AI時代為什麼每個人都需要自建系統
原始來源與檔名：2026-08-28T094448+0800-AI时代为什么每个人都需要自建系统.md
SOURCE | 資訊源評估
- 準確性：中高 - 作者將 Ronald Coase 的《The Nature of the Firm》（1937）與交易成本經濟學的歷史脈絡（Arnold Plant 的課堂啟發、Cassel Travelling Scholarship、1991 年諾貝爾獎）交代得具體且可查證；對 Memory、向量資料庫、上下文壓縮等技術限制的描述符合當前 LLM 系統的實際行為。但「Agent 可自主接單、交易、擁有錢包與數位身份」屬於前瞻性判斷而非現狀描述，讀者需自行區分「已成立」與「預測」。
- 易理解性：中 - 以經濟學史故事開場降低門檻，四層系統、1.0→2.0 規則升級等概念有具體例子（宏觀經濟分析的數據核查）；但全文口語贅詞多（推測為演講逐字稿轉寫），論證密度不均，核心術語（常駐層、規則層、按需層、項目層、SKILL）缺乏統一的定義表格（原文即無），需讀者自行重組。
- 閱讀策略建議：先讀「四層系統」與「自我更新不等於篡改規則」兩節取得可操作骨架，再回頭讀開場的 Coase 類比理解 why，最後用「個人 AI 系統不是第二大腦」一節校正自己對 Memory 的過度期待。
NAPKIN | 餐巾紙
餐巾紙公式
個人 AI 系統 = 把「調用 Agent 的交易成本」內部化為可控秩序（目標・規則・驗收・決定權歸人；執行・工具・整理歸 Agent）
1937 年 Coase 用「交易成本」解釋公司為何存在：市場協調本身有成本，內部化更省。2026 年同一邏輯落到個人身上——同時調用多個 Agent 時，說明目標、傳遞背景、核查事實、處理衝突、保存證據、驗收結果的協調成本全部回到個人身上，自建系統就是把這些協調放進自己能控制的位置。
一句話
當 Agent 從工具變成經濟主體，過去由公司組織處理的分工、資訊流動、驗收與決定權問題，變成個人的秩序問題——換更強的模型解決不了它，只有系統能。
餐巾紙草圖
┌─ Coase 1937：使用市場本身有成本
│ （搜尋資訊／協商／簽約／檢查執行／處理爭議）
│ → 協調內部化 → 公司因此存在
▼
┌─ 2026：一個人同時調用多個 Agent
│ 調用成本：說明目標・傳遞背景・規定邊界
│ 核查事實・處理衝突・保存證據・驗收結果
▼
┌─ 個人 AI 系統（不是第二大腦）
│ ├─ 常駐層：身份・使命・價值取向
│ ├─ 規則層：跨項目共同標準（版本化更新）
│ ├─ 按需層：整理過的事實 → 可回溯原始憑證
│ └─ 項目層：進度・決定・項目驗收標準（SKILL）
▼
┌─ 自我更新迴路
│ 1.0 缺陷 → 2.0 候選規則 → sandbox 測試比較
│ → 達標後由人決定是否替換正式版本
▼
└─ 人永遠保留：目標・事實・原則・驗收標準・最終決定權ROUND 1: SKELETON | 骨架掃描
- 核心問題：如果每個 Agent 都能自己完成任務，為什麼一個人還需要自建系統？直接把任務丟給不同的 AI 不就可以了嗎？
- 核心答案：因為調用 Agent 本身有交易成本（目標說明、背景傳遞、事實核查、衝突處理、證據保存、結果驗收）。這些協調工作過去由公司組織承擔，現在回到個人身上；個人 AI 系統的本質是把協調內部化到自己可控的位置——用四層架構（常駐／規則／按需／項目）建立秩序，用版本化更新（候選→sandbox 測試→人決定）讓系統進化，而目標、原則、驗收標準與決定權永遠留給人。
- 論證結構：歷史類比開場（Coase 之問）→ 問題平移（Agent 時代個人的同構問題）→ 破除兩個常見誤解（現成 AI 產品夠用／第二大腦夠用）→ 立論（四層系統＋自我更新機制）→ 消除門檻疑慮（不必會寫程式）→ 價值澄清（AI native 不是替代人）→ 終局判斷（API／CLI／Access Token 把人分成兩種）。
