2026-09-24

一、NorthStarAI：真正理解你的知识世界

今天的 AI Agent 正在变得越来越强。

它们可以搜索网页、处理文档、写代码、制作 PPT、操作浏览器，甚至完成越来越复杂的办公任务。

但我们认为，未来真正重要的问题并不是：

AI 还能替你做多少事情？

而是：

AI 到底有多懂你？

它是否知道你过去做过什么？

知道你现在正在经历什么？

知道你已经掌握了哪些知识？

知道这些知识来自哪里、彼此之间是什么关系？

知道哪些是你真正确认过的观点，哪些只是 AI 曾经生成过但还没有经过你的判断？

更重要的是——

当你提出一个问题时，它是否知道：

此时此刻，应该从你的整个知识世界里调取什么？

这就是 NorthStarAI 想解决的问题。

1. 从“记得你”，走向“理解你的知识体系”

长期记忆已经逐渐成为 Agent 的基础能力。

一个足够好的个人 Agent，应该记得：

你的身份、偏好、兴趣、习惯、过去的决定，以及与你长期相处过程中形成的信息。

但我们认为，这还远远不够。

一个真正属于个人的 Agent，不应该只知道：

你是谁。

它还应该知道：

你是怎样理解这个世界的。

你的知识散落在笔记、项目、文章、资料、对话、网页收藏、时间记录、真实经历，以及无数日常思考之中。

这些内容不是一堆等待向量搜索的文本。

它们拥有不同的意义。

有些是未经处理的原始资料。

有些是 AI 初步整理的内容。

有些已经被你验证，并成为长期知识。

有些只是一个项目里的临时材料。

有些代表你过去的观点。

有些正在被新的证据推翻。

有些内容应该长期记住。

有些只应该在特定任务中短暂出现。

因此，NorthStarAI 想做的不只是一个拥有 Memory 的 Agent。

我们希望它最终能够做到：

理解用户自己的知识体系，并能够在这套知识体系中行动。

从：

记得你

到：

懂你

再到：

懂你的知识体系。

这是 NorthStarAI 最核心的演进方向。

二、一个 PKM Native Agent

NorthStarAI 的长期定位不是办公 Agent，也不是另一个通用 AI 助手。

我们把它定义为：

一个面向个人知识管理（PKM）的原生 Agent。

它首先服务的不是某一种办公任务。

而是一个人的：

知识、项目、记忆、经历、时间、目标与长期成长。

这意味着 NorthStarAI 会围绕 PKM 场景建立一套不同于传统 Agent 的认知方式。

它需要理解：

哪些内容是原始信息，哪些已经经过加工；
哪些知识由人确认，哪些仍然只是 AI 推断；
知识属于什么层级；
一段信息来自哪里；
一个观点曾经如何演变；
哪些知识与当前项目有关；
什么应该进入长期记忆；
什么只属于当前上下文；
什么时候应该读取一条知识；
什么时候反而不应该读取；
AI 新产生的内容应该写回哪里；
一个用户自己的知识结构究竟是怎样形成的。

这不是普通 RAG 能完全解决的问题。

三、从 RAG 到 PKM Context Compiler

传统 RAG 的基本思路是：

用户提出问题 → 搜索相似文本 → 把结果交给模型。

它非常有价值。

但对于一个长期存在的个人 Agent 来说，仅仅“找到相似内容”还不够。

因为相关，不代表应该加载。

相似，也不代表可信。

一条五年前未经确认的摘录，与用户昨天亲自修正过的核心观点，不应该拥有相同权重。

一份项目临时资料，也不应该自动进入另一个完全无关的任务。

因此，我们希望 NorthStarAI 最终拥有一个更加完整的能力：

1. PKM Context Compiler

它不是简单搜索知识。

而是根据：

当前任务、

用户身份、

项目关系、

知识层级、

信息来源、

处理状态、

历史决策、

时间状态，

把整个个人知识体系“编译”为：

模型此时真正应该看到的上下文。

换句话说：

NorthStarAI 不只是问：

“哪些内容和问题相似？”

它还会问：

“这些内容为什么应该在现在出现？”

“它们可信吗？”

“它们属于用户真正认可的知识吗？”

“有没有更新版本？”

“它和当前项目是什么关系？”

“应该读取全文，还是只读取更高层的摘要？”

