https://forum.trae.cn/t/topic/4988

SOLO挑战赛专区
1

【More than Coding】用 SOLO 打造 AI 产品经理个人知识库：从信息爆炸到结构化洞察

一、摘要

作为一名没有开发背景的 AI 产品经理，我在 vibe coding 的背景下工作，需要浅显涉猎架构、流程编排、前后端开发等领域，但缺乏技术深度。传统做法是从自媒体获取 AI 前沿资讯，但容易断章取义、信息爆炸，难以形成体系化的认知。我利用 TRAE SOLO 构建了一套 「信息获取 → 信息解构 → 结构化存储」 的完整知识管理工作流，基于 Andrej Karpathy 的 LLM Wiki 方法论，将每日 AI 动态自动整理为带双向链接的 Obsidian 知识库。原来每天 不定时的信息整理工作，现在 15 分钟完成，且知识可复用、可检索、持续生长。

二、背景

我的角色

没有开发背景的 AI 产品经理，在 vibe coding 的背景下工作，需要浅显涉猎架构、流程编排、前后端开发等领域，但缺乏技术深度。需要获取前沿的 AI 知识（如 harness engineering、Agent 架构、模型能力边界）来支撑产品决策。

核心痛点

  1. 信息爆炸：从自媒体获取的 AI 资讯碎片化严重，容易断章取义，难以判断真伪
  2. 知识断层：缺乏技术背景，对前沿概念（如 harness engineering、多 Agent 架构）理解不深，难以形成体系化认知
  3. 缺乏结构：信息散落在浏览器书签、微信收藏、笔记软件中，无法关联和复用
  4. 重复劳动：每周写周报时需要重新梳理，效率极低

灵感来源

Andrej Karpathy（OpenAI 创始成员、特斯拉前 AI 负责人）提出了 LLM Wiki 概念——用 LLM 持续维护一个结构化 Markdown 知识库，核心哲学是 “Knowledge as Code”（知识即代码）：

  • Ingest（摄取）：将非结构化信息通过 LLM 预编译为高密度 Markdown
  • Query（查询）：基于结构化知识进行跨文档逻辑推理，而非临时检索
  • Lint（校验/自愈）：定期扫描知识库，检查一致性、建立关联、清理过时信息

我决定用 TRAE SOLO 来实现这套方法论，解决信息获取、信息解构、结构化存储三大问题。

三、实践过程

我的完整工作流分为四步：结构设计 → 人工筛选 → 内容拆解 → 知识沉淀

第一步：让 SOLO 基于我的角色和需求设计日报/周报结构

作为没有技术背景的 AI 产品经理，我首先让 SOLO 帮我设计一个适合我的信息追踪框架：

“我是一个没有开发背景的 AI 产品经理，需要追踪 AI 行业动态。帮我设计一个日报结构，每天能快速了解：哪些模型发布了、哪些 Agent 框架更新了、哪些算力/政策变化会影响产品决策。”

SOLO 为我设计了以下结构：

AI 产品经理知识库/
├── 日报/
│   ├── 2026-04-07.html      # 每日可视化报告
│   └── ...
├── 周报/
│   └── 第14周-摘要.md        # 每周趋势汇总
├── 知识条目/
│   ├── 01-前沿模型/
│   │   ├── GPT-6.md
│   │   ├── Claude-Mythos.md
│   │   └── ...
│   ├── 02-AI-Agent/
│   ├── 03-基础设施/
│   ├── 04-开发工具链/
│   ├── 05-行业政策/
│   └── 06-前沿概念/
│       ├── Harness-Engineering.md
│       ├── 多模型编排.md
│       └── ...
└── templates/
    └── event-template.md

每个知识条目都有统一的模板：

---
title: GPT-6
date: 2026-04-05
tags: [大模型, OpenAI, AGI]
related: [[Claude-Mythos]], [[GPT-5.4]]
---

# GPT-6

## 核心信息
- 发布日期、性能参数、关键特性...

## 产品经理视角
> 这个技术对产品路线图的影响是什么？技术边界在哪里？

## 关联知识
- [[相关概念]] — 为什么关联

第二步：阅读日报/周报，人工筛选感兴趣的内容，做深度检索

每天我会用一句话触发 SOLO 生成日报：

“更新 AI 日报”

SOLO 会自动搜索、去重、生成 HTML 报告。然后我会：

  1. 快速浏览日报：看标题和摘要，筛选出 3-5 条真正感兴趣的内容
  2. 触发深度检索：对筛选出的内容，让 SOLO 做深入挖掘

例如，看到 GPT-6 架构曝光的新闻后：

“GPT-6 这个新闻帮我深度检索一下，我想知道：为什么 OpenAI 要砍掉 Sora 全力押注 GPT-6？2M 上下文对产品设计意味着什么？和 Claude Mythos 相比有什么差异？”

SOLO 会去抓取原文、搜索相关报道、整理成结构化的深度分析。

ScreenShot_2026-04-09_145012_942
ScreenShot_2026-04-09_145012_9421502×726 118 KB

ScreenShot_2026-04-09_145028_961
ScreenShot_2026-04-09_145028_9611252×1154 209 KB

关键判断标准（我筛选内容的原则）：

  • 是否影响产品路线图（如 GPT-6 的发布时间）
  • 是否涉及技术边界变化（如 2M 上下文窗口）
  • 是否有竞品对标价值（如 Claude Mythos vs GPT-6）
  • 是否涉及前沿概念需要学习（如 harness engineering）

