我给自己打造了一个能够自我进化的 AI 个人系统

我给自己打造了一个能够自我进化的 AI 个人系统 我给自己打造了一个能够自我进化的 AI 个人系统 Modified March 2 我读完一篇，觉得哪里没懂，直接在原文旁边标个 ??? ，写下我的困惑。 AI 下次生成内容时，会扫描我所有的标注，判断我哪些概念有理解断层、对哪些方向更感兴趣，然后自适应地调整下一篇的深度和方向。 这不是看完视频做个笔记。这是 一对一导师式的学习 ，而且这个导师永远不会忘记我之前问过什么。 所有学习过程会自动记录到一个学习日志里。这个日志不是流水账——它提炼了每个课题的核心概念。 比如维特根斯坦那门课，日志记下了「意义即使用」「语言游戏」「私人语言不可能」这些关键词。 CFA 衍生品记下了「远期合约」「期权定价」「信用违约互换」。 这意味着什么？ 我的系统知道我最近学了什么、学到什么程度、掌握了哪些概念。 这些信息不会随着对话窗口关闭而消失——它永久保存在系统里，随时被调用。 学完之后，一条命令变成小红书 这才是系统真正厉害的地方—— 模块之间的联动 。 假设我跟 AI 说一句话：「帮我基于最近学的内容，写一篇小红书。」 接下来发生的事： 第一步，读总入口。 AI 先读我的系统总入口文件（CLAUDE.md），知道写内容要加载 Personal Brand + Content + Templates 三个模块。它不会去看联系人数据，不会看任务管理——只加载跟创作相关的东西。 第二步，读学习日志。 它发现我最近学了维特根斯坦哲学、CFA 衍生品和 Docker。它要判断哪个课题适合做成小红书内容。结合我的内容定位，它可能会建议用维特根斯坦的「意义即使用」来写一篇关于 AI 理解语言方式的内容——因为这个话题既有哲学深度，又跟 AI 强相关。 第三步，读个人画像。 这决定了叙事角度——不是学者讲课，是创业者分享洞见。 第四步，读声音指南和反模式清单。 它知道我写东西偏随意但不失专业，喜欢用类比，不用反问句，不写鸡汤。「赋能」「闭环」「在当今 AI 时代」这些词和句式，碰都不会碰。 第五步，读创作方法论。 它用我的反直觉写作框架来设计内容：先「破」一个大众认知，再「立」新观点，「容」承认另一面，最后「升」到更高维度。 第六步，读模板，生成文稿。 我只说了一句话，触发了 6 步自动协同。 AI 不是在通用地帮我写文章——它是在「以我的方式」写文章。 而且每次创作完成后，好的素材和框架会存回素材库，下一次可以复用。这就是复利的力量。 构建过程中我踩过的坑 第一，不要一开始就想设计完美架构。 我的系统并不是一开始就长这样的。每个子模块具体的设计都是我在使用过程中慢慢完善的，不要想着一开始就构建完美的系统。先跑起来，再迭代。 第二，模块之间要有边界。 不同模块之间要严格隔离，有明确的边界。隔离不是限制，是保护上下文注意力。 第三，系统是放大器，不是替代品。 它放大的是你自己的判断力和经验。如果你本身没有清晰的价值观和表达风格，再好的系统也只是空壳。 说实话，我花了很长时间才接受这一点——系统不会让你变厉害，它只会让已经厉害的部分更高效。 如何构建属于你自己的系统 不用照抄我的 11 个模块。从一个问题开始： 你跟 AI 协作时，哪些信息在反复重说？ 每次都要重新描述你的写作风格？那就建一个 Personal Brand 模块。 每次都要解释你的项目背景？那就建一个 Identity 模块。 学了东西过两天就忘？那就建一个 Knowledge 模块。 当然，我也给我的系统做了一套 Starter Kit，方便你可以快速构建框架。 内容有点多，我整理成了两个文件，在公众号后台回复「 个人系统 」可以领取。 结尾 大多数人用 AI，是在消耗时间。 少数人用 AI，是在积累资产。 区别就在于，有没有构建起一套能够自我进化的系统。 这可能是我用 AI 以来最值得投入的一个周末： 不要每次都从零开始教 AI 你是谁，要构建一个让 AI 永远记得你、跟你一起进化的系统。 我读完一篇，觉得哪里没懂，直接在原文旁边标个 ??? ，写下我的困惑。 AI 下次生成内容时，会扫描我所有的标注，判断我哪些概念有理解断层、对哪些方向更感兴趣，然后自适应地调整下一篇的深度和方向。 这不是看完视频做个笔记。这是 一对一导师式的学习 ，而且这个导师永远不会忘记我之前问过什么。 所有学习过程会自动记录到一个学习日志里。这个日志不是流水账——它提炼了每个课题的核心概念。 比如维特根斯坦那门课，日志记下了「意义即使用」「语言游戏」「私人语言不可能」这些关键词。 CFA 衍生品记下了「远期合约」「期权定价」「信用违约互换」。 这意味着什么？ 我的系统知道我最近学了什么、学到什么程度、掌握了哪些概念。 这些信息不会随着对话窗口关闭而消失——它永久保存在系统里，随时被调用。 