Meta-Meta-Prompting：让 AI Agent 真正工作起来的秘密（译）

Meta Meta Prompting：让 AI Agent 真正工作起来的秘密（译） Meta Meta Prompting：让 AI Agent 真正工作起来的秘密（译） Modified May 11 具体来说，这件事的含义是：系统先提取出整本书的 22 个章节，然后为每一个章节都启动一个 sub agent，同时做两件事：总结作者的观点，并把每一个观点映射到我的真实生活里。不是那种泛泛而谈的“这对领导者也适用”的空话，而是非常具体的映射。它知道我的家庭背景（移民父母，父亲来自香港和新加坡，母亲来自缅甸）；它知道我的职业语境（管理 YC、构建开源工具、辅导数千位创始人）；它知道我最近读了什么、我凌晨两点在想什么、以及我和治疗师最近在一起处理什么议题。 最后产出的是一页 3 万字的 brain 页面。每一章都被渲染成两栏：左边是 Pema 在说什么，右边是这些内容如何映射到我眼下真实经历的事情上。那一章关于 groundlessness 的内容，连到了我前一周刚和一位创始人的一次对话。那一章关于恐惧，映射到了我的治疗师已经识别出的某些模式。那一章关于放下，则引用了某个深夜 session 里，我写下的关于“今年重新找回创作自由”的那段笔记。 整个过程大概只花了 40 分钟。一个时薪 300 美元的治疗师，就算读完这本书、再把它应用到我的人生里，40 小时也做不到这件事，因为他不可能同时拥有我完整的职业上下文、阅读历史、会议笔记以及创始人关系网络，并且还能全部交叉引用。 我已经拿这个方法处理了 20 多本书：Amplified（Dion Lim）、Autobiography of Bertrand Russell、Designing Your Life、Drama of the Gifted Child、Finite and Infinite Games、Gift from the Sea（Lindbergh）、Siddhartha（Hesse）、Steppenwolf（Hesse）、The Art of Doing Science and Engineering（Hamming）、The Dream Machine、The Book on the Taboo Against Knowing Who You Are（Alan Watts）、What Do You Care What Other People Think（Feynman）、When Things Fall Apart（Pema Chodron）、A Brief History of Everything（Ken Wilber）等等。每做完一本，后面的结果都会更丰富，因为这个 brain 本身也变得更丰富。第二次 mirror 会知道第一次的内容。第二十次会知道前十九次的全部内容。 Book Mirror 是如何通过迭代变强的 我第一次做 book mirror 时，结果其实很糟。Version 1 在我的家庭信息上出了三个事实性错误。它写我父母离婚了，但其实没有；它写我是在香港长大的，但其实我是出生在加拿大。这些都是非常基础的问题，如果我把这样的结果分享出去，信任就会直接受损。 所以我加上了一个强制性的 fact check 步骤。现在每一次 mirror 在真正交付前，都会先通过 brain 里已知事实去做一次 cross modal evaluation。Opus 4.7 1M 负责抓 precision errors。GPT 5.5 负责抓 missing context。DeepSeek V4 Pro 负责判断哪里读起来太泛、太模板化。 之后我又升级到了带 GBrain tool use 的 deep retrieval。最早那版在综合能力上其实已经不错，但在具体性上仍然偏弱。Version 3 会对每个 section 分别做 brain 搜索。右栏里的每一条内容，都会引用真实的 brain 页面。当书里提到如何应对困难对话时，它不会只总结一些抽象原则。它会直接去调出我和某些创始人的真实会议笔记，那些创始人当时正处在和联合创始人发生艰难对话的阶段。或者，它会调用某个周四我和弟弟 James 待在一起时冒出来的念头。或者，是我 19 岁时和大学室友的一段 IM 聊天。那种感觉真的很离谱。 