Knowledge MEMO — Claude Code / Codex 的个人知识管理系统

> 一句话版本：一套 Claude Code / Codex 的 skill 集合，把 Karpathy 的 LLM Wiki 理念落地为可安装的工具——6 个命令覆盖阅读、笔记、间隔复习、查询和健康检查，用 Obsidian 做存储，强调"人必须在 loop 里"。

核心内容

系统架构

┌──────────────────────────────────────────────┐
│ L1 Schema Layer (宪法)                        │
│ SCHEMA.md · AGENTS.md                         │
│ 三层架构 / 8 种 Card / 四维标签 / 权限矩阵      │
├──────────────────────────────────────────────┤
│ L2 Flywheel Layer (动作闭环)                    │
│ /read → /insights → /note → /review           │
│ (Ingest)                      (Retain)        │
├──────────────────────────────────────────────┤
│ L3 Governance Layer (治理)                     │
│ /query · /lint                                │
└──────────────────────────────────────────────┘
         ↓ all write to
        📓 Obsidian Vault

6 个 Skill 详解

最核心的设计：/note 双提议机制

/note 是整个系统的唯一写入通道，所有其他 skill 只做对话不写 vault。

执行流程：

1. AI 回顾对话，生成研究摘要（"地图"）

2. 展示摘要给用户阅读

3. 同时提出两类建议：

- Wikilink 建议：链接到已有 Card（AI 搜索 vault 找相关内容）

- Atomic Card 建议：从对话中提取值得复习的知识点

4. 用户逐条确认后，AI 才执行写入

这个设计强制"人必须在 loop 里"——AI 不能自动创建任何卡片。

FSRS-6 间隔复习（Karpathy 没写的第四步）

/review 实现了完整的 FSRS-6 算法（和 Anki 新版相同的 SRS 引擎），纯 Python 实现（~600 行，只用 stdlib）：

• 新卡片自动注册，50% 新卡 + 50% 旧卡混合出题
• 新卡片强制提问模式，老卡片随机切换回忆/提问
• AI 三维评估：核心知识点覆盖率、准确性、精确度
• Again/Hard 评分自动生成助记强化（生活类比、对比记忆、因果链条）
• 淘汰机制（retire），状态持久化到 JSON
• mastery 标签同步写回 Obsidian frontmatter

AGENTS.md 的五条铁律（FATAL）

这是整个项目最精彩的部分——写给 AI 的"不要作恶"准则：

1. FATAL-001：禁止擅自重组文件结构（AI 的整理强迫症会毁掉用户的心智模型）

2. FATAL-002：删除必须归档，禁止直接删（信息不可逆）

3. FATAL-003：禁止强加分类体系（用户的逻辑比任何分类体系都重要）

4. FATAL-004：禁止破坏现有链接和标签（每个 wikilink 都是资产）

5. FATAL-005：结构性变更必须走审批流（SCAN → PLAN → CONFIRM → EXECUTE → VERIFY）

三层架构（对齐 Karpathy）

8 种 Card 类型

每张 Card 必须有四维标签：type/ + domain/ + category/（可选）+ mastery/（可选）。

权限矩阵

哲学立场

作者明确提出与 Karpathy "维护成本趋近零"的分歧：

> 知识没有经过人的大脑，连信息都算不上——它与用户没有真实关系。

核心论点：

1. Toolkit, not idea file：给一个能跑的工具，不是一篇博文

2. Human must stay in the loop：不是 fallback，而是全部意义

3. Personal template, not universal product：必须 fork 改造

4. 第四步 Retain：间隔复习把知识从 Obsidian 推进大脑——唯一不会因 GPT-6 发布而贬值的版本

分析

优势：

• 工程完成度极高：6 个 skill 都有完整的 SKILL.md（每个 100-400 行详细行为规范）
• 权限设计精妙：FATAL 铁律 + 双提议机制，完美平衡 AI 效率和人控
• FSRS-6 纯 Python 实现（~600 行，只用 stdlib），可独立使用
• 哲学文档写得好：不是泛泛而谈，而是有具体的经济学论证
• 对齐 Karpathy 但有明确分歧，不是盲目复制
• 实际跑了 6 个月（phase-1-6 story 有详细改造历程）

不足：

• 9 stars，个人项目，几乎无社区
• 强依赖 Obsidian CLI（v1.12.4+）或 MCP，不通用
• 只支持 Claude Code 和 Codex，其他 agent 框架需要适配
• SCHEMA 很重（AGENTS.md 本身就有 ~300 行规则），学习成本高
• "人必须在 loop 里"的强摩擦设计不适合追求效率的场景

与 Jay 的关联：

• Jay 的 deep-research 知识库（docs/deep-research/）和这个项目高度同构：三层架构（raw/ → reports → AGENTS.md）+ lint + index
• 核心差异：Jay 的系统是全自动（AI 研究 → 写报告 → 发布），Knowledge MEMO 强制人审
• 可借鉴的点：FSRS-6 间隔复习引擎可以集成到 Jay 的知识库中；FATAL 铁律的思路适用于任何 AI 操作个人文件的场景
• OpenClaw skill 格式：这个项目的 skill 格式和 OpenClaw 的 AGENTS.md + SKILL.md 几乎一样，理论上可以直接移植

评分