每次打開 AI 都要重新介紹自己？你缺的不是工具，是這 10 個檔案

你有沒有過那種感覺——

每次打開 AI，都要重新解釋一次自己。

你在做什麼風格。你為什麼卡在這裡。上次已經試過哪些方向、哪些不要再提。

講完，它終於懂了。然後你關掉視窗。

下次打開，它又不認識你了。

欸，這件事真的超消耗。

不是你不會用 AI。是你每天都在跟一個失憶的人重新自我介紹。

有一份指南專門在解這件事。@indigox 整理了 Daniel Miessler 的 Personal AI Infrastructure（簡稱 PAI）框架，講的不是「怎麼把 AI 用得更好」，是怎麼幫自己蓋一套基礎設施，讓它記得你是誰。

原始專案：danielmiessler/Personal_AI_Infrastructure

它開頭第一句就很反直覺：

不要從工具開始，從自己開始。 在選擇任何 AI 工具之前，先花時間搞清楚自己的目標、信念和工作方式。

架構設計遠比模型選擇重要。 一個好的上下文管理系統加上普通模型，往往比一個沒有上下文的頂級模型表現更好。

為什麼要幫自己蓋一套 AI 基礎設施

PAI 的出發點不是「如何更好地使用 AI 工具」，是一個更深層的問題——絕大多數人的創造潛力從未被真正激活。

它認為 AI 助理的終極目標不是幫你回覆郵件或總結文件，是幫你發現、釐清並持續追求你的人生目標。

一般的 AI 聊天工具是無狀態的。每次對話從零開始，不記得你是誰、在做什麼、想去哪裡。

PAI 的核心主張，是把 AI 從「一次性問答工具」升級成一個持續學習、深度理解你的數位助理。

這個數位助理有三個關鍵特徵：

• 目標導向：始終圍繞你的願景和目標運作，而非圍繞工具或技術
• 持續學習：從每次互動中提取訊號，不斷改進對你的理解
• 深度上下文：了解你的偏好、歷史、思維方式和當前挑戰

TELOS：用 10 個檔案定義「你是誰」

TELOS 是整個 PAI 框架的基石。它用 10 個 Markdown 檔案建立一份完整的個人畫像，讓 AI 在任何時刻都能理解你的全貌。

十個核心檔案：

為什麼這很重要。 當你的 AI 助理讀取了這 10 個檔案，它就不再是一個通用的聊天機器人，而是一個了解你背景的「同事」。它知道你在做什麼、想要什麼、怎麼思考。這意味著你不需要每次對話都重新解釋自己的情況——AI 已經知道了。

實踐建議。 不需要一開始就寫得很完美。每個檔案哪怕只有 3-5 句話也好。隨著時間推移，你會不斷補充和修正。關鍵是先建立這個框架，讓迭代自然發生。

欸，這段我看的時候停了一下。

因為它把「系統」這個聽起來很虛的詞，變成 10 個你今天就能建的檔案。

不是你的音樂不夠好。是從有音樂到有收入，中間少的那一段叫系統，不是才華。而系統的第一步，原來只是先寫下你是誰。

三層記憶架構：熱、溫、冷

TELOS 定義了「你是誰」，記憶系統則記錄「發生了什麼」以及「學到了什麼」。PAI 採用三層記憶架構：

• 熱記憶：捕捉最近互動中的即時訊號。包括當前對話中的偏好、剛剛做出的決策、最近的回饋和評價。熱記憶是短期的，幫助 AI 在當前會話中保持連貫性。
• 溫記憶：存儲中期累積的模式和洞察。比如你反覆使用的工作流、新出現的興趣方向、最近幾週的工作重心變化。溫記憶幫助 AI 識別趨勢和習慣。
• 冷記憶：保存長期知識和歷史經驗。包括過去幾個月甚至幾年的關鍵決策、重大教訓、長期偏好。冷記憶確保 AI 不會丟失你累積的智慧。

訊號捕捉機制。 每次互動都會產生訊號，包括你的評分和回饋、情緒變化、成功或失敗的結果、明確表達的偏好。這些訊號被分類存入不同層級的記憶，形成一個持續學習的閉環。

什麼時候該用 AI，什麼時候不該

PAI 對「何時使用 AI」有一個非常務實的判斷框架。

決策優先級鏈：目標 → 程式碼 → CLI 工具 → Prompt → Agent 技能

這個層次的核心邏輯是確定性優先：

1. 目標：首先明確你要解決什麼問題
2. 程式碼：如果能用確定性程式碼解決，就用程式碼——結果 100% 可預測
3. CLI 工具：把程式碼封裝成命令列工具，方便重複使用
4. Prompt：只有需要智能判斷時才引入 AI prompt
5. Agent 技能：最高層級，將 prompt 封裝為可重複使用的 agent 能力

