问题出在哪

我们花了几十年让电脑记住偏好设置、浏览历史、工作文档，却让最智能的AI助手变成了无状态的自动售货机——投币、出货、遗忘。

问题不在AI的记忆力，在于我们一直把AI当"工具"而不是"基础设施"。

工具是用完就放下的：锤子、计算器、搜索引擎。基础设施是持续运行的：操作系统、云存储、知识库。这个思维切换一旦发生，整个架构就不一样了：

  • 持久性 vs 无状态：AI应该像你的电脑一样记住所有交互历史
  • 个性化 vs 通用：它应该了解你的背景、价值观和工作方式
  • 可编程 vs 黑盒：你应该能自定义它的行为，就像配置开发环境
  • 版本控制 vs 随机：行为确定、可追溯、可回滚

TELOS：用10个文件定义"你是谁"

PAI 的核心是 TELOS 系统（希腊语，意为"目的"）。它用10个 Markdown 文件构建你的数字身份档案：

  • 00-core-identity.md：基本信息、背景、角色
  • 01-values.md：什么对你最重要
  • 02-background.md：你的经历塑造了怎样的你
  • 03-skills.md：擅长什么，在学什么
  • 04-communication-style.md：你喜欢怎样的对话方式
  • 05-goals.md：短期和长期目标
  • 06-knowledge-domains.md：专业领域和兴趣范围
  • 07-work-approach.md：工作流程和偏好
  • 08-relationships-context.md：社交和职业网络
  • 09-interests.md：让你兴奋的事物

这不是一次性填写的问卷，是持续进化的档案。每次对话、每个项目、每次反思都在丰富它。

有个设计细节值得注意：全部用 Markdown 格式，存储在本地。数据完全在你手上，随时可以打开编辑，可以用 Git 追踪你的自我认知如何演变，不锁定任何平台。

三层记忆架构

如果 TELOS 定义了"你是谁"，记忆系统就记录了"你做过什么"。PAI 实现了三层记忆，模仿人类大脑的工作方式：

短期记忆（Working Memory）——当前对话的上下文，实时、动态。

情景记忆（Episodic Memory）——具体的对话记录和项目历史。"上周我们讨论过那个API设计问题，你当时建议用……"AI可以准确回忆。

语义记忆（Semantic Memory）——从经验中提炼的知识和模式。不是逐字记录，而是理解和概括。"你通常喜欢用函数式编程风格"，"你对性能优化特别关注"。

检索机制用了向量数据库和相似度搜索，实现的是联想记忆——根据当前问题找到相关历史对话，识别模式和重复出现的主题。不是翻聊天记录，是真正的上下文关联。

Hooks：给AI装上感知环境的触角

这个设计很妙。类似 Git hooks，在特定事件发生时自动触发脚本。

工作流集成——每次向AI提问前，自动获取当前状态：

user-prompt-submit-hook:
  - git status
  - jq -r '.current_task' ~/work/status.json

自动日志——每次AI回复后记录时间戳：

assistant-response-hook:
  - echo "AI 交互: $(date)" >> ~/logs/ai-activity.log

上下文同步——AI调用工具前先同步工作区：

tool-call-hook:
  - sync-workspace-state

Hooks 的本质是让AI主动感知你的工作环境，而不是被动等待输入。AI不再是隔离的对话框，而是嵌入到你的工作流里。

Skills：可组合的AI能力

Skills 让AI像程序一样可扩展。每个 Skill 本质上是一个精心设计的提示词模板，但它是命名的、参数化的、可组合的：

/review-pr 123        # 审查 GitHub PR
/commit               # 智能生成 commit message
/analyze-logs error   # 分析日志中的错误
/explain-code main.py # 详细解释代码文件

这些不是预设能力，是你自己定义和安装的"插件"。Skills 可以在团队间共享和复用，就像 VS Code 扩展生态。用自然语言"编程"AI的行为。

技术架构

整体数据流清晰可控：

用户输入 → Hooks预处理 → TELOS加载 → Memory检索相关上下文
→ 构建完整Prompt → 调用LLM → Skills执行
→ Memory存储新交互 → Hooks后处理 → 返回响应

架构选择：CLI优先，可脚本化；本地存储，数据在用户手上；模型无关，支持 OpenAI、Anthropic、本地模型；核心轻量，功能通过 Skills/Hooks 扩展。

存储方案全部是开放格式：

  • TELOS：Markdown 文件
  • 对话历史：JSON Lines 格式
  • 向量数据库：SQLite + 向量扩展
  • 配置：YAML 文件

扩展点也设计得很干净：自定义 Skills（Markdown 定义）、自定义 Hooks（Shell 脚本）、自定义 Tools（统一接口插件）、自定义 Memory 后端。

实际场景

长期项目管理：TELOS 的 05-goals.md 记录项目目标，Memory 系统记住所有设计决策，Hooks 自动同步 Git 状态和 TODO 列表。不用每次对话重新解释项目背景。

知识积累：学习对话记录在 Episodic Memory，重要概念自动提炼到 Semantic Memory，06-knowledge-domains.md 随学习更新。AI从答题机器变成学习伙伴。

创意工作：04-communication-style.md 定义语言风格，01-values.md 确保建议符合你的价值观，Memory 记住创意演化过程。AI理解你的创意意图，而不是生成通用内容。

这里有几个坑

冷启动成本不低。10个 TELOS 文件需要深度自我反思，交互历史需要时间积累，Hooks 和 Skills 配置有技术门槛。跟搭建个人知识管理系统一样，前期痛苦，长期回报。

性能和成本的平衡。持久化记忆意味着更长的上下文、更多的API调用。每次对话检索历史记忆会更慢，更长的 Prompt 更贵，向量搜索需要本地计算资源。

记忆管理是个未解难题。什么该记住、什么该忘记？过时信息如何更新？如何避免记忆混乱和矛盾？目前还在探索中。

多设备同步。本地存储保证了隐私，但跨设备同步、备份恢复需要自己用 Git 或加密方案解决。

怎么开始

不一定要直接上 PAI 全套，可以从小步骤开始：

  • 创建一个"关于我"的 Markdown 文档，每次对话前提供给AI，感受个性化的差异
  • 开始记录你和AI的对话，尤其是涉及项目决策的部分
  • 尝试用脚本自动化你的AI工作流
  • 填写 TELOS 文件本身就是有价值的练习——认真想想你的核心价值观、长期目标、知识领域是什么

PAI 的开源仓库 danielmiessler/Personal_AI_Infrastructure 已经把完整方法论开放了，感兴趣的可以直接去 GitHub 看源码。对于一人公司来说，这套思路的价值在于：让AI从每次重新认识你的临时顾问，变成真正理解你业务、记住你决策、适应你风格的长期搭档。