章節骨架（條列）
- 開場（無標題）：1931 年 Coase 在倫敦經濟學院課堂上聽 Arnold Plant 講價格體系協調生產 → 追問「為何還有公司」→ 1937《The Nature of the Firm》提出交易成本 → 類比：90 多年後同一問題落到個人身上。
- 系統與秩序：現成 AI 產品不能直接解決的原因（每人需求不同）→ 個人 AI 系統首先解決秩序問題 → 目標、規則、最終責任由人把關 → AI 結果不滿意的真實原因往往是秩序未建立。
- Agent 經濟學：Agent 已從工具變成經濟主體 → 應用 Coase 框架研究任務分配、資訊流動、結果驗收 → 個人系統的作用是把協調放到可控位置 → 研究範圍包含規則與決定權的歸屬。
- 個人 AI 系統不是第二大腦：第二大腦＝保存＋調取 → 保存越多更新比對成本越大 → Memory 記得住「發生過什麼」但裁決不了「當前版本」→ 個人系統要篩選工具、調用工具、測試新版本、管理證據。
- 四層系統：按資訊的作用、變化速度、影響範圍分層 → 常駐層／規則層／按需層／項目層各自的職責與更新節奏 → 事務複盤把一次經歷整理成一類問題的處理規則。
- 自我更新不等於篡改規則：宏觀經濟數據 Agent 的 1.0 缺陷清單 → 2.0 候選規則內容 → sandbox 測試與比較維度 → 人負責確定正式版本。
- 自建不要求每個人會寫程式：程式碼大量交給 AI、人負責審查 → 每人都要處理目標、事實、原則、驗收標準、決定權 → API、CLI、MCP 讓外部服務接進個人系統。
- AI native 不是替代人：AI native 的定義 → 人與 Agent 的分工界面 → 終局：能否提供 API／CLI／Access Token 將把人分成「能自建系統的」與「只能用別人系統的」。
ROUND 2: DISSECTION | 血肉解剖
論證鏈
┌─ 歷史案例：1937 Coase《The Nature of the Firm》
│ 前提：價格體系已可協調生產（短缺→漲價→增產→回穩）
│ 疑問：為何現實仍有公司與管理者？
│ 答案：使用市場本身有成本
│ ├─ 尋找資訊
│ ├─ 協商條件・簽訂合同
│ ├─ 檢查執行
│ └─ 處理爭議
│ 推論：某些協調放在組織內部，總成本低於反覆市場交易
▼
┌─ 問題平移：Agent 時代的同構命題
│ 前提：Agent 能自主規劃、調用工具、長期執行
│ 疑問：為何還需要個人系統？
│ 答案：調用 Agent 也有成本
│ ├─ 說明目標・提供背景・規定能做與不能做
│ ├─ 檢查事實・處理衝突
│ └─ 保存證據・決定結果能否採用
▼
┌─ 診斷：AI 結果不如意的根本原因
│ ├─ 事實沒有提供準確
│ ├─ 任務沒有講清楚
│ ├─ 不同 Agent 使用了不同規則
│ ├─ 系統根本沒有驗收標準
│ └─ 舊規則與新規則同時存在
│ → 換更強的模型解決不了，因為秩序沒有建立
▼
┌─ 破題一：現成 AI 產品為何不夠
│ 每人需求不同（例：宏觀經濟分析者需多 Agent
│ 收集→交叉處理→按個人研究方向篩選）
│ 無系統 → 一切混亂
▼
┌─ 破題二：第二大腦為何不夠
│ Memory 記得住發生過什麼
│ ├─ 不能裁決哪一條是當前版本
│ ├─ 向量資料庫找回相似內容
│ └─ 不能裁決兩個衝突事實中哪個對
│ 記錄越多 → 更新・比對・刪除・定版本的工作越多
▼
┌─ 立論：四層系統
│ 常駐層（身份/使命/價值）→ 規則層（共同標準+版本化）
│ → 按需層（整理後事實→原始憑證回溯）
│ → 項目層（SKILL 記錄事實/決定/進度/驗收標準）
▼
┌─ 機制：自我更新迴路
│ 1.0 缺陷 → 2.0 候選 → sandbox 測試
│ 比較維度：事實錯誤・證據缺失・人工修改量
│ → 達更新標準 → 人決定是否替換