為什麼不直接用 AI？ AI 模型是機率性的——同一個 prompt 可能產生不同結果。對於有確定性解決方案的問題（格式轉換、數據計算、檔案操作），用程式碼比用 AI 更可靠。只有在需要理解、推理、創意時，才值得動用 AI 的機率性能力。

技能的模組化設計。 每個技能是一個獨立的模組，遵循 UNIX 哲學——做一件事，做好它。技能之間可以組合使用，形成複雜的工作流。

你的東西和系統的東西，要分開

PAI 把目錄切成兩塊。USER 放你所有的個人化內容：身分（姓名、聲音、個性）、偏好（技術棧、工具偏好）、工作流定義、自訂技能、事件鉤子、記憶資料。SYSTEM 則放 PAI 的基礎設施程式碼。

為什麼要分離。 這個設計解決了一個關鍵問題：當系統更新時，你的個人化配置不會被覆蓋。你的身分、記憶、工作流是屬於你的資產，獨立於底層工具的版本迭代。

六層自訂：

這一段是整份指南裡我最有感的。

一個人做音樂很孤單，但那個孤單常常不是因為沒有人，是因為每一件事都你自己扛——旋律、編曲、混音、發布、行銷。

USER 和 SYSTEM 分開的意思是：屬於你的那部分留著，其他的交給系統，而且系統怎麼換都不會把你洗掉。

系統不是來取代陪伴的。是把那些不是你強項的部分，接手過去。

16 條指導原則

1. 用戶中心：一切設計圍繞用戶的目標和需求，而非技術的可能性
2. 科學方法作為基礎演算法：「假設 → 實驗 → 測量 → 迭代」是解決一切問題的元方法。不要猜測，要驗證
3. 清晰思考優先：好的 prompt 來自清晰的思考。在寫 prompt 之前，先搞清楚你到底想要什麼
4. 架構比模型重要：不要糾結於用哪個模型——系統的設計（上下文管理、記憶、工作流）遠比模型選擇重要。好的架構可以適配任何模型
5. 確定性基礎設施：用模板、固定流程和結構化輸出來減少 AI 的不可預測性。讓機率性的 AI 運行在確定性的軌道上
6. 程式碼優先於 Prompt：能用程式碼確定性解決的問題，就不要交給機率性的 AI
7. 規格／測試／評估先行：先寫清楚你要什麼、怎麼判斷成功、如何衡量品質，然後再動手實現
8. UNIX 哲學：每個組件做一件事，做好它。組件之間透過清晰的介面組合
9. 工程紀律：把 AI 基礎設施當作生產級軟體來對待——有版本控制、有測試、有文件
10. CLI 作為首選介面：命令列介面比圖形介面更快、更可腳本化、更容易自動化
11. 決策層次：目標 → 程式碼 → CLI → Prompt → Agent，從確定性到機率性依次遞進
12. 技能管理：模組化的能力，根據上下文自動路由到合適的技能
13. 記憶系統：捕捉一切值得知道的資訊，形成持續學習的基礎
14. Agent 個性化：不同的 Agent 有不同的性格和擅長領域，就像一個團隊中的不同角色
15. 科學作為元循環：持續運行「假設 → 實驗 → 測量 → 迭代」的循環，讓系統不斷進化
16. 允許說「不知道」：明確允許 AI 承認不確定性。這比胡編亂造有價值得多

安全與權限系統

設計理念。 安全系統的目標是在保護你的同時不妨礙工作流。好的安全設計應該讓你幾乎感覺不到它的存在，但在危險操作面前堅定攔截。

權限驗證。 每個操作都經過權限檢查，危險操作（如刪除檔案、發送敏感資訊）需要明確確認。系統應避免出現需要「跳過所有權限檢查」的粗暴開關。

事件鉤子：讓助理主動一點

什麼是鉤子。 鉤子是在特定事件發生時自動觸發的動作，類似於「如果⋯⋯那麼⋯⋯」規則。

典型事件：

• 會話開始：載入用戶上下文、檢查待辦事項、顯示今日摘要
• 工具執行前：驗證權限、記錄操作意圖
• 工具執行後：捕捉結果訊號、更新記憶
• 會話結束：保存學習成果、生成會話摘要