这就是 skillification（在 GBrain 里通过 /skillify）在现实中的样子。我把第一次手工完成的尝试，提炼成一个可复用模式，写成一个经过测试的 skill 文件，里面包括触发条件和边界情况。之后每一次修复，都会在未来所有的 book mirror 上产生复利。 能创造技能的技能 事情在这里开始递归，而我认为真正最大的洞见也恰恰在这里。 那个管理我生活的系统，并不是一个一体化的大单体系统。它是由许多 skills 组装起来的。而这些 skills 本身，又是由一个 skill 创建出来的。 Skillify 是一个 meta skill，用来创建新技能。当我遇到一个以后会反复执行的工作流时，我只需要说一句 “skillify this”，它就会检查刚刚发生了什么，提炼出其中可重复的模式，写出一个带触发器和边界情况的测试过的 skill 文件，然后把它注册到 resolver 里。book mirror 这条流水线，就是我第一次手工做完后被 skillify 出来的。meeting prep 这条工作流，也是因为我发现自己每次通话前都在重复同样的步骤，才被 skillify 的。 Skills 是可以组合的。book mirror 会去调用 brain ops 做存储、调用 enrich 获取上下文、调用 cross modal eval 控质量、调用 pdf generation 产出结果。每一个 skill 只专注做一件事。它们串起来，就能组成复杂的工作流。当我改进其中一个 skill 时，所有依赖它的工作流都会自动变得更好。不再会出现那种“这次 prompt 忘了提那个边界情况”的问题。skill 会替你记住。 那场会自己准备好的会议 Demis Hassabis 来 YC 做过一场炉边对谈。当时 Sebastian Mallaby 关于他的传记刚刚出版。 我让系统帮我做准备。 不到两分钟，它就给我拉出了这些内容：Demis 的完整 brain 页面（那一页已经通过文章、播客逐字稿和我自己的笔记，持续积累了好几个月）；他公开表达过的关于 AGI 时间线的观点（“50% scaling，50% innovation”，并认为 AGI 距离现在还有 5 到 10 年）；Mallaby 那本传记的重点内容；他明确讲过的研究优先级（continual learning、world models、long term memory）；这些观点和我自己公开说过的话之间的交叉引用；三套对话 demo 脚本，用来在聊天中展示 brain 的 multi hop reasoning 能力；以及一组 conversation hooks，专门围绕我们世界观重合与分歧的部分生成。 这已经不是“更好的 Google 搜索”了。这是一种真正利用了我对 Demis 的积累上下文、我自己的立场，以及这场对话战略目标的准备方式。这个系统准备的不只是事实，而是角度。 10 万页 brain 到底长什么样 我维护着一个大约 10 万页的结构化知识库。每一个我见过的人，都会有一页，里面包含 timeline、state section（当前真实成立的内容）、open threads，以及一个 score。每一场会议，都会有逐字稿、结构化摘要，以及一个我称作 entity propagation 的过程：会议结束后，系统会遍历其中提到的每一个人和公司，并把这场对话里讨论到的内容更新回它们各自的 brain 页面。每一本我读过的书，都会生成一份逐章的 mirror。每一篇文章、每一期播客、每一个视频，只要我认真接触过，都会被摄取、打标签，并建立交叉引用。 这个 schema 非常简单。每一页最上面都是 compiled truth（当前最优理解），下面是 append only timeline（按时间顺序记录事件），旁边再挂 raw data sidecars 用来保存原始材料。你可以把它理解成一个个人版 Wikipedia，只不过这里的每一页都在被一个 AI 持续更新，而这个 AI 参与过会议、读过邮件、看过演讲，也摄取过 PDF。 我举个这种复利如何发生的例子。假设我在 office hours 见到一位创始人。系统会创建或更新这个人的 person page、他们公司的 company page、把这次会议笔记交叉链接进去、检查我以前是否见过他们（并把上次谈过什么调出来）、检查他们的申请数据、拉他们最新的指标，并识别我投过的公司或我的人脉里，有没有谁和他们当下的问题相关。