骤、闸门和失败处理。临时想法与低置信度结论应进入待验证区，不能直接升级为规则。

每次使用知识前还要判断漂移风险。法律、平台政策、接口、费用和账号状态属于高漂移信息，应在使用时重新核验；“先定义验收再执行”这类原则则更稳定。

诊断与决策框架

第一步查来源。每条重要结论是否能回到官方文档、真实回读、明确用户决策或可重复实验？没有来源的经验只能标为假设。

第二步查时间与作用域。结论在哪个市场、平台版本、店铺类型和流程中成立？“某字段应该这样映射”若缺少作用域，最容易被错误迁移到另一项目。

第三步查冲突。当前状态与历史记录冲突时，不能默默挑一个。应按真源优先级、更新时间和证据强度解决，并保留被取代的历史，避免未来误以为它从未存在。

第四步查使用结果。AI 每次引用规则后，记录它是否帮助完成任务、是否被人工驳回、失败原因是什么。多次验证后才能晋升为稳定 SOP；一次成功不足以变成全局政策。

第五步做最小清理。优先更新入口、索引、状态标记和过期提示，不轻易删除原始证据。知识库不是越扁平越好，而是每层职责清楚。

知识维护还需要一个明确的 no-op 结果：检查后若没有新证据或规则变化，就记录“无需更新”，不要为了证明系统在工作而制造重复总结。克制写入本身也是质量控制。

常见误判

• 把聊天总结当事实真源，忽略它可能压缩了关键边界。
• 为减少噪声删除旧记录，失去判断为何变化的证据链。
• 一次任务有效就写成跨项目通用规则，造成数据与经验串用。
• 只标“最后更新日期”，不说明哪些内容使用前必须重新核验。

验证清单

• 重要结论有来源、时间、作用域和证据类型。
• 当前状态、历史证据、稳定原则和待验证假设分层保存。
• 高漂移规则标记为使用前核验，并链接官方真源。
• 项目、品牌、账号和客户知识保持隔离。
• 人工驳回与失败结果能回写到规则候选。
• 清理优先修入口和状态，不无证据删除历史。

适用边界

本文适合 AI 参与长期运营与多项目知识复用的团队。它不是文档管理软件教程；涉及个人、客户或账号敏感信息时，还需要最小化收集、访问控制和保存期限。高漂移事实必须现场验证。

用 AI 证据链操作系统 管理来源，再按 失败检测与复盘剧本 将错误反馈变成可审查的知识更新。