你缺的不是更好的 AI,而是一个＂装自己＂的系统

将自己的记忆和能力沉淀成 AI 世界能看懂的信息。

写在前面

这篇文章记录了我近期的一个实践：把自己的经验、判断和偏好，变成 AI 可以直接调用的能力。

我管这个叫”把自己 Agent 化”。

为什么要”装自己”？

因为我发现一个规律：AI 越强，个人经验的沉淀反而越重要。

当所有人都在用同一个 GPT，你和别人的差距不在于”你用了什么模型”，而在于”你喂给它多少属于你自己的东西”。同样写一篇文章，有人能拿到 80 分的初稿，有人只能拿到 50 分——区别不是模型不同，而是后者没有把自己的风格、判断标准、过往经验”装进去”。

你的经验、你的判断逻辑、你反复做的事——这些才是你真正的个人资产。但它们目前只存在于你的脑子里，没有被结构化，没有被复用，更没有被 AI 调用过。

怎么”装自己”？

我把它拆成三个词：Memory、Skill、Eval。

• Memory：把”你是谁、你怎么判断、你偏好什么”长期保存下来，让 AI 不需要你每次重新解释。
• Skill：把你反复做的事——写文章、筛简历、蒸馏观点——封装成可复用的能力模块，不再每次从零写 Prompt。
• Eval：每次用完给出反馈，让系统知道什么算”好”、什么算”不好”，越用越贴合你。

三者不是独立的功能，而是一个闭环：Memory 提供上下文 → Skill 执行任务 → Eval 给出反馈 → 反馈更新 Memory 和 Skill → 下一次更好。

这篇文章就是我用这个方法写的。 从收集灵感到蒸馏观点，从搭建 Memory 到调用 Skill 辅助写作，整篇文章的创作过程本身就是一次”个人 Agent 化”的实践。

下面展开说。

一、个人 Agent 化：到底在做什么

先把这个概念说清楚。

“个人 Agent 化”不是做一个虚拟人，不是搞数字分身，也不是让 AI 替你思考。

它做的是一件更朴素的事：

将自己的记忆和能力，沉淀成 AI 世界能看懂的信息。

“记忆”是你的背景、偏好、经验、判断标准——那些你希望 AI 每次都知道的东西。

“能力”是你反复做的任务、反复写的 Prompt、反复给出的判断——那些值得被封装成可复用模块的东西。

“AI 世界能看懂的信息”不是随便堆数据，而是有结构、有格式、有反馈标准的信息——AI 能直接调用、执行、并根据反馈改进的信息。

但这里有一个容易被忽视的边界：不是所有知识都能被沉淀。

沉淀的边界：冰山之下的隐性知识

我研究了一下知识论，发现一个很重要的概念：人类的知识像一座冰山。露出水面的，是能说清、能写明的”显性知识”——你的岗位、你的偏好、你的判断结论。但水面之下，是大量的”隐性知识”——那些说不清但就是知道的直觉、模糊的边界感、只可意会的判断。

比如，一个资深编辑扫一眼就知道一篇文章好不好，但让他解释”你怎么判断的”，他可能说不出几条明确的规则。这种”说不清但就是知道”的能力，是无数次实践沉淀出来的隐性知识。

所以，个人 Agent 化的第一步，不是”把所有东西都存进去”，而是先识别：哪些知识可以显性化，哪些需要保持隐性，如何在两者之间找到平衡。

能沉淀的是显性层，不能沉淀的是隐性层。好的系统，不试图把整座冰山都搬到水面以上。

这个区别很重要。我用一个对比来说明普通使用和个人 Agent 化的区别：

本质上，普通使用是”每次租一个助手”，个人 Agent 化是”培养一个越来越懂你的搭档”。

但从技术的角度看，这个区别还有一个更本质的说法：普通使用是每次都调用”裸模型”——一个没有你任何个人印记的通用 AI。而个人 Agent 化，是在这个通用模型之上，构建了一层专属于你的个人化数据和能力。就像大模型训练中，预训练模型是通用的，但经过 fine-tuning 之后，它变成了某个领域的专家。你要做的，就是让你的 AI 经过”个人 fine-tuning”。