等我下一次再和他们见面时，系统已经提前把一个完整的 context pack 准备好了。 这就是“档案柜”和“神经系统”的区别。档案柜只是存东西。神经系统会连接这些东西，标记哪里发生了变化，并把此刻真正相关的内容提前浮出来。 架构 下面是这套东西的工作方式。我认为这就是构建个人 AI 的正确方式，而且我已经把整套系统开源出来，让你可以自己搭一套。 The harness is thin. OpenClaw 是 runtime。它接收我的消息，判断该应用哪个 skill，然后完成 dispatch。整个过程只需要几千行路由逻辑。它本身并不懂书、会议或者创始人的事情。它只是负责路由。 The skills are fat. 现在已经有 100 多个 skill，每一个都是一个独立的 markdown 文件，里面详细写着如何完成一项具体任务。前面你已经看到了 book mirror 和 meeting prep。下面再举几个 GBrain 里已经自带的： • meeting ingestion：每次会议后，它会拉逐字稿，生成结构化摘要，然后遍历其中提到的每一个人和公司，把本次讨论的内容更新到它们各自的 brain 页面里。会议页面本身不是最终产品，真正有价值的是那些被 propagation 回去的人物页和公司页。 • enrich：只要给它一个人的名字，它就会从 5 个不同来源拉数据，合并成一页完整的 brain 页面，包含职业轨迹、联系方式、会议历史以及关系上下文。每一个结论都带引用来源。 • media ingest：处理视频、音频、PDF、截图、GitHub 仓库。它会完成转录、实体抽取，然后归档到 brain 里的正确位置。我经常拿它处理 YouTube 视频、播客和语音备忘。 • perplexity research：一种带 brain 增强的 web research。它会通过 Perplexity 搜索网络，但在开始综合之前，先检查 brain 里已经知道什么，这样它就能告诉你：哪些信息是真正新的，哪些只是你已经记录过的内容。 我还有几十个专门为自己工作流做出来的 skill，之后大概也会开源：比如 email triage、investor update ingest（能检测邮件里投资组合公司的更新，并把指标抽取到 company pages 里）、calendar check（做冲突检测和“这趟旅行根本不可能成行”的判断），以及一整套我用来做 civic work 的新闻研究栈。每一个 skill 都编码了操作性知识，而这些知识，换一个新的人类助理来学，往往得花几个月。有人问我，我是怎么 “prompt” 我自己的 AI 的。答案是：我不 prompt。Skills 就是 prompts。 The data is fat. brain 仓库里有 10 万页结构化知识。每一个人、每一家公司、每一场会议、每一本书、每一篇文章、每一个我接触过的想法，都被关联起来、可搜索、并且每天持续增长。 The code is fat. 喂养这套系统的代码同样重要：转录脚本、OCR、社交媒体归档、日历同步、API integrations，所有这些都算在内。但真正形成复利价值的，是数据本身。我每天跑 100 多个 cron jobs，去检查所有值得检查的东西：社交媒体、Slack、邮件，以及所有我在意的信号。我的 OpenClaw / Hermes Agents 也在替我盯着这些。 The models are interchangeable. 我会用 Opus 4.7 1M 处理高精度任务，用 GPT 5.5 处理 recall 与穷尽式抽取，用 DeepSeek V4 Pro 做创意类工作和第三视角，用 Groq 上的 Llamma 跑高速任务。到底该调用哪个模型，由 skill 决定。harness 并不在意。有人问“哪个 AI 模型最好？” 我的答案一直是：这是个错的问题。模型只是引擎，其他所有部分才是那辆车。 凌晨两点的 builder，以及一个不断复利的系统 人们常常问我生产力的问题。但我并不是那样思考的。我真正思考的是复利。 我开的每一场会，都会给 brain 增加新的内容。我读的每一本书，都会让下一本书的上下文更丰富。我构建的每一个 skill，都会让下一个工作流更快。我更新的每一页 person page，都会让下一次 meeting prep 更尖锐。