AIOS
个人 AI 操作系统
AIOS 不是某个模型或软件，而是一套让资料、事实、判断、执行和反馈持续连起来的协议。 核心目标是：答案有来源、动作能验收、经验可复用、敏感信息不越界。
先确认事实 → 再做判断 → 执行动作 → 回读结果 → 更新规则
01 / 协议
七层工作闭环
多个 AI 同时工作时，最危险的不是答错一次，而是错误被写进长期记忆、在后续任务里重复调用。因此系统把原始输入、项目事实、方法、决策、执行和正式记忆分层，并为每一层设置写入边界。
保存原始输入与来源
原文和摘要分开
建立项目事实与约束
旧快照不当当前状态
记录判断、依据与停止条件
事实与推断分开
执行数据、内容与文件任务
最小权限，可回退
提炼可复用的 SOP 与 Skill
优先更新旧卡
回读结果与人工修改
完成必须有证据
仲裁冲突并更新长期规则
谁执行谁收尾
02 / 技术栈
工具按职责分工，不按热度堆叠
同一个需求可能同时用到 Obsidian、RAG、本地模型、Agent 和 n8n；关键是每个组件只承担它擅长且可验收的职责。
Obsidian / Markdown
长期事实源保存项目事实、方法、决策和复盘；人和 AI 都能直接阅读。
边界：不把未消化剪藏或模型猜测直接写成正式事实。
Search / RAG
检索与引用层从受控语料中召回相关上下文，并把答案连接回原文。
边界：索引是派生层；相似度不等于可信度，也不替代实时核验。
Local LLM
隐私友好的处理层高频分类、抽取、打标和初步摘要，降低批处理成本。
边界：硬件能运行不等于质量达标；复杂判断需要对照集与人工复核。
Codex / Skills / Agent
执行与固化层读上下文、处理文件和数据，把稳定流程封装为可重复能力。
边界：高风险写入、外部发布和关键结论保留人工闸门。
n8n / Workflow
可选编排层连接触发器、API、队列、重试、通知和任务状态。
边界：流程稳定后再接入；编排层不承担事实仲裁。
Feishu / Delivery
协作与交付层把客户和团队需要阅读、协作的内容发布为可用交付物。
边界：交付副本和事实源分开，发布后必须读回验收。
03 / 工作流
从一次对话到可重新上岗的能力
- 先观察：读取材料、规则和已有结构，不立刻写入。
- 定义结果：明确输入、输出、质量标准、公开边界和失败处理。
- 跑通单例：先把一个真实任务做对，不急着批量。
- 拆分职责：脚本做确定性动作，模型做语义任务，人做关键判断。
- 加入验证：检查结构、来源、数据口径与最终可用性。
- 双回归：当前上下文重跑一次，再让新会话只凭规则重跑一次。
- 稳定后固化：高频且输入输出稳定的部分再升级为 Skill、程序或 n8n 工作流。
判断是否真正固化，不看“写了多少提示词”，而看新会话能否在没有聊天记忆的情况下，读取项目规则后重新完成同类任务。
04 / 公开案例
竞品数据如何变成经营动作
STEP 1
统一口径
确认平台、周期、对象和字段定义
STEP 2
清洗验证
去重、过滤异常，并抽样回看原始记录
STEP 3
结构对比
比较内容量、互动效率与爆款结构
STEP 4
形成判断
区分规模优势、效率优势与数据噪声
STEP 5
回到动作
决定跟进、替代、控量或继续验证
这个案例公开的是工作结构，不公开客户身份、原始明细、绝对预算或可反推业务的精确数字。真正可复用的资产是“如何从数据走到动作”，而不是某个项目的一次性结果。
05 / 延伸阅读
把系统拆成可直接使用的方法卡