知识库的存在，是为了让过去的信息能够被再次利用。保存事实、判断、依据和结果，可以减少重复同样研究的需要，并加快下一次决策。但在处理人的判断的知识库中，如果只保存结论，就可能遗漏重要条件。一个判断之所以在当时是适当的，不仅取决于当时可获得的信息，还包括期限、各个选项仍然有效的时间，以及相关人员所处的时间情境。
假设一条记录显示，某个组织在短时间内改变了服务提供方式。如果只看结果，这可能会被作为“在这些条件下，应优先进行改变”的知识来重复使用。但这一结论的含义，会因当时是否已接近维持旧方式的期限，或者那是否只是为了避免对用户造成影响而作出的临时判断而发生变化。失去时间条件的知识，在其他情境中存在被过度泛化的风险。
把人的有限性作为知识来处理，并不意味着保存“人是有限的”这一一般命题。重要的是，把每一次判断中哪些东西无法恢复、哪些选项有期限，以及在什么时点必须在部分信息仍不可获得的情况下作出决定，作为适用条件保留下来。这样，我们就可以考察它与当下的差异，而不是把过去的结论直接搬到现在。
在这种设计中，知识更新的含义也会发生变化。需要更新的情况，不仅是加入了新的事实；当我们发现过去被认为可逆的判断实际上伴随着很高的恢复成本，或者此前没有受到重视的时间条件影响了结果时，也需要更新知识。发生变化的不只是结果，对判断条件本身的理解发生变化，也会成为下一次决策可以使用的知识。
与此同时，这并不意味着所有个人情况都应该被保存。知识库受到可复用性、必要性、隐私以及其他因素的制约。因此，应当保留的不是某个人一生的完整记录，而是可能改变判断有效性的条件。我们需要筛选那些会在下一次判断中产生差异的信息，例如是否存在期限、是否能够改变、失败后的可恢复程度，以及对他人造成的不可逆影响。
这里就产生了与“内部效率表达”的联系。如果高效的内部表征仅仅意味着减少信息量，那么时间语境可能会被当作冗余信息删除。但如果把保留那些能够改变人的判断的差异也纳入效率的条件，那么与有限性有关的信息就不再是压缩对象，而会成为必要的结构。应当保留什么，不仅取决于存储容量，还取决于未来的判断需要哪些差异。
对Sai＊aus而言，知识并不只是为了把过去的答案固定下来。知识是为了把过去知道什么、不知道什么，以及在什么条件下作出了决定，重新带回到当下的问题中。正因为身处当下的人未必处于与过去相同的情境，比较时就需要包含适用条件，而不能只比较结论。这样，知识就会成为理解判断差异的基础，而不是绕过人的判断的捷径。
AI可以参照大量的过去，而人只能一次一次地活在当下。在这种非对称性中，知识库的作用并不是用过去的最优答案命令现在，而是让过去的判断在什么条件下成立，以及这些条件与当下条件有何不同变得可见，从而让身处有限当下的人能够重新选择。知识应当记住的，不只是结论，还包括那个结论在怎样的时间边界内具有意义。
不是答案，而是理解。