!封面
Anthropic 在 2026 年 5 月发布的《The Founder's Playbook》里有一段话，我反复读了三遍：
"Through extended conversations, projects, and memory, a founder can share everything they know—industry jargon, regulatory gotchas, edge cases, frustrations, reasons why the obvious answers to this problem don't work—into a structured, searchable context."
>
中译：通过持续的对话、项目和记忆功能，创始人可以把所有知识——行业黑话、监管陷阱、边缘案例、挫败经验、以及"显而易见的答案为什么行不通"的原因——全部倾注到一个结构化的、可搜索的上下文中。
这段话描述的不是什么未来愿景，而是已经在发生的事：创始人把脑子里所有隐性知识——行业黑话、监管陷阱、边缘案例、那些"显而易见的答案为什么行不通"的经验——全部倒进一个结构化的、可搜索的上下文里。
然后他们接着说：
"This becomes a proprietary knowledge substrate that no generalist AI can match."
>
中译：这会形成一个专有的知识基底，任何通用 AI 都无法匹敌。
一个专有的知识基底。通用 AI 匹配不了。
这句话指向一个被大量讨论淹没的事实：AI 时代的竞争壁垒不是"会不会用 AI"，而是"能不能把专业判断编码成 AI 上下文"。 领域知识才是真正的护城河，AI 只是放大器。
为什么"会用 AI"不是护城河
很多人把"写好提示词"当成核心竞争力。但提示词有两个致命问题：一次性和不可积累。你写了一段完美的提示词，用完就没了。下一次新会话，AI 不记得你是谁、你擅长什么、你上一次踩了什么坑。
这就像你每次见客户都要重新自我介绍一样荒谬。
真正的护城河是另一回事：你有没有一套持久化的知识编码体系，让 AI 每次启动都"记得"你的专业判断标准？如果有，你的 AI 工具就有"专门逻辑"（specific logic）；如果没有，你用的就是通用 AI 工具——而通用工具在边缘案例上会崩溃。
"A generalist AI tool breaks on edge cases, but yours has specific logic for them."
>
中译：通用 AI 工具在边缘案例上会崩溃，而你的产品对它们有专门的逻辑。
这就是差别。
知识编码四步法
我把这个过程总结为四个步骤。每一步有明确的产出物，可以逐步推进。
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 600 300">
<rect width="600" height="300" fill="#fff" rx="6"/>
<text x="300" y="35" text-anchor="middle" font-size="17" font-weight="700" fill="#222" font-family="system-ui, sans-serif">知识编码四步法</text>
<line x1="40" y1="48" x2="560" y2="48" stroke="#ccc" stroke-width="0.8"/>
<!-- Step 1 -->
<rect x="30" y="70" width="120" height="50" rx="6" fill="#f5f5f5" stroke="#888" stroke-width="1.2"/>
<text x="90" y="90" text-anchor="middle" font-size="13" font-weight="600" fill="#333" font-family="system-ui, sans-serif">识别隐性知识</text>
<text x="90" y="108" text-anchor="middle" font-size="10.5" fill="#777" font-family="system-ui, sans-serif">你知道但没写下来的</text>
<!-- Arrow 1 -->
<line x1="150" y1="95" x2="180" y2="95" stroke="#555" stroke-width="1.2" marker-end="url(#arrowhead)"/>
<!-- Step 2 -->
<rect x="180" y="70" width="120" height="50" rx="6" fill="#f5f5f5" stroke="#888" stroke-width="1.2"/>