不是让它变成你，而是让它站在你的肩膀上。

二、三个问题，三个模块：Memory、Skill、Eval

我把个人 Agent 化抽象成三个核心模块。不是因为它们最全面，而是因为它们回答了三个绕不开的问题：

这三个模块不是平行的三个功能，而是一个闭环：Memory 提供上下文 → Skill 执行任务 → Eval 给出反馈 → 反馈更新 Memory 和 Skill → 下一次更好。

┌─────────────────────────────────────────────┐│              个人 Agent 的核心闭环             ││                                             ││  Memory（知道我是谁）                         ││    ↓ 提供上下文                              ││  Skill（帮我做事）                           ││    ↓ 产出结果                               ││  Eval（判断好不好）                          ││    ↓ 反馈                                   ││  更新 Memory / 优化 Skill                    ││    ↓                                        ││  下一次更贴近我                              │└─────────────────────────────────────────────┘

缺了任何一个，这个闭环都会断。

没有 Memory，Skill 每次执行都没有你的背景，输出就是通用的。没有 Skill，Memory 再丰富也只是数据，不能帮你完成具体任务。没有 Eval，你不知道输出好不好，系统就永远停在第一次的水平，无法迭代。

下面逐个深入说。

2.1 Memory：让 AI 知道你是谁

Memory 回答的问题是：当 AI 开始一个任务时，它已经知道了关于你的什么？

注意，Memory 不是资料库。不是把聊天记录全部堆进去，也不是把所有文件都塞进去。

Memory 的本质是：那些会影响未来判断和行动的信息。

一条”今天午饭吃了什么”不需要进 Memory。但以下这些需要：

身份和背景：

• 我是谁，做什么岗位，团队多大
• 我擅长什么、正在做什么方向

偏好和风格：

• 我喜欢什么样的表达方式
• 我讨厌什么样的输出（太空、太硬、太罗嗦）

经验和判断：

• 我在某个任务上做过什么决策，为什么这样做
• 我对某个方向的判断是什么，依据是什么

正在关注的事：

• 我最近在研究什么
• 哪些问题是我正在思考但还没结论的

但 Memory 不只是这些事实的堆叠。从知识的角度看，Memory 可以分成三个层次：

拿我自己举例：

Memory 片段：显性层：身份：AI 算法团队 Leader，大模型后训练工程师方向：SFT、RL、自蒸馏、Agent RL、多模态偏好：结构化表达、有案例、有深度、不空谈禁忌：不要写得像论文，不要堆叠名词，不要纯技术教程隐性层：判断倾向：重视"最小闭环"思维，偏好先跑通再迭代风格直觉：喜欢用对比和类比解释概念，不喜欢直接给定义情境层：当前关注：个人 Agent 化、Memory 系统、Skill 工程、Eval 体系正在思考：隐性知识的边界在哪里？哪些经验可以沉淀，哪些只能靠实践传递？

你会发现，显性层最容易被结构化，隐性层需要反复的 Eval 才能逐渐逼近，情境层几乎无法完全固化。 一个好的 Memory 系统，不试图把所有隐性知识都显性化——那样做会丢失精髓。它做的是：把能结构化的尽量结构化，同时在设计中为隐性知识保留空间。

Memory 的价值不是记得多，而是记得对。一条能影响未来决策的 Memory，比一百条无用的聊天记录有价值得多。

Memory 还有一个被忽视的作用：它是 Skill 的基础。 一个 Skill 要输出贴合你的结果，前提是它”知道你是谁”。这个”知道”就来自 Memory。没有 Memory，Skill 就是一个通用 Prompt，不是”你的”Skill。

这就像在大模型训练中，高质量的数据策划（Data Curation）决定了模型的上限。你的 Memory 就是你个人 AI 的”训练数据”——数据质量直接决定输出质量。