第三步：让 Solo sode按 Karpathy LLM Wiki 方法论对内容做拆解、存档

对深度检索后的内容，我会让 solo code 按照 Karpathy 的 LLM Wiki 方法论处理：

“把 GPT-6 的内容按照知识库模板存档，建立与 Claude-Mythos、算力博弈、Harness-Engineering 的关联”

SOLO 会执行：

  1. Ingest（摄取）：将非结构化信息转化为高密度 Markdown
  2. 结构化：填充 Frontmatter（日期、标签、关联条目）
  3. 建立关联：自动生成双向链接如 [[Claude-Mythos]]
  4. 生成产品经理视角：解释技术概念对产品的意义

第四步：Obsidian 自动化沉淀内容

微信图片_20260409143035_50_1
微信图片_20260409143035_50_12807×1656 294 KB

微信图片_20260409143051_51_1
微信图片_20260409143051_51_12100×1999 294 KB

四、踩过的坑

坑 1：一开始让 SOLO 直接写 Obsidian 笔记，结果格式混乱

解决：先定义好模板（Frontmatter + 固定章节），让 SOLO 按模板填充内容，而不是自由发挥。

坑 2：自媒体信息质量参差不齐，容易断章取义

解决：在 Prompt 中明确指定高质量信息源（量子位、InfoQ、36Kr、TechCrunch），并要求 SOLO 用产品经理能理解的语言解释技术概念（如 harness engineering、多 Agent 架构）。

坑 3：去重做得不好，同一事件反复出现

解决：让 SOLO 先列出已有事件清单，再与搜索结果比对。明确要求"已记录的事件不要重复"。

坑 4：前沿概念（如 harness engineering）理解不深，难以建立关联

解决：专门开辟"前沿概念"分类，让 SOLO 对每个新概念生成独立的解释性条目，包含定义、应用场景、与现有知识的关联。

五、成果展示

1. AI 产品经理进展追踪日报（HTML 报告）

累计追踪 25+ 条关键动态，覆盖 2026 年 3 月 17 日至 4 月 7 日。每条动态包含背景、事件、价值评估、行动建议四个维度，技术概念用产品经理能理解的语言解释。

2. Obsidian 知识库结构

  • 6 个一级分类（前沿模型、AI Agent、基础设施、开发工具链、行业政策、前沿概念）
  • 30+ 个知识条目，每个都有 Frontmatter 元数据和双向链接
  • 统一的事件模板，确保信息结构一致

3. 关键洞察示例

通过持续追踪，沉淀出以下产品级判断：

  • 模型选型：从"选最好的模型"转向"设计多模型编排方案"（微软 Copilot 引入 Claude 是信号）
  • Agent 架构：Google 多 Agent 扩展原则 + MCP/A2A 协议标准化，从野蛮生长进入有章可循
  • 算力格局：中国 AI 调用量超美国 2.49 倍，国产模型在实际应用中已被大规模验证
  • GPT-6 预判：4/14 发布，性能+40%，2M 上下文，将重新定义顶级模型标准
  • 前沿概念理解：harness engineering、LLM Wiki、多模型编排等概念从陌生到可解释

六、效果与总结

提效数据

环节 之前 现在 提升
每日信息筛选 2-3 小时 15 分钟 10x
周报撰写 4 小时 已自动积累，30 分钟整理 8x
知识检索 翻聊天记录/书签 Obsidian 全文搜索 + 双链跳转 质的飞跃
信息复用 几乎不可能 每条知识可被多次引用 从 0 到 1

核心收获

  1. SOLO 的最大价值不是"生成"，而是"工作流编排"。搜索 → 过滤 → 解构 → 结构化 → 入库，这个链条才是提效的关键。
  2. Karpathy 的 LLM Wiki 方法论确实有效。Markdown + 双向链接 + Frontmatter 是 LLM 最友好的知识格式，AI 可以像操作代码库一样操作知识库。
  3. "知识即代码"不是比喻。模板就是 Schema，双向链接就是引用，Lint 就是知识库的 CI/CD。
  4. 从"存信息"到"长知识"。传统笔记越积越多却越来越难用，而这套系统让知识库像代码库一样持续进化。
  5. 对非技术背景的产品经理友好：SOLO 可以用通俗语言解释技术概念（如 harness engineering），让我在 vibe coding 环境下也能与开发团队有效沟通。

可复用方法

这套方法不限于 AI 产品经理，任何需要持续跟踪行业动态、缺乏技术深度的角色（运营、投资人、产品运营、业务分析师）都可以复用：

  1. 定义你的知识分类体系（包括"前沿概念"分类）
  2. 设计统一的信息模板（背景 → 事件 → 价值 → 行动）
  3. 用 SOLO 编排"搜索 → 过滤 → 解构 → 结构化"的每日流程
  4. 在 Prompt 中明确要求"用通俗语言解释技术概念"
  5. 存入 Obsidian（或任何支持 Markdown + 双链的工具）
  6. 定期执行"知识库自愈"

工具：TRAE SOLO + Obsidian
方法论：Andrej Karpathy LLM Wiki（Knowledge as Code）
知识库规模：25+ 每日动态，30+ 知识条目，6 大分类
适用角色：非技术背景的 AI 产品经理、运营、投资人、业务分析师

1 个赞
2

obsdian据说只有4个工程师，很优秀的团队，用它来打造个人知识库很不错

3 个赞
3

标题要修改一下，现在的标题是链接

2 个赞