# 一万字提示词+10个文件，给你的AI造一个“数字灵魂”
**作者**: 向阳乔木
**日期**: 2026-02-10T15:10:24.000Z
**来源**: [https://x.com/vista8/status/2021240338908876854](https://x.com/vista8/status/2021240338908876854)
---
上上周参加朋友组织的闭门会。
会上一朋友分享了自己基于Claude Code + Obsidian的个人助理探索。
效果很惊艳，同样用Claude Code，她的工具好像活了一样。
完全理解她当下的重点，后续要做什么，并主动给出建议。
这让我想起前段时间听的一个播客，受访嘉宾写了一万字的Claude.md提示词。
搭建了一个叫TELOS的个人系统，里面记录了他的职业、喜好，人生原则和目标等各种信息。
回家后，结合朋友的分享和TELOS搭建了一套自己的系统。
现在的Claude Code对我已经很了解，比如：
直到昨天，收到另一个好友的建议和分享。
我才发现，TELOS系统作者把自己的整套方法论开源了。
https://github.com/danielmiessler/Personal_AI_Infrastructure
有点激动的我，忍不住翻译一篇文章，一起学习这套方法轮。
用到的工具就两个：
一个Claude Code（国内AI配置的也行） + Obsidian（免费笔记软件）。
下面是这套系统的介绍。
每次打开 AI，我们好像都在和一个"陌生人"对话。
它不记得你昨天说过什么，不知道你正在做的项目，更不了解你的思维方式和工作习惯。
（一些AI已经有记忆系统，但太弱了！）
每一次对话都是从零开始，像是在酒吧里偶遇的陌生人：聊得再投机，转身就忘。
这很荒谬，不是吗?
我们花了几十年时间让电脑"记住"我们的偏好设置、浏览历史、工作文档，却让最智能的 AI 助手变成了一个"失忆症患者"。
直到我看到 Personal AI Infrastructure 这个项目。
我才意识到:
问题不在于 AI 的记忆力，而在于我们一直把 AI 当成了"工具"，而不是"基础设施"。
## 从工具到基础设施：一次思维范式的转变
从自动售货机到操作系统的跃迁
让我们先理解一个概念：什么是基础设施?
你的电脑操作系统是基础设施：
它持续运行，记住你的设置，管理你的文件。
你的云存储是基础设施：
它永远在那里，随时可以访问你的数据。
你的个人笔记系统(无论是 Notion 还是 Obsidian)也是基础设施：
它积累你的知识，随着时间成长。
但现在的 AI 工具呢? 它们更像是"自动售货机"。
你提出问题，它吐出答案，随着上下文变长，它会忘记这次交互。
Personal AI Infrastructure (PAI) 要做的，是把 AI 从"自动售货机"升级成"操作系统"。
当我们开始把 AI 当作基础设施来设计时。
整个产品的架构就完全不同了:
- 持久性 vs 无状态：你的 AI 应该像你的电脑一样，记住所有交互历史
- 个性化 vs 通用：它应该了解你的独特背景、价值观和工作方式
- 可编程 vs 黑盒：你应该能够自定义它的行为,就像配置你的开发环境
- 版本控制 vs 随机：它的行为应该是确定的、可追溯的、可回滚的
看到区别了吗？
这就像从"租用计算能力"到"拥有个人电脑"的飞跃。
## TELOS：你的数字身份档案
十个维度构建你的数字自我
PAI 的核心创新之一是 TELOS 系统。
这个名字来源于希腊语，意为"目的"或"终极目标"。
设想下，如果 AI 真的要成为你的长期助手，它需要了解什么?
