wiki-ingest: 4 Agent Use Cases (autonomous PM, content factory, product factory, knowledge base RAG) - 2026-04-15 evening batch

wiki/sources/Personal-Knowledge-Base-RAG.md

@@ -0,0 +1,45 @@
+---
+title: "Personal Knowledge Base (RAG)"
+type: source
+tags: [agent, rag, knowledge-base, memory]
+date: 2026-04-15
+---
+
+## Source File
+- [[raw/Agent/usecases/knowledge-base-rag.md]]
+
+## Summary
+- 核心主题：语义可搜索个人知识库，自动从任意 URL（文章/tweets/YouTube/PDF）摄取内容
+- 问题域：书签堆积无法检索，看过的内容找不到
+- 方法/机制：Drop URL 到 Telegram/Slack → 自动抓取内容 → 向量嵌入 → 语义搜索返回 ranked 结果+来源
+- 结论/价值：RAG 驱动的个人第二大脑；其他工作流可查询知识库获取相关已存内容
+
+## Key Claims
+- Drop any URL 自动摄取：文章/tweets/YouTube transcripts/PDFs
+- 语义搜索："What did I save about agent memory?" 返回 ranked 结果+来源引文
+- 喂入其他工作流：视频创意管线构建 research cards 时自动查询知识库
+- Zero maintenance：URL 即摄入触发器
+
+## Key Quotes
+> "You read articles, tweets, and watch videos all day but can never find that one thing you saw last week." — 核心痛点
+
+## Key Concepts
+- [[RAG]]：Retrieval-Augmented Generation，基于向量嵌入的语义检索
+- [[个人知识库]]：第二大脑，内容自动积累+语义检索
+- [[语义搜索]]：自然语言查询，返回 ranked 相关结果
+- [[内容摄取]]：URL → 结构化文本 → 向量嵌入全流程
+
+## Key Entities
+
+## Connections
+- [[NotebookLM]] ← 共享 source-grounding 理念
+- [[向量数据库]] ← 底层存储检索基础设施
+- [[Embedding]] ← 语义表示核心机制
+- [[Agentic AI]] ← 自主触发知识库查询
+- [[Content Factory]] ← 可查询知识库获取背景信息
+
+## Contradictions
+- 与传统书签/笔记工具冲突：
+  - 当前观点：语义搜索+自动摄取优于手动书签整理
+  - 对方观点：手动整理确保质量和结构
+  - 结论：摄取自动化+人工审核结合最优