自我進化的第二大腦系統：開源指南與建構哲學

原始來源與檔名：自我进化的第二大脑系统-开源指南.md

來源：奥一AoYi / X平台 — 2026-04-01 原始檔名：奥一AoYi on X_ _我搭了一个会自我进化的第二大脑系统，现在开源_ _ X.pdf

NAPKIN | 餐巾纸

餐巾紙公式

智能型知識系統 = 弱結構 (PARA 目錄) + 強智能 (Prompt 驅動的歸類與反思) + 自動化 (Hooks 鉤子)

不要寫死規則，要寫下「判斷標準」。把建構與維護的心智負擔交給大模型，使用者只負責審批與決策。

一句話

本文開源了一套完全基於 Prompt 驅動的第二大腦系統：利用 Claude Code (或 Cursor)，讓 AI 自動幫你歸檔、提煉日記、整理風格偏好，並在你每次對話時實現「一魚四吃」的知識複利進化。

餐巾紙草圖

[一次對話，四層沉澱]
 ├── 任務結果：回答問題、寫程式、寫文章
 ├── 會話存檔：完整對話日誌 (Session Export)
 ├── 碎片洞察：提煉為每日碎念 / 每週知識 (Daily / Weekly Hooks)
 └── 偏好畫像：靜默寫入 System/candidates 偏好池，等待使用者審批晉升為全局規則

ROUND 1: SKELETON | 骨架掃描

“這本書在說什麼”

• 核心問題: 傳統知識管理系統 (Notion, Obsidian) 的死因不是設計不好，而是維護太累 (分類、加標籤、清理孤島)。
• 核心答案: 建立一個「自我進化」的外掛大腦。使用提示詞 (Prompt) 取代寫死的代碼邏輯來管理知識庫。
• 論證結構: 實踐分享 / 教程歸納型

章節骨架

1. 設計哲學:
   • 弱結構，強智能：Prompt 寫判斷邏輯，享受模型升級紅利。
   • 自我進化：在對話中悄悄學習使用者的排版、寫作偏好。
   • 一魚四吃：不浪費 Token，每次對話產出方案、日誌、洞察與偏好畫像。
   • 自我維護：系統自我掃描健康度，提議修復，使用者只點擊「確認」。
2. 架構設計 (Prompt 拆解): -三層認知 (現象、本質、哲學)；三層分形 (系統級 Prompt -> L2 目錄說明 -> L3 筆記元數據)。
3. 系統建構實操:
   • CLAUDE.md 作為全局提示詞、Hooks (啟動、結束、每週)、Skills (/intake, /maintain, /digest)、還有 Context 檔案 (TELOS.md, TASK.md) 的設定。

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

• 核心論證鏈: 將管理權交給大模型 -> 傳統工具換模型配置就廢了，用文字 Prompt 固化邏輯，換什麼模型都能無縫繼承 -> 系統依靠文件系統 (.md) 保存了使用者長期的偏好與對話歷史 -> 下次開啟 AI 時，它已經知道你需要什麼風格，並且可以聯想你幾個月前寫的知識庫卡片。
• 邊界條件: 需依賴能長期看著本地檔案系統、具備長文本處理能力、且支援客製化 System Prompt 的 AI 工具 (如 Claude Code、Cursor 等具有 Agent 能力的終端/編輯器)。

ROUND 3: SOUL | 靈魂提取

“還能怎麼用”

• 深層洞見: 「結構是系統的骨架，供導航定位；內容是系統的靈魂，供思考復用。兩相必須同構。」過去我們花 80% 時間建標籤，現在這 80% 時間應該讓 AI 在後台運行 /intake。
• 行動呼籲: 放棄維護複雜的 Notion 資料庫。用純 Markdown 加上 PARA 結構，把目錄說明寫清楚，然後把這些複製給 Claude Code 讓它幫你搬磚。
• 知識連結: 類似於 Unix 哲學的「Everything is a file」，這裡的理念是「Everything is plain text & prompt」，從任務清單到個人價值觀，全都是可被 AI 解析的 .md 檔案，形成完美的閉環。

自我進化的第二大腦系統：開源架構詳解 (Architectural Deep Dive)

前言/背景

作者在兩週內燃燒十幾億 Token 探索出的終極 AI 知識庫管理方案。核心思維是：將所有的邏輯（「應該做什麼判斷」）寫入 Prompt，而不是寫入代碼（「如果 A 則 B」）。這樣，只要模型變強，系統就會跟著變強。

系統核心組件

L1，L2，L3 分形架構 (Fractal Architecture)

1. L1 全局指令 (CLAUDE.md): 整個知識庫的靈魂。定義了 Agent 的行為指南、認知模型、以及操作流程。
2. L2 目錄說明 (Directory/README.md): 每一個主目錄（如 Inbox, Projects, Areas, Resources）都有一個說明檔案，解釋該目錄的職責。
3. L3 筆記元數據 (Frontmatter): 每篇 Markdown 卡片頭部的 YAML 結構，包含了 domain, type, tags, summary。大模型主要依靠 summary 來尋找關聯的知識。

自動化機制 (Hooks & Skills)

• Skills (主動觸發):
  • /intake (歸檔): 自動分析 Inbox 丟進來的碎資料，打標籤並移入正確位置。
  • /maintain (維護): 全庫掃描，修復斷裂連結、更新落後的元數據。
  • /digest (整理): 處理「偏好候選池」，讓使用者確認晉升 AI 學到的行為習慣。
• Hooks (被動觸發):
  • startup: 每次開啟對話先跳出「健康報告」(如：積壓 17 篇未整理)。
  • stop_audit: 關閉對話時，自動將日常碎片提煉到 Working Memory 的 Diary 中。
  • weekly_reflector: 每週日統一壓縮整理碎片知識。

記憶與偏好收斂 (Memory Protocol)

系統能從對話中「靜默學習」。比如你抱怨了排版難看，AI 就不會打斷你，而是將其寫入 candidates.md 候選池。當該偏好重複出現多次，下回你執行 /digest 時系統便會建議將其正式寫入 PROFILE.md。從此，AI 回答你的所有格式都會預設是你喜歡的。

總結與結論

這套開源方案的價值不僅在於它能作為一個「幫你寫字」的工具，更是一個「認知助理」。 使用者的角色從無助的「整理工」躍升為「審批員」。 AI 會主動幫你抓取、聯想、歸類，你只需要點頭說「確認」。這就是 AI 時代管理個人知識庫的最優解。