传统的 AI 聊天机器人只知道你刚刚告诉它的内容。
但 TELOS 系统用 10 个精心设计的文件 来捕捉"你是谁":
- 核心身份 (00-core-identity.md)：你的基本信息、背景、角色
- 价值观 (01-values.md)：什么对你来说最重要
- 背景 (02-background.md)：你的经历塑造了怎样的你
- 技能 (03-skills.md)：你擅长什么,你在学什么
- 沟通风格 (04-communication-style.md)：你喜欢怎样的对话方式
- 目标 (05-goals.md)：短期和长期,你想实现什么
- 知识领域 (06-knowledge-domains.md)：你的专业领域和兴趣范围
- 工作方式 (07-work-approach.md)：你的工作流程和偏好
- 关系与背景 (08-relationships-context.md)：你的社交和职业网络
- 兴趣 (09-interests.md)：让你感到兴奋的事物
这不是简单的"用户画像"，这是你的数字自我。
更重要的是，这些文件不是一次性填写的问卷，而是 持续进化的档案。
每次对话、每个项目、每次反思，都在丰富这个档案。
你的 AI 基础设施真正地"认识"你，并随着你的成长而成长。
有个细节特别打动我:TELOS 文件使用 Markdown 格式，存储在本地。
这意味着:
- 数据主权：你的个人信息完全在你的控制之下
- 可读性：你随时可以打开查看、编辑
- 可版本控制：可以用 Git 追踪你的自我认知如何演变
- 可迁移：不锁定在某个平台，随时可以迁移
这是真正的"个人"AI 基础设施。
## 记忆系统：AI 的"第二大脑"
三层记忆架构：从涟漪到结晶
如果 TELOS 定义了"你是谁"，那么记忆系统就记录了"你做过什么"。
PAI 实现了三层记忆架构，就像人类的记忆系统:
1. 短期记忆 (Working Memory)
当前对话的上下文，就像你在和朋友聊天时记住的前几句话。
这是实时的、动态的。
2. 情景记忆 (Episodic Memory)
具体的对话记录和项目历史。
"上周我们讨论过那个 API 设计问题，你当时建议..."
AI 可以准确回忆。
3. 语义记忆 (Semantic Memory)
从经验中提炼的知识和模式。
不是逐字记录,而是理解和概括。
"你通常喜欢用函数式编程风格"，"你对性能优化特别关注"。
这种分层设计很聪明，因为它模仿了人类大脑的工作方式。
我们不会记住每个细节，但会记住重要的事件，并从经验中形成概念和直觉。
更关键的是检索机制。
PAI 使用向量数据库和相似度搜索，让 AI 能够：
- 根据当前问题找到相关的历史对话
- 识别模式和重复出现的主题
- 在需要时调取相关背景
这不是简单的"翻聊天记录"，而是真正的联想记忆。
就像你听到一个词，自然联想到相关的经历。
## Hooks：让 AI 主动感知你的世界
给 AI 装上感知世界的触角
这是我最喜欢的功能之一：Hooks 系统。
你知道 Git hooks 吗?
在特定事件发生时(比如 commit、push)自动触发脚本。
PAI 把这个概念应用到 AI 交互上。
想象几个场景:
场景 1:工作流集成
> user-prompt-submit-hook:
> - git status
> - jq -r '.current_task' ~/work/status.json
每次你向 AI 提问前，自动运行这些命令，让 AI 知道你当前的 Git 状态和工作任务。
场景 2:自动日志
> assistant-response-hook:
> - echo "AI 交互: $(date)" >> ~/logs/ai-activity.log
每次 AI 回复后，自动记录时间戳，方便追踪你的工作节奏。
场景 3:上下文同步
> tool-call-hook:
> - sync-workspace-state
当 AI 要调用工具时，先同步工作区状态，确保信息最新。
Hooks 的本质是：让 AI 主动感知你的工作环境，而不是被动等待你的输入。
这就像给 AI 安装了"传感器"。
它不再是一个隔离的对话框，而是真正嵌入到你的工作流程中。
## Skills：可组合的 AI 能力
像搭积木一样扩展 AI 能力
如果说 Hooks 让 AI 感知环境，那 Skills 就是让 AI 学会新能力。
Skills 系统的设计哲学很清晰：AI 应该像程序一样可以扩展功能。
