最近在做AI产品时，我做了一个决定，完全放弃传统的向量数据库和复杂的RAG系统。
这个决定在技术社区听起来有点"不专业"，但在实际运营中却暴露了一个有趣的真相：技术栈的复杂度和实际收益并不成正比。
当下很多团队一上来就配置Pinecone、搭建向量检索，但我的AI系统里只有三样东西：本地文件、文本检索和Git版本控制。
跑了几个月后，这套看似"原始"的方案反而成了我认为最稳定、最可控的选择。
一、为什么放弃数据库：可控性问题
核心原因很简单——AI是个不太可信的操作者。
我曾经历过一次事故：AI在更新数据时逻辑错乱，直接覆盖了三个月的关键数据。从那之后，我开始思考一个问题：如果让AI有不受限的数据库写权限，失控的成本有多高？
为了规避这类风险，我采用了"文件格式三层防御"的方案：
JSONL（数据流层）
- 采用Append-only（仅追加）的设计，确保AI每次写入都是在文件末尾加新行
- AI无法解析整个文件后进行覆盖操作，历史数据天然被保护
- 删除数据时，仅添加status标签标记为"archived"，保留完整的操作痕迹
YAML（配置层）
- 完整支持注释，我可以在配置中写下各种上下文说明
- AI能理解这些备注，但不会在解析时污染数据结构
- 相比JSON的括号噪音，YAML的可读性更高
Markdown（知识层）
- 大语言模型对Markdown格式天然友好，理解能力最强
- 在Git中做版本Diff时极其清晰，修改轨迹一目了然
- 任何浏览器或编辑器都能完美渲染，可视化效果好
这套方案的优势在于：每一层都有明确的防御目的，而不是为了追求"高级"而堆砌复杂度。
二、存储的本质：从"死知识"到"活判断"
大多数"第二大脑"系统的问题是，它们只是数据的冷仓库——一堆书签、笔记、事实，时间久了就沦为"落灰档案"。
我的记忆系统的区别在于，存储的不是知识本身，而是做出判断的过程和逻辑。
以我的memory目录为例，里面有三个核心的JSONL文件：
- 决策日志：记录重要决策时的权衡维度和优先级排序
- 失败日志：记录项目失败的原因、当时的错误假设、以及事后的改进方向
- 模式识别库：提炼出的重复性决策规则，帮助识别相似场景
举个具体例子：当我面临"拿风投的钱 vs 加入初创公司"的职业选择时，我把整个思考过程记录了下来，包括对"学习空间 > 影响力 > 收入"的优先级排序。
下次再遇到类似的职业权衡，AI不会给我通用的鸡汤建议。而是会说：
"根据你上次的决策逻辑，核心权衡是'学习空间'的优先级最高，建议选择能够扩展认知的那个选项。"
这就是"活判断"和"死知识"的区别。前者编码了你的决策框架，后者只是存储了信息。
三、没有SQL，如何实现数据关联
传统方案中，数据库通过JOIN操作来实现表之间的关系。
如果只用本地文件，怎么做数据关联呢？
答案是：通过标识符实现的软链接。
我的系统包含11个JSONL、6个YAML和50多个Markdown文件。
它们在加载时是隔离的，但在推理时通过关键字段实现互联：
关联方式示例：
- interactions.jsonl 记录的 contact_id 直接指向 contacts.jsonl 中的用户记录
- tasks.jsonl 中的 project_id 关联到 projects.jsonl 中的项目信息
- notes.md 文件中的 #tag 标签可以跨文件检索
当我每天早上说"为我下午与Sarah的会议做准备"时，AI的执行流程是：
- 在contacts.jsonl中查询Sarah的基本信息
- 在interactions.jsonl中提取过往沟通记录
- 在tasks.jsonl中筛选与Sarah相关的待办项
- 在相关的Markdown笔记中获取背景信息
- 生成一份结构化的会议准备资料
整个过程中，AI顺藤摸瓜地跟随数据关系，无需加载和查询整个数据库。
这套方案的好处在于：透明性强、可控成本低、扩展灵活。需要新的关联维度？只需在JSONL中添加新的字段即可，不需要修改表结构或部署新的中间件。
四、技术选型的本质思考
在这个技术快速迭代的时代，我们很容易被"向量数据库""RAG检索""复杂推理链"这类词汇所吸引，误认为复杂的架构就是好架构。
但回归业务本质，最优的系统应该满足两个标准：
- 能完整地跑通你的业务流程
- 维护成本最低
我这套方案的实际优势在于：
- 调试透明度高：所有数据都是可读的文本格式，遇到问题可以直接查看
- 版本控制完整：Git能记录每一次数据和配置的变化，支持快速回滚
- 迭代成本低：不需要管理数据库连接、备份、同步等基础设施
- 可扩展性足够：即使文件数量和行数增加，通过合理的索引设计，检索性能仍然可控
最后的建议：如果你正在构建个人AI助手或初创公司的AI系统，不必被高大上的技术栈所绑架。
几百个精心组织的文本文档 + 一个配置得当的编码助手（如Claude Code、Cursor），足以帮你构建一个具有个人风格的数字分身。
让技术为业务服务，而不是为了用技术而用技术。