AI 超级个体进阶收官课：把零散工具拼成一个会自己变聪明的个人 AI 操作系统
哈喽，我是飞飞。
这套系统我已经天天在跑了。每天早上信息雷达把 AI 圈的料筛好排好，我挑个选题，一批 agent 并行去查资料、写稿、润色、配图、转各平台格式，最后渲染成微信图文推到草稿箱，等我过一眼。博客那头，我一 push 代码，GitHub Actions 自己构建、部署、把新链接推给搜索引擎收录。
可有很长一段时间，我压根没把它当成「一个系统」。在我眼里那就是一堆各管各的脚本：拉资讯的归拉资讯，配图的归配图，发公众号的归发公众号，互相之间隔着我这双手在中间搬来搬去。
直到有一天我盯着它们跑，突然反应过来：真正让这套东西好用的，根本不在某个工具多强，而在它们之间那条我一开始没看见的线。
一堆能用的工具，凑不出一个会干活的系统
前面这九课，我们一课讲一个模块。系统思维、拆任务、第二大脑、信息雷达、工作流、MCP、搭 Agent、规模化写作、团队架构。每一课你照着做完，手里都会多一个能用的零件。
但零件再多，也不等于一台机器。
有个做 agentic OS 的团队 MindStudio 说得挺损：你手里那一堆各自为战的 AI 工具，是 a pile of calculators，一摞计算器，凑不出一个 brain。计算器你有十个，要算一笔连续的账，还得自己把每步结果抄到下一个里。中间搬运的活，全是你在干。
我之前就是那个搬运工。aihot 拉完精选我复制，选好题我手动开个写稿会话，稿子出来再手动喂给配图的、喂给转格式的。每个工具单看都挺香，连起来用，我累得像个人肉总线。
所以这最后一课不讲新零件，而是把前面九课的东西拼成一台会自己转、还能越转越顺的机器。这台机器有个名字，叫个人 AI 操作系统。
个人 AI 操作系统到底是什么
说人话，它就是把你那些孤立工具连起来的那一层东西。
「Second Brain」这个词的发明人 Tiago Forte 有个判断我很认同：过去 AI 主要是拿来聊天的时候，你根本没法围着它搭系统，聊完就散了。真正变了的，是模型被配上了一套能读你文件、能用工具、能在你电脑上真动手的环境，他管这叫 agent harness。Claude Code、Codex 这类东西证明的就是这件事，重要的不光是模型脑子有多聪明，是它够得着哪些工具、踩得进哪个环境。
落到我身上，这套操作系统就是四层加一条流。
输入层，我叫它信息雷达。 aihot 那个接口替我把 AI 圈的精选拉回来，content-scout 这个 skill 再给每条按六个维度打分排序，每天上百条里头帮我顶出值得看的几条。外界的噪音进来，被筛成「我在乎的东西」。
记忆层，就是第二大脑。 我在 Obsidian 里有个 writing-agent 库，底下分着一手证据、二手资料、洞察笔记几个抽屉，外加一摞 memory 文件，还有一份越喂越厚的写作经验库 WRITING_LESSONS.md。这一层是整个系统的认知，它懂不懂我、记不记得我上次踩过什么坑，全看这里。
加工层，是一批 agent 拼成的工厂。 一个叫 content-director 的总调度，把研究、写作、润色、配图、分发这几道工序排开，让对应的 agent 并行去干。我脑子里那点判断，被拆成了一条能执行的流水线。
输出层，是内容工厂加分发。 稿子渲染成微信图文，sync-assistant 帮我同步到各个平台，博客那边 GitHub Actions 接手，push 一下就自动构建部署。产出被送出门。
四层之间那条流，才是这一课真正的主角：雷达筛回来的料，沉进记忆层；记忆层喂给加工层产出成品；成品发出去之后的反馈和复盘，再回写进记忆层。一圈下来是个闭环，不是一条直线。
这套系统凭什么越用越聪明
光是把工具连成一条流，还只是「自动化」。让我真正觉得它是个活物的，是它会自己长。
