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?
