65 lines
6.2 KiB
Markdown
65 lines
6.2 KiB
Markdown
---
|
||
title: "ZK Steward Agent"
|
||
type: source
|
||
tags: [AI-agent, knowledge-management, zettelkasten, luhmann, productivity]
|
||
date: 2026-04-25
|
||
---
|
||
|
||
## Source File
|
||
- [[Agent/agency-agents/specialized/zk-steward.md]]
|
||
|
||
## Summary（用中文描述）
|
||
- 核心主题：ZK Steward——以 Niklas Luhmann 的 Zettelkasten 精神构建的 AI 时代知识库管家 Agent，通过原子笔记、连接驱动和验证循环实现有机知识网络增长。
|
||
- 问题域：AI Agent 如何避免"一次性回答"陷阱，构建可持续积累、互相连接的知识库；如何在复杂任务中切换领域专家视角以产出深度内容。
|
||
- 方法/机制：
|
||
- **Luhmann 四原则验证门**：原子性（独立可理解）/ 连接性（≥2 个有意义链接）/ 有机增长（避免过度结构化）/ 持续对话（激发进一步思考）
|
||
- **领域专家切换机制**：按 domain × task type × output form 三角定位，选取对应领域顶级思维（Luhmann 默认，Feynman 学习/Karpathy 工程/Munger 策略等）
|
||
- **Zettelkasten 工作流**：创建/归档笔记时先问"与谁对话"→建链接；再问"在哪里找到"→建议索引入口
|
||
- **文件归档默认**：时间路径（`YYYY/MM/YYYYMMDD/`），禁止路由到 legacy/historical-only 目录
|
||
- **关闭清单**：四原则检查 → 文件+网络（≥2 链接） → 日志更新 → 开放循环扫荡 → 记忆同步
|
||
- 结论/价值：将 Niklas Luhmann 的卡片盒方法论 AI 化，为知识密集型任务提供结构化、可验证、可积累的知识网络基础设施，是 [[Second Brain]] 在 AI Agent 时代的方法论实现。
|
||
|
||
## Key Claims（用中文描述）
|
||
- ZK Steward 以 Niklas Luhmann 的 Zettelkasten 方法论为默认视角，切换到各领域顶级专家（Feynman/Munger/Ogilvy/Karpathy 等）按任务类型匹配，产出深度领域内容。
|
||
- 每个回复必须声明专家视角 + 称呼用户名，拒绝泛泛"专家"或空头方法论引用。
|
||
- 笔记四原则验证门（原子性/连接性/有机增长/持续对话）强制笔记可独立理解且互连成网。
|
||
- 新笔记归档时自动触发链接提议（Link-proposer）：候选链接 + 关键词 + Gegenrede 反诘问题。
|
||
- 任务关闭必须完成： Luhmann 四原则检查 → 文件路径+≥2 链接 → 日志更新 → 开放循环扫荡 → 记忆同步。
|
||
- 禁止：跳过验证、创建零链接笔记、路由到 legacy-only 目录。
|
||
|
||
## Key Quotes
|
||
> "Niklas Luhmann for the AI age—turning complex tasks into organic parts of a knowledge network, not one-off answers." — ZK Steward 身份定义
|
||
> "Index entries are entry points, not categories; one note can be pointed to by many indices." — Luhmann 索引哲学
|
||
> "Never: skip the perspective statement, use a vague 'expert' label, or name-drop without applying the method." — 关键规则
|
||
|
||
## Key Concepts
|
||
- [[Zettelkasten]]：德国社会学家 Niklas Luhmann 发明的手动卡片笔记系统——每条笔记原子化、拥有唯一 ID、与至少一条其他笔记相连，通过积累形成有机知识网络。ZK Steward 将其 AI 化，以时间路径归档、索引入口导向、多链接驱动为核心理念。
|
||
- [[Luhmann-四原则]]（原子性/连接性/有机增长/持续对话）：ZK Steward 的强制验证门，每条笔记必须通过四个维度检查方可归档，是 Zettelkasten 方法论的执行性约束。
|
||
- [[Domain-Thinking]]（领域思维）：按 domain × task type × output form 三维定位，选取该领域顶级专家视角驱动输出，确保深度而非泛泛。
|
||
- [[Gegenrede]]（反诘）：链接提议后提出一个跨学科反问，激发笔记间的辩证对话，防止同质化链接。
|
||
- [[Atomic-Note]]（原子笔记）：可独立理解、最小粒度的知识单元，是 Zettelkasten 的基本构建块。
|
||
- [[Link-Proposer]]（链接提议器）：新笔记归档时自动运行的流程——输出候选链接 + 关键词 + Gegenrede 反诘问题。
|
||
- [[Daily-Log]]（每日日志）：`memory/YYYY-MM-DD.md` 格式，记录 Intent / Changes / Open loops，维持知识网络的时效性。
|
||
|
||
## Key Entities
|
||
- [[Niklas-Luhmann]]：德国社会学家（1927-1998），Zettelkasten 卡片盒知识管理法创始人，一生积累 9 万+张卡片，产出 70 部著作。ZK Steward 以其为默认视角。
|
||
- [[zk-steward-companion]]（GitHub repo）：ZK Steward 的配套技能库，包含 link-proposer / index-note / strategic-advisor / workflow-audit / structure-note / random-walk / deep-learning 等可选用工作流。
|
||
- **Karpathy**：AI/工程领域专家，按 domain-thinking 映射表对应 Tech/engineering 领域。
|
||
- **Charlie Munger**：商业策略领域专家，按 domain-thinking 映射表对应 Business strategy（Mental models, inversion）。
|
||
- **Richard Feynman**：学习/研究领域专家，按 domain-thinking 映射表对应 Learning/research（First principles, teach to learn）。
|
||
- **David Ogilvy**：品牌营销领域专家，对应 Brand marketing（Long copy, brand persona）。
|
||
|
||
## Connections
|
||
- [[zk-steward]] ← implements ← [[Zettelkasten]]
|
||
- [[zk-steward]] ← applies ← [[Niklas-Luhmann]]
|
||
- [[zk-steward]] ← uses ← [[Luhmann-四原则]]
|
||
- [[zk-steward]] ← triggers ← [[Link-Proposer]]
|
||
- [[zk-steward]] ← follows ← [[Domain-Thinking]]
|
||
- [[zk-steward]] ← part_of ← [[zk-steward-companion]]
|
||
- [[Second-Brain]] ← related_to ← [[zk-steward]]（两者同属外部认知能力建设，Second Brain 为通用框架，ZK Steward 为具体 Agent 实现）
|
||
- [[养虾日记3]] ← mentions ← [[zk-steward]]（"融合了 Karpathy 的 LLM Wiki 理念"即指 zk-steward 类型的 Zettelkasten 工作流）
|
||
|
||
## Contradictions
|
||
- 与 [[Second-Brain]] 关系：两者均强调外部知识积累，但 Second Brain 侧重捕获与检索的零摩擦（"像发短信一样简单"），ZK Steward 侧重强制结构化验证（ Luhmann 四原则）和多专家视角切换。两者互补，Second Brain 作为捕获层，ZK Steward 作为结构化处理层。
|
||
- 与 [[agents-orchestrator]]：Agents Orchestrator 强调流水线质量门控（每个任务必须通过截图验证才能推进），ZK Steward 强调知识积累验证（四原则检查）；前者面向任务执行可靠性，后者面向知识增长质量。
|