▼
└─ 終局：API／CLI／Access Token 為界線
能自建系統的 vs 只能用別人系統的關鍵證據
- 證據一：Coase 的思想史路徑完整可查——1931 年課堂（Arnold Plant 講價格體系）→ Cassel Travelling Scholarship 赴美研究企業組織 → 1932 年夏天形成「使用市場本身也有成本」的洞見 → 1937 年發表《The Nature of the Firm》→ 1991 年獲諾貝爾經濟學獎。這條時間線讓「交易成本」類比有堅實的學理錨點，不是修辭上的牽強附會。
- 證據二：1.0→2.0 規則升級的具體缺陷清單——宏觀經濟數據 Agent 的 1.0 版運行後暴露四類問題：數據來自新聞轉述而未回到官方來源、不同國家數據統計時間不一致、修訂後數據與舊數據同時存在、上下文壓縮後只留結論而原始數字與出處未完整保留。對應的 2.0 候選規則規定：每個數字保留來源、日期與版本；兩個來源衝突時分別保留並標明差異；上下文只壓縮摘要、原始證據繼續保存；結果達到項目驗收標準才進入下一步。這是全文最接近「可執行規格」的段落。
- 證據三：對 Memory 與向量資料庫的能力邊界刻畫——「Memory 可以記住發生過什麼，不能自己決定哪一條是當前版本；向量資料庫可以找回相似內容，但不能自己決定兩個衝突的事實中哪個對」。這兩句精確指出了語意檢索與版本治理的分界：檢索解決「找得到」，治理解決「信哪個」，而後者目前無法靠模型能力自動補上。
隱形假設與邊界
- 假設一：個人調用多 Agent 是常態。整個論證依賴「一個人同時調用多個 Agent」成為主流工作型態；若多數使用者停留在單一對話式使用，交易成本問題的規模會小得多，自建系統的必要性相應下降。
- 假設二：人有意願與能力承擔治理角色。作者主張目標、原則、驗收標準、決定權留在人這邊，但沒有處理「大多數人不願意寫規則、不想做版本裁決」的現實——這恰是現成 AI 產品用體驗換決定權的市場基礎。
- 假設三：Agent 經濟主體化的時程。「Agent 可以自主接單、交易、賺錢、花錢、簽訂合約、擁有數位身份和錢包」是把趨勢外推成現狀的寫法，監管、支付基礎設施與責任歸屬都還在未定之天。
- 邊界：四層系統未經系統性驗證。常駐／規則／按需／項目的分層是作者提出的概念架構，文中僅以宏觀經濟分析為單一例子，層與層之間的資訊流動（例如日記如何「形成」規則層價值觀）只有一句話帶過，落地細節留白甚多。
ROUND 3: SOUL | 靈魂提取
- 作者盲點：
- 把「寫程式門檻降低」直接等同於「自建系統門檻降低」——真正的門檻其實是持續治理（寫規則、做驗收、裁決版本衝突）的认知與紀律成本，這部分不會因為 AI 會寫程式碼而消失，甚至可能因為系統可自建而更容易失控。
- 對「規則層」的更新成本過於樂觀：規則越多，規則之間的衝突檢測本身會成為新的交易成本，作者提到 sandbox 比較三個維度（事實錯誤、證據缺失、人工修改量），但沒有回答「規則爆炸」之後 sandbox 測試的組合成本如何控制。
- 終局的二分法（能自建 vs 只能用別人的）忽略了混合形態：多數人最可能是「在別人平台上做自己有限的治理」，這正是目前 CLAUDE.md、Memory、Project Rules 類機制走紅的原因。
- 知識連接：
- 交易成本經濟學（Coase 1937、Williamson 的治理結構理論）：作者只用了 Coase 的第一層，Williamson「資產專用性→治理形式選擇」可以進一步解釋什麼樣的任務該內部化（自建）、什麼該外包（現成產品）。
- Michael Polyani 的 Tacit Knowledge：常駐層的「價值取向」本質上是難以言傳的隱性知識，把它寫成 Agent 可用的明示規則，本身就會失真——這是個人系統最難的一層。
- 軟體工程的版本治理：候選版本→測試環境→灰度→人工核准的流程，與 CI/CD 的 staging / canary release 同構，可借鑑其 rollback 與版本標籤機制。
