lizheng-open-context：把立正内容变成可检索的公开知识库

当你想把某个人的长期输出——文章、评论、视频、书籍——变成自己知识体系的一部分时，最麻烦的不是读，而是找。读过的内容散落在不同平台，想引用时翻半天，想整理成结构化资料更是无从下手。lizheng-open-context 这个开源项目，做的就是这件事：它把立正（Superlinear）的帖子、精选评论、YouTube 内容以及《真本事》这本书，整理成一份带来源的公开上下文，供 AI Agent 或 RAG 系统直接使用。

它到底整理了什么

仓库简介写得很直白：”Source-grounded public context for 立正: Superlinear posts, selected comments, YouTube, Public Axioms V1, and 《真本事》”。翻译过来就是，它把四类内容聚合到一起：Superlinear 上的帖子、经过筛选的评论、YouTube 视频内容，以及 Public Axioms V1 和《真本事》这本书。所有内容都保留来源，这意味着你引用任何一句话，都能追溯到原始出处，不会出现”不知道这话哪来的”的情况。

从技术角度看，这个项目用 Python 写成，遵循 MIT 协议，任何人都可以自由使用、修改甚至商用。仓库的代码结构并不复杂，核心价值在于它把零散内容做成了结构化数据，省去了你从不同平台手动抓取、清洗、对齐的功夫。

适合怎么用

最直接的用法是把它接入你自己的 RAG 流程。比如你在做一个关于”真本事”或”Public Axioms”主题的问答机器人，与其自己爬取网页、处理格式，不如直接用这份现成的上下文数据，它已经帮你把来源对齐好了。你只需要把数据喂给向量数据库，就能快速搭建一个能引用出处的问答系统。

另一个场景是做内容研究。想系统了解立正的核心观点，与其一篇篇刷帖子、看视频、翻书，不如直接在这份整理好的上下文里做关键词检索。它把不同媒介的内容统一成一种格式，你可以同时搜到帖子里的观点、评论里的补充、视频里的论述和书里的定义，效率比自己手工整理高得多。

对于 AI Agent 开发者也很有价值。Agent 在回答问题时经常需要引用可靠来源，这份数据天然带 grounding，能减少模型”编造出处”的问题。你可以把它作为工具的知识库，让 Agent 在回答相关问题时先检索这份上下文，再基于检索结果作答。

与自己做相比的差异

有人可能会问：这些内容我自己也能整理，为什么要用这个项目？区别在于维护成本。立正的内容在持续更新，帖子、评论、视频都在不断增加，自己手工维护很难跟上节奏。而这个项目作为开源仓库，理论上可以持续同步更新，你只需要定期拉取新版本就行。

另一个差异是它的”筛选评论”。不是所有评论都有价值，项目帮你做了初步筛选，只保留精选评论，这比自己面对海量评论无从下手要省心。加上 Public Axioms V1 这种已经结构化的公理集合，直接拿来就能用。

当然，它也有局限。目前项目在 GitHub 上约 88 个星标，属于早期阶段，数据覆盖范围取决于维护者的更新频率。如果你需要的是其他作者或更广泛的内容，这个项目就不适用了。

如果你正好在研究立正的内容，又需要结构化的知识数据，这个项目值得你花一下午看看。但如果你只是随手读读，不需要系统引用，那就没必要折腾了。

FAQ：常见问题

lizheng-open-context 包含哪些内容？

它聚合了立正（Superlinear）的帖子、精选评论、YouTube 内容、Public Axioms V1 以及《真本事》这本书，所有内容都带有原始来源，方便追溯。

这个项目适合什么技术背景的人使用？

适合熟悉 Python、了解 RAG 或 AI Agent 开发的开发者。你可以把它作为知识库数据源，接入向量数据库或直接用于检索增强生成，省去自己爬取和清洗内容的步骤。