每个 Skill 本质上是一个精心设计的提示词模板，但它是:
- 命名的:通过 /skill-name 调用，就像 CLI 命令
- 参数化的：可以接受输入，执行特定任务
- 可组合的：Skills 可以相互调用，构建复杂工作流
举几个例子:
> /review-pr 123 # 审查 GitHub PR #123
> /commit # 智能生成 Git commit message
> /analyze-logs error # 分析日志文件中的错误
> /explain-code main.py # 详细解释代码文件
这些不是预设在 AI 模型里的能力，而是你可以自己定义和安装的"插件"。
更重要的是社区效应。
就像 VS Code 的扩展市场、npm 包生态一样，PAI 的 Skills 可以分享和复用。
你可以:
- 安装别人创建的优秀 Skills
- 根据自己的工作流定制 Skills
- 将你的最佳实践封装成 Skills 分享给团队
这是真正的"可编程 AI"，不是调 API 参数，而是用自然语言"编程"AI 的行为。
## 工程原则:确定性、模块化、可追溯
软件工程的三根支柱
如果你是开发者，你会爱上 PAI 的设计哲学。
它把软件工程的最佳实践应用到 AI 系统上:
1. 确定性
传统 AI 聊天的问题：同样的问题，每次得到不同的答案，像个"黑盒"。
PAI 的解决方案:
- 所有配置文件化 (YAML/Markdown)
- 所有交互可记录、可回放
- 版本控制所有变更
你可以准确地知道："为什么 AI 会这样回答?"
2. 模块化
PAI 的架构是高度模块化的:
- TELOS 文件：身份模块
- Memory 系统：记忆模块
- Hooks：事件模块
- Skills：能力模块
- Tools：工具模块
每个模块独立、可替换、可组合。
你可以只用其中一部分，也可以全部使用。
3. 可追溯性
所有关键数据用纯文本格式:
- TELOS 用 Markdown
- 配置用 YAML
- 对话用 JSON
这意味着:
- 可以用 git diff 看变化
- 可以用 grep 搜索历史
- 可以用任何文本工具处理数据
这不是在用 AI，这是在构建系统。
## 实际应用:AI 如何改变你的日常工作流
从临时顾问到常驻伙伴
理论说够了，让我们看看实际应用场景。
场景 1:长期项目管理
你在做一个持续几个月的项目。
传统 AI：每次对话都要重新解释项目背景。
用 PAI:
- TELOS 的 05-goals.md 记录了项目目标
- Memory 系统记住了所有设计决策
- /project-status Skill 可以快速生成进度报告
- Hooks 自动同步 Git 状态和 TODO 列表
AI 真正成为了项目成员，而不是临时咨询顾问。
场景 2:知识积累
你在学习新技术栈，不断记笔记、写代码、问问题。
用 PAI:
- 每次学习对话都被记录在 Episodic Memory
- 重要概念自动提炼到 Semantic Memory
- 06-knowledge-domains.md 随着学习更新
- /review-learning Skill 帮你定期复习
AI 从"答题机器"变成了"学习伙伴"。
场景 3:团队协作
你的团队成员也在用 PAI，你们的 AI 需要相互理解。
用 PAI:
- 可以导出/导入 TELOS 配置(脱敏版本)
- Skills 可以在团队间共享
- Memory 系统可以记录团队共识
AI 不再是个人工具,而是团队基础设施。
场景 4:创意工作
你是作家/设计师/创业者，需要 AI 理解你的风格和愿景。
用 PAI:
- 04-communication-style.md 定义你的语言风格
- 01-values.md 确保 AI 建议符合你的价值观
- Memory 系统记住你的创意演化过程
- /brainstorm Skill 基于你的历史产生新想法
AI 真正理解你的创意意图，而不是生成通用内容。
## 民主化企业级 AI：一个更大的愿景
让每个人都拥有企业级的力量
PAI 的使命陈述特别打动我:
> "我们的使命是民主化企业级 AI 基础设施的访问，让每个人都能利用 AI 的力量来激活他们的创造潜力，而不必被复杂的技术细节所累。"
这段话包含两层含义:
1. 民主化企业级能力
大公司可以投入几百万美元构建定制 AI 系统：个性化、持久化、集成到工作流。
但个人开发者、小团队、创业者呢?