- 資訊檢索的 provenance（資料溯源）：2.0 規則「每個數字保留來源、日期、版本」實際上是在個人系統內重建資料血緣（data lineage）。
- 行動觸發：
- 今晚就能做：為你最常重複的一個 AI 任務寫下 1.0 規則（資料來源限制、輸出必含欄位、驗收標準三項），運行一週後列出缺陷清單，起草 2.0 候選——親身體驗一次「自我更新不等於篡改規則」的完整迴路。
- 本週可做：盤點你訂閱的 AI 服務，標記哪些提供 API／CLI／Access Token、哪些只有固定介面——這張清單就是你能自建系統的實際邊界。
留白提問（2 題，需附架構師引導思路）
- 問題一：當兩條規則層規則在 sandbox 測試中互相矛盾（例如「數據必須回官方來源」與「時效優先於完備」），系統應該怎麼表達這種衝突，又由誰在什麼時機裁決？
- 架構師引導思路：先別急著設計裁決演算法。第一步是把衝突「顯性化」——參考資料庫的 constraint violation：規則不是文字描述而是可檢查的條件（來源網域清單、最大容忍延遲天數），衝突發生時系統輸出「衝突報告」而非擅自取捨。第二步才是在驗收階段由人裁決，並把裁決結果寫回規則層形成新的優先序（例如「時效規則僅適用於 X 類指標」）。關鍵認知：規則層的單位不是「一條規則」而是「一條規則＋適用範圍＋優先序」。
- 問題二：按需層標榜「先找整理過的日記事實，必要時回溯原始憑證」，但整理本身就是人工或半人工動作——這個整理的觸發時機與成本，會不會正是整套系統裡最容易被忽略的交易成本？
- 架構師引導思路：用「誰付錢、何時付」來審視。比較兩種設計：A）每次任務結束後強制整理（前置成本高、檢索快）；B）檢索時才即時整理（零前置、檢索慢且易漏）。懶惰但正確的起點是 B 加一條「同一來源被回溯三次即自動晉升為整理過條目」的啟發式——讓整理成本跟隨實際使用頻率付費，而不是預付。這正是作者「什麼常駐、什麼按需調用、什麼刪除」原則在整理動作上的套用。
跨域映射
- 映射一：微服務架構的服務治理——四層系統之於個人，如同組織架構之於企業：常駐層＝組織使命與服務邊界宣告、規則層＝跨服務的 SLO 與合規政策、按需層＝可回溯源的資料快取、項目層＝單一服務的程式碼與部署狀態。Coase 的問題在軟體界同樣出現過：什麼該自建（內部協調）、什麼該用外部 SaaS（市場交易）。
- 映射二：法律體系的位階結構——常駐層對應憲法層次的價值、規則層對應法律與行政命令（需修法程序＝版本化測試）、項目層對應個案裁量。作者堅持「自我更新不等於篡改規則」，本質上是把「修憲門檻高於修法」的位階思想搬進個人系統。
- 映射三：個人財務的資產配置——「什麼常駐、什麼按需調用、什麼刪除」與資產的流動性分層（核心配置／機動部位／停損出清）同構：常駐層是長期持有的核心信念，按需層是保持流動性的資訊現金，項目層是有明確停損點（驗收標準）的部位。
DEEP READ | 精讀指引
- 第一段：秩序診斷的殘酷之處。原文寫道：「AI 做出來的結果不如自己的心意，有些時候可能是 AI 本身做錯了。有些時候呢，是事實沒有提供準確，任務沒有講清楚，不同 Agent 使用了不同規則，或者系統根本沒有驗收標準。舊規則和新規則同時存在，也會讓同一個問題反覆出現。換一個更強的模型，不一定能解決這些問題。因為秩序沒有建立。」推薦理由：這是全文最反直覺的一擊——它把使用者日常的挫折感（AI 又做錯了）從「模型能力問題」重新歸因為「治理結構問題」。停三分鐘想清楚：你最近一次對 AI 輸出不滿意，缺陷出在模型，還是出在你沒講清楚事實、沒定驗收標準、或兩套規則在打架？承認後者，等於承認責任回到自己身上，這正是多數人繞開這篇文章結論的心理關卡。
