newtype.
转载阅读ISSUE 001

不要从工具开始，从自己开始：个人AI基础设施构建指南

作者indigo
发布2026/07/29
来源INDIGO数字镜像
阅读原文

基于@DanielMiessler的Personal AI Infrastructure (PAI)框架整理。不要从工具开始，从自己开始。 在选择任何AI工具之前，先花时间搞清楚自己的目标、信念和工作方式。架构设计远比模型选择重要。 一个好的上下文管理系统 + 普通模型，往往比一个没有上下文的顶级模型表现更好。

来源： github.com/danielmiessler/Personal_AI_Infrastructure

01 · 核心理念：为什么要构建个人AI基础设施？

PAI框架的出发点并非“如何更好地使用AI工具”，而是一个更深层的问题——绝大多数人的创造潜力从未被真正激活。AI助理的终极目标不是帮你回复邮件或总结文档，而是帮你发现、厘清并持续追求你的人生目标。

普通的AI聊天工具（如ChatGPT、Claude）是无状态的：每次对话从零开始，不记得你是谁、在做什么、想去哪里。PAI的核心主张是将AI从“一次性问答工具”升级为一个持续学习、深度理解你的数字助理（Digital Assistant, DA）。

这个数字助理具备三个关键特征：

  • 目标导向：始终围绕你的愿景和目标运作，而非围绕工具或技术
  • 持续学习：从每次交互中提取信号，不断改进对你的理解
  • 深度上下文：了解你的偏好、历史、思维方式和当前挑战

02 · TELOS身份系统

用10个文件定义“你是谁”

TELOS是整个PAI框架的基石。它通过10个Markdown文件构建一份完整的个人画像，让AI在任何时刻都能理解你的全貌。

2.1十个核心文件

文件 内容 示例问题
MISSION.md 你的人生使命 “我存在的意义是什么？”
GOALS.md 当前目标 “未来1-3年我想达成什么？”
PROJECTS.md 正在进行的项目 “我手上有哪些具体的事情？”
BELIEFS.md 核心信念 “我相信什么是对的？”
MODELS.md 思维模型 “我用什么框架理解世界？”
STRATEGIES.md 做事策略 “我倾向于用什么方法解决问题？”
NARRATIVES.md 塑造你的故事 “哪些经历定义了今天的我？”
LEARNED.md 已学到的教训 “我从过去犯的错误中学到了什么？”
CHALLENGES.md 当前挑战 “什么阻碍了我的前进？”
IDEAS.md 值得探索的想法 “有哪些值得深入研究的方向？”

2.2为什么这很重要

当你的AI助理读取了这10个文件，它就不再是一个通用的聊天机器人，而是一个了解你背景的“同事”。它知道你在做什么、想要什么、怎么思考。这意味着你不需要每次对话都重新解释自己的情况——AI已经知道了。

2.3实践建议

不需要一开始就写得很完美。每个文件哪怕只有3-5句话也好。随着时间推移，你会不断补充和修正。关键是先建立这个框架，让迭代自然发生。

03 · 三层记忆架构（Hot / Warm / Cold）

TELOS定义了“你是谁”，而记忆系统则记录了“发生了什么”以及“学到了什么”。PAI采用三层记忆架构：

3.1热记忆（Hot Memory）

作用：捕捉最近交互中的即时信号。包括当前对话中的偏好、刚刚做出的决策、最近的反馈和评价。热记忆是短期的，帮助AI在当前会话中保持连贯性。

3.2温记忆（Warm Memory）

作用：存储中期积累的模式和洞察。比如你反复使用的工作流、新出现的兴趣方向、最近几周的工作重心变化。温记忆帮助AI识别趋势和习惯。

3.3冷记忆（Cold Memory）

作用：保存长期知识和历史经验。包括过去几个月甚至几年的关键决策、重大教训、长期偏好。冷记忆确保AI不会丢失你积累的智慧。

3.4信号捕捉机制

每次交互都会产生信号，包括你的评分和反馈、情绪变化、成功或失败的结果、明确表达的偏好。这些信号被分类存入不同层级的记忆，形成一个持续学习的闭环。

04 · 技能系统与决策层次

PAI对“何时使用AI”有一个非常务实的判断框架。

4.1决策优先级链

目标 → 代码 → CLI工具 → Prompt → Agent技能

这个层次的核心逻辑是确定性优先：

  • 目标（Goal）：首先明确你要解决什么问题 代码（Code）：如果能用确定性代码解决，就用代码——结果100% 可预测
  • CLI工具：把代码封装成命令行工具，方便复用
  • Prompt：只有需要智能判断时才引入AI prompt
  • Agent技能：最高层级，将prompt封装为可复用的agent能力

4.2为什么不直接用AI？

AI模型是概率性的——同一个prompt可能产生不同结果。对于有确定性解决方案的问题（格式转换、数据计算、文件操作），用代码比用AI更可靠。只有在需要理解、推理、创意时，才值得动用AI的概率性能力。

4.3技能的模块化设计

每个技能是一个独立的模块，遵循UNIX哲学——做一件事，做好它。技能之间可以组合使用，形成复杂的工作流。

05 · 用户/系统分离架构

5.1两个核心目录

PAI/ ├── USER/          ← 你的所有个性化内容 │   ├── identity/  ← 姓名、声音、个性 │   ├── preferences/ ← 技术栈、工具偏好 │   ├── workflows/ ← 工作流定义 │   ├── skills/    ← 自定义技能 │   ├── hooks/     ← 事件钩子 │   └── memory/    ← 记忆数据 └── SYSTEM/        ← PAI基础设施代码