今天的系统和两个月前相比，已经强了 10 倍；再过两个月，还会再强 10 倍。 当我还在凌晨两点继续写代码的时候（而且我确实经常这样，因为 AI 把“构建的快乐”重新还给了我），我不只是单纯在写软件。我是在给一个每小时都在变好的系统持续加码。100 个 cron jobs，24/7 跑着。meeting ingestion 自动完成。email triage 每 10 分钟跑一次。knowledge graph 会从每一次对话里自己做 enrich。系统每天都会处理新的逐字稿，并实时抽出那些我自己遗漏掉的模式。 这不是一个写作工具。不是搜索引擎。也不是聊天机器人。它是一个真正能工作的 second brain，而且不是比喻意义上的 second brain，而是一个正在运行的系统：10 万页、100+ skills、15 个 cron jobs，再加上过去一年里我接触过的每一段职业关系、每一场会议、每一本书和每一个想法所累积起来的上下文。 我已经把整套栈都开源了。GStack 是我用来搭建它的 coding skill framework（87,000+ stars）。直到现在，当 OpenClaw / Hermes Agent 需要自己写代码时，我依然把它当作 skill 在内部调用。里面还带一个很好用的可编程浏览器（同时支持 headed 和 headless）。GBrain 是知识基础设施。OpenClaw 和 Hermes Agent 是 harnesses，你可以二选一，但我通常两个都用。数据仓库都放在 GitHub 上。 核心论点非常简单：未来属于那些能构建会复利的 AI 系统的个人，而不属于那些只会使用企业拥有的、中心化 AI 工具的个人。 这两者之间的差别，就像“写日记”和“拥有一个神经系统”之间的差别。 如何开始 如果你想自己搭一套这样的系统： 1. 先选一个 harness。 OpenClaw、Hermes Agent，或者直接用 Pi 从零自己做。记住，让 harness 保持轻。harness 只是路由器。你可以把它部署在家里的一台备用电脑上，用 Tailscale 打通；也可以直接上云，跑在 Render 或 Railway 上。 2. 用 GBrain 建一个 brain。 我最初是受 Karpathy 的 LLM Wiki 启发，在 OpenClaw 里先实现了一版，然后一路扩展成了 GBrain。它是我测过的 retrieval system 里最好的一个（在 LongMemEval 上做到了 97.6% recall，而且 retrieval loop 里根本没有 LLM，仍然超过了 MemPalace），并且已经内置了 39 个可安装的 skills，包括本文里提到的所有东西。只要一条命令就能装好。然后你会得到一个 git repo，在那里，每一个人、每一场会议、每一篇文章和每一个想法都会拥有自己的页面。 3. 先去做一件真正有意思的事。 不要一上来就规划 skill 架构。先去做一件事情。写一份报告。研究一个人。下载一个赛季的 NBA 比分，然后为你的体育下注构建一个预测模型。分析你的投资组合。任何你自己真正关心的东西都可以。用 agent 去完成它，反复迭代，直到结果够好，然后运行 Skillify（前面提到的 meta skill），把这个模式提炼成一个可复用的 skill。再运行 check resolvable，确认这个新 skill 已经正确接进 resolver。这个循环，会把一次性工作逐步变成会复利的基础设施。 4. 持续使用它，并认真看它的输出。 一开始 skill 的效果一定很一般。这反而正是重点。持续用它，读它产出的内容，一旦发现某个地方不对，就跑 cross modal eval：把同一份输出送进多个模型，让它们互相根据你关心的维度打分。我当初就是这样抓到了 book mirror 里的事实性错误。修复被写回了 skill，从那以后，每一次 mirror 都干净了。六个月之后，你手里会长出一个任何聊天机器人都无法复制的系统，因为真正的价值不在模型，而在于：你已经把自己特定的人生、工作和判断，教给了这个系统。 我用这套系统做出来的第一个东西，糟得很。但做到第一百个时，我已经愿意把自己的日历、收件箱、会议准备和阅读清单交给它了。系统在学习。我也在学习。那条复利曲线是真实存在的。 Fat skills。Fat code。Thin harness。