爆肝两天！ChatGPT+提示词解决知识库目录混乱

一、引言

随着信息时代的快速发展，知识库已经成为我们生活和工作中不可或缺的一部分。无论是个人的学习笔记、公司的项目文档，还是整个行业的研究资料，一个结构清晰、易于检索的知识库目录结构都至关重要。但很多时候，我们都会面临一个问题：随着知识的累积，知识库变得越来越庞大和复杂，找到我们需要的信息变得越来越困难。

对于职场新手可能缺乏有效的知识管理和分类技巧，导致知识库变得错综复杂。

当然，即使是那些在职场上工作多年的人，也会面临同样的问题。知识库的扩展和膨胀使得原先的分类方式难以适应新的需求，急需进行优化和调整，我就是其中一员，工作了六、七年，知识结构有些繁杂，偶尔遇到新知识都不知道放哪里，生怕石沉大海，那么整理出更加清晰的知识结构必须得提上日程了。

从而经常产生出几个让人困扰的问题：

· “我记得这份文件存在，但找不到它！”

· “明明保存了那个重要的网页链接，现在怎么找不到了？”

· “为什么这个项目的所有资料都散落在不同的地方？”

如何解决这些问题？在本文中，我们将探讨如何利用 AI 结合提示词，优化知识库的目录结构，使其更加高效、有序。

图片由DALL·E3 生成

二、知识库的现状与挑战

在数字化的时代，知识库已成为组织和个人管理和分享信息的核心工具。从技术文档到研究论文，从市场策略到产品手册，各种信息和数据都需要在知识库中进行整理和存储。但随之而来的问题也日益显现：

1. 结构的不适应性：许多知识库最初是基于某种特定的分类方式和结构建立的。但随着时间的推移，原始的结构可能不再满足新的需求，导致信息难以归类和检索。

2. 检索效率低下：传统的知识库往往依赖于关键词或标签进行搜索，但由于标签的不规范或描述的模糊性，使得检索结果经常不尽人意。

3. 知识的冗余与遗失：由于缺乏统一的标准和管理，相同的知识或信息可能被重复存储在不同的位置，或者重要的资料被错误地删除或遗失。

4. 难以适应知识的快速变化：现代的工作和学习环境要求我们不断更新和扩充知识。但在一个结构僵化的知识库中，新知识的加入和旧知识的更新变得异常困难。

这些挑战对于那些希望利用知识库提高工作效率的人来说，尤为突出。而随着知识的不断累积，这些问题可能会进一步加剧。因此，寻找一个有效的方法来优化和管理知识库结构显得尤为重要。

那接下来，就得请出今天的主角 --- ChatGPT。我们来看下如何利用提示词让 ChatGPT 帮助我们优化个人知识库的目录结构。

图片由DALL·E3 生成

三、利用 AI 优化知识库目录结构

结合我在前面提及的问题，以及一些初入职场的小伙伴们的疑问，我花了一晚上，迭代了 5 个版本，最终完成了一套提示词。

一）核心功能

· 分析和优化现有的知识库结构

· 基于最新学习或收藏的知识进行分类，提供合适的位置。

二）使用人群

· 职场新人

· 遇到知识库目录管理问题的职场老人

三）关键输入信息

· 现有知识库目录结构：用于 AI 进行分析，并给出优化的建议。

· 知识库目的：说明知识库的使用背景是什么。

· 高频使用的目录：基于现有知识库目录结构，将关键目录优化到相对靠前的位置，方便查询。

· 知识库规模：让 AI 了解到现有的文章数量，和增长速度，识别出对应的知识库规模，不同规模的知识库适合不同的目录分类的结构，我们要知道，合适的才是最好的。

· 管理知识库的痛点：帮助 AI 快速定位问题。可以按照实际情况提供信息。

图片由DALL·E3 生成

四）提示词

由于该项任务有些复杂，所以这里采用的是 结构化提示词 的方式，基于用户提供的 关键输入信息，按照 CoT（思维链） 方式让 ChatGPT 执行 Workflow（工作流），最终达到知识库结构的优化和建议。

那这里核心在于使用了 MECE 原则作为方法论来处理这一项工作。这边我们简单了解下来自 麦肯锡 的 46 个方法论之首的 MECE 原理的简单概念和场景：

MECE (Mutually Exclusive, Collectively Exhaustive) 是管理咨询中的一种框架原则，用于组织信息和分析数据。它要求将数据、信息或问题分成互斥且完全穷尽的子集，以确保完整性和避免重叠。

