Company Brain Part 3: Interaction Memory
文章探讨了构建“公司大脑”中的交互记忆概念。不同于记录静态事实的事实记忆，交互记忆旨在捕捉人际互动中的上下文、决策逻辑和隐性承诺。文章强调，真正的商业决策发生在对话中而非数据库里，因此需要通过本体论和上下文图谱来解析互动背后的结构。作者认为，一个优秀的系统不仅要记录对话，还要理解其中的决策、假设和依赖关系，同时兼顾隐私与权限，将原始交互转化为可执行的组织智慧。
相关文档
Company Brain：构建组织智能的三层记忆架构
文章探讨了公司如何通过构建“Company Brain”来解决制度性摩擦和上下文缺失的问题。作者指出，单纯的知识库或RAG无法构成真正的公司大脑，提出了一个包含三层记忆的架构：事实记忆（记录发生了什么，强调语义关联而非单纯检索）、交互记忆（记录决策背后的意义与思维链，涉及本体论和上下文图）以及行动记忆（记录实际运作路径与代理护栏）。该系统旨在通过AI帮助组织实现从数据碎片到组织智能的涌现。
打造公司大脑的一年经验总结
本文分享了作者构建“公司大脑”系统的经验。核心观点包括：企业智能将从单纯的知识库转向基于本体的记忆系统；公司记忆应自发于日常工作流而非简单的转录；系统需支持基于角色的多种本体视角，以解决不同部门对同一信息不同理解的问题；最终目标是建立企业的世界模型，通过强化学习机制，降低信息传递延迟，实现上下文实时感知与智能响应。
Company Brain, Part 2: Factual Memory
文章探讨了构建“公司大脑”中的事实记忆层。作者指出，真正的企业记忆不是简单的知识库或带有聊天框的企业搜索，而是一种从个人工作向外涌现的语义文件系统。它必须具备追溯性、权限管理和个性化能力，能够综合多源数据（如文档、CRM、代码）并主动提供上下文，而非仅被动等待查询。
每个人都有 AI 助手之后，团队还需要一个团队助理
文章探讨个人 AI 助手普及后团队协作面临的新问题：每人拥有 AI 不等于团队更聪明，因为各自 AI 上下文分散。作者引入 Team OS（团队操作系统）概念，将其抽象为 Context、Instructions、Skills、Connections、Governance 五类能力，并以 DoorDash 等团队实践为例，说明如何用共享 Repo、PR 审核机制建设团队助理。文章强调团队知识不再必须经由 PM 中转，AI 能力正在从个人资产转变为团队资产，建议从真实场景小范围起步，让团队助理从实际工作中生长出来。
如何打造一个真正能干活的第二大脑（Grok Bot 完整课程）
文章介绍如何用 Grok Bot 在云端构建一个持续运行的“第二大脑”，解决每次与 AI 对话都从零开始的痛点。作者借鉴 Andrej Karpathy 的知识库理念，通过 7 步课程指导读者：用已发送邮件生成个人档案与写作风格文件、用 /workspace 文件夹而非聊天记忆存储慢事实、设置云端 routine 自动归档 Gmail 新材料、每天早晨生成一页摘要、将笔记转化为成品、通过规则固化纠正，最后提供一键粘贴的完整搭建方案。强调文件优于聊天记忆、云端机器人可 24 小时工作，引用 Kevin Rose 的实例佐证。
从0-1通过Grok Bot，组建属于我自己的“梁山好汉”
作者分享如何用 Grok Bot 组建一支有分工的 AI Agent 小队：以水浒人物命名 bot 并按座次管理权限；设置单一入口“宋江”统一派活，吴用写代码、公孙胜独立验收，最后由人拍板合并；制定 7 条需人工确认的红线清单。文章还给出实战案例（App CSS 审计优化）、飞书知识库归档、GitHub 私有仓库备份 bot 记忆的规范，以及从 0 搭建小队的 5 步手把手教程，包括创建 bot、设定时任务、bot 互相派活、接入飞书/GitHub/X、把流程存成技能。