LLM 单独存在时，只是一台引擎。而你可以自己造一辆车。 我上面描述的所有东西，所有skills、book mirror 流水线、cross modal eval framework、skillify 循环、resolver 架构，再加上 30+ 个可安装的 skillpacks，全都已经开源，并且免费放在 GitHub上：github.com/garrytan/gbrain。 GBrain GStack GBrain OpenClaw Hermes Agent OpenClaw Hermes Agent Pi Karpathy 的 LLM Wiki 我测过的 retrieval system 里最好的一个 github.com/garrytan/gbrain 具体来说，这件事的含义是：系统先提取出整本书的 22 个章节，然后为每一个章节都启动一个 sub agent，同时做两件事：总结作者的观点，并把每一个观点映射到我的真实生活里。不是那种泛泛而谈的“这对领导者也适用”的空话，而是非常具体的映射。它知道我的家庭背景（移民父母，父亲来自香港和新加坡，母亲来自缅甸）；它知道我的职业语境（管理 YC、构建开源工具、辅导数千位创始人）；它知道我最近读了什么、我凌晨两点在想什么、以及我和治疗师最近在一起处理什么议题。 最后产出的是一页 3 万字的 brain 页面。每一章都被渲染成两栏：左边是 Pema 在说什么，右边是这些内容如何映射到我眼下真实经历的事情上。那一章关于 groundlessness 的内容，连到了我前一周刚和一位创始人的一次对话。那一章关于恐惧，映射到了我的治疗师已经识别出的某些模式。那一章关于放下，则引用了某个深夜 session 里，我写下的关于“今年重新找回创作自由”的那段笔记。 整个过程大概只花了 40 分钟。一个时薪 300 美元的治疗师，就算读完这本书、再把它应用到我的人生里，40 小时也做不到这件事，因为他不可能同时拥有我完整的职业上下文、阅读历史、会议笔记以及创始人关系网络，并且还能全部交叉引用。 我已经拿这个方法处理了 20 多本书：Amplified（Dion Lim）、Autobiography of Bertrand Russell、Designing Your Life、Drama of the Gifted Child、Finite and Infinite Games、Gift from the Sea（Lindbergh）、Siddhartha（Hesse）、Steppenwolf（Hesse）、The Art of Doing Science and Engineering（Hamming）、The Dream Machine、The Book on the Taboo Against Knowing Who You Are（Alan Watts）、What Do You Care What Other People Think（Feynman）、When Things Fall Apart（Pema Chodron）、A Brief History of Everything（Ken Wilber）等等。每做完一本，后面的结果都会更丰富，因为这个 brain 本身也变得更丰富。第二次 mirror 会知道第一次的内容。第二十次会知道前十九次的全部内容。 Book Mirror 是如何通过迭代变强的 我第一次做 book mirror 时，结果其实很糟。Version 1 在我的家庭信息上出了三个事实性错误。它写我父母离婚了，但其实没有；它写我是在香港长大的，但其实我是出生在加拿大。这些都是非常基础的问题，如果我把这样的结果分享出去，信任就会直接受损。 所以我加上了一个强制性的 fact check 步骤。现在每一次 mirror 在真正交付前，都会先通过 brain 里已知事实去做一次 cross modal evaluation。Opus 4.7 1M 负责抓 precision errors。GPT 5.5 负责抓 missing context。DeepSeek V4 Pro 负责判断哪里读起来太泛、太模板化。 之后我又升级到了带 GBrain tool use 的 deep retrieval。最早那版在综合能力上其实已经不错，但在具体性上仍然偏弱。Version 3 会对每个 section 分别做 brain 搜索。