2.2 Skill：把经验封装成可复用能力

Skill 回答的问题是：当 AI 需要帮你完成一个任务时，它拿什么来执行？

你可能有这样的体验：有些任务你每隔几天就会做一次，每次都要写一个很长的 Prompt，把背景、要求、格式、偏好全写进去。写完一次，下次又得重写。

如果一个任务反复出现，它就不应该永远只是一个临时 Prompt。它值得被沉淀成一个 Skill。

Skill 和临时 Prompt 的根本区别在于：

一个 Skill，本质上是被结构化保存下来的经验。

它不只是”一段更长的 Prompt”，而是一个完整的执行单元：知道在什么场景下触发、需要什么输入、产出什么格式的输出、依赖什么 Memory、达到什么标准才算合格。

如果用技术类比来看：每个 Skill 就像是你在通用大模型上做的一次”任务微调”（Fine-tuning）。通用模型提供了基础能力（语言理解、逻辑推理），而 Skill 在这个基础上加入了针对特定任务的”参数”——你的偏好、你的格式要求、你的判断标准。所有 Skill 共享 Memory 这个”基础模型”，但各自有自己的”任务适配层”。

好的 Skill 应该”隐退”到背景中。

有一个认知科学的概念叫 From-To 结构：当你用锤子钉钉子时，你的注意力不在锤子上（From），而在钉子上（To）。锤子”隐退”为辅助意识，你才能专注在目标上。

Skill 也应该这样。当你调用一个”外部观点蒸馏 Skill”时，你的焦点是文章的内容本身，而不是 Skill 的操作。如果一个 Skill 让你觉得”我是在操作工具”，那它设计得还不够好。

2.3 Eval：让系统越用越好

Eval 回答的问题是：AI 怎么知道它做的好不好？以及怎么才能做得更好？

这是三个模块里最容易被忽略、但对长期价值最关键的。

想想看：如果你每次用完一个 Skill，只是觉得”还行”或”不太好”，但没有记录具体哪里好、哪里不好，那这个 Skill 永远停在 v1.0。它不会因为你用了 100 次就变好。

没有 Eval，Agent 只是一个更复杂的 Prompt Collection。

从技术的角度看，Eval 其实就是一个个人版的反馈学习系统。在大模型训练中，RLHF（基于人类反馈的强化学习）让模型从人类的偏好中学习”什么叫好、什么叫不好”。Eval 做的是同样的事，只不过规模更小、更个人——它让系统从你的反馈中学习”什么叫好、什么叫不好”。

反馈不是单向的——Eval 有三个方向：

• 向上反馈：优化现有的 Memory 和 Skill（”输出太啰嗦”→更新 Memory 偏好）
• 向下反思：质疑知识框架本身（”我的判断标准对吗？”→重新审视 Memory 的结构）
• 横向连接：发现不同 Skill 之间的隐藏关联（”简历打分的标准也可以用在文章评审上”）

只有向上反馈，系统会陷入局部最优——越用越贴合你，但贴合的是”过去的你”。加上向下反思和横向连接，系统才能真正进化。

Eval 不需要一开始就搞得很工程化。不需要自动化测试，不需要 benchmark。早期的 Eval 可以非常轻量：

通用 Eval 问题（每次用完 Skill 后问自己）：

1. 这次输出有没有节省我的时间？
2. 是否符合我的表达风格？
3. 是否抓住了真正重要的点？
4. 我最后手动改动了哪些地方？
5. 是否需要更新 Memory 或 Skill？

场景 Eval（按任务定制）：

比如一篇文章草稿好不好，我看：有没有真实经历、主线是否清晰、概念是否过载、目标读者能不能看懂。

比如一次简历打分好不好，我看：有没有识别出强信号、有没有指出风险、面试验证点是否有价值、和我的判断是否一致。

关键在于：Eval 的结果要回流到系统。

一次 Eval 发现”输出太啰嗦”，就应该更新 Memory 中的偏好，或者更新 Skill 的输出模板。这样下次就不会犯同样的错。

Eval 闭环：Skill 输出结果  ↓我判断好不好（Eval）  ↓好 → 记录成功模式，固化到 Memory不好 → 分析原因，更新 Memory 或 Skill  ↓下一次输出更贴近我