- 第二段：Memory 的能力邊界。原文寫道：「Memory 可以記住發生過什麼，不能自己決定哪一條是當前版本。向量資料庫可以找回相似內容，但不能自己決定兩個衝突的事實中哪個對。記錄越多，更新、比對、刪除和確定版本的工作也會增加。」推薦理由：這兩句話值得所有熱衷於「把一切存起來」的知識工作者抄下來。語意檢索解決的是召回率問題，治理解決的是信任度問題——兩者常被「第二大腦」一詞混為一談。當你的筆記庫越長越大，找到相似內容越來越容易，但「哪一條還有效」的判斷成本卻在上升，這是一條隨存量單調遞增的隱形成本曲線，鮮少有人在做知識庫規劃時把它畫進去。
- 第三段：終局的分界線。原文結尾寫道：「以後企業產品和服務會以能否提供 API、CLI 和 Access Token 為界線，把所有人分成兩種人：能自己造系統的，和只能用別人造的系統的。」推薦理由：這句話把抽象的秩序論述壓縮成一個可檢驗的預測——判斷標準不是技術力，而是「開放介面的有無」。它同時是一面鏡子：你此刻付費訂閱的每個 AI 服務，是在擴大你的系統邊界，還是在替你決定你能要什麼？帶著這個問題重讀全文，Coase 的類比會從經濟學軼事變成切身的採購決策框架。
STRUCTURE MAP | 全書結構圖
┌─ 開場：Coase 之問（1931 課堂 → 1932 洞見 → 1937 論文
│ → 1991 諾獎） 〔首圖〕
│ 市場協調已有價格體系 → 為何仍有公司？
│ 答案：交易成本 → 協調內部化
▼
┌─ 系統與秩序 〔圖2〕
│ 現成產品不足（需求各異）
│ → 秩序：目標/規則/責任由人把關
│ → 診斷：結果不如意的五個秩序性原因
▼
┌─ Agent 經濟學
│ Agent＝經濟主體（接單/交易/錢包/數位身份）
│ → 用 Coase 框架研究：任務分配/資訊流動/結果驗收
│ → 個人系統＝把協調放到可控位置
▼
┌─ 個人 AI 系統不是第二大腦 〔圖3〕
│ Memory：記得住，裁決不了
│ 向量資料庫：找得到，判不了對錯
│ → 系統職責：篩選/調用/測試/管理證據
▼
┌─ 四層系統（核心方案）
│ 常駐層：身份・使命・價值取向・Agent 身份目標
│ 規則層：跨項目共同標準（核查/證據/原則/約束）
│ 按需層：整理過的日記事實 → 原始憑證回溯
│ 項目層：SKILL 記錄事實/決定/進度＋項目驗收標準
│ 更新節奏：各層按自己的節奏，互不干擾
▼
┌─ 自我更新不等於篡改規則 〔圖4〕
│ 1.0 缺陷清單 → 2.0 候選規則
│ → sandbox 測試（事實錯誤/證據缺失/人工修改量）
│ → 達標後由人決定替換與否
▼
┌─ 自建不要求會寫程式
│ 程式碼交 AI、人審查
│ → 每人仍需處理：目標/事實/原則/驗收/決定權
│ → API・CLI・MCP・Access Token 接入外部服務
▼
└─ AI native 不是替代人
定義：Agent 長期參與工作，圍繞人的目標/規則/驗收
分工：Agent 執行與整理；人核驗與決定
終局：API/CLI/Token 為界，人分兩種AI時代為什麼每個人都需要自建系統 (Architectural Deep Dive)
前言／背景
本文作者 @rwayne（發布於 2026-08-25 的 X 長文）用一個 90 年前的經濟學問題，回答 2026 年每個 AI 重度使用者都會遇到的困惑：既然 Agent 已經能自主規劃、調用工具、長期執行複雜任務，為什麼我不能直接把任務丟給各家 AI，還要勞師動眾自建一套系統？
作者的答案是結構性的：1931 年，還在倫敦經濟學院讀書的 Ronald Coase（後來的諾貝爾經濟學獎得主）在 Arnold Plant 的課上聽到「競爭和價格體系可以協調生產——某樣東西短缺，價格上升，更多人去生產，供應增加後價格又變化，全程不需要有人站在上面指揮」，於是追問：如果價格已經能完成協調，為什麼現實裡還會有公司？工廠裡為什麼還需要管理者安排誰做什麼？Coase 拿到 Cassel Travelling Scholarship 赴美研究企業如何組織生產，1932 年夏天得出洞見：使用市場本身也有成本——人要尋找資訊、協商條件、簽訂合同、檢查執行、處理爭議；某些事情放在公司內部協調，成本比每次都透過市場交易更低。這個概念於 1937 年發表為《The Nature of the Firm》，成為交易成本經濟學與新制度經濟學的基礎。