右栏里的每一条内容，都会引用真实的 brain 页面。当书里提到如何应对困难对话时，它不会只总结一些抽象原则。它会直接去调出我和某些创始人的真实会议笔记，那些创始人当时正处在和联合创始人发生艰难对话的阶段。或者，它会调用某个周四我和弟弟 James 待在一起时冒出来的念头。或者，是我 19 岁时和大学室友的一段 IM 聊天。那种感觉真的很离谱。 这就是 skillification（在 GBrain 里通过 /skillify）在现实中的样子。我把第一次手工完成的尝试，提炼成一个可复用模式，写成一个经过测试的 skill 文件，里面包括触发条件和边界情况。之后每一次修复，都会在未来所有的 book mirror 上产生复利。 能创造技能的技能 事情在这里开始递归，而我认为真正最大的洞见也恰恰在这里。 那个管理我生活的系统，并不是一个一体化的大单体系统。它是由许多 skills 组装起来的。而这些 skills 本身，又是由一个 skill 创建出来的。 Skillify 是一个 meta skill，用来创建新技能。当我遇到一个以后会反复执行的工作流时，我只需要说一句 “skillify this”，它就会检查刚刚发生了什么，提炼出其中可重复的模式，写出一个带触发器和边界情况的测试过的 skill 文件，然后把它注册到 resolver 里。book mirror 这条流水线，就是我第一次手工做完后被 skillify 出来的。meeting prep 这条工作流，也是因为我发现自己每次通话前都在重复同样的步骤，才被 skillify 的。 Skills 是可以组合的。book mirror 会去调用 brain ops 做存储、调用 enrich 获取上下文、调用 cross modal eval 控质量、调用 pdf generation 产出结果。每一个 skill 只专注做一件事。它们串起来，就能组成复杂的工作流。当我改进其中一个 skill 时，所有依赖它的工作流都会自动变得更好。不再会出现那种“这次 prompt 忘了提那个边界情况”的问题。skill 会替你记住。 那场会自己准备好的会议 Demis Hassabis 来 YC 做过一场炉边对谈。当时 Sebastian Mallaby 关于他的传记刚刚出版。 我让系统帮我做准备。 不到两分钟，它就给我拉出了这些内容：Demis 的完整 brain 页面（那一页已经通过文章、播客逐字稿和我自己的笔记，持续积累了好几个月）；他公开表达过的关于 AGI 时间线的观点（“50% scaling，50% innovation”，并认为 AGI 距离现在还有 5 到 10 年）；Mallaby 那本传记的重点内容；他明确讲过的研究优先级（continual learning、world models、long term memory）；这些观点和我自己公开说过的话之间的交叉引用；三套对话 demo 脚本，用来在聊天中展示 brain 的 multi hop reasoning 能力；以及一组 conversation hooks，专门围绕我们世界观重合与分歧的部分生成。 这已经不是“更好的 Google 搜索”了。这是一种真正利用了我对 Demis 的积累上下文、我自己的立场，以及这场对话战略目标的准备方式。这个系统准备的不只是事实，而是角度。 10 万页 brain 到底长什么样 我维护着一个大约 10 万页的结构化知识库。每一个我见过的人，都会有一页，里面包含 timeline、state section（当前真实成立的内容）、open threads，以及一个 score。每一场会议，都会有逐字稿、结构化摘要，以及一个我称作 entity propagation 的过程：会议结束后，系统会遍历其中提到的每一个人和公司，并把这场对话里讨论到的内容更新回它们各自的 brain 页面。每一本我读过的书，都会生成一份逐章的 mirror。每一篇文章、每一期播客、每一个视频，只要我认真接触过，都会被摄取、打标签，并建立交叉引用。 这个 schema 非常简单。每一页最上面都是 compiled truth（当前最优理解），下面是 append only timeline（按时间顺序记录事件），旁边再挂 raw data sidecars 用来保存原始材料。你可以把它理解成一个个人版 Wikipedia，只不过这里的每一页都在被一个 AI 持续更新，而这个 AI 参与过会议、读过邮件、看过演讲，也摄取过 PDF。 