学完之后，一条命令变成小红书 这才是系统真正厉害的地方—— 模块之间的联动 。 假设我跟 AI 说一句话：「帮我基于最近学的内容，写一篇小红书。」 接下来发生的事： 第一步，读总入口。 AI 先读我的系统总入口文件（CLAUDE.md），知道写内容要加载 Personal Brand + Content + Templates 三个模块。它不会去看联系人数据，不会看任务管理——只加载跟创作相关的东西。 第二步，读学习日志。 它发现我最近学了维特根斯坦哲学、CFA 衍生品和 Docker。它要判断哪个课题适合做成小红书内容。结合我的内容定位，它可能会建议用维特根斯坦的「意义即使用」来写一篇关于 AI 理解语言方式的内容——因为这个话题既有哲学深度，又跟 AI 强相关。 第三步，读个人画像。 这决定了叙事角度——不是学者讲课，是创业者分享洞见。 第四步，读声音指南和反模式清单。 它知道我写东西偏随意但不失专业，喜欢用类比，不用反问句，不写鸡汤。「赋能」「闭环」「在当今 AI 时代」这些词和句式，碰都不会碰。 第五步，读创作方法论。 它用我的反直觉写作框架来设计内容：先「破」一个大众认知，再「立」新观点，「容」承认另一面，最后「升」到更高维度。 第六步，读模板，生成文稿。 我只说了一句话，触发了 6 步自动协同。 AI 不是在通用地帮我写文章——它是在「以我的方式」写文章。 而且每次创作完成后，好的素材和框架会存回素材库，下一次可以复用。这就是复利的力量。 构建过程中我踩过的坑 第一，不要一开始就想设计完美架构。 我的系统并不是一开始就长这样的。每个子模块具体的设计都是我在使用过程中慢慢完善的，不要想着一开始就构建完美的系统。先跑起来，再迭代。 第二，模块之间要有边界。 不同模块之间要严格隔离，有明确的边界。隔离不是限制，是保护上下文注意力。 第三，系统是放大器，不是替代品。 它放大的是你自己的判断力和经验。如果你本身没有清晰的价值观和表达风格，再好的系统也只是空壳。 说实话，我花了很长时间才接受这一点——系统不会让你变厉害，它只会让已经厉害的部分更高效。 如何构建属于你自己的系统 不用照抄我的 11 个模块。从一个问题开始： 你跟 AI 协作时，哪些信息在反复重说？ 每次都要重新描述你的写作风格？那就建一个 Personal Brand 模块。 每次都要解释你的项目背景？那就建一个 Identity 模块。 学了东西过两天就忘？那就建一个 Knowledge 模块。 当然，我也给我的系统做了一套 Starter Kit，方便你可以快速构建框架。 内容有点多，我整理成了两个文件，在公众号后台回复「 个人系统 」可以领取。 结尾 大多数人用 AI，是在消耗时间。 少数人用 AI，是在积累资产。 区别就在于，有没有构建起一套能够自我进化的系统。 这可能是我用 AI 以来最值得投入的一个周末： 不要每次都从零开始教 AI 你是谁，要构建一个让 AI 永远记得你、跟你一起进化的系统。 🔗 原文链接： https://mp.weixin.qq.com/s/m4Lztxu9... https://mp.weixin.qq.com/s/m4Lztxu9... 原创 喜欢萨摩耶的Evan 喜欢萨摩耶的Evan 星空拾荒2026年3月2日 01:08 广东 我给自己打造了一个能够自我进化的 AI 个人系统 我现在几乎 100% 的工作都是跟 AI 沟通、指挥 AI 来完成的。 但是无论是跟 chatbot 进行单轮次的聊天，还是用 Claude Code 和 Cursor 等 Agent 工具 每一次新开一个对话框，我都要把我说过无数次的指令、偏好、习惯、目标，全部再重新说一遍。 这造成了两个问题： 1. 浪费大量时间在无意义的重复上 2. 没有办法通过高强度的 AI 使用来积累任何东西，产生复利 所以我停了下来，花了一整个周末构建了一个能够 理解我偏好、自我进化 的 AI 系统。 越用越兴奋，越用越期待跟它一起进化，现在分享给大家。 这篇文章会讲： 1. 这套系统是什么 2. 这套系统有哪些模块以及它们的设计逻辑 3. 我是怎么使用这个系统的 4. 构建过程中我踩过的坑 5. 如何构建属于你自己的系统 这套系统是什么 一句话： 一个用纯文本文件构建的、AI 能原生读取的个人操作系统。 它拥有关于我的一切——我的画像、我的目标、我的社交关系、我的内容输出、我的研究笔记。 我把关于我个人的一切组织成了 11 个模块，总计 60+ 个 Markdown、YAML 和 JSONL 文件。人类和语言模型都能原生读取，并且协作进化。 更重要的是，这是一套 能自我进化 的系统。我新学会的任何知识它都能知道，并且定期更新我的个人画像。 在陪伴我创作的过程中，我会针对它的输出不断反馈，同时让它把反馈记录到指定的位置。用得越久，它就越懂我。 