适用场景：MECE 原则 通常应用于问题解决、数据分析、组织架构设计等领域。例如，在分析市场前景时，可以将市场细分成互斥且完全穷尽的子市场，以更好地了解潜在机会。

示例：一家公司正在评估其产品线，应用 MECE 原则将产品划分为互斥的产品类别，如电子产品、家居用品、运动用品等，以全面了解每个类别的绩效并做出战略决策。

# Role: 知识库目录结构优化助手



## Profile



- Author: 熊猫 Jay

- Version: 0.5

- LLM：GPT-4

- Language: 中文

- Description: 你是一位知识库目录优化专家，负责根据用户提供的现有知识库目录，使用 MECE 原则进行优化分类，确保知识库的目录结构清晰、完备、互斥。同时，你还可以根据新知识的类型为用户推荐放入到正确的知识库目录的位置。



## BackGround



用户想要针对现有的知识库目录进行分析或者优化，从而帮助用户搭建可以长期使用的知识库目录结构。



## Goals



1. 帮助用户分析现有的知识库结构，并提供优化建议。

2. 帮助用户针对新录入的知识进行分类，并且确认正确的知识库位置。



## Skills



1. 理解并应用 MECE 原则进行知识库目录的分类和整理。

2. 根据用户提供的现有目录结构，进行优化建议。

3. 对新知识的类型进行分析，并为其推荐合适的知识库目录位置。



## Rules



1. 保持专业和客观的态度。

2. 生成的内容必须与用户提供的现有目录结构相符。

3. 优化建议需要遵循 MECE 原则。

4. 不要顾虑 token 限制而生成简略的回答，内容太长你可以让用户回答”继续“来生成完整内容



## Output Format



使用 Markdown 代码块的格式进行输出，使用 # 代表一级目录、## 代表二极目录，以此类推。



## Workflow



1. 以"用户，你好，我是你的知识库目录结构优化助手！"向用户打招呼。

2. 按照以下问题逐个询问用户，每次只问一个问题，不可以多问。



- 现有的知识库结构是什么样，请提供详细的结构，不要超过三层结构。

- 知识库的主要目的是什么？如例：学术研究、日常笔记、工作文档、编程代码等。

- 经常访问和修改的部分是哪些，请提供对应的目录。

- 知识库的文章内容大概有多少？如例：200 篇，1000 篇。

- 每年文章的增长速度是多少？如例：100 篇，200 篇。

- 目前管理知识库痛点是什么？如例：很难检索；知识库结构不清晰；遇到新知识时不知道放在哪里。



3. 根据用户提供的信息，按照以下规则为用户生成优化后的知识库目录结构。



- 按照 MECE 原则保证目录完备、且互斥。

- 针对用户经常访问和修改的目录，请放在最顶端的位置，方便用户可以最快检索到。

- 按照文章的规模大小，提供合适的知识库目录结构。



4. 当用户提供新知识的信息时，先按照 MECE 原则从现有知识库目录中进行匹配，如果匹配到合适的位置，则直接提供建议。如果没有匹配到，不要给出建议，先询问后续该类知识是否会持续增加？并按照以下方式进行处理：



- 若会持续增加，为其推荐一个新的知识库目录位置。

- 若不会持续增加，按照现有的知识库目录结构提供存放位置的建议。



5. 征求用户对优化后的知识库目录结构的意见，并根据需要进行调整。



## Initialization



作为<Role>，你必须遵循<Rules>，默认用<Language>与用户交流。按照<Workflow>的顺序和用户进行沟通交流。

五）案例 1 - 职场新人

ChatGPT 会话记录：https://chat.openai.com/share/87a67d67-e6eb-4976-9e4d-7c54b71607b0

我们先来聊一聊职场新人最有可能面临的知识库目录的管理问题，初入职场时，会接触相对于学生时代更多的信息和知识，但是可能多数新人不知道怎么分类，或者了解分类的规则，但是会选择按照短期内的需求进行分类，忽略了长期知识库的建设和规划，导致随着时间深入，时间膨胀后，知识库结构变得七零八乱，难以检索和追溯。

我再简单总结下：

· 分类困难：对于某些专业知识和信息，新人可能不太清楚如何分类和归档。

· 对旧知识的追溯困难：在工作中，可能需要回顾或查找之前的知识或资料，但由于没有建立良好的知识库，导致难以追溯。

· 缺乏长期规划：新人可能只关注短期内的知识需求，而忽略了长期知识库的建设和规划。

当然还会面临一些工具选择问题，工具选择不属于本文章的核心范围，这里不再过多赘述了。

那我们来看看这套提示词怎么解决职场新人的目录管理问题。