讓 AI Agent 真正運作的秘密：從「對話框」到「神經系統」 (Meta-Meta-Prompting: The Secret to Making AI Agents Work)

原始來源與檔名：20260512_2026-05-12T093039+0800-Meta-Meta-Prompting The Secret to Making AI Agents Work.md

來源：[[@garrytan]] (YC CEO) / X (Twitter) — 2026-05-09 原始檔名：2026-05-12T093039+0800-Meta-Meta-Prompting The Secret to Making AI Agents Work.md

NAPKIN | 餐巾紙

餐巾紙公式

Agent Efficacy = Fat Data (100k pages) + Fat Skills (100+ files) + Thin Harness (OpenClaw) The Flywheel = Manual Workflow -> /Skillify -> Compounding Automated Skill

多數人把 AI 當作高級的 Google 搜尋或打字機。YC CEO Garry Tan 展示了將 AI 當作「個人作業系統（神經系統）」的終極型態。他的系統擁有 10 萬頁的個人資料庫，記錄了每一場會議、每一個聯絡人。透過「技能化（Skillify）」這項元技能，他能將手動操作（如分析一本書如何映射到他的真實人生）固化為 AI 可自動執行的代碼檔案。未來的競爭力，屬於擁有「私有複利 AI 系統」的人，而非使用通用企業 AI 的人。

一句話

這篇文章由 YC CEO Garry Tan 親自撰寫，詳細展示了他如何利用開源的 Agentic 架構（OpenClaw/Hermes + GBrain）打造包含 10 萬頁記憶的個人 AI 神經系統。文章介紹了 “Book Mirror”（將書籍觀點與個人真實經歷映射）與 “Meeting Prep”（基於歷史記憶自動生成會議策略）的真實案例。其核心工程思想是 “Fat Data, Fat Skills, Thin Harness”，並透過 /Skillify 實現系統能力的自我繁殖與複利增長。

餐巾紙草圖

[The Compounding Neural System]

Input (Meetings, Books, PDFs, Videos) -> [Thin Harness: OpenClaw Router]
                                                  |
[Fat Skills] <----- (/Skillify automatically creates new skills)
   ├── meeting-ingestion (Extracts + Entity Propagation)
   ├── book-mirror (Reads book + Maps to personal life)
   └── enrich (Pulls background + Verifies)
                                                  |
[Fat Data: GBrain (100,000 Pages)] <--------------+
   ├── People Pages (Meeting history, theses)
   ├── Idea Pages
   └── Append-only Timelines

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

背景: YC CEO 解釋自己為何每晚寫程式到凌晨兩點。他不再把 AI 當聊天視窗，而是建立了一個能產生複利的系統。
Book Mirror (書鏡映射): AI 閱讀書籍的 22 章，並同時檢索 Garry 的家庭、職涯與心理諮商筆記，生成 3 萬字將書本理念與他「真實生活」具體映射的報告。
交叉驗證進化: 第一版書鏡產生了家庭背景的事實錯誤。他透過加入多模型交叉驗證（Opus 抓細節、GPT-5.5 抓上下文、DeepSeek 抓創意）與 GBrain 深度檢索，將除錯流程固化，不再犯錯。
元技能 (Skillify): 當 Garry 發現一個重複的工作流，他會說 “skillify this”。AI 會分析剛才發生的事，提取模式，並寫成一個帶有觸發條件與邊界處理的 SKILL.md 檔案。
實體傳播 (Entity Propagation): 會議記錄不是重點，重點是 AI 會在會議後，自動走訪所有被提及的「人名」與「公司名」的專屬頁面，並更新他們的狀態。
架構三大支柱: Thin Harness (路由調度層極薄), Fat Skills (100+ 個具體任務腳本), Fat Data (100k 頁關聯知識庫)。

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

核心論證鏈

從「文件櫃」到「神經系統」的躍遷: 傳統的筆記軟體（如 Notion）只是靜態存儲，需要人類主動搜索。Garry 的 GBrain 架構透過 Cron jobs 與 Agent 介入，在下一次會議前主動推送包含歷史互動與策略的 Context Pack。系統具備了主動的「關聯與預判」能力。
Skillify 打破了 Prompt 的脆弱性: 每次都寫 Prompt 是沒有記憶的勞動。透過將 Prompt 與執行邏輯封裝成實體的 .md 或腳本檔案（Skill），並由 Router (Harness) 動態調用，解決了單一 Context Window 塞爆的問題，實現了工程上的模組化與可測試性。
無模型依賴 (Model Agnostic) 的護城河: 架構師不該執著於哪家模型最好。Garry 的技能設計為動態呼叫：精準度要求高用 Opus 4.7，廣度抓取用 GPT-5.5。模型只是可替換的引擎，車體（技能與資料）才是資產。

關鍵證據

Demis Hassabis 會議準備案例: 系統在 2 分鐘內提取了 Demis 的傳記重點、AGI 預測時間表、Garry 自己的公開發言，並生成了「觀點重合與分歧處」的對話策略。這證明了「Fat Data + Fat Skills」在真實高階商業決策中的壓倒性優勢。

邊界條件

這種極致的個人系統需要極強的「個人資料數位化紀律」。如果使用者平時沒有記錄會議、撰寫覆盤或整理人脈的習慣（Data = 0），這套系統的威力將無從發揮。

ROUND 3: SOUL | 靈魂提取

“還能怎么用”

知識連結: 此文為我們之前讀過的《OpenClaw 與 Hermes 比較》及《J叔的 SSOT 治理》提供了原始的出處與具體的使用場景。Garry Tan 的架構是目前業界 Agentic Workflow 落地的最高標竿。
深層洞見: “When someone asks how I ‘prompt’ my AI, the answer is: I don’t. The skills are the prompts.” (當有人問我怎麼『提示』我的 AI 時，答案是：我沒有。技能檔案就是提示。) 這是從「使用者」跨越到「架構師」的決定性思維轉變。把互動固化為系統元件，才能產生複利。
行動呼籲:
1. 停止在 ChatGPT 裡重複輸入相同的長篇要求。
2. 挑選一個你每週都會做的任務（例如週報整理、競品追蹤），將你的步驟與要求寫成一個獨立的 Markdown 檔案（如 weekly-report-skill.md）。
3. 下次讓 AI 執行時，直接載入這個檔案。這就是建立你專屬「神經系統」的第一步。