<text x="240" y="90" text-anchor="middle" font-size="13" font-weight="600" fill="#333" font-family="system-ui, sans-serif">结构化表达</text>
<text x="240" y="108" text-anchor="middle" font-size="10.5" fill="#777" font-family="system-ui, sans-serif">直觉 → 可编码规则</text>
<!-- Arrow 2 -->
<line x1="300" y1="95" x2="330" y2="95" stroke="#555" stroke-width="1.2" marker-end="url(#arrowhead)"/>
<!-- Step 3 -->
<rect x="330" y="70" width="130" height="50" rx="6" fill="#f5f5f5" stroke="#888" stroke-width="1.2"/>
<text x="395" y="90" text-anchor="middle" font-size="13" font-weight="600" fill="#333" font-family="system-ui, sans-serif">AI 上下文编码</text>
<text x="395" y="108" text-anchor="middle" font-size="10.5" fill="#777" font-family="system-ui, sans-serif">rules/skills/memory</text>
<!-- Arrow 3 -->
<line x1="460" y1="95" x2="490" y2="95" stroke="#555" stroke-width="1.2" marker-end="url(#arrowhead)"/>
<!-- Step 4 -->
<rect x="490" y="70" width="80" height="50" rx="6" fill="#f5f5f5" stroke="#888" stroke-width="1.2"/>
<text x="530" y="88" text-anchor="middle" font-size="13" font-weight="600" fill="#333" font-family="system-ui, sans-serif">持续</text>
<text x="530" y="105" text-anchor="middle" font-size="13" font-weight="600" fill="#333" font-family="system-ui, sans-serif">迭代</text>
<!-- Return arrow -->
<path d="M530,120 L530,145 Q530,155 520,155 L100,155 Q90,155 90,145 L90,120" fill="none" stroke="#aaa" stroke-width="0.8" stroke-dasharray="4,3"/>
<text x="310" y="168" text-anchor="middle" font-size="10" fill="#999" font-family="system-ui, sans-serif">验证日志 + 反馈记忆 → 复利增长</text>
<!-- Output labels -->
<text x="90" y="200" text-anchor="middle" font-size="10" fill="#666" font-family="system-ui, sans-serif">判断逻辑清单</text>
<text x="240" y="200" text-anchor="middle" font-size="10" fill="#666" font-family="system-ui, sans-serif">规则框架</text>
<text x="395" y="200" text-anchor="middle" font-size="10" fill="#666" font-family="system-ui, sans-serif">持久化配置文件</text>
<text x="530" y="200" text-anchor="middle" font-size="10" fill="#666" font-family="system-ui, sans-serif">经验复利</text>