作者把這個問題平移到個人身上：調用 Agent 也有成本——你要告訴它目標、提供背景、規定什麼能做什麼不能做；任務完成後，你要檢查事實、處理衝突、保存證據，再決定結果能不能採用。過去由公司組織處理的分工、資訊流動、驗收、規則和決定權問題，現在全部回到個人身上。自建系統，就是個人版的「協調內部化」。
章節詳細總結
系統與秩序
市面上許多 AI 產品已經成熟，用戶量與盈利狀況都很好，為什麼不能直接用它們提供的解決方案？作者的回答是：每個人的需求不一樣。以宏觀經濟分析的金融從業者為例，他需要多個 Agent 幫他收集資訊，這些 Agent 之間要對資訊進行交叉處理，再根據個人的習慣與研究方向做篩選，最後才找得到想要的東西——如果沒有一套系統，一切都會變得混亂。
個人 AI 系統首先要解決的是秩序問題。作者自我批判地指出：過去我們討論上下文、討論記憶時，其實忽略了最底層的秩序——目標、規則和最後的責任，仍然需要人類去把關。
具體怎麼把關？兩個層面：
- 事前：每個 Agent 要有自己的身份和目標，系統要規定它做什麼、什麼該做、什麼不該做——原則和約束就在這裡把邊界劃清楚。任務交給 Agent 之後，人還要說明需求、傳遞背景（例如讓它收集資訊時，事實來源能不能核查清楚）。
- 事後：看它有沒有達到人類制定的驗收標準，需要返工的地方繼續返工。
由此得出全文最重要的診斷：AI 做出來的結果不如自己的心意，有些時候可能是 AI 本身做錯了；但有些時候，是事實沒有提供準確、任務沒有講清楚、不同 Agent 使用了不同規則，或者系統根本沒有驗收標準。舊規則和新規則同時存在，也會讓同一個問題反覆出現。換一個更強的模型，不一定能解決這些問題——因為秩序沒有建立。
Agent 經濟學
現在的 AI Agent 具備自主規劃能力，能調用工具，長期執行複雜任務，幾乎不需要人工干預。當一個人開始同時調用多個 Agent，就開始面對過去由組織處理的分工、資訊流動、驗收、規則和決定權問題。更激進的判斷是：AI Agent 已經從工具變成了經濟主體——可以自主接單、交易、賺錢、花錢、簽訂合約，甚至擁有自己的數位身份和錢包。
因此作者主張，我們對待 Agent 不能再用傳統工具的視角，而應該用「Agent 經濟學」的思路去研究：一個人同時調用多個 Agent 以後，任務如何分配、資訊如何流動、結果如何驗收。
理論基礎直接借自 Coase：公司能夠出現的原因之一，是某些協調工作放在公司內部完成，比反覆透過市場交易的總成本更低（使用市場的成本包括尋找資訊、協商、簽訂合同、檢查執行和處理爭議）。同樣的變化現在發生在個人身上——以前由公司處理的任務分配、資訊傳遞和結果檢查，現在由一個人自己搭建的系統來處理。個人系統的作用，就是把這些協調放到自己能夠控制的位置。
但作者誠實地承認了限制：人不可能事先列出所有情況，很多問題只有看到結果以後，才知道哪裡不對。因此 Agent 經濟學研究的不只是分工效率，還要研究規則和決定權的歸屬問題。
個人 AI 系統不是第二大腦
現在常見的答案是：訂閱更強的 AI、建立第二大腦，把聊天和文件存下來，需要時再搜索。作者逐層拆解這個方案的失效點：
- 具體事實會發生變化。保存得越多，更新、比對和分辨的工作量越大。
- 即使 Agent 可以記住過去發生的事，這不等於 Agent 知道下一次應該怎麼處理。
- 一連串尖銳的追問：一條事實後來變了，舊事實要不要刪除？兩個來源互相衝突，系統採用哪一個？人的偏好已經改變，舊記錄為什麼還會繼續被檢索出來？一件事情的做法已經失效，系統怎麼知道它不能再用？