别再听完就忘了：我做了一个小宇宙播客 AI 工作流
作者文子分享了自己开发的「Wenzi 小宇宙工作流」，旨在解决播客听完即忘、难以沉淀知识的问题。该工作流包含两个模块：一是将播客链接自动转录为干净的 Markdown 逐字稿；二是为内容创作者定制化提取选题，先确认用户定位，再从逐字稿中提炼候选选题。作者强调 AI 适合处理转录、排版等繁琐工作，而价值判断和表达决定权应保留在人手中。项目已开源至 GitHub。
AI Native 时代的工作方式：从信息到交付
作者分享了作为 Infra/Kubernetes 工程师在 AI Native 时代的工作方式演变：从 2 月认为 Code Typing 不必要，到 5 月确立「AI 放大执行、人负责判断」，再到 8 月形成信息、研发、落地、工具链的完整链路。信息层面，他用 minds（AI 参与度 90%+）和 my-kms（5%）两个知识仓库，Agent 改动走 PR 流程由人 review；编码层面推行 Spec-driven、用 guides 固化约束、自测 Agent 分层验证；工具链上自建 mind-forge、skm 等工具。核心观点：AI 善于「作」（生产、展开、润色），人负责「创」（问题、判断、观点），工作重点是决策密度、共识形成与保留个人棱角。
如何为知识工作构建 Agentic 系统
文章探讨如何为智能体（Agent）构建知识工作系统。作者认为需要三点：持久化的知识与工作上下文、契合个人工作方式的系统、可复用的基础。提出“知识系统”概念，整合领域对象、证据、工作方法、进行中的工作和界面。介绍其开发的本地优先框架 ars umbris：agent repo 将类型化 Markdown 知识、Agent 能力（skills、MCP 工具）和界面捆绑在一起，仓库间可像代码包一样相互依赖。核心思想是让知识库像代码库一样工作，具备类型系统、诊断、包管理等机制，让编码 Agent 将其代码能力迁移到研究和企业经营等知识工作领域。
Agent traces are the new oil（Agent 轨迹是新石油）
文章提出 Agent 轨迹（traces）正成为 AI 公司间的核心交易资产，甚至出现蒸馏攻击等争夺行为。作者指出 RL 训练、长程任务代理普及使 traces 价值激增，但多数企业仍未善用这一资产。文章分析了 traces 对数据厂商、前沿实验室和应用层的价值，以及在运营优化、安全护栏、持续改进三方面的用途。作者还剖析了从 traces 中提取价值的难点：数据非结构化、体量巨大、反馈混乱、长程信用分配困难等，并类比 2010 年代的大数据浪潮，认为 traces 将成为企业专有智能层和战略资产，唯有通过提炼与使用才能释放价值。
ima 知识库内置 Agent 与 Skills 功能完全使用指南
本文详细介绍了腾讯 ima 知识库的完整使用教程，涵盖界面概览、知识库创建（个人库/共享库）、8种资料导入方式（本地文件、网页、公众号、微信文件、录音转写等）、基于知识库的 AI 问答与多模型选择、文档解读翻译、笔记创作与双向链接、Copilot 智能体记忆配置、算力购买，以及知识号开通、Skill 创建与 Skills 广场、MCP 外部服务连接等功能，是一份面向教师和知识工作者的保姆级操作手册。
我是如何"严肃听播客"，真正吸收一档自己喜欢的播客的
作者分享了自己深入学习英文播客的完整工作流：先通过 Scripod、开源 Skill 或自研 Obsidian 插件获取播客文字稿，再用 AI 提示词将英文口语稿重塑为保留完整论证的中文长文，随后花半小时逐字审阅改稿以真正理解内容，最后借助墨问、公众号等工具沉淀为合集并生成音频，在通勤和做家务时反复阅读收听。文章以 Morgan Housel 的播客为例，强调不追求全自动、保留人工深度参与，是继《严肃阅读工作流》后的姊妹篇。