<!-- Bottom note -->
<rect x="60" y="230" width="480" height="45" rx="4" fill="#fafafa" stroke="#ddd" stroke-width="0.6"/>
<text x="300" y="250" text-anchor="middle" font-size="11" fill="#555" font-family="system-ui, sans-serif">核心逻辑：你的领域知识越深，编码质量越高，AI 输出越精准。</text>
<text x="300" y="266" text-anchor="middle" font-size="11" fill="#555" font-family="system-ui, sans-serif">知识基底以竞争对手无法复制的方式持续复合增长。</text>
<defs>
<marker id="arrowhead" markerWidth="8" markerHeight="6" refX="8" refY="3" orient="auto">
<polygon points="0 0, 8 3, 0 6" fill="#555"/>
</marker>
</defs>
</svg>第一步：识别隐性知识
法律人的隐性知识比显性知识多得多。
举一个最日常的例子：合同审核时，你扫一眼某个条款就觉得"这一条不对劲"。这个判断在 3 秒内完成，但如果追问你"为什么不对劲"，你可能需要 30 秒才能把理由说清楚——而且说出来的理由可能还不是全部，有些判断依据你自己都没意识到。
这就是隐性知识：你知道但没写下来的东西。 它藏在你的直觉里、你的经验模式里、你做了一千遍已经不需要思考的肌肉记忆里。
操作方法很简单：回想你最近一次"凭经验判断"的场景，然后拆解——
- 你注意到什么信号？
- 你脑子里过了一遍哪些判断依据？
- 你排除了哪些可能性，为什么？
- 你最终做决定的那个关键因素是什么？
把这个过程写下来，你就完成了第一步。
第二步：结构化表达
识别出隐性知识之后，下一步是把它变成可编码的规则框架。不能停留在"我觉得有问题"，必须拆解到"什么情况下、依据什么标准、判断为几级风险"。
我用自己团队的做法举例。
合同审核，以前我的判断输出是"这个条款有问题，建议修改"。但这不是规则，这是结论。真正的规则是八维度评分体系——每份合同从八个独立维度分别打分：法律效力风险、商业条款公平性、操作可执行性、合规风险、信息披露、争议解决机制、终止退出机制、文书规范性。每个维度 1-5 分，有明确的评分标准。
同样的思路用在风险评价上，不是简单说"这个风险高"或"这个风险低"，而是从六个维度做独立判断：风险定性（什么类型）、风险敞口（最坏损失多大）、发生概率（基于什么判断）、可规避性（能不能通过合同或程序消除）、商业权衡（值不值得承受）、紧迫性（什么时候处理）。
再比如法律文书编辑。很多律师写裁决书时，证据认定和争议分析是混在一起的。我团队的硬性规则是"五组内容分离"——证据列举、质证意见、证据认定、查明事实、争议焦点分析，后一组的内容不能比前一组走得更远。查明事实不能超出证据认定的范围，争议分析不能自创新事实。
这些不是"写作建议"，是可执行的判断规则。它的好处是：不依赖某个人的状态和心情，任何团队成员照着走，都能稳定输出合格的分析。
操作方法：选一个你最擅长的工作场景（合同审核、法律检索、文书写作、尽职调查，任何一个都行），把你脑子里的判断标准写成框架。不需要完美，先写出来。
第三步：编码为 AI 上下文
到这里进入正题——把规则框架变成 AI 能持久读取的配置。
我的做法分三层：
Rules（硬性约束和业务规则）：每次 AI 启动时自动加载。比如"法律文书编辑时，五组内容必须严格分离""引用法条时必须标注来源溯源标签""禁止替当事人扩写证明目的"。Rules 告诉 AI"必须做什么、不能做什么"。
Skills（工作流和操作手册）：按需加载。比如合同审核的完整工作流、法律研究的检索策略、docx 红链批注的操作步骤。Skills 告诉 AI"怎么做"。
Memory（跨会话的经验教训）：手动读取。比如"用户纠正过：终稿文件名必须与原合同文件名一致""上次 docx 批注遇到了中文分词导致行号漂移的问题"。Memory 告诉 AI"上次踩了什么坑"。
三层之间的关系：Rules 是底线，Skills 是路径，Memory 是经验。它们共同构成了一个"AI 理解你"的知识基底。
这比提示词强在哪里？持久性和可复用性。 提示词是你每次重新写的，Rules 是系统每次自动加载的。提示词是一次性的对话，Rules 是持续的上下文。
"Your app's depth and breadth both continually compound in a way that competitors simply can't replicate."