我举个这种复利如何发生的例子。假设我在 office hours 见到一位创始人。系统会创建或更新这个人的 person page、他们公司的 company page、把这次会议笔记交叉链接进去、检查我以前是否见过他们（并把上次谈过什么调出来）、检查他们的申请数据、拉他们最新的指标，并识别我投过的公司或我的人脉里，有没有谁和他们当下的问题相关。等我下一次再和他们见面时，系统已经提前把一个完整的 context pack 准备好了。 这就是“档案柜”和“神经系统”的区别。档案柜只是存东西。神经系统会连接这些东西，标记哪里发生了变化，并把此刻真正相关的内容提前浮出来。 架构 下面是这套东西的工作方式。我认为这就是构建个人 AI 的正确方式，而且我已经把整套系统开源出来，让你可以自己搭一套。 The harness is thin. OpenClaw 是 runtime。它接收我的消息，判断该应用哪个 skill，然后完成 dispatch。整个过程只需要几千行路由逻辑。它本身并不懂书、会议或者创始人的事情。它只是负责路由。 The skills are fat. 现在已经有 100 多个 skill，每一个都是一个独立的 markdown 文件，里面详细写着如何完成一项具体任务。前面你已经看到了 book mirror 和 meeting prep。下面再举几个 GBrain 里已经自带的： GBrain • meeting ingestion：每次会议后，它会拉逐字稿，生成结构化摘要，然后遍历其中提到的每一个人和公司，把本次讨论的内容更新到它们各自的 brain 页面里。会议页面本身不是最终产品，真正有价值的是那些被 propagation 回去的人物页和公司页。 • enrich：只要给它一个人的名字，它就会从 5 个不同来源拉数据，合并成一页完整的 brain 页面，包含职业轨迹、联系方式、会议历史以及关系上下文。每一个结论都带引用来源。 • media ingest：处理视频、音频、PDF、截图、GitHub 仓库。它会完成转录、实体抽取，然后归档到 brain 里的正确位置。我经常拿它处理 YouTube 视频、播客和语音备忘。 • perplexity research：一种带 brain 增强的 web research。它会通过 Perplexity 搜索网络，但在开始综合之前，先检查 brain 里已经知道什么，这样它就能告诉你：哪些信息是真正新的，哪些只是你已经记录过的内容。 我还有几十个专门为自己工作流做出来的 skill，之后大概也会开源：比如 email triage、investor update ingest（能检测邮件里投资组合公司的更新，并把指标抽取到 company pages 里）、calendar check（做冲突检测和“这趟旅行根本不可能成行”的判断），以及一整套我用来做 civic work 的新闻研究栈。每一个 skill 都编码了操作性知识，而这些知识，换一个新的人类助理来学，往往得花几个月。有人问我，我是怎么 “prompt” 我自己的 AI 的。答案是：我不 prompt。Skills 就是 prompts。 The data is fat. brain 仓库里有 10 万页结构化知识。每一个人、每一家公司、每一场会议、每一本书、每一篇文章、每一个我接触过的想法，都被关联起来、可搜索、并且每天持续增长。 The code is fat. 喂养这套系统的代码同样重要：转录脚本、OCR、社交媒体归档、日历同步、API integrations，所有这些都算在内。但真正形成复利价值的，是数据本身。我每天跑 100 多个 cron jobs，去检查所有值得检查的东西：社交媒体、Slack、邮件，以及所有我在意的信号。我的 OpenClaw / Hermes Agents 也在替我盯着这些。 The models are interchangeable. 我会用 Opus 4.7 1M 处理高精度任务，用 GPT 5.5 处理 recall 与穷尽式抽取，用 DeepSeek V4 Pro 做创意类工作和第三视角，用 Groq 上的 Llamma 跑高速任务。到底该调用哪个模型，由 skill 决定。harness 并不在意。有人问“哪个 AI 模型最好？” 我的答案一直是：这是个错的问题。