PAI 要改变这个不平衡。
它提供了一个开源框架，让任何人都能构建"企业级"的个人 AI 基础设施。
2. 激活创造潜力
更深层的目标不是"让 AI 更强大"，而是"让人更有创造力"。
当 AI 真正理解你、记住你、适应你，它就不再是"替代你思考"的工具，而是"增强你思考"的伙伴。
设想一下:
- 作家可以和 AI 讨论角色发展，AI 记住所有设定细节
- 研究者可以让 AI 追踪文献、连接想法、指出矛盾
- 创业者可以和 AI 探索商业模式，AI 记住每次迭代的理由
这才是真正的增强。
## 技术实现：给开发者的细节
如果你想深入了解技术实现，这里有些关键点:
架构选择
- CLI 优先：基于命令行，可脚本化，便于集成
- 本地存储：数据存在用户设备,隐私和控制权
- 模型无关：支持 OpenAI、Anthropic、本地模型
- 插件化：核心轻量，功能通过 Skills/Hooks 扩展
数据流
> 用户输入
> → Hooks 预处理
> → TELOS 加载
> → Memory 检索相关上下文
> → 构建完整 Prompt
> → 调用 LLM
> → Skills 执行
> → Memory 存储新交互
> → Hooks 后处理
> → 返回响应
每一步都是明确的、可配置的、可观察的。
存储方案
- TELOS: Markdown 文件
- 对话历史: JSON Lines 格式
- 向量数据库: SQLite + 向量扩展 或 专用向量库
- 配置: YAML 文件
全部是开放格式,可以用任何工具处理。
扩展点
PAI 设计了清晰的扩展接口:
- 自定义 Skills：Markdown 文件定义
- 自定义 Hooks：Shell 脚本或可执行文件
- 自定义 Tools：遵循统一接口的插件
- 自定义 Memory 后端：实现 Memory API
这是一个真正为开发者设计的系统。
## 挑战与未来:这不是完美的解决方案
前路有挑战，但方向已清晰
PAI 代表了一个激动人心的方向，但我们也要看到挑战:
1. 冷启动问题
要让系统真正有用，你需要:
- 填写 10 个 TELOS 文件(需要深度自我反思)
- 积累足够的交互历史(时间投入)
- 配置 Hooks 和 Skills(技术门槛)
初期投入不小。
这就像搭建个人知识管理系统：前期痛苦，长期回报。
2. 数据隐私与同步
本地存储保证了隐私，但也带来问题:
- 如何在多设备间同步?
- 如何备份和恢复?
- 如何在保护隐私的前提下分享部分信息?
这些问题都可以解决(Git、加密、选择性导出)，但需要用户有一定技术能力。
3. 成本与性能
持久化记忆意味着更长的上下文、更多的 API 调用。
- 每次对话都检索历史记忆 → 更慢
- 更长的 Prompt → 更贵
- 向量搜索 → 需要本地计算资源
需要在"完整上下文"和"效率"之间平衡。
4. 记忆管理
记忆会不断增长，如何:
- 决定什么该记住、什么该忘记?
- 更新过时的信息?(你的目标变了、技能提升了)
- 避免记忆混乱和矛盾?