模块设计逻辑 我参考 Muratcan Koylan 的设计，结合我自己的需求，把「我自己」的运转拆成了 11 个模块： 模块 一句话说明 Identity 我是谁——价值观、决策规则、身份定义 Personal Brand 写作原则、定位策略 Content 内容积累和生产系统 Knowledge 研究笔记和学习系统 Memory 经验积累——决策记录、失败复盘 Network 联系人、关系维护 Operations 目标、任务、指标追踪 Templates 所有内容类型的结构化模板 Skills AI 技能定义（让 AI 帮我做事的指令集） Automation 自动化脚本和流程 Brand 品牌资产（头像、配色、简介） 模块 模块 一句话说明 一句话说明 Identity Identity 我是谁——价值观、决策规则、身份定义 我是谁——价值观、决策规则、身份定义 Personal Brand Personal Brand 写作原则、定位策略 写作原则、定位策略 Content Content 内容积累和生产系统 内容积累和生产系统 Knowledge Knowledge 研究笔记和学习系统 研究笔记和学习系统 Memory Memory 经验积累——决策记录、失败复盘 经验积累——决策记录、失败复盘 Network Network 联系人、关系维护 联系人、关系维护 Operations Operations 目标、任务、指标追踪 目标、任务、指标追踪 Templates Templates 所有内容类型的结构化模板 所有内容类型的结构化模板 Skills Skills AI 技能定义（让 AI 帮我做事的指令集） AI 技能定义（让 AI 帮我做事的指令集） Automation Automation 自动化脚本和流程 自动化脚本和流程 Brand Brand 品牌资产（头像、配色、简介） 品牌资产（头像、配色、简介） 但重点不是有多少模块，而是这些模块是怎么被组织和调用的。这里有几个关键的设计决策。 渐进式加载 语言模型的上下文窗口是有限的，而且存在一个 U 型注意力曲线——记住开头和结尾，中间模糊。 把所有信息一股脑塞进去，不仅浪费，还会主动降低性能。 所以我设计了三级加载体系： 第一级：路由层（永远加载）。 就是系统总入口 CLAUDE.md，只有几十行。 它不包含任何具体内容，只是提供给告诉 AI整个系统的整体架构情况：什么类型的任务需要加载什么任务模块，只做调度，不做具体工作。 第二级：模块指令（按需加载）。 每个模块有一个指令文件，40 100 行，包含文件清单、工作流程和行为规则。AI 只在需要某个模块时才读它。 第三级：实际数据（仅任务需要时加载）。 JSONL 日志、YAML 配置、研究文档——这些只有在具体操作时才会被读取。 效果是： 最多两跳就能到达任何信息 （总入口 → 模块指令 → 具体数据），但 AI 在任何时刻的上下文里只有当前任务需要的内容，不多不少。 模块隔离 这不只是为了省 token，更重要的是 消除指令冲突 。 比如：内容创作模块的规则是「语言要生动、要有反直觉角度」；联系人模块的规则是「信息要准确、不能遗漏」。 如果两套规则同时出现在上下文里，AI 会左右为难。把规则限定在各自的领域，每个模块内部的指令就是清晰的、不矛盾的。 我的路由表长这样：写内容 → 加载 Personal Brand + Content + Templates；准备会议 → 加载 Network + Operations；记录经验 → 加载 Memory。 模块在加载时是隔离的，但在推理时是连接的 ——它们之间通过 ID 引用互相关联，AI 可以在需要时跨模块追踪信息链。 三种文件格式 不是所有信息都适合同一种格式。我的选择基于 AI 怎么处理这些信息： JSONL（日志数据） ：联系人、发布记录、失败复盘、学习日志。每行一条独立有效的 JSON，只追加不覆盖。 YAML（配置数据） ：目标、价值观、关系圈层、决策启发规则。层级清晰，支持注释，适合表达结构化但需要人类频繁阅读和调整的信息。 Markdown（叙事内容） ：声音指南、研究报告、模板、学习文档。语言模型原生理解，在 Git 里能产生干净的 diff。 下面重点展开两个我用得最多的模块： 学习 和 内容创作 。 我是怎么使用这个系统的 如何学习 传统的学习方式是什么？看书、看视频、记笔记。信息是单向灌入的，理解了多少全靠自觉。 我现在完全不一样。 我所有的学习都是通过跟 AI 对话完成的。 在 Knowledge 模块下，我建了一个交互式学习系统。每开一个新课题，AI 会先生成一份课程大纲，定义学完之后我应该掌握哪些具体能力。 然后一篇一篇地生成学习文档——但关键是，每一篇都基于我上一篇的反馈来调整。