Skip to content

setup_guide.md

Latest commit

 

History

History
180 lines (108 loc) · 6.12 KB

setup_guide.md

File metadata and controls

180 lines (108 loc) · 6.12 KB

Setup Guide: Context Infrastructure

这是 AI 引导的配置指南。按步骤操作，每步完成后立刻能感受到差异。

Step 1：填写身份文件（必填，5 分钟）

价值：完成这一步，AI 的行为立刻个性化。这是 ROI 最高的一步。

1a. 填写 USER.md

打开 rules/USER.md，用自己的信息替换模板内容。

至少填写这几项：

  • 称呼：你希望 AI 怎么叫你
  • 时区：避免时间混乱
  • 背景：你是谁、你做什么
  • 技术兴趣：越具体越好
  • 会让你烦的：帮 AI 避开你讨厌的沟通方式

验证：填好后，在 AI 对话里问「介绍一下你对我的了解」，看 AI 是否能准确描述你。

1b. 自定义 SOUL.md（可选但推荐）

打开 rules/SOUL.md，调整 AI 的核心行为基调。

默认内容已经是通用的良好基础（直接、有观点、不说废话）。如果你有特殊需求，在「氛围」和「核心真理」部分添加你的偏好。

Step 2：探索和扩展 Skills（推荐，15 分钟）

价值：理解 skill 的格式，开始积累自己的可复用工作流。

2a. 浏览现有 Skills

打开 rules/skills/INDEX.md，快速扫描已有的 skill 分类：

  • BestPractice 类：立刻可用，与你的工具和项目无关
  • Workflow 类：调研、幻灯片制作、认知画像提取等，需要理解后适配
  • API Guide 类：⚙️ 标记的需要配置，✅ 标记的可直接用

2b. 创建你的第一个 Skill

找一件你经常做的事（调用某个 API、处理某类数据、执行某个工作流），用以下格式创建 rules/skills/<category>_<name>.md：

# Skill: 名称

## When to Use
什么情况下触发这个 skill

## Prerequisites  
需要什么工具/配置

## 步骤
1. 步骤一
2. 步骤二

## 示例
具体的命令或代码

将新 skill 添加到 rules/skills/INDEX.md 对应分类。

2c. 关于 Axioms（公理）

rules/axioms/ 包含 43 条从真实经历中蒸馏的决策原则。这些代表原作者的视角和认知模式，对你有参考价值，但不能替代你自己的公理。

建议：

  • 先浏览 rules/axioms/INDEX.md 了解分类和核心含义
  • 遇到共鸣的公理，标注下来
  • 未来从你自己的项目经历中积累你的公理（参考同类格式）

Step 3：配置记忆系统（可选，30 分钟）

价值：让 AI 自动积累你的工作经验，越用越懂你。

3a. 理解三层架构

L3（全局约束）: rules/ 下所有文件 → 每次 session 被动加载
L1/L2（动态记忆）: contexts/memory/OBSERVATIONS.md → agent 主动检索

L3 你已经配置好了（Step 1）。L1/L2 需要设置 cron 自动运行。

3b. 配置 OpenCode Server

periodic_jobs/ai_heartbeat/ 的脚本依赖 OpenCode Server API。

  1. 确认本地 OpenCode Server 运行（或配置连接）
  2. 在 periodic_jobs/ai_heartbeat/src/v0/ 检查 opencode_client.py（需要你自行补充，源码参考 OpenCode 文档）
  3. 测试连通性：python3 observer.py --help

3c. 配置 Cron

# 每日 8:00 AM 运行 observer（扫描当日变化）
0 8 * * * cd /path/to/your/workspace && python3 periodic_jobs/ai_heartbeat/src/v0/observer.py >> /tmp/observer.log 2>&1

# 每周一 9:00 AM 运行 reflector（蒸馏和晋升）
0 9 * * 1 cd /path/to/your/workspace && python3 periodic_jobs/ai_heartbeat/src/v0/reflector.py >> /tmp/reflector.log 2>&1

调整路径和时间为你的实际情况。

3d. 验证

运行一次 observer：

python3 periodic_jobs/ai_heartbeat/src/v0/observer.py 2024-01-15

查看 contexts/memory/OBSERVATIONS.md 是否有新条目写入。

Step 4：扩展 Tier 2 组件（按需，30-60 分钟）

以下组件独立工作，按需配置，不配不影响核心功能。

语义搜索（⚙️）

当你的 contexts/ 目录积累了足够多内容后，语义搜索让你能按意思而非关键词检索历史记录。

需要：LLM Studio（本地）或 OpenAI API key
配置：参见 rules/skills/semantic_search.md

分享报告到 Web（⚙️）

将调研报告转为 HTML 并发布到你自己的服务器。

需要：一台有 SSH 访问权限的服务器
配置：参见 rules/skills/share_report.md，替换 <your-domain> 和 <your-server>

发送邮件通知（⚙️）

让 AI 完成任务后发邮件通知你。

需要：Gmail App Password
配置：参见 rules/skills/send_email.md

何时你会感受到系统的价值

填好 USER.md 后（立刻）：AI 的回答更有针对性，不再是泛化的通用答复。

使用 2-3 周后：contexts/ 目录里开始积累你的工作记录，AI 可以引用上下文。

运行 1-2 个月记忆系统后：observer 开始识别你的工作模式，reflector 把高价值经验晋升为 skill 或 axiom。

积累 6+ 个月后：系统开始真正了解你的判断逻辑和决策模式，你会发现 AI 给出的建议越来越接近你自己会做的决定。

常见问题

Q：axioms 能直接用吗？
A：可以用来理解系统的结构，但核心内容代表原作者的视角。你的 axioms 需要从你自己的经历中提炼。参考 rules/skills/workflow_cognitive_profile_extraction.md 了解提炼方法。

Q：skills 能直接用吗？
A：✅ 标记的可以直接用。⚙️ 标记的需要替换配置（endpoint、API key、域名等）。BestPractice 类基本都可以直接用。

Q：observer.py 需要什么依赖？
A：依赖 opencode_client.py（OpenCode Server 的客户端封装）。这部分需要你根据自己使用的 AI agent 框架来实现或适配。

Q：能用其他 AI agent（不用 OpenCode）吗？
A：可以。observer.py 的核心逻辑是构造 prompt 并调用 AI；你可以替换 opencode_client 为 Claude API、OpenAI API 或任何支持长对话的 AI 接口。

下一步

系统搭好后，真正的积累才刚开始。关键是持续使用：把你的工作放在这个 workspace 里，让 AI 参与每天的工作。随着时间推移，系统会越来越懂你。