AI Agent 时代，我如何和 AI 共建电子商务法知识库

在 AI Agent 时代，我学一个新领域时，不会先让 AI 给我一份“入门介绍”。

我的第一个习惯是：先和 AI 一起，在 Obsidian 里搭一个属于自己的知识库。

一条答案很快会被忘记，但共同建起来的知识结构，会随着每一次提问继续生长。对我来说，真正有价值的不是“这次问到了什么”，而是这次查到的资料、形成的判断和发现的新问题，能不能成为下一次工作的起点。

从“向 AI 要答案”变成“和 AI 搭系统”

我很认同 Andrej Karpathy 对 LLM Knowledge Bases 的比喻：Markdown 编辑器像开发环境，LLM 像程序员，Wiki 像代码库。

人不必亲手维护每一条链接，但要提出需求、提供材料、判断质量；AI 则可以持续阅读、摘要、分类、交叉引用和维护。这样一来，知识不只是被保存，而是形成可以反复调用的关联路径。

这也是我理解的个人知识管理系统（PKMS）：它不是一个越来越大的收藏夹，而是一套会参与思考和工作的基础设施。

我不是把 AI 当作一次性问答框，而是把它当作共同维护知识结构的协作者。

第一次认真实践：从一门电子商务法课程开始

我第一次完整实践这套方法，是在准备《电子商务法》课程时。

电子商务法并不是把法条按章节放进文件夹就够了。真正遇到平台治理、直播营销、消费者权益、数据合规或保证金争议时，需要同时看规则依据、交易结构、裁判分歧、证据链和业务动作。因此，我和 AI 一起把知识库逐步搭成了几个相互连接的层次：

这几个层次不是彼此隔离的文件夹。一个平台责任专题会链接到具体法条、监管文件和裁判案例；一张案例卡又会被课件、风险清单和审查流程继续调用。每次使用都可能暴露新的缺口，再反向推动资料补充。

当前知识库的关系图谱：法规、案例、章节、专题与工具通过双向链接逐渐形成网络。画面仅保留公开安全的知识节点，不展示本地路径或私人资料。

我是怎样从 0 到 1搭起来的

1. 先确定要解决的真实问题

我不会从“收集所有电子商务法资料”开始，而是先设定一个能完成的项目：例如梳理平台保证金的合规边界、设计直播促销上线前审查流程，或者研究个人信息授权应该怎样落到产品页面。

项目会迫使我判断：我缺的是法条、案例、业务规则，还是证据与流程。

2. 把可靠原始资料放在最底层

我优先保存能够回到原文核验的材料，包括现行法规、司法解释、监管文件、完整裁判文书和公开的平台规则。AI 的摘要必须指向来源，不能取代来源。

3. 用固定模板拆成可复用的卡片

我和 AI 一起设计法条卡、案例卡、专题卡、课程卡和合规工具模板。模板的意义不是把笔记做得整齐，而是逼迫自己回答同一组关键问题：依据是什么、适用条件是什么、事实如何对应、证据在哪里、对业务动作有什么影响。

4. 建立法条、案例与业务之间的双向链接

当某个案例涉及平台扣划保证金，它不会只停留在“案例”文件夹里，而会被链接到平台责任、格式条款、举证责任、资金处置和后台留痕等专题。知识库开始从目录变成一张可导航的判断网络。

5. 在 Obsidian 里直接让 Agent 参与工作

我会通过 Claudian 等 Agent 工具，让 AI 读取当前笔记和已链接的材料，再继续追问。比如我问：“平台能不能扣保证金？”

它不应只给一个泛泛答案，而要把平台规则、相关法条和不同裁判结果放在一起，继续追问：平台在什么情况下有依据？举证责任由谁承担？业务端应当保留哪些记录？后台系统需要设置哪些强制字段？

这时，我不是在向 AI 索取一个结论，而是在和 AI 一起完善一套可以反复调用的专业判断系统。

6. 把阶段性判断和最终产出写回知识库

课件、案例分析、审查清单或合规 SOP 不是知识库的终点。每次产出都会检验原来的结构是否够用，并把新的判断、例外和待核验问题重新写回去。

下一个问题，不再从空白对话框开始。

我和 AI 的分工

我负责： 寻找可靠资料、提出真实问题、判断什么值得留下，并为最终结论负责。

AI 负责： 阅读、摘要、分类、建立关联、发现缺口，以及承担重复性的维护工作。

这种分工让我更清楚地意识到：Agent capabilities 改变的并不是“AI 能不能再回答得长一点”，而是它能否长期参与一个知识系统的维护。过去最难的工作，是持续更新文档之间的关系；现在这部分可以由人和 Agent 共同完成。

知识库如何长出成果和产品

这套系统已经不只服务于“记笔记”。它开始向外长出不同形态的成果：

• 课件与教学设计： 从专题地图中提取章节主线，把法条、案例、业务角色和课堂问题组织成 PPT；
• 案例分析： 把分散的裁判观点整理成可以比较、核验和继续补充的案例卡；
• 合规工具： 把研究结论转成风险清单、审查流程、证据留存要求和合规 SOP；
• 持续工作的底稿： 以后再遇到平台治理、直播营销、消费者保护或数据合规问题，可以从已经核验的材料继续判断，而不是重新搜索一遍；
• 新的专业产品： 课程、文章、研究专题和工作方法都可以从同一套知识基础中继续生长。

我很认同 Dan Koe 的项目式学习思路：不要只从“我要学习什么”开始，而要从“我要完成什么项目”开始。没有目标的收藏很容易变成知识坟墓；项目会暴露知识缺口，知识库又为下一个项目提供更好的起点，这才形成真正的知识飞轮。

法律知识库不能把判断完全交给 AI

法律工作最重要的边界，是始终能够回到法源和具体事实。因此，我会要求知识库严格区分：

• 法规、监管文件与裁判文书的原文；
• AI 对材料的归纳与推理；
• 我自己的理解、判断与待核验问题。

找不到完整判决书，就明确标记“未核验”；征求意见稿不能写成现行规则；个案观点不能包装成统一裁判标准；脱离具体业务事实，也不能给出看似确定的结论。

AI 可以承担维护，但最终判断仍然属于人。

我现在更看重的学习能力

AI 时代真正重要的学习能力，不只是会不会提问，而是能不能在提问的同时，把资料、判断和关联沉淀下来，与 AI 共同建成一个会持续生长的知识系统。

对法律人来说，Obsidian 可以逐渐成为自己的第二大脑；对 Agent 来说，它则是一层能够长期读取、维护和继续工作的知识基础。

下一次面对一个新领域，我依然会从同一个动作开始：先别急着要答案，先和 AI 一起把知识库搭起来。