公众号旧文章怎么变成 AI 个人知识库

很多写公众号的人都有同一个困扰：文章写了很多年，真正需要某段经历、某个观点或某个数字时，却怎么也找不到。

微信搜索能找到标题，却很难理解文章之间的关系；把全部文件放进一个文件夹，也只是完成了备份。公众号旧文章要变成 AI 个人知识库，关键不是把文件一次性“投喂”给大模型，而是先把内容整理成一套稳定、可追溯、可以持续更新的数据。

我自己走过这条路。早期只是想把过去写过的内容找回来，后来才发现，十多年公开写作留下来的不只是文章，而是一个人的判断方式、家庭选择、失败记录和长期变化。如果这些内容结构稳定，它们可以继续服务写作、搜索、AI 问答和读者咨询；如果没有结构，再多文字也只是堆在硬盘里的旧文件。

直接回答：需要完成哪几步

一套可长期使用的个人知识库，至少要完成六件事：

1. 把原始文章完整备份到本地。
2. 清理广告、留言、二维码文案、乱码和失效链接。
3. 为每篇文章补齐标题、日期、来源、分类、标签和公开状态。
4. 建立稳定的 Markdown 正文和文章索引。
5. 按段落切片，并为每个切片保留文章来源。
6. 最后再接入 embedding、语义检索和 RAG 问答。

顺序很重要。先做内容结构，再换模型；先保证来源可追溯，再追求回答像不像本人。

这套方法适合谁

它适合已经持续写作一段时间的人，尤其是：

• 有几百篇公众号文章、朋友圈、微博、课程稿或咨询记录的创作者。
• 经常重复回答相似问题的顾问、老师和创业者。
• 想让旧内容继续被 Google 和 AI 搜索发现的人。
• 希望未来用自己的资料辅助写作、问答或家庭档案整理的人。

它不太适合只有十几篇短文、内容仍在频繁试方向，或者希望今天导入、明天就让 AI 完全模仿自己的人。资料很少时，先继续写清楚，比搭复杂系统更重要。

第一步：先保留原件，不要急着改写

公众号导出的 Markdown、HTML、图片和附件，应先放进只读的原始资料区。原件的价值在于，以后无论清洗规则怎么变化，都能重新生成。

不要直接在唯一一份原稿上批量替换。公众号内容里经常混有图片参数、微信组件、隐藏标签和编码字符，一次错误清洗可能把正文也删掉。

更稳的结构是把内容分成三层：

• `raw`：原始导出，只保存，不发布。
• `canonical`：清洗后的标准文章，是网站和索引的唯一事实来源。
• `generated`：搜索索引、RAG 切片、SEO 数据等可重新生成的文件。

这样未来换网站、换数据库或换大模型，都不用重新抢救原文。

第二步：清理的不是文字，而是噪声

公众号原文常见的噪声包括：

• “点击关注”“阅读原文”“点赞在看”等平台文案。
• 文章前后重复出现的营销介绍和课程广告。
• 微信评论区、头像地址和预览提示。
• URL 编码后的 SVG、HTML 标签和不可见字符。
• 依赖微信防盗链、在外部网站无法显示的图片。

清洗时不能只靠一条正则表达式。更好的方法是先自动识别，再抽样人工检查，并保留清洗日志。正文、图片说明和真实链接应留下；平台组件和重复营销内容才应该删除。

第三步：metadata 决定以后能不能找到

每篇文章至少需要这些字段：

• 稳定的 `id` 和 `slug`。
• 原始发布日期和最后更新时间。
• `pillar`、主题和标签。
• 原始来源路径。
• `draft`、`published` 或 `archived` 状态。
• 是否允许进入公开 RAG。
• SEO 标题、描述和目标关键词。

分类不必追求完美，但必须稳定。今天叫“AI 工具”、明天叫“数字化”、后天又叫“效率系统”，文章之间就很难形成主题关系。

我更倾向于用少量长期主线承载内容，再用主题和标签做细分。这样一篇文章既有固定归属，也能同时出现在“个人知识库”“AI 写作”和“长期主义”等相关入口中。

第四步：先做关键词搜索，再做语义搜索

很多人一开始就购买向量数据库，实际连文章标题、日期和正文是否完整都没有检查。

关键词搜索应该先跑通，因为它便宜、透明，也方便发现数据问题。当“香港身份”“孩子转学”“公众号备份”这些明确词语都搜不到时，语义搜索只会把问题藏得更深。

关键词索引稳定后，再为文章切片并生成 embedding。一个切片不应只有正文，还要带上文章标题、slug、日期、主题和来源。AI 回答时必须能告诉读者：这句话来自哪篇文章，可以去哪里阅读全文。

第五步：RAG 的目标不是模仿，而是有证据地回答

个人知识库最容易被误解成“训练一个和我一模一样的 AI”。但公开问答真正重要的是：不编造、能引用、知道边界。

一个可靠的问答流程应该是：

1. 理解用户的问题。
2. 同时做关键词和语义检索。
3. 选出少量真正相关的文章片段。
4. 只根据这些证据组织答案。
5. 展示来源文章和继续阅读入口。

遇到身份政策、教育规则、金融、法律或税务问题时，历史文章只能提供经历和判断框架。具体规则会变化，必须再核验当前官方信息，不能让旧文章替代专业意见。

常见误区

误区一：文件越多，回答越好。

重复文章、营销文案和低质量短内容会污染检索。宁可先公开一批代表性文章，也不要让所有资料同时进入公开问答。

误区二：换最强模型就能解决数据问题。

标题错误、日期缺失、图片失效、正文只有摘要时，再强的模型也无法补回事实。

误区三：一套分类可以设计十年。

分类需要稳定，但不需要第一次就完美。先确定少量主线，允许标签逐步补充即可。

误区四：知识库建好后不用维护。

新文章要进入同一套导入、验证、索引和切片流程；失效图片、重复 slug 和敏感内容也需要定期检查。

隐私和版权边界

朋友圈、咨询记录和家庭资料，不应默认公开。导入系统必须区分公开、混合和私密内容，涉及客户、孩子、联系方式、证件和财务数据时，要先脱敏或直接排除。

转载文章也不能因为进入了自己的知识库，就变成自己的原创。网站公开内容应保留来源，并确认有权发布全文；无法确认时，只保留个人笔记或合法摘要。

下一步怎么开始

如果你也有很多历史内容，先不要购买复杂服务。用一周完成一个最小闭环：

1. 选 50 篇最能代表自己的文章。
2. 保留原件，生成清洗后的 Markdown。
3. 统一 metadata 和 slug。
4. 建一个文章列表和关键词搜索。
5. 抽查正文、图片、链接和公开边界。
6. 最后再为这 50 篇建立 RAG 问答。

当这 50 篇能稳定搜索、完整阅读、准确引用时，再扩大到几百篇、几千篇。

这也是我建设这个网站的原因：不是把旧文章搬一次家，而是让过去的记录继续回答今天的问题。

你可以先在本站的 AI 问答 中体验，也可以查看这个主题下的相关文章。如果你希望把自己的公众号、朋友圈或长期写作资料整理成可搜索、可问答的内容系统，可以加微信 `xingjia9527` 交流。

<!-- growth-cta -->