很多人使用 AI 的方式是：遇到一个问题，打开一个聊天窗口，复制一段背景，得到一个答案，然后关闭页面。下一次遇到类似问题，又重新介绍自己、重新粘贴资料、重新解释偏好。

这种方式并不是不能用，但它的上限很明显：AI 只参与某一次任务，不会逐渐理解你，也不会记住上一次决定，更不会主动把零散的交互变成可以复用的工作方式。

Personal AI Infrastructure，通常简称 PAI，试图解决的就是这个问题。它的重点不是再找一个更强的模型，而是给个人建立一层持续存在的上下文、记忆、技能和工作流，让 AI 从一次性聊天工具变成了解你的数字助理。

本文不讨论某个具体产品的安装，也不把 PAI 当作一套必须原样照搬的软件。文章关注的是它背后的架构思想：先定义自己，再组织信息，最后让模型在确定性的流程中参与需要判断的部分。读完之后，你应该能搭出一套不依赖单一模型、可以逐步演进的最小系统。

一、先问自己：你到底希望 AI 帮你做什么

很多 AI 项目一开始就从工具选择出发：用哪一个模型、接哪个插件、安装哪个 Agent 框架、要不要接数据库。

但如果没有明确目标，工具越多，系统越容易变成一个信息堆。它可能有很多按钮、很多自动化规则，却没有回答三个基本问题：

PAI 的价值首先体现在顺序上：不要从工具开始，从自己开始。

你可以先写一页纸，而不是先安装一个复杂系统。内容包括：

我现在最重要的三个目标是什么？
我每周反复做、但不希望反复做的工作是什么？
哪些决定需要我本人确认？
哪些信息可以被 AI 记住？
哪些信息绝对不能被自动保存或发送？
我希望 AI 用什么语气与我协作？

这些问题看起来不像技术问题，却决定了后续目录、记忆、权限和技能的设计。如果连“什么是好结果”都说不清楚，增加模型数量只会让不确定性变多。

二、个人 AI 基础设施的四个组成部分

一套可用的个人 AI 基础设施，至少需要四层。

1. 身份与目标

这一层描述“我是谁、在乎什么、正在往哪里走”。它包括使命、目标、项目、信念、偏好、思维模型和当前挑战。

它的作用不是把个人信息写成一份漂亮的自我介绍，而是给 AI 提供判断背景。例如，同一个“帮我制定学习计划”的请求，对正在转行的人、正在管理团队的人、正在准备考试的人，答案应该完全不同。

2. 上下文与记忆

身份文件描述相对稳定的内容，记忆则记录不断发生的事情：已经做过的决定、最近的反馈、项目变化、失败原因和新出现的偏好。

如果没有记忆，每次会话都是重新开始；如果什么都记，系统又会被噪声淹没。因此记忆必须有层级、来源和更新规则，而不是一个越来越长的聊天记录文件。

3. 技能与工作流

技能是可复用的做事方式，例如“把一篇调研整理成决策备忘录”“把会议记录转成待办事项”“检查一份发布稿的事实和格式”。

工作流把技能、工具、输入和验收标准串起来。它应该让 AI 知道先做什么、何时停下来问你、什么结果算完成。

4. 事件与权限

事件钩子负责在会话开始、工具执行前后和会话结束时触发动作。权限系统则决定哪些动作可以自动执行，哪些动作必须确认。

这层很重要，因为“能自动化”不等于“应该自动化”。自动整理本地文件和自动发送邮件，风险完全不同；读取个人目标和把个人目标上传到外部服务，也不是同一个问题。

可以把四层关系理解为：

身份与目标：告诉 AI 为什么做
上下文与记忆：告诉 AI 过去发生了什么
技能与工作流：告诉 AI 应该怎么做
事件与权限：告诉 AI 什么时候做、做到哪一步必须停

三、为什么架构往往比模型更重要

模型的能力当然重要，但模型只是推理引擎。它能否产生有用结果，还取决于输入是否完整、任务是否清楚、工具是否可靠、输出是否经过验证。

同一个模型面对下面两种输入，工作质量通常会有明显差异。

第一种输入只有一句话：

帮我规划一下我的工作。

第二种输入包含目标、当前项目、资源限制、过去的决策、评估标准和输出格式：

请根据 USER/identity、USER/goals 和 USER/projects 中的内容，
为本周三个重点项目安排一个可执行计划。

约束：
1. 不新增超过 5 个并行任务；
2. 优先处理会阻塞其他项目的事项；
3. 标出需要我本人确认的决定；
4. 不修改原始目标文件，只输出计划草案；
5. 对无法判断的时间安排明确标注假设。

第二种输入并没有要求模型“更聪明”，只是把架构提供的上下文和约束传给了它。好的基础设施让不同模型可以共享同一套个人知识和验收规则，也让你更容易更换模型、工具或运行环境。