这需要智能的记忆管理策略，目前还在探索中。
## 更大的图景:AI 的个人化时代
从标准化到个性化的三个时代
把 PAI 放在更大的背景下看:
从通用到个性
AI 的发展经历了几个阶段:
- 任务专用 AI(2010s)：只做一件事，如图像识别
- 通用对话 AI(2020s)：ChatGPT，什么都能聊
- 个性化 AI 基础设施(现在)：适应每个人的独特需求
PAI 是第三阶段的代表。
从工具到伙伴
我们和 AI 的关系正在改变:
- 工具时代：我用 AI 完成任务
- 助手时代：AI 帮我做事
- 伙伴时代：AI 理解我、适应我、和我一起成长
PAI 在推动这个转变。
## 你可以做什么?
从一颗种子开始
如果 PAI 的理念打动了你，这里有几个行动步骤:
1. 尝试构建你的 Personal AI
你不一定要用 PAI 项目本身，但可以借鉴它的思路:
- 开始记录你和 AI 的对话
- 创建一个"关于我"的文档，每次对话前提供给 AI
- 尝试用脚本自动化你的 AI 工作流
从小步骤开始，感受"持久化 AI"的价值。
2. 反思你的数字自我
填写 TELOS 文件本身就是有价值的练习:
- 你的核心价值观是什么?
- 你的长期目标是什么?
- 你的知识领域和技能树是怎样的?
这不只是为了 AI，也是为了更好地认识自己。
3. 参与开源社区
如果你是开发者:
- 贡献 Skills 和 Hooks
- 改进 Memory 系统
- 分享你的使用案例和最佳实践
这个领域还很新，每个人都可以贡献。
4. 传播理念
更重要的是推广"AI 基础设施"的思维方式:
- 和团队讨论如何持久化 AI 知识
- 在项目中实验个性化 AI 工作流
- 要求 AI 产品提供更好的记忆和定制能力
用户需求会驱动产品进化。
## 结语：AI 应该是你的延伸,而不是工具
回到开头的问题:
为什么我们要让最智能的 AI 助手成为"失忆症患者"?
答案很简单：因为我们一直把 AI 当工具，而不是基础设施。
工具是用完就放下的：锤子、计算器、搜索引擎。
基础设施是持续运行的：操作系统、云存储、知识库。
当我们开始把 AI 当作基础设施来设计，一切都不同了。
PAI 迈出了第一步。
它不是完美的产品，但它提出了正确的问题，指明了一个方向。
在 AI 的下一个十年，我们每个人都应该拥有自己的 AI 基础设施。
就像我们每个人都有自己的电脑、自己的云存储、自己的知识管理系统一样，我们也应该有自己的 AI——真正理解我们、记住我们、适应我们的 AI。
你的 AI 不该是个健忘的陌生人，而应该是了解你、陪伴你成长的伙伴。
现在，这个未来正在被构建。
你准备好加入了吗?
## 相关链接
- [向阳乔木](https://x.com/vista8)
- [@vista8](https://x.com/vista8)
- [38K](https://x.com/vista8/status/2021240338908876854/analytics)
- [https://github.com/danielmiessler/Personal_AI_Infrastructure](https://github.com/danielmiessler/Personal_AI_Infrastructure)
- [00-core-identity.md](https://00-core-identity.md/)
- [01-values.md](https://01-values.md/)
- [02-background.md](https://02-background.md/)
- [03-skills.md](https://03-skills.md/)
- [04-communication-style.md](https://04-communication-style.md/)
- [05-goals.md](https://05-goals.md/)
- [06-knowledge-domains.md](https://06-knowledge-domains.md/)
- [07-work-approach.md](https://07-work-approach.md/)
- [08-relationships-context.md](https://08-relationships-context.md/)
- [09-interests.md](https://09-interests.md/)
- [main.py](https://main.py/)
- [05-goals.md](https://05-goals.md/)
- [06-knowledge-domains.md](https://06-knowledge-domains.md/)
- [04-communication-style.md](https://04-communication-style.md/)
- [01-values.md](https://01-values.md/)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [11:10 PM · Feb 10, 2026](https://x.com/vista8/status/2021240338908876854)
- [38.4K Views](https://x.com/vista8/status/2021240338908876854/analytics)
- [View quotes](https://x.com/vista8/status/2021240338908876854/quotes)
---
*导出时间: 2026/2/11 09:57:44*