66 lines
2.6 KiB
Markdown
66 lines
2.6 KiB
Markdown
# Wiki Overview
|
||
|
||
## 主题
|
||
AI Agent实践与知识管理——以OpenClaw为核心的Personal AI OS构建
|
||
|
||
## 核心实体
|
||
- **OpenClaw**：AI Agent操作系统，管理多个专业化Agent（星枢、星辉、星曜）
|
||
- **Cursor/Trae**：AI增强代码编辑器，支持多代理和远程开发
|
||
- **比利哥**：实践者，养虾（研究AI Agent应用）系列文章作者
|
||
- **Obsidian + Gitea**：持久化笔记基础设施
|
||
- **女娲·Skill**：Skill蒸馏框架
|
||
- **ChatGPT + Canva/Gamma**：AI简报制作工作流
|
||
|
||
## 核心概念
|
||
|
||
### AI开发工具
|
||
- **MCP协议**：Modal Context Protocol，AI大模型与外围工具的集成交互
|
||
- **Cursor Composer**：自研AI模型，生成速度比同类快4倍
|
||
- **Agent模式**：自动执行命令，与Normal/Ask模式区别
|
||
|
||
### 记忆系统
|
||
三层记忆架构解决Agent失忆问题：
|
||
1. **短期记忆**：memory/YYYY-MM-DD.md（每日对话文件）
|
||
2. **长期记忆**：LanceDB向量数据库
|
||
3. **Self-Improving**：结构化复盘，错误只犯一次
|
||
|
||
### 持久化
|
||
- AI输出必须写盘才能在Context压缩中存活
|
||
- 交接协议解决模型切换时上下文丢失
|
||
- 写入纪律比读取纪律更重要
|
||
|
||
### 知识管理
|
||
- **LLM Wiki vs RAG**：RAG从零检索，LLM Wiki增量累积
|
||
- **Graph View**：发现孤岛页面和知识盲区
|
||
- **混合搜索**：BM25 + 向量 + 重排序
|
||
- **知识整理先行**：简报不是从版面设计开始，而是从资料研究开始
|
||
|
||
### 开发规范
|
||
- **变量命名规范**：小写英文+下划线或小驼峰
|
||
- **单一职责**：每个文件/类/函数只负责一件事
|
||
- **DRY原则**：Don't Repeat Yourself
|
||
|
||
### 远程开发
|
||
- **Trae Remote-SSH**：通过SSH远程连接开发服务器
|
||
- **Docker容器化**：开发/生产环境分离
|
||
- **Git代理配置**：解决国内访问GitHub的连接问题
|
||
|
||
### 思维方式
|
||
- **死亡过滤器**：对一千件事说No，只对一件事说Yes
|
||
- **端到端能力**：做完整的产品，不做零件
|
||
- **品味值链**：AI工具民主化，品味是护城河
|
||
|
||
## 关键教训
|
||
1. 自动加载的文件只有7个：AGENTS.md/SOUL.md/TOOLS.md/IDENTITY.md/USER.md/HEARTBEAT.md/MEMORY.md
|
||
2. 启动序列必须放在AGENTS.md顶部
|
||
3. 压缩不是敌人，未写入的上下文才是
|
||
4. 错误信息可能是表面意思，真正问题藏在配置层级深处
|
||
5. 真正的修复不是添加更多文件，而是移除什么都不做的文件
|
||
6. 简报不是从版面设计开始，而是从资料研究开始
|
||
|
||
## 知识空白
|
||
- Self-Improving的Pattern-Key设计可进一步优化
|
||
- LLM Wiki与RAG的边界条件尚未明确
|
||
- Skill蒸馏的质量验证流程可自动化
|
||
- MCP工具链的标准化集成流程
|