技術邊界的刻畫最為精確：Memory 可以記住發生過什麼，不能自己決定哪一條是當前版本。向量資料庫可以找回相似內容，但不能自己決定兩個衝突的事實中哪個對。記錄越多，更新、比對、刪除和確定版本的工作也會增加。
結論：個人 AI 系統絕對不是第二大腦。第二大腦主要用於保存和調取資訊；個人 AI 系統需要根據人的需求篩選工具、調用工具，並測試新版本。人和系統都沒有條件保存、檢查和計算所有資訊，只能先篩選，再用有限的資訊做夠用的決定——個人系統需要決定什麼常駐、什麼按需調用、什麼刪除。同時，系統要管理證據，避免上下文壓縮後丟失關鍵內容。
四層系統
這是全文的核心方案。四層系統按照資訊的作用、變化速度和影響範圍，把個人系統裡的內容放到不同位置。它的意義是讓每一類資訊按照自己的節奏更新：一條事實發生變化，只需要更新對應的事實；一個項目進入新的階段，只需要調整當前項目；一條公共規則需要修改，就先經過測試，再決定是否進入正式版本。系統因此可以持續更新，同時保持身份、原則和工作方式的連續性。
四層的職責劃分：
- 常駐層：放身份、使命和價值取向。這些內容決定系統以什麼身份參與工作、朝什麼目標行動。每個 Agent 的身份和目標，也要在常駐層中說明清楚。具體、不斷變化的事件，則進入按需層或項目層。
- 規則層：身份和目標明確後，需要確定所有項目共同遵守的標準。事實需要經過核查、證據需要完整保留、執行過程遵守原則和約束。規則更新先經過測試，最後由人決定是否採用。
- 按需層：系統執行任務時需要的具體事實和原始材料。它先尋找整理過的日記事實，需要繼續核查時，再回到對話原文、文件或資料來源——既可直接使用已整理的資訊，也能隨時回到原始憑證。
- 項目層：負責當前正在進行的事情。它用 SKILL 記錄項目裡的事實、決定和進度，同時保留這個項目自己的驗收標準。以宏觀經濟分析為例，需要檢查資料來源、資料日期和計算過程；其他項目也有自己的驗收要求。分工原則：規則層負責所有項目共同遵守的標準，項目層負責判斷當前項目有沒有做好。
四層會隨使用不斷更新：對話先形成日記，再從日記中形成規則層裡的價值觀；新內容經過測試後，由人決定是否更新當前版本。事務複盤的重點，是把一次具體經歷整理成一類問題的處理規則，讓系統在下一次遇到同類問題時，已經有可以調用的方法。項目結束後，具體事情進入歸檔，反覆有效的處理方法進入規則層，已經退出的 SKILL 定期清理。
自我更新不等於篡改規則
作者用一個貫穿的例子示範整套更新機制——一個負責收集宏觀經濟數據的 Agent：
- 1.0 規則：任務給到 Agent，由它搜索數據並生成摘要。
- 1.0 運行後暴露的缺陷：數據來自新聞轉述，沒有回到官方來源；不同國家的數據統計時間不同；後來修訂的數據和舊數據同時存在；上下文壓縮以後只留下結論，原始數字和出處沒有完整保留——人拿到結果，還要重新核查一遍。
- 2.0 候選規則：規定數據來源；每個數字都需保留來源、日期和版本；兩個來源出現衝突時，分別保留並標明差異；上下文只壓縮摘要，原始證據繼續保存；結果達到項目的驗收標準以後，再進入下一步。
- 測試與替換流程：候選規則形成後，先在 sandbox 裡運行，再與 1.0 比較三個維度——事實錯誤、證據缺失、人工修改量。2.0 的表現達到更新標準後，由人決定是否替換當前版本。
這就是自我更新的過程：系統負責提出候選版本、運行測試和記錄差異，人負責確定正式版本。人的原則和價值觀，構成整個更新過程的邊界。它的意義是讓系統從每一次任務中積累處理方法：重複出現的問題會進入下一版規則，已經驗證有效的方法會被保留下來。系統因此能跟著事實和工作方式變化，同時保持明確的版本和更新流程——這也是章節標題的含義：更新走版本化流程，而非任意改寫規則。
自建不要求每個人會寫程式
針對「我沒有程式設計背景、沒有資訊科學基礎，要構建個人 AI 系統不是很困難嗎」的疑慮，作者的回應分三層：
- 程式碼門檻已大幅降低：當下大語言模型的能力已經可以讓絕大部分程式碼由 AI 負責，人類更多是進行審查。