模型只是引擎，其他所有部分才是那辆车。 凌晨两点的 builder，以及一个不断复利的系统 人们常常问我生产力的问题。但我并不是那样思考的。我真正思考的是复利。 我开的每一场会，都会给 brain 增加新的内容。我读的每一本书，都会让下一本书的上下文更丰富。我构建的每一个 skill，都会让下一个工作流更快。我更新的每一页 person page，都会让下一次 meeting prep 更尖锐。今天的系统和两个月前相比，已经强了 10 倍；再过两个月，还会再强 10 倍。 当我还在凌晨两点继续写代码的时候（而且我确实经常这样，因为 AI 把“构建的快乐”重新还给了我），我不只是单纯在写软件。我是在给一个每小时都在变好的系统持续加码。100 个 cron jobs，24/7 跑着。meeting ingestion 自动完成。email triage 每 10 分钟跑一次。knowledge graph 会从每一次对话里自己做 enrich。系统每天都会处理新的逐字稿，并实时抽出那些我自己遗漏掉的模式。 这不是一个写作工具。不是搜索引擎。也不是聊天机器人。它是一个真正能工作的 second brain，而且不是比喻意义上的 second brain，而是一个正在运行的系统：10 万页、100+ skills、15 个 cron jobs，再加上过去一年里我接触过的每一段职业关系、每一场会议、每一本书和每一个想法所累积起来的上下文。 我已经把整套栈都开源了。GStack 是我用来搭建它的 coding skill framework（87,000+ stars）。直到现在，当 OpenClaw / Hermes Agent 需要自己写代码时，我依然把它当作 skill 在内部调用。里面还带一个很好用的可编程浏览器（同时支持 headed 和 headless）。GBrain 是知识基础设施。OpenClaw 和 Hermes Agent 是 harnesses，你可以二选一，但我通常两个都用。数据仓库都放在 GitHub 上。 GStack GBrain OpenClaw Hermes Agent 核心论点非常简单：未来属于那些能构建会复利的 AI 系统的个人，而不属于那些只会使用企业拥有的、中心化 AI 工具的个人。 这两者之间的差别，就像“写日记”和“拥有一个神经系统”之间的差别。 如何开始 如果你想自己搭一套这样的系统： 1. 先选一个 harness。 OpenClaw、Hermes Agent，或者直接用 Pi 从零自己做。记住，让 harness 保持轻。harness 只是路由器。你可以把它部署在家里的一台备用电脑上，用 Tailscale 打通；也可以直接上云，跑在 Render 或 Railway 上。 OpenClaw Hermes Agent Pi 2. 用 GBrain 建一个 brain。 我最初是受 Karpathy 的 LLM Wiki 启发，在 OpenClaw 里先实现了一版，然后一路扩展成了 GBrain。它是我测过的 retrieval system 里最好的一个（在 LongMemEval 上做到了 97.6% recall，而且 retrieval loop 里根本没有 LLM，仍然超过了 MemPalace），并且已经内置了 39 个可安装的 skills，包括本文里提到的所有东西。只要一条命令就能装好。然后你会得到一个 git repo，在那里，每一个人、每一场会议、每一篇文章和每一个想法都会拥有自己的页面。 Karpathy 的 LLM Wiki 我测过的 retrieval system 里最好的一个 3. 先去做一件真正有意思的事。 不要一上来就规划 skill 架构。先去做一件事情。写一份报告。研究一个人。下载一个赛季的 NBA 比分，然后为你的体育下注构建一个预测模型。分析你的投资组合。任何你自己真正关心的东西都可以。用 agent 去完成它，反复迭代，直到结果够好，然后运行 Skillify（前面提到的 meta skill），把这个模式提炼成一个可复用的 skill。再运行 check resolvable，确认这个新 skill 已经正确接进 resolver。这个循环，会把一次性工作逐步变成会复利的基础设施。 4. 持续使用它，并认真看它的输出。 一开始 skill 的效果一定很一般。这反而正是重点。持续用它，读它产出的内容，一旦