做 Building a Second Brain 课程的人有句话戳中我了：一个设计好的系统，胜过一百个 prompt 技巧；你搭的是会越用越好的基础设施，不是下个月就过期的一袋小聪明。他们用了个词，infrastructure compounds，基础设施是会复利的。
复利在我这套系统里有个特别具体的落点。每写完一篇，有个 content-training 的环节会把这次的复盘提炼成新规则，回写进那份 WRITING_LESSONS.md。到今天，这份经验库已经攒到第 100 次了。意思是系统每跑一篇稿子，规则库就厚一层，下一篇就少踩一次同样的坑。
说白了，这就是「越用越聪明」的物理实现，一点不玄。模型本身没变强，变的是这套系统替我把每次教训都存了下来、还自动用在下一次上。记忆这一层但凡缺了，系统每天都像第一天上班，你昨天教过它的事今天全得重来。
MindStudio 把这个叫 shared brain，一个所有 agent 都来读的共享上下文，并且说这是最高杠杆的起点。我自己的体感完全一致。那份经验库现在是我所有写稿 agent 共用的大脑，改一处，全线受益。
把记忆存在自己手里这件事，我越来越在意
记忆层我特意没用任何平台自带的 memory 功能，全是本地的 markdown 文件。一开始只是图省事，后来越想越觉得这是个要命的选择。
MindStudio 还有个观点我记在心里了：你要是把上下文存在平台自带的 memory 里，等于把自己的智力基础设施外包给了供应商，哪天换个模型就得从零开始。而一文件夹纯文本是 model-agnostic 的，它能熬过你换模型、换工具、甚至账号出岔子。
这事我有过教训。前阵子写 Anthropic 指控、写国产模型的稿子时，我心里那杆秤一直绷着：万一哪天我最依赖的那个模型说没就没了呢？真到那一天，能让我不至于推倒重来的，就是这一摞攥在自己手里的文件。模型可以换，我这套系统的记忆和脾气换不掉。
别忘了在不可逆的节点上，留一只手
我得给这一整套自动化泼盆冷水，不然这篇就成营销号了。
就在前不久，我结结实实栽了一跤。我的博客 vance.xin 整条发布是 GitHub Actions 全自动的，push 到主分支自动构建部署，还自挂了两段把新链接推给搜索引擎收录。结果负责部署到镜像站的那个 GitHub Token 悄悄过期了，部署连着静默失败了一整天。构建明明是绿的，只有最后那一步 push 认证红了，可没人盯着，我隔了一天才偶然发现镜像站挂了。主站靠另一条独立的流水线还活着，镜像那边死了一天没人知道。
那件事给我上的课是：全自动流水线最贵的隐藏成本，不是算力，是当没有人盯着的时候，失败会悄无声息地堆积。
所以这套操作系统的图上，除了模块和数据流，我还要画几个红点，那是人必须把关的闸。选题最后由我拍板，不让机器替我决定写什么；终稿一定我过手，AI 负责出稿、我负责定稿，这个顺序不能反；一键发布只到草稿箱，群发那一下不可逆的动作，留给我自己点。
还有一道闸是「贵」本身。每个月给模型的钱不算少，让 agent 干正经活之前，我都会下意识在心里过一遍秤，值不值得动用最贵的那个。这种绷着感，反而成了系统里一道天然的成本闸。系统越自动，这几只盯着的手就越不能松。判断这件事，机器替你跑得完产出，替不了你拍板。
现在，轮到你画自己那张图了
绕了一圈，我们回到开头那个画面。曾经在我眼里是一堆各管各脚本的东西，今天我能把它说成一台四层加一条闭环流、还会自己长记性的机器。工具本身没换，换的是我终于看见了工具之间那条线，并且把人该守的几个节点钉在了图上。
这就是整个进阶指南我最想交给你的东西。前面九课给你的是零件，今天给你的是图纸。你不用一上来就搞这么全，挑你现在最烦的那条人肉搬运链子，先把两个模块接起来，让数据自己流过去，中间留一只手把关。再让这台机器替你记住每次教训，它就会一天天替你变聪明。
一个设计好的系统，确实胜过一百个 prompt 技巧。这套东西最迷人的地方在于，它不会下个月就过期，只会越用越懂你。
最后留个问题：如果让你现在动手画自己那张个人 AI OS 的图，你会先把哪两个模块连起来，又会在哪个节点上，死活不肯把手松开？