Eval 不一定一开始就自动化，但一定要被记录。没有反馈，Skill 就永远停在 v1.0。

2.4 三者关系：不只是功能组合，而是一个学习系统

最后用一张图把三者的关系收一下：

Memory ──── 提供上下文 ────→ Skill  ↑                          │  │                          ↓  │                        执行任务  │                          │  │                          ↓  └──── 反馈更新 ←──── Eval（判断好不好）

• Memory 是土壤：没有它，Skill 长出来就是通用的，不是”你的”
• Skill 是工具：没有它，Memory 再丰富也只是数据，不能帮你做事
• Eval 是方向盘：没有它，系统永远不会变好，用 100 次和用 1 次没有区别

但我想说得更深一点。这三者的闭环，不只是简单的”功能组合”，而是一个涌现系统——当 Memory、Skill、Eval 持续交互，会产生超越各部分总和的新能力。

举个真实例子：我有一个”简历打分 Skill”，最初只是把评分标准结构化。但随着 Eval 反复作用，Skill 进化了——它开始能识别”潜在风险信号”，这是我从没显式教过它的。为什么？因为我的 Eval 反馈中包含了大量的隐性判断（”这个经历我觉得不对劲”），这些反馈被反复输入后，系统”涌现”出了识别风险模式的能力。

这不是魔法。这就像大模型在训练过程中”涌现”出推理能力一样——不是被显式编程的，而是从大量数据交互中自组织出来的。

三者合一，不只是 1+1+1=3，而是让系统开始拥有从你的经验中”学习”的能力。这才是个人 Agent 化的最小单元。

三、先别做大系统，先做一个最小闭环

理清了 Memory、Skill、Eval 三者的关系，接下来的问题是：怎么开始？

说实话，一开始我也想搞一个完整的个人 Agent OS。架构图画得很大，名词列了很多，工具选了一堆。但冷静下来一想，那样很容易变成”看着很酷，跑通的东西很少”。

所以我先把目标缩小到一件事：

做一个最小闭环：让日常输入能被记录、判断、转化、使用和反馈。

日常输入（想法、文章、工作记录）  ↓结构化记录（飞书多维表格）  ↓Agent 辅助判断（这个输入值得沉淀吗？）  ↓转化成 Memory / Skill / 素材  ↓实际调用一次 Skill  ↓我给出反馈（Eval）  ↓更新 Memory 或 Skill

我知道你可能在想：”我哪有时间做这些？””我的经验真的值得沉淀吗？””万一做不好怎么办？”

我经历过同样的犹豫。但当我真正跑通一次闭环——把一个零散想法丢进去，看着它变成 Memory、被 Skill 调用、产出有用结果——我发现这件事不像想象的那么重。它不是”搭系统”，而是”改习惯”。从”看完就忘”变成”看完进入系统”，从”每次从零开始”变成”每次站在上一次的肩膀上”。

举一个真实的例子。

以前：我看到一篇关于 Agent Memory 的文章，觉得很有启发，收藏了。几天后，可能就忘了。

现在：我会把它丢给”外部观点蒸馏 Skill”。它帮我输出：核心观点是什么、和我当前关注的问题有什么关系、哪些值得变成 Memory、哪些可以改进某个 Skill。然后我反馈：哪些提炼有价值，哪些太空，哪些该写入长期 Memory。

