AI时代为什么每个人都需要自建系统
文章借罗纳德·科斯的交易成本理论，类比指出调用 AI Agent 同样存在协调成本，因此个人需要自建 AI 系统来解决秩序问题。作者认为个人 AI 系统不是简单的“第二大脑”，而应包含常驻层、规则层、按需层和项目层四层结构，让信息按自身节奏更新，并通过版本化测试流程实现自我更新。系统负责执行与协调，人负责目标、事实、原则、验收标准和最终决定权。自建系统不要求会写代码，起点是讲清自己的需求与判断标准。
全部文档 / 作者: Roland.W / 标签: Agent
12 篇
提示词越写越长，为什么反而不管用了？
作者从内容创作和小说写作的实践出发，发现把所有约束堆在一条长提示词里反而失效。核心问题是所有限制都放在顶层，AI 每次都要重新判断哪条重要。作者提出将 Prompt 分为三级：快速原型级解决能不能做，开发级解决能不能稳定做，管理级负责调度 CLI、Skill、MCP、脚本、Agent 等执行单元。顶层 Prompt 像经理，只保留目标、路由、验收和异常处理，具体规则下沉到各执行单元自带的说明中。写 Prompt 最关键的能力不是表达，而是组织能力。
RW科研skill更新：为什么AI科研需要凭据管理
本文介绍了RW Research Skill中rw-research-passport的更新，新增了Research Credential功能，用于记录科研讨论形成的决定，并提供可验证和回溯的凭据。文章详细说明了凭据的内容、权限分类、不可篡改性及验证机制，强调了聊天记录不能直接作为执行权限的原因，并展望了无人值守的“睡后科研”场景。作者认为凭据管理是实现AI科研自动化和安全性的关键。
RW Research Skill 更新：科研投稿也可以自动化了
作者为其开发的RW Research Skill（一套基于Agent的科研工作流）引入了新的自动投稿模块。该工具能读取期刊要求，自动整理、检查并修改本地论文文件（如分离图表、修正编号），随后代替人工在投稿系统中填写信息与上传材料，且具备页面报错复核机制。该自动化流程大幅减轻了作者在格式调整和反复核对上的繁琐负担，而学术伦理、数据真实性及最终提交等责任仍由作者本人承担。
AI 说做完了，和真的做完了，怎么区分？
文章探讨了如何区分 AI 声称任务完成与实际完成的差异。问题常源于初始指令模糊，如“整理好”、“改一下”缺乏明确标准。作者建议在动手前制定具体的检查清单，明确每项验收标准，并记录检查过程，以确保交付结果符合预期。
字节梦想中的飞书长什么样？
文章探讨了YC开源的多人Agent协作系统QM，分析其如何通过独立工作空间和权限管理解决企业级Agent协作难题。作者对比了QM与字节飞书的架构，认为飞书凭借组织关系、数据沉淀和Aily，有望实现Agent与组织架构的深度融合，真正进入企业业务流程。
为什么我建议你现在开始搭建自己的 Agent？
文章建议读者搭建个人 Agent，而非仅使用单一 AI 工具。真正的 Agent 应整合个人材料、判断与流程，形成可复用的工作系统。通过从熟悉且反复出现的工作入手，明确输入、步骤与验收标准，逐步积累经验，让 AI 真正融入并提升个人工作流。
RW Research Skill：24小时启动科研项目的全流程工具
RW Research Skill 是一套包含18个独立AI技能的科研工具，通过路由器智能判断科研阶段，协助完成从研究问题界定、文献检索、数据分析到论文投稿的全流程。它能帮助研究者在24小时内启动并跑通第一个科研项目，解决科研流程中的顺序与效率问题。
开源 RW Research Skill：构建带来源约束与人工确认的科研辅助工具集
作者 Roland.W 开源了一套用于科研的 RW Research Skill 工具集。该套件包含 12 个独立技能（如路由、问题定义、文献发现、论文提取、证据图谱等），旨在解决 AI 在科研中“证据不足仍生成”的问题。它强调来源要求、明确停止条件和人工确认，将科研流程任务模块化，适用于从本科生到教授的广泛人群，特别适合医学、社科等领域，希望能作为科研自动化的流程层。
Hermes+Obsidian+LLM Wiki搭建本地知识库
本文介绍了一套基于 Hermes Agent、Obsidian 和 LLM Wiki 的本地自动化知识库系统。通过 Hermes 的自动化引擎，用户只需下达指令，系统即可自动提取文档实体与概念，按规范生成 Markdown 文件并建立双向链接。Obsidian 负责可视化和展示，构建出持久积累、完全本地化的知识网络，解决了传统笔记软件信息孤岛和 AI 无记忆的问题。
当一个 AI Agent 接手了我妈的高血压管理
文章讲述了作者如何利用 AI Agent 辅助管理母亲的高血压。面对三甲医院仅 2 分钟的问诊无法处理的 8 年血压数据，作者利用 Claude 进行数据分析发现了“晨峰”规律，检查了药物相互作用，并通过自动化工具生成月报。文章强调了 AI 并非替代医生，而是填补了医疗系统中因时长限制而缺失的连续性管理和个性化分析空白。
AI实施科学：一个2030年之前必将诞生的领域
文章指出，尽管AI模型能力飞速提升，但企业部署成功率却在下降，形成了“AI实施鸿沟”。作者借用医学界的“实施科学”理论，提出将CFIR等框架引入AI领域，以解决技术落地中的组织、人员和流程问题。文章预测，到2030年，AI实施将成为一门独立学科，而解决“落地税”和“能力幻觉”将是行业的关键。