个人 AI 基础设施构建指南 ✍ indigo🕐 2026-07-27📦 10.7 KB 🟢 已读 𝕏 文章列表 本文基于 Daniel Miessler 的 PAI 框架,阐述了如何构建个人 AI 基础设施。核心观点包括从自我定义而非工具开始、利用 TELOS 身份系统构建画像、建立三层记忆架构、遵循代码优于 Prompt 的确定性原则,并提供了一个分阶段的实践路线图,旨在将 AI 升级为持续学习的数字助理。 PAIAI Infrastructure数字助理TELOSPrompt EngineeringAgent # 个人 AI 基础设施构建指南 **作者**: indigo **日期**: 2026-07-27T04:50:14.000Z **来源**: [https://x.com/indigox/status/2081603042026422308](https://x.com/indigox/status/2081603042026422308) ---  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 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: 1. 目标(Goal):首先明确你要解决什么问题 2. 代码(Code):如果能用确定性代码解决,就用代码——结果 100% 可预测 3. CLI 工具:把代码封装成命令行工具,方便复用 4. Prompt:只有需要智能判断时才引入 AI prompt 5. 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 ## 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。 ## 相关链接 - [indigo](https://x.com/indigox) - [@indigox](https://x.com/indigox) - [35K](https://x.com/indigox/status/2081603042026422308/analytics) - [@DanielMiessler](https://x.com/@DanielMiessler) - [github.com/danielmiessler/Personal_AI_Infrastructure](https://github.com/danielmiessler/Personal_AI_Infrastructure) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [12:50 PM · Jul 27, 2026](https://x.com/indigox/status/2081603042026422308) - [35.7K Views](https://x.com/indigox/status/2081603042026422308/analytics) --- *导出时间: 2026/7/27 23:37:29*
如 如何用万字提示词和10个文件为AI打造数字灵魂:Personal AI Infrastructure 文章介绍了一套名为Personal AI Infrastructure (PAI) 的开源方法论,旨在通过万字提示词和十个精心设计的文件,将Claude Code等AI工具从“自动售货机”升级为长期记忆的“操作系统”。核心包括定义数字身份的TELOS系统、模拟人脑的记忆架构、主动感知的Hooks机制以及可扩展的Skills技能库。该系统强调数据主权、版本控制和工程化原则,致力于让AI真正理解用户并成为持久的生活与工作伙伴。 技术 › Claude Code ✍ 向阳乔木🕐 2026-02-11 个人AIPAITELOS工作流提示词工程AgentObsidian知识管理数据主权开源
如 如何让 Claude 像博士生一样研究:斯坦福 STORM 方法 文章介绍了斯坦福大学开发的 STORM 研究系统,该方法通过多视角提问和信息检索生成高质量文章。作者将其简化为 4 个提示词,让用户能在 5 分钟内利用 Claude 生成类似博士水平的深度研究报告,包含视角分析、矛盾映射、综合综述和自我评估。 技术 › LLM ✍ Nav Toor🕐 2026-07-24 ClaudeSTORM提示词研究方法AI工具Prompt Engineering斯坦福高效工作Agent多视角分析
从 从 CoT 到 ReAct:用 Python 搭建 LLM Agent 实战指南 本文通过 Python 演示了如何搭建一个具备规划、工具调用、验证和复盘能力的完整 LLM Agent。教程详细拆解了 Plan-and-Solve、ReAct、Verification、Self-Refine 和 Reflexion 五个核心模块,强调了结构化数据控制流程的重要性,并提供了工程落地的具体代码实现与原则。 技术 › Agent ✍ Mr Panda🕐 2026-07-19 LLMAgentPythonReActCoT工程实践ReflexionPrompt Engineering教程
C Context Engineering for Outbound 文章探讨了上下文工程在外拓代理中的应用,强调通过精心设计上下文窗口(包含角色、案例、证据和规则四层),解决模型幻觉和生成内容泛化的问题。文章介绍了组装、撰写和优化三个核心技能,以提升个性化消息的质量和响应率。 技术 › Agent ✍ Nicolas Finet🕐 2026-07-14 Context EngineeringOutboundAgentLLMPrompt Engineering