- 系統規模因人而異：自建系統不要求每個人同時運行很多 Agent，也不要求每個人會寫程式。但每個人都要處理自己的目標、事實、原則、驗收標準和決定權。
- 現在該做的是與 AI 互動：探討、溝通、講清楚自己的需求。一個宏觀經濟分析者需要規定數據源和研究方向；一個學生也需要知道哪些資料可以引用、作業要達到什麼標準、最後哪些判斷必須由自己完成。使用的 Agent 數量可以不同，秩序問題沒有消失。
工程面上的接線方式：API、CLI 和 MCP 讓不同產品和服務進入這套個人系統——有 API、CLI 或 Access Token 的服務，可以按照任務被系統調用；主要透過固定介面運行的產品，則繼續按照產品提供的流程使用。
結論：自建系統的起點不是寫程式，而是講清楚自己要什麼、依據什麼作出判斷，以及怎樣才算把事情做好。
AI native 不是替代人
每次提到 AI native 就有人問：構建個人 AI 系統，是要讓系統把我取代掉嗎？作者先給出定義：AI native，是讓 Agent 長期參與工作，並圍繞人的目標、規則和驗收標準完成任務。
它帶來的變化是分工界面的重新劃定：
- 人：從重複說明和反覆修改中抽身，把精力放到目標、事實、原則和決定上；負責核驗事實和憑證、確定驗收標準，並作出最後決定。
- Agent：負責執行任務、調用工具和整理結果；接到任務後可以繼續規劃步驟、調用其他工具，甚至與其他 Agent 協作。
- 個人系統：向 Agent 提供身份、背景、規則和證據；記錄任務進行到哪裡、結果是否達到標準。系統的更新按照版本和測試流程進行，人的原則和價值觀決定更新的方向。
時代的位移在於：過去一個人主要管理自己的時間和工作；現在一個人開始同時調用多個 Agent，也開始面對分工、協調、事實核查、規則和驗收的問題——這些過去主要由組織處理的工作，現在進入個人自己的系統。因此自建系統要求一個人把自己的目標、事實、原則、驗收標準和決定權留下來；任務可以給到 Agent，系統負責維持整個過程的秩序。
全文以一個終局判斷收尾：以後企業產品和服務會以能否提供 API、CLI 和 Access Token 為界線，把所有人分成兩種人——能自己造系統的，和只能用別人造的系統的。
總結與結論
- 交易成本視角是全文的理論骨架：Coase 1937 年解釋「為何有公司」的邏輯——使用市場本身有成本（尋找資訊、協商、簽約、檢查執行、處理爭議），協調內部化更省——在 Agent 時代同構地解釋「為何要自建系統」：調用 Agent 的目標說明、背景傳遞、事實核查、衝突處理、證據保存與結果驗收，就是個人的交易成本，個人系統就是把它們內部化到可控位置。
- 秩序先於模型能力：AI 結果不如意，多數時候不是模型不夠強，而是事實沒提供準確、任務沒講清楚、規則不一致、沒有驗收標準、新舊規則並存。秩序問題不解決，升級模型只是換一個更快的犯錯者。
- 第二大腦是保存系統，個人 AI 系統是治理系統：Memory 與向量資料庫解決「找得到」，解決不了「信哪個、哪條是當前版本」；記錄越多，更新比對定版本的隱形成本越高。系統必須主動裁決什麼常駐、什麼按需、什麼刪除，並管理證據以防上下文壓縮遺失關鍵內容。
- 四層架構＋版本化更新是可操作的核心：常駐層（身份/使命/價值）、規則層（跨項目標準）、按需層（整理後事實可回溯憑證）、項目層（SKILL 記錄＋項目驗收標準）各按自己的節奏更新；規則進化走「1.0 缺陷 → 2.0 候選 → sandbox 比較事實錯誤/證據缺失/人工修改量 → 人決定替換」的流程，自我更新不等於篡改規則。
- 門檻與終局：自建的起點不是寫程式，而是講清楚目標、判斷依據與「做好」的標準——程式碼交給 AI，治理留給自己；API、CLI、MCP 與 Access Token 決定哪些服務能被系統調用。作者的最終預言：這條介面界線將把人分成「能自建系統的」與「只能用別人系統的」兩種。