这也是我们所坚持的另一个原则：

渐进式披露。

不是把整个第二大脑全部塞进上下文。

而是让 Agent 从索引开始，根据任务逐层深入，直到获得完成当前任务真正需要的信息。

四、新用户如何让 NorthStarAI 开始理解自己？

我们希望 NorthStarAI 最终并不要求每个人从零开始建立一套复杂系统。

对于采用 ΔS− PKM 方法论的用户，知识结构本身已经针对 Agent 使用进行了组织。

目录、索引、知识层级、处理状态和渐进式披露机制，可以直接成为 NorthStarAI 理解知识库的基础。

而对于已经拥有自己知识库的新用户，NorthStarAI 可以首先帮助他理解现有系统。

例如：

第一步，通过知识整理 Skill，扫描和理解用户现有的文件结构、笔记分类、知识组织方式和项目关系。

第二步，通过个人问答 Skill，帮助用户完成一轮基础信息初始化：

身份、

兴趣、

习惯、

长期目标、

工作方式、

偏好、

正在进行的项目，

以及他希望 AI 如何与自己合作。

NorthStarAI 因此获得两张最基础的地图：

这个人是谁。

以及：

这个人的知识世界是什么样的。

之后，真正长期的理解才开始发生。

五、不只理解知识，还要理解真实生活

知识库描述的是：

一个人知道什么。

但真实的人生还包含另一部分：

一个人正在经历什么。

因此 NorthStarAI 不会永远停留在笔记之中。

在 ΔS− 熵减引擎产品体系里，另一个非常重要的数据来源，是时间与经历。

通过 ΔS−柳比歇夫，我们希望逐渐记录用户真实发生过的时间板块：

一天做了什么、

时间花在哪里、

什么项目正在推进、

什么习惯正在变化、

最近的生活节奏是什么。

NorthStarAI 因此不仅能够知道：

“用户过去说过自己想健身。”

未来还可以进一步知道：

“最近两周，用户实际上几乎没有安排运动时间。”

它不仅知道：

“这个项目很重要。”

还可以知道：

“这个项目已经连续三周占据用户大量时间，但核心里程碑仍然没有推进。”

当知识、计划与真实行为开始连接起来以后，

Agent 所理解的就不再只是：

用户描述中的自己。

而逐渐接近：

现实生活中的用户。

六、连接 ΔS− 熵减引擎生态

NorthStarAI 未来不会孤立存在。

它会逐步和整个 ΔS− 熵减引擎产品体系连接。

Obsidian PKM 提供：

用户知道什么。

ΔS−柳比歇夫提供：

用户经历了什么。

Clocker 等时间与计划工具提供：

用户准备做什么，以及时间如何安排。

其他采集工具则不断记录：

用户的世界正在发生什么。

NorthStarAI 位于这些信息之上。

它负责理解、组织、判断，并最终帮助用户行动。

因此，未来的熵减引擎并不是：

“一堆彼此独立的插件。”

