Knowledge as Moat — 知识沉淀才是 AI 工程的护城河
来源：腾讯程序员 微信公众号，stevenpxiao，2026-04-29
核心论点
构建 Harness 工作流不是最终目的，私域和团队知识的沉淀才是真正的技术护城河。Skill、Agent、工具链会随模型迭代更新——领域知识是永恒的。
"Harness 不是目的，知识才是护城河。"
五层知识存储
| 层 | 范围 | 共享方式 |
|---|---|---|
| Layer 0-P | 个人偏好 | 纯本地 |
| Layer 0-T | 团队约定 | Git 共享 |
| Layer 1 | 技术知识 | 跨项目 |
| Layer 2 | 业务知识 | 按领域 |
| Layer 3 | 项目知识 | 随项目走 |
关键机制：知识可"向上提升"——跨项目验证通用 → 自动提升到 Layer 1/2。
五种知识类型（MECE）
| 类型 | 含义 |
|---|---|
| model | 数据/系统模型，关心"是什么" |
| decision | 历史决策与权衡，关心"为什么" |
| guideline | 规范与约定，关心"怎么做" |
| pitfall | 已知陷阱与教训，关心"别这样做" |
| process | 流程定义，关心"按什么顺序做" |
三级成熟度 + 自动衰减
draft → verified → proven
- draft：初次记录，未验证
- verified：经过实际使用验证
- proven：长期稳定、被多次引用
- 自动降级：长期未引用的知识自动降级
三级渐进式索引
避免一次性把全部知识塞入 LLM 上下文：
- 全景目录（~50 行）— 知道有哪些
- 分类清单（~100-300 行）— 知道在哪里
- 完整条目（按需）— 加载具体内容
对比一次性推送，上下文效率提升一个数量级。
工作流服务于知识
INIT（知识注入）→ 各阶段按需查询 → ARCHIVE（自动提取+提升判定）
整个开发流程被设计为知识的输入/输出管道——而不是把知识管理当作开发的副产物。
跨设备协作：远程操控
手机远程接管开发机上的 AI 编程会话：
- 跨设备会话接管
- 异步审批
- 通知触达
让 AI 工程团队真正"24/7 在场"。
与个人知识管理的同构性
stevenpxiao 的方案与本地 LLM Wiki 模式（claude-code/llm-wiki-pattern）几乎逐项对应：
| 团队架构 | 个人对应 |
|---|---|
| CLAUDE.md | Layer 0-P |
| wiki/ | Layer 1 |
| wiki/index.md | 三级索引 |
| wiki-absorb promote | 成熟度提升 |
| wiki-lint | Lint 机制 |
这表明同一组知识架构原则在团队和个人尺度都成立——5 层、5 类型、3 成熟度是 AI 工程时代的"知识 schema 公约"。
启示
- 不要把 Harness 当终点。模型迭代会冲刷掉今天的工具栈，但你团队对自己业务的知识不会过时
- MECE 知识分类减少误存。当一条知识被分到 model/decision/guideline/pitfall/process 之一时，团队对它的使用方式就明确了
- 让知识有衰减机制。否则知识库会被低质量记忆充斥，反而降低 LLM 效率
- 三级索引是必须的。一次性把所有知识塞入 prompt 既贵又脏