價值。 鉤子讓 AI 助理從「被動響應」變為「主動服務」。不是你問它才回答，而是它在合適的時機主動提供幫助。

從零開始的四個階段

階段一：建立身分基礎（第 1 週）

1. 建立一個資料夾作為你的「AI 基礎設施」根目錄
2. 按 TELOS 框架建立 10 個 Markdown 檔案
3. 每個檔案先寫 3-5 句話，不求完美
4. 重點投入 MISSION.md、GOALS.md 和 PROJECTS.md

階段二：構建持久上下文（第 2-3 週）

1. 將 TELOS 檔案整合為 AI 對話的系統提示或上下文檔案
2. 建立一個簡單的日誌檔案，每次重要互動後記錄關鍵收穫
3. 開始區分熱／溫／冷記憶——哪些資訊是臨時的，哪些是長期的

階段三：開發常用技能（第 4-6 週）

1. 識別你最頻繁的 3-5 個工作流
2. 為每個工作流編寫一個標準化的 prompt 模板
3. 能用程式碼自動化的部分就寫成腳本
4. 將 prompt 加腳本封裝為可重複使用的「技能」

階段四：建立回饋循環（持續進行）

1. 每次使用 AI 後簡單評估結果品質
2. 定期回顧 TELOS 檔案，更新目標和專案
3. 分析什麼技能效果好、什麼需要改進
4. 不斷迭代——這是一個永不結束的過程

五個關鍵啟示

不要從工具開始，從自己開始。 在選擇任何 AI 工具之前，先花時間搞清楚自己的目標、信念和工作方式。

架構設計遠比模型選擇重要。 一個好的上下文管理系統加上普通模型，往往比一個沒有上下文的頂級模型表現更好。

確定性優先，機率性補充。 能用程式碼解決就用程式碼，只在需要智能判斷時才引入 AI。

持續學習是核心價值。 靜態的 AI 助理只是工具，會學習的 AI 助理才是夥伴。

從簡單開始，允許迭代。 不需要一步到位。先建立最小可用的 TELOS 框架，然後在使用中逐步完善。

原始專案使用 TypeScript 和 Bun 執行環境建構，與 Claude Code 原生整合。

你今天可以抄走的一件事

不是把 10 個檔案一次寫完。

是先開一個資料夾，建 MISSION.md、GOALS.md、PROJECTS.md 這三個檔案，各寫 3 到 5 句話就好。

MISSION 寫你為什麼要做音樂。GOALS 寫你未來一年想達成什麼。PROJECTS 寫你手上現在有哪幾首歌。

下次打開 AI，把這三個檔案貼進去再開始講話。

你會發現它終於知道你在說什麼了。

常見問題

完全不會寫程式，這套東西做得起來嗎？

做得起來。TELOS 那 10 個檔案全部都是 Markdown，就是純文字。原文的階段一只要求你建資料夾、寫 10 個檔案、每個 3-5 句話。程式碼和 CLI 是階段三之後的事，而且原則 6 說的是「能用程式碼確定性解決的問題」才交給程式碼——不能的部分本來就不用。

為什麼不直接用最貴的模型就好？

原則 4 直接回答了這題：架構比模型重要。一個好的上下文管理系統加上普通模型，往往比一個沒有上下文的頂級模型表現更好。缺的不是更聰明的模型，是讓模型記得你的那套系統。

熱、溫、冷記憶到底怎麼分？

按時間跨度分。熱記憶是當前對話裡的偏好和剛做的決策；溫記憶是最近幾週的模式和工作重心變化；冷記憶是過去幾個月甚至幾年的關鍵決策和重大教訓。原文的階段二建議先建一個簡單的日誌檔，再慢慢區分。

這套東西要花多久才能開始用？

原文的路線圖是第 1 週建立身分基礎，第 2-3 週構建持久上下文，第 4-6 週開發常用技能，之後持續迭代。也就是說第一週結束你就有東西可以用了，剩下的是在使用中慢慢長出來的。

只是想做音樂，需要這麼系統化嗎？

你需要的不是這整套，是它的第一步。原文自己也說了，不需要一步到位，每個檔案 3-5 句話就好。先把你是誰寫下來，讓工具記得你——這件事本身就會讓下一次創作，少掉一段重新解釋自己的時間。