5.2为什么要分离

这个设计解决了一个关键问题：当系统更新时，你的个性化配置不会被覆盖。你的身份、记忆、工作流是属于你的资产，独立于底层工具的版本迭代。

5.3六层自定义

层级 内容 说明
身份 姓名、声音、个性 AI如何称呼你、用什么语气和你说话
偏好 技术栈、工具 你偏好的编程语言、编辑器、平台
工作流 执行模式 你处理特定任务的标准流程
技能 可用能力 AI可以调用的具体能力
钩子 事件响应 在特定事件（会话开始、工具执行）时自动触发的动作
记忆 信号捕捉 什么信息值得被记住

06 · 16条指导原则

原则1：用户中心

一切设计围绕用户的目标和需求，而非技术的可能性。

原则2：科学方法作为基础算法

“假设 → 实验 → 测量 → 迭代”是解决一切问题的元方法。不要猜测，要验证。

原则3：清晰思考优先

好的prompt来自清晰的思考。在写prompt之前，先搞清楚你到底想要什么。

原则4：架构比模型重要

不要纠结于用GPT-4还是Claude——系统的设计（上下文管理、记忆、工作流）远比模型选择重要。好的架构可以适配任何模型。

原则5：确定性基础设施

用模板、固定流程和结构化输出来减少AI的不可预测性。让概率性的AI运行在确定性的轨道上。

原则6：代码优先于Prompt

能用代码确定性解决的问题，就不要交给概率性的AI。

原则7：规格/测试/评估先行

先写清楚你要什么（规格），怎么判断成功（测试），如何衡量质量（评估），然后再动手实现。

原则8：UNIX哲学

每个组件做一件事，做好它。组件之间通过清晰的接口组合。

原则9：工程纪律

把AI基础设施当作生产级软件来对待——有版本控制、有测试、有文档。

原则10：CLI作为首选界面

命令行界面比图形界面更快、更可脚本化、更容易自动化。

原则11：决策层次

Goal → Code → CLI → Prompts → Agents，从确定性到概率性依次递进。

原则12：技能管理

模块化的能力，根据上下文自动路由到合适的技能。

原则13：记忆系统

捕捉一切值得知道的信息，形成持续学习的基础。

原则14：Agent个性化

不同的Agent有不同的性格和擅长领域，就像一个团队中的不同角色。

原则15：科学作为元循环

持续运行“假设 → 实验 → 测量 → 迭代”的循环，让系统不断进化。

原则16：允许说“不知道”

明确允许AI承认不确定性。这比胡编乱造有价值得多。

07 · 安全与权限系统

7.1设计理念

安全系统的目标是在保护用户的同时不妨碍工作流。好的安全设计应该让你几乎感觉不到它的存在，但在危险操作面前坚定拦截。

7.2权限验证

每个操作都经过权限检查，危险操作（如删除文件、发送敏感信息）需要显式确认。系统应避免出现需要“跳过所有权限检查”的粗暴开关。

08 · 事件钩子系统（Hooks）

8.1什么是钩子

钩子是在特定事件发生时自动触发的动作，类似于“如果…那么…“规则。

8.2典型事件

会话开始：加载用户上下文、检查待办事项、显示今日摘要 工具执行前：验证权限、记录操作意图 工具执行后：捕捉结果信号、更新记忆 会话结束：保存学习成果、生成会话摘要

8.3价值

钩子让AI助理从“被动响应”变为“主动服务”。不是你问它才回答，而是它在合适的时机主动提供帮助。

09 · 实践路线图：如何从零开始

阶段一：建立身份基础（第1周）

  1. 创建一个文件夹作为你的“AI基础设施”根目录
  2. 按TELOS框架创建10个Markdown文件
  3. 每个文件先写3-5句话，不求完美
  4. 重点投入MISSION.md、GOALS.md和PROJECTS.md

阶段二：构建持久上下文（第2-3周）

  1. 将TELOS文件整合为AI对话的系统提示或上下文文件
  2. 建立一个简单的日志文件，每次重要交互后记录关键收获
  3. 开始区分热/温/冷记忆——哪些信息是临时的，哪些是长期的

阶段三：开发常用技能（第4-6周）

  1. 识别你最频繁的3-5个工作流
  2. 为每个工作流编写一个标准化的prompt模板
  3. 能用代码自动化的部分就写成脚本
  4. 将prompt + 脚本封装为可复用的“技能”

阶段四：建立反馈循环（持续进行）

  1. 每次使用AI后简单评估结果质量
  2. 定期回顾TELOS文件，更新目标和项目
  3. 分析什么技能效果好、什么需要改进
  4. 不断迭代——这是一个永不结束的过程

10 · 关键启示总结

不要从工具开始，从自己开始。 在选择任何AI工具之前，先花时间搞清楚自己的目标、信念和工作方式。

架构设计远比模型选择重要。 一个好的上下文管理系统 + 普通模型，往往比一个没有上下文的顶级模型表现更好。

确定性优先，概率性补充。 能用代码解决就用代码，只在需要智能判断时才引入AI。

持续学习是核心价值。 静态的AI助理只是工具，会学习的AI助理才是伙伴。

从简单开始，允许迭代。 不需要一步到位。先建立最小可用的TELOS框架，然后在使用中逐步完善。

本文档整理自Daniel Miessler的Personal AI Infrastructure项目，结合实践建议编写。原始项目使用TypeScript和Bun运行时构建，与Claude Code原生集成。