它更接近于一个不断完善的个人数字系统。

外部世界的信息不断流入。

经过整理，形成知识。

知识与时间、项目、经历和长期记忆相互连接。

NorthStarAI 再利用这些信息，反过来帮助现实中的用户进行：

判断、

规划、

学习、

创作、

行动，

以及长期成长。

七、一个不断生长的数字孪生

如果把这个方向继续向未来推演，它最终接近一种：

个人数字孪生。

但这里的数字孪生，并不是复制一个虚拟的“你”。

而是逐渐构建一套能够描述：

你的知识、

经历、

习惯、

项目、

关系、

偏好、

目标，

以及行为变化的数字模型。

它永远不会真正等同于一个人。

但随着用户持续使用，它可以越来越准确地理解：

这个人过去为什么这样判断？

他现在正在经历什么？

他真正重视什么？

当前行为和长期目标之间有没有偏离？

什么信息可能真正帮助到他？

NorthStarAI 因此不是一次性使用的工具。

它的价值应该随着时间不断增长。

你和它共同生活得越久，

它越理解你。

知识积累得越多，

它越理解你的思考体系。

产品生态记录得越完整，

它越能够理解现实中的你。

这是一种与传统 SaaS 完全不同的价值积累方式。

八、我们不追求一个无所不能的 Agent

NorthStarAI 不需要自己成为最好的：

代码编辑器、

PPT 工具、

表格工具、

浏览器、

3D 建模工具，

或者每一种办公软件。

这些领域已经拥有大量极其优秀的专业工具。

当需要编程时，它可以调用 Codex。

当需要浏览网页时，它可以调用 Browser。

当需要建模时，未来可以调用 Blender。

当需要生成演示文稿时，它可以把任务交给更专业的工具。

NorthStarAI 真正需要做到的是另一件事情：

在任务被交出去之前，它比其他 Agent 更清楚用户真正想要什么。

因为它知道：

这项任务从哪里来；

它属于哪个项目；

过去有哪些决策；

用户有哪些偏好；

哪些知识应该被提供给下游工具；

最终结果又应该写回到哪里。

专业工具负责：

把事情做出来。

NorthStarAI 负责：

知道为什么要做、应该怎样做，以及结果应该如何重新进入用户的知识世界。

九、减少重复表达，是个人 Agent 最基础的价值

今天使用 AI，一个很大的成本其实并不是模型不够聪明。

而是人需要不断重复自己。

换一个模型，要重新解释背景。

新开一个对话，要重新介绍项目。

换一个工具，又要重新告诉它：

我是谁、

我要什么、

之前发生了什么、

哪些事情已经决定过。

这是一种巨大的上下文成本。

一个真正属于个人的 Agent，首先应该消灭这种重复。

NorthStarAI 希望逐渐成为用户与其他 AI、工具、Agent 之间的上下文中枢。

用户不再需要一次又一次解释整个自己。

NorthStarAI 负责理解上下文。

然后把完成当前任务真正需要的信息，交给最合适的能力。

十、NorthStarAI 的三层架构方向

未来 NorthStarAI 的发展将围绕三个层次展开。

1. 第一层：可靠的 Agent Runtime

底层首先必须可靠。

Agent 应该能够稳定地：

思考、

行动、

调用工具、

停止、

恢复、

记忆，

并在复杂异步任务中保持清晰的身份和生命周期。

这一层不会为了功能数量无限扩张。

它的目标是：

成为一个可靠的执行底座。

我们会持续研究优秀 Agent Framework 的设计，从不同系统中吸收成熟的 Runtime 思想，同时保持 NorthStarAI 自己的语义边界。

2. 第二层：PKM Cognitive Layer

这是未来 NorthStarAI 最核心的产品壁垒。

这一层负责真正理解用户的知识系统：

知识层级、

来源、

状态、

可信度、

项目关系、

时间关系、

上下文关系，

以及知识应该如何进入和退出模型上下文。

PKM Context Compiler 将成为这一层的重要方向。

它让模型不再面对“一堆检索结果”，而是面对：

经过个人知识体系解释后的上下文。

3. 第三层：连接真实世界的数据生态

知识不能永远停留在笔记里。

NorthStarAI 会逐渐连接：

时间、

经历、

项目、

计划、

行为、

信息采集，

以及更多外部数据。

最终形成一个不断更新的个人上下文系统。

让 Agent 不只知道：

用户过去说过什么。

还逐渐知道：

用户现在正在做什么。

十一、NorthStarAI 的产品原则

NorthStarAI 不追求知道世界上的一切。

它追求：

比其他 Agent 更理解这个用户的世界。

知道用户掌握了什么。

知道用户为什么知道。

知道这些知识从哪里来。

知道它们如何组织。

知道哪些信息仍值得相信。

知道用户现在正在经历什么。

知道用户当前的状态和时间安排。

知道此时此刻应该调用哪些知识。

并最终能够：

在用户自己的知识体系中行动。

帮助它不断整理、成长、修正和演化。

十二、从工具，到长期伙伴

我们认为，AI Agent 的未来不会只是：

“越来越会替人完成任务。”

真正的变化是：

AI 将逐渐拥有越来越完整的个人上下文。

一个 Agent 如果真正长期了解一个人的：

知识、

记忆、

经历、

习惯、

方法论，

并与这个人的知识资产共同成长，

那么它与用户之间建立的关系，就不再只是一次任务调用。

它会逐渐成为个人知识世界的一部分。

这就是 NorthStarAI 想走的方向。

从 Harness 的历史起点出发，

建立自己的 Runtime，

进入个人知识管理，

连接真实时间与经历，

最终形成一个真正理解用户知识世界的 Agent。

我们想探索的，不是：

如何做一个无所不能的 AI。

而是：

当 AI 真正理解一个人之后，它还能为这个人做什么。