F Fable 循环库:25 个全自动工作流实战指南 本文介绍了一套包含 25 个工作流的“Fable 循环库”,旨在教读者如何利用 Claude Code 的 /loop 和 /goal 命令实现 AI 自动化。文章详细阐述了基于目标、边界和结果的 Agent 核心逻辑,区分了循环和目标的区别,并按营销内容和产品两个维度,展示了如何利用 MCP 和 API 自动执行 SEO 监控、内容挖掘、竞品分析及用户体验优化等任务。 技术 › Agent ✍ Machina🕐 2026-07-05 Claude CodeWorkflowAutomationAgentMCPFableSEOPrompt Engineering效率工具
从 从 Prompting 到 Loop Engineering:AI 编程的新范式 文章提出 AI 编程领域正在从人工编写提示转向设计循环。Loop Engineering 是指编写自动化的程序来驱动编码 Agent,通过设置目标、执行、检查和反馈的闭环,实现无人值守的代码生成与修复。文章分析了循环的五种演进形式及六个核心组件(如触发器、隔离、上下文等),并结合 Claude Code 的 /goal 命令展示了具体的工程实践。 技术 › Agent ✍ elvis🕐 2026-06-20 AILoop EngineeringClaude CodePrompt EngineeringAgent自动化DevOps编程范式
7 7篇必读:如何全面掌握 Claude 与 AI 实战指南 作者分享了7篇关于 Claude 和 AI 的精选文章,涵盖提示词工程、语音代理构建、个人助手打造以及一人企业的 AI 商业化模式。文章旨在帮助用户从 10% 的使用率提升至 100%,并利用 AI 进行内容创作变现。 技术 › Claude ✍ Nicolas Cole🕐 2026-05-24 AIClaudePrompt Engineering教程技巧Agent自动化商业化写作
2 2026年AI开发者从零到英雄的完整路线图 这是一份针对2026年AI开发者的完整学习指南。文章指出,成为AI开发者不再需要计算机学位,通过正确的路线图,个人即可构建AI应用和SaaS产品。指南分为十个阶段:首先理解AI生态系统的基本概念(AI、ML、LLM、Agent等);接着掌握Python基础、API调用及Git工具;然后通过现有AI工具(如OpenAI API、LangChain)快速动手实践;最后深入学习前端技术、提示工程、LLM原理(RAG、微调)及应用部署。文章强调“学习-构建-分享”的循环策略,并指出AI智能体、自动化及RAG系统是当前的高价值技能。 技术 › LLM ✍ Shabnam Parveen🕐 2026-05-23 AI开发学习路线图LLMAgentAutomationRAGPythonPrompt Engineering职业发展
让 让 Codex 在你睡觉时自己写代码 文章分享了作者利用 Codex 进行夜间代码自动化的实战经验。核心观点是:不能将 Codex 视为可随意许愿的全能工程师,而应通过清晰的任务边界、明确的范围限制和严格的验收标准(如 AGENTS.md),将其转化为高效执行者。文章详细列举了适合夜间运行的任务(如安全审计、补测试、更新文档)和应避免的任务(如产品判断、大重构),并提供了具体的 Prompt 模板和验收流程。 技术 › Codex ✍ 老金🕐 2026-05-19 Codex自动化工程实践Prompt EngineeringAgent夜班工作流代码审查最佳实践
H Hermes Agent 的记忆系统设计分析 文章深入分析了开源 Hermes Agent 的记忆系统架构。与 OpenClaw 不同,Hermes 不依赖单一记忆,而是采用了四层架构:极简的 Prompt 冻结记忆(MEMORY.md/USER.md)、基于 SQLite 的会话搜索、程序化技能以及可选的 Honcho 层。其核心设计理念是保持 Prompt 稳定以利用缓存,并将历史细节剥离至外部工具按需检索。 技术 › Hermes ✍ Manthan Gupta🕐 2026-04-30 AgentMemory SystemOpenClawLLM架构设计SQLiteSession SearchPrompt Engineering代码分析缓存优化
D DESIGN.md:让 AI Agent 保持 UI 一致性的关键 文章指出 AI 生成 UI 的最大问题在于缺乏一致性,并引入了 Google Stitch 团队提出的 DESIGN.md 概念。DESIGN.md 是一种纯文本文档,包含机器可读的 YAML 代码(颜色、字体)和人类可读的 Markdown 规则(设计原则),用于指导 Agent 遵循统一的设计规范。文章详细阐述了 DESIGN.md 的结构、编写方法(如从现有 UI 推断、避免模糊的形容词)以及如何让 AI 引用该文档进行自我审查,强调它是辅助而非取代设计师的工具。 技术 › Agent ✍ George from prodmgmt.world🕐 2026-04-27 AIUI/UX设计系统Prompt EngineeringAgent产品设计DevOps工程化
A Agent Harness 中的上下文管理机制深度解析 文章深入探讨了构建 Agent Harness 时面临的上下文窗口管理挑战。通过对比 Pi、OpenClaw、Claude Code 和 Letta 四种主流系统,详细分析了它们在处理大文件读取、会话剪裁和摘要生成时的不同工程策略。文章指出,优秀的系统不应将上下文窗口视为被动缓冲区,而应主动管理状态、建立索引并智能分页,以维持长会话中的连贯性。 技术 › Agent ✍ Aparna Dhinakaran🕐 2026-04-27 AgentContext ManagementClaude CodeOpenClawEngineeringPrompt EngineeringArchitectureLlamaIndex