这不是说模型不重要，而是模型选择不应承担架构层的问题。换一个模型可能提高推理质量，却不能自动解决资料散落、记忆失真、权限过宽和任务没有验收标准的问题。

四、一个可落地的最小目录

不必一开始就部署数据库、向量检索和多 Agent 编排。一个本地目录足以启动第一版：

personal-ai/
├── USER/
│   ├── identity/
│   ├── preferences/
│   ├── goals/
│   ├── projects/
│   ├── workflows/
│   ├── skills/
│   ├── memory/
│   └── logs/
├── SYSTEM/
│   ├── instructions.md
│   ├── policies.md
│   └── schemas/
├── assets/
└── README.md

USER/ 存放只属于你的身份、偏好、项目和记忆；SYSTEM/ 存放通用规则、格式和工具约定。两者分开之后，底层系统升级时，个人资产不容易被覆盖。

第一版可以只创建以下文件：

USER/identity/MISSION.md
USER/identity/GOALS.md
USER/projects/PROJECTS.md
USER/preferences/WORKING_STYLE.md
USER/memory/RECENT.md
SYSTEM/instructions.md
SYSTEM/policies.md

每个文件先写几句话即可。系统的关键不是初始内容有多完整，而是后续能否稳定更新，并且更新时不会把临时想法误当成长期事实。

五、给 AI 一个清晰的工作契约

很多人把全部希望寄托在系统提示词上，但真正有用的不是一段很长的“你是一个超级助理”，而是一份可以检查的工作契约。

# 工作契约

## 开始前
- 先读取与当前任务相关的身份、目标和项目文件。
- 如果目标、范围或权限不清楚，先提出问题。
- 不把临时建议当成长期记忆。

## 执行中
- 能用确定性脚本完成的工作，优先使用脚本。
- 修改文件前说明目标文件和变更内容。
- 涉及发送、删除、发布、支付或外部写入时必须确认。

## 输出前
- 给出完成了什么、没有完成什么和仍需确认的事项。
- 区分事实、假设和建议。
- 不确定时直接说明不确定性。

这份契约的作用是把合作方式写下来。模型更换之后，只要仍然能读取相同的契约，工作方式就不会完全从零开始。

六、如何判断一件事是否值得进入基础设施

不是所有任务都值得做成技能，也不是所有聊天都值得写入记忆。可以用三个问题筛选：

是否会重复出现

只发生一次的任务，保留最终结果可能就够了；每周都会出现的任务，适合沉淀为流程或技能。

是否需要个人背景

通用翻译不一定需要读取你的身份文件；职业规划、项目取舍和长期写作，则很依赖你的目标、偏好和历史决定。

是否能够验证

如果结果无法定义“完成”，自动化就很难稳定。一个好的技能应该有输入、步骤、输出和验收标准，而不是只有一句模糊指令。

可以使用这个简单表格：

任务类型 是否记忆 是否做成技能 是否允许自动执行
临时问答 通常不记 通常不做 只读
每周报告 保存结果和反馈 适合 生成草稿
文件批处理 记录规则和日志 适合 需限制目录
对外发布 保存版本和证据 可以 必须确认
长期目标复盘 保存结论 适合 只生成建议

七、隐私和安全不能等系统成熟后再补

个人 AI 基础设施会接触比普通聊天更多的资料：目标、工作文档、联系人、财务信息和私人记录。越是希望 AI“了解你”，越需要明确哪些内容可以进入上下文。

建议至少建立三类数据边界：

公开：可以放入普通项目和公开模型上下文
内部：只在可信工作环境中使用，默认不外发
敏感：默认不自动读取、不自动保存、不自动发送

敏感信息不应该只依靠一句“请保护隐私”。更可靠的方式是：文件分目录、工具分权限、动作要确认、日志不记录密钥、备份加密，并定期检查哪些内容被实际送入模型。

对于删除文件、发送消息、修改公开内容、提交代码和执行外部命令，可以统一采用“先生成计划，再请求确认”的模式。自动化速度慢一点，换来的是可回溯性和更低的误操作风险。

八、从零开始的四周路线

第一周：只建立身份和目标

创建使命、目标、项目和工作方式文件。不要急着添加十几个工具，先观察自己最常把哪些背景重复讲给 AI。

第二周：建立简单记忆

每天只记录真正改变决策的信息：新目标、重要决定、反馈、失败原因和未解决问题。给每条记录加日期和来源。

第三周：把一个重复工作做成技能

选择每周至少重复两次的任务，写清输入、步骤、输出和验收。先人工触发，确认流程稳定后再接钩子。

第四周：增加权限和复盘

列出哪些动作可自动执行、哪些动作需要确认。回顾这三周的日志，删除无价值记忆，修正不准确的偏好，并记录技能失败的原因。

结论

个人 AI 基础设施不是把更多 AI 工具堆在一起，而是把你的目标、身份、上下文、技能、权限和反馈组织成一套可以持续运行的系统。

PAI 最值得借鉴的地方，是把注意力从“哪个模型更强”转向“AI 是否真正理解我、是否能在可控边界内持续工作”。初版不需要复杂，几个 Markdown 文件、一份工作契约、一个记忆日志和一条可验证的工作流，就足以开始。

本文参考的公开项目当前已由原 Personal_AI_Infrastructure 地址指向 Daniel Miessler 的 LifeOS 仓库。项目结构和实现会变化，本文讨论的是可以独立迁移到不同工具中的架构思想，而不是某个版本的安装说明。