这样一次阅读就不只是”看过”，而是进入了系统。

一个最小闭环，比一个宏大的概念更重要。先让输入能沉淀，再谈系统能进化。

四、入口和工具：我用什么把这一切串起来

入口我选了飞书，工具用了三个。这部分不展开，简单带过。

为什么是飞书

个人 Agent 的入口不一定要酷，但一定要离真实场景足够近。

飞书适合承载：文档（沉淀想法）、多维表格（记录 Memory、Skill、Eval）、日报周报（工作痕迹）、机器人（轻量交互）、知识库（整理后的信息）。

我设计了一个多维表格，字段如下：

飞书只是一个承载容器。真正重要的是，我开始用结构化方式记录自己的输入、判断和反馈。

工具链

Claude Code：Anthropic 的命令行 AI 工具，所有 Skill 的编写、调试、调用都在这里完成。安装一行命令：

npm install -g @anthropic-ai/claude-code --registry=https://registry.npmmirror.com

提示：需要 Node.js 18+，Mac 用户 brew install node 即可。 后面再装一下cc-switch，地址是https://github.com/farion1231/cc-switch/releases/download/，选择合适版本，并找一下各个主流大模型厂商的api key。

openclaw：开源 Agent 框架，部署在腾讯云轻量服务器上，2 核 4G 够用。

现在openclaw/hermes在主流云服务器厂商都有一键安装版本的服务器租用。 以openclaw为例，去控制台https://console.cloud.tencent.com/，简单配置下即可。

Hermes：轻量消息调度，把飞书输入转发到 Agent 后端。

工具本身不复杂，复杂的是你要沉淀什么、怎么判断、怎么反馈。 工具链的搭建细节留到后续文章展开。

五、我先做的几个 Skill

前面讲了 Memory、Skill、Eval 的框架，现在落地。

但在讲我自己的 Skill 之前，我想先推荐一个东西——SkillHub。这是目前国内最大的 Claude Code Skill 社区，有超过 35,000 个开源 Skill。我先装了 10 个最实用的，再慢慢叠加自己的。

5.1 社区必装 Skill Top 10

完整排行榜见 skillhub.cn，下载量实时更新。

统一安装方式：在 Claude Code 中直接说”帮我安装 xxx skill”，或访问 skillhub.cn 复制安装命令。

这 10 个 Skill 是”基础设施”——文件处理、信息获取、知识管理、自我进化都覆盖了。装完这些，你的 Agent 已经比 90% 的用户强了。

下面是我自己在基础设施之上叠的几个个性化 Skill——解决我个人高频场景的。

5.2 外部观点蒸馏 Skill：把”看过”变成”吸收”

场景：经常读到很有启发的文章或访谈，当下觉得好，收藏，过几天忘了。

这个 Skill 做什么：不是总结原文，而是回答——这个观点对我有什么用？能进 Memory 吗？能改进 Skill 吗？

示例：

输入：某篇文章认为，Agent 的关键不是固定工作流，而是长期记忆和环境反馈。输出：原始观点：Agent 应该能根据反馈持续调整，不是静态 workflow。我的理解：这和个人 Agent 化高度相关。         没有反馈机制，就只能执行旧流程，不能变得更贴近我。可沉淀 Memory：个人 Agent 需要反馈闭环，不是一次性工作流。可改进 Skill：给 Skill 模板增加 Eval 字段。

这个 Skill 的核心不是总结别人，而是把外部思想转化成对我有用的能力增量。

5.3 大佬头脑风暴 Skill：让高手替你审视问题

场景：遇到方向性问题，自己的视角容易受限。比如”个人 Agent 应该先做 Memory 还是先做 Skill？”

这个 Skill 做什么：模拟多个”虚拟顾问”，从不同角度审视同一个问题，给出推理过程和取舍分析，最后总结共识和冲突。

输入：个人 Agent 的核心是 Memory 还是 Skill？输出（多视角）：产品视角：先解决用户最痛的点——"每次重新解释自己"，所以先做 Memory。工程视角：Skill 更容易验证效果，先做一个 Skill 跑通闭环再说。认知科学视角：人的学习是"记忆→模式→技能"三步，Memory 是基础。创业视角：早期用户最在乎的不是系统完整度，而是"有没有一个东西真的帮到我了"。共识：Memory 和 Skill 不应该二选一，而应该一起跑通最小闭环。冲突：先做哪个取决于你的验证目标——是验证"能记住我"还是验证"能帮我做事"。