>
中译：你的应用的深度和广度会以竞争对手根本无法复制的方式持续复合增长。
第四步：持续验证和迭代
知识编码不是一次性工程，是持续运营。
我团队有两个机制在跑：
验证日志。每次独立验证某个法条的现行效力后，记录到共享日志里。下次再遇到同一个法条，直接引用已验证记录，不再重复验证。90 天以上的记录视为过期，需要重新验证。这个机制把"反复查同一部法律"的时间成本压到了接近零。
Feedback 记忆。每次用户纠正了 AI 的判断——不管是"这个条款你没有注意到 XX 风险"还是"这个表述不准确"——都记录到 Memory 文件里。下次同类场景自动规避。这不是 AI 在"学习"，是你在编码你的经验。
Anthropic 说得直白：通过持续的对话、项目和记忆，创始人可以把所有知识分享到结构化的可搜索上下文中。你的应用的深度和广度以竞争对手无法复制的方式持续复合增长。
关键词是复合增长。不是线性增长——每次加一条规则、记录一次经验，效果不是 +1。规则之间会互相强化，经验会覆盖新的场景，整个知识基底的价值越滚越大。
四个常见误区
误区一："我把提示词写好就行了。"
提示词和 Rules 的区别在于持久性。提示词告诉 AI 这次做什么，Rules 告诉 AI 永远怎么做。你不会每次见新同事都重新制定公司制度——那为什么要每次开新会话都重新写提示词？
误区二："规则越多越好。"
规则过载会导致两个问题：context 溢出和注意力分散。AI 的上下文窗口是有限的，塞了太多规则，真正重要的规则反而被稀释了。核心原则：只编码你真正会反复用到的判断逻辑。偶尔用一次的经验不值得编码成 Rules，记到 Memory 里就够了。
误区三："AI 学会了就不需要规则了。"
这是一个根本性的误解。AI 没有跨会话记忆（除非你主动使用 Memory 机制）。每次新会话，它就是一个全新的助手，什么都不记得。Rules 是唯一能让它"记得你是谁"的机制。你删掉 Rules，它就回到通用状态。
误区四："把所有知识都塞进一个配置文件。"
分层加载才是正解。我见过有人把几百行规则全部写在一个文件里，每次启动全部加载。结果？AI 在简单任务上也背着几百行规则的包袱，响应变慢，准确度反而下降。正确的做法是分层：核心架构和索引放在主配置文件里，业务规则按类型分散到不同文件，工作流放在 Skills 里按需加载，经验教训放在 Memory 里手动读取。
什么情况下这个方法不适用
说清楚边界，比吹嘘适用范围诚实得多。
适合：有明确专业领域、有可重复工作模式、愿意投入时间做"知识外化"的律师。你已经在某个领域深耕了几年，脑子里有一套稳定的判断逻辑——你缺的不是经验，是把经验变成系统的方法。
不适合两类人：
一是刚入行还没有形成稳定判断逻辑的新人。你还没有足够的隐性知识可以编码。先积累经验，等你的判断能稳定复现了，再编码化。过早编码会把不成熟的判断固化成规则，反而限制成长。
二是工作内容高度非标的律师。如果你每次面对的都是全新场景、全新问题，编码的收益很低——因为规则的核心价值在于复用。但说实话，大部分律师的工作中，至少有 30%-40% 是可复现的模式。合同审核、法律检索、文书写作，这些都有稳定的判断逻辑可以编码。
领域的深度决定了护城河的宽度。
AI 不会取代法律人，但会用 AI 的法律人会让不会用的同行越来越边缘。而"会用"的定义，不是会写提示词，是能把专业判断编码成持久化的 AI 上下文。
你的隐性知识就是你最值钱的资产。问题是：它现在还只存在于你的脑子里，还是已经变成了可复用的系统？
作者简介： 陈石律师，浙江海泰律师事务所副主任、高级合伙人、房地产与建设工程部主任，宁波市律师协会副秘书长、第七届宁波仲裁委员会仲裁员，聚焦建筑房地产、投融资、并购重组及商事争议解决。曾获多家法律媒体与专业机构认可，荣登 LegalOne 2025 中国区建工及房地产实务先锋 45 强、律新社 2025 年度管理合伙人 20 佳（华东），入选《商法》The A-List 法律精英，获评 ALB China 区域市场十五佳长三角地区律师新星，并获律新社 2024 年度并购领域品牌之星。长期为万科、华润置地、信达地产、保利置业、招商蛇口、中海地产等企业提供法律服务，承办"首宗百亿地王""长春第一高楼""台州第一高楼"等代表性项目，累计服务项目投资额超千亿。近年来持续推动 AI 与法律实务融合，强调以结构化方法打通技术逻辑、法律判断与商业场景；著有《赋能法律人：AI 底层思维与应用范式》，并在多地开展相关主题讲座与分享。