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。
相关文档
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。
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。
Building Self-Correcting Memory in OpenWiki
本文介绍 OpenWiki 如何构建自我修正的记忆系统。传统记忆系统难以发现知识过时，导致记忆漂移和污染。OpenWiki 通过记录 wiki 页面中的事实性声明及其在代码中的支撑证据，并追踪证据版本，在代码变更时将相关声明标记为过时。每次更新前进行确定性的过期检测，由 Agent 在读取页面时重新验证或修正声明，形成自我修正反馈循环。该系统通过 OKF v0.2 格式使声明与溯源信息可移植。评估显示，声明运行时使过时声明从 80 降至 9，幻觉声明从 15 降至 0，且更新成本随代码变更量而非声明总数扩展。
How I write with AI
作者分享了如何借助 AI 进行写作：坚持“用 AI 辅助写作”而非“让 AI 代写”，文字必须出自本人。他用 LLM 加速研究，通过自建的 researcher skill 结合 Exa、Hacker News、内部仓库和 Slack 等工具寻找真实、可引用的案例，并要求来源和引语以抑制幻觉。在草稿阶段，AI 充当文档内搜索和研究伙伴，帮助补充例子、验证事实、发现盲点。他强调写作者应多实验 AI 用法，而非因 AI 垃圾内容而全盘否定。
如何在5分钟内构建你的公司大脑
文章介绍了如何利用Supermemory快速构建一个“公司大脑”，即基于知识库和Agent的综合系统。通过邀请机器人加入Slack、连接工具、自动化任务等步骤，企业可以拥有一个具备全公司知识的高级AI员工，用于销售、工程、研发等多种场景。
The context gold rush: Why everyone is building the same thing
文章分析了当前 AI 领域的“淘金热”——上下文管理。作者指出，从 Jevons 悖论到数据主权，多因素驱动了初创公司和大企业竞相构建公司大脑或 LLM 知识库。尽管切入角度各异（如个人知识库、代理内存、可观测性工具等），但核心目标一致：为未来的智能体劳动力提供数据上下文层。文章认为该领域潜力巨大，但也面临产品同质化。
The LLM Wiki: 3 Months of Letting Agents Run My Second Brain
文章分享了作者使用LLM代理管理和维护个人知识库（Obsidian Vault）的3个月实践经验。通过分离原始资料与生成内容、定义单一知识流向、统一页面模板以及基于情境的文件夹组织，作者成功将维护工作委托给代理，解决了传统第二脑因维护成本高而失效的问题。
万字长文：做了些爆款 Skills 以后，我对 Skills 的看法
本文通过作者制作多个爆款 Skill（如 PPT、社交媒体卡片、Logo 生成等）的实战经验，深入探讨了 Skill 在 AI 时代的本质与价值。作者指出，Skill 不仅是提示词，更是封装专家经验、工作流和审美判断的“能力商品”，能有效弥合 Agent 使用中的认知差距。文章详细阐述了 Skill 的设计哲学（中心短、辐射厚）、像代码一样的维护流程，以及如何通过“把品味变成约束”来保证高质量输出。
GBrain 深度解读：YC 掌门人打造的 AI 知识引擎
GBrain 是 Y Combinator CEO Garry Tan 开源的个人知识管理系统。它突破了传统笔记工具的存取模式，通过集成知识图谱、混合搜索与 LLM 合成能力，实现跨文档的关联理解与自动回答。系统采用 Markdown+Git 存储数据，支持 MCP 集成及 43 种预置技能，目前已在 14 万页规模的生产环境中得到验证。
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。
千元横测 GPT、DeepSeek、Xiaomi、MiniMax：最强模型与 Agent 的绝配组合
本文详细横评了 GPT 5.5、MiniMax M2.7、DeepSeek V4 Pro 和小米 Mimo-V2.5-Pro 四款大模型在 Hermes Agent 场景下的表现。通过 Skill 打包、网页开发、PPT 制作、知识库整理及浏览器自动化五项任务，测试了各模型的逻辑推理、审美迁移、长文本处理及 API 消耗能力。最终结果显示，不同模型在 Agent 任务中各具特色，需根据具体场景选择最优解。
Company Brain: Why Most Companies Have Data But No Memory
文章探讨了组织内部的摩擦与记忆缺失问题，指出企业虽积累海量数据碎片，却缺乏将其转化为记忆并进行推理的能力。作者定义了“公司大脑”的三层结构：事实记忆层（记录发生的事件）、上下文图谱层（连接事实并进行推理）以及行动协调层（基于上下文辅助决策）。文章强调，AI Agent 的失败往往不是因为缺乏数据，而是因为企业丢失了数据背后的推理逻辑和决策背景。