这个 Skill 的价值不是替你做决策，而是帮你看到自己看不到的角度。

5.4 日报 / 周报整理 Skill：把工作痕迹变成记忆

场景：日报周报不只是汇报，它记录了你做了什么、遇到了什么、判断了什么。这些信息是非常好的 Memory 来源。

这个 Skill 做什么：不只是生成汇报文字，而是帮你提炼：本周解决了什么问题、暴露了什么风险、哪些经验值得进入 Memory。

输入：今天梳理个人 Agent 文章结构，收敛主题，决定聚焦"不要从零开始"。设计了飞书多维表格字段和核心 Skill。输出：关键思考：个人 Agent 的早期价值不是自动化，是让经验可以沉淀、复用和反馈。风险：如果堆叠名词，读者会觉得抽象，需要用案例收住。可沉淀 Memory：第一篇文章主线已确定为"Memory + Skill + Eval 最小闭环"。

日报周报不是为了应付管理，而是为了把工作痕迹变成可复用记忆。

5.5 简要提两个

简历打分 Skill：把岗位要求、核心能力、候选人优势/风险、面试验证点拆成固定字段。当评分标准被反复使用和修正，它就不只是一个 Prompt，而是一个可以演化的招聘 Skill。这给了我一个启发：很多 AI 应用的关键，不是让模型自由发挥，而是把一个人的判断标准结构化。

Skill Creator（非常常用！！！）：帮我判断一个重复任务是否值得沉淀，并把它包装成 Skill。每个 Skill 都遵循统一模板——名称、场景、输入、输出、偏好、依赖 Memory、Eval 标准、更新记录。

Skill Creator 的意义在于：我的系统不只是拥有 Skill，而是开始拥有制造新 Skill 的能力。

写在最后

这个系统现在还很早期。很多地方需要人工判断，很多 Eval 没有自动化，有的 Skill 用得好，有的还在调。

但我想说一个判断：

个人 Agent 化的本质，是将自己的记忆和能力沉淀成 AI 世界能看懂的信息。

不是让 AI 替你思考，而是让 AI 在帮你时，已经站在你的肩膀上。

不是做一个完整的系统，而是先让 Memory、Skill、Eval 跑通一个最小闭环。

不是追求自动化一切，而是让自己不再每次从零开始。

Memory 是土壤——让 AI 知道你是谁。Skill 是工具——让 AI 帮你做你反复做的事。Eval 是方向盘——让系统用一次比一次好。

三者合一，不只是功能组合，而是让系统拥有从你的经验中学习的能力。你的经验不再随着时间流逝，你的判断标准不再每次从零开始，你的能力可以被复用、被迭代、被放大。

这是这个五一小实验教我最重要的一件事。

下一篇，我想聊一个更具体的问题：当外部信息越来越多时，个人 Agent 如何帮你过滤信息、吸收观点，并把它们转化成新的 Skill。

附录

A. 文中提到的工具

B. SkillHub 必装 Top 10

完整排行榜见 skillhub.cn

C. 我的个性化 Skill

C. 核心观点

1. 个人 Agent 化的本质，是将自己的记忆和能力沉淀成 AI 世界能看懂的信息。
2. 普通使用是”每次租一个助手”，个人 Agent 化是”培养一个越来越懂你的搭档”。
3. 能沉淀的是显性层，不能沉淀的是隐性层。好的系统，不试图把整座冰山都搬到水面以上。
4. Memory 的价值不是记得多，而是记得对。
5. 一个 Skill，本质上是被结构化保存下来的经验。
6. 没有 Eval，Agent 只是一个更复杂的 Prompt Collection。
7. 三者合一，不只是 1+1+1=3，而是让系统开始拥有从你的经验中”学习”的能力。
8. 一个最小闭环，比一个宏大的概念更重要。