Garry Tan: AI复利系统实践

上周刷 Twitter 的时候，看到 YC CEO Garry Tan 发了一篇长文，标题叫《Meta-Meta-Prompting: The Secret to Making AI Agents Work》。

我一看标题就笑了——又是一个“秘密”，又是“让 AI Agent 真正工作”。这种标题党我见多了，但点进去一看，我人傻了。

这哥们真的在凌晨两点写代码。不是玩票，是真刀真枪地在搭系统。而且搭的不是什么 demo，是一个 10 万页的个人知识库，100 多个自动化技能，每天跑 100 多个定时任务。

更离谱的是，他把整套系统开源了。

我花了两个小时把文章啃完，又去翻了他开源的 GBrain 和 GStack 项目，越看越觉得这才是 AI 时代一人公司该有的样子。

今天就跟大家聊聊，Garry Tan 到底搭了个什么东西，以及我们普通人能从里面学到什么。

一、一本书，40 分钟，给你量身定制

先说个最震撼我的例子。

Garry Tan 上个月读了一本书，叫《When Things Fall Apart》（当事情分崩离析时），是一本讲佛教智慧的书，162 页，22 个章节。

他没有像我们一样，老老实实从头读到尾，然后在笔记本上摘抄几句金句。

他让 AI 给他做了一个“书籍镜像”（Book Mirror）。

什么意思？系统把 22 个章节全部提取出来，然后针对每一章，同时做两件事：第一，总结作者的核心观点；第二，把这些观点映射到 Garry Tan 自己的真实生活上。

注意，不是那种“这个道理适合所有领导者”的废话，而是具体到：

• 他的家庭背景（父亲来自香港和新加坡，母亲来自缅甸）




• 他的职业环境（管理 YC，指导几千个创业者）




• 他最近在读什么书，在想什么问题




• 他和心理咨询师正在处理什么议题




• 他上周和某个创始人的具体对话

最后输出了一份 3 万字的报告。每一章都是两栏：左边是作者说了什么，右边是这些话怎么映射到 Garry Tan 的生活里。

整个过程，40 分钟。

一个时薪 300 美元的心理咨询师，读完这本书，再结合你的生活背景做分析，40 个小时都不够。而且咨询师不可能同时加载你的职业背景、阅读历史、会议记录、创业者关系网络。

但 AI 可以。

Garry Tan 说，他现在已经用这个方法处理了 20 多本书。每一次新的镜像都比上一次更准，因为系统越来越了解他。

二、别跟我扯“提示词”，我有 100 个技能

很多人问 Garry Tan：“你是怎么写提示词的？”

他的回答很直接：我不写提示词。我的技能就是提示词。

什么意思？

传统的 AI 使用方式是这样的：你每次想让 AI 做点什么，就打开 ChatGPT，写一段提示词，然后等结果。下次遇到类似的事情，你再写一遍。或者你把提示词存在某个文档里，每次复制粘贴。

Garry Tan 的做法完全不同。他把所有重复性的工作流都变成了“技能”（Skill）。

每个技能是一个独立的 Markdown 文件，里面详细描述了这个任务的每一步该怎么做。比如：

• meeting-ingestion（会议摄入）：每次开完会，自动拉取会议记录，生成结构化总结，然后遍历会议中提到的每个人和每家公司，把相关信息更新到他们各自的知识页面上。




• book-mirror（书籍镜像）：就是前面说的那个，把书的内容和个人生活深度映射。




• enrich（丰富）：给一个人名，系统从五个不同来源拉数据，合并成一个完整的个人档案，包括职业轨迹、联系方式、会面历史、关系背景。每一条都标注来源。




• perplexity-research（联网研究）：先搜索网络，但在综合之前，先检查知识库里已经有什么，这样它能告诉你哪些是新信息，哪些你已经知道了。

现在他有 100 多个这样的技能。

更厉害的是，这些技能不是他一个个手写出来的。他有一个“元技能”叫 Skillify。

当他发现自己重复做某件事的时候，就说一句“skillify this”，系统会自动分析刚才发生了什么，提取出可复用的模式，写成一个技能文件，测试，然后注册到系统里。

下次再遇到类似的事情，系统自动调用这个技能。

这就是他说的“技能会自己生成技能”。

三、瘦框架，胖技能，胖数据

Garry Tan 反复强调一个架构理念：Fat Skills, Fat Code, Thin Harness（胖技能、胖代码、瘦框架）。

这是什么意思？

瘦框架：他用的 OpenClaw 或 Hermes Agent，只负责路由。你发一条消息进来，它判断该调用哪个技能，然后分发出去。就这么简单，几千行代码。框架本身不懂书籍、会议、创业者，它只管路由。

胖技能：100 多个技能文件，每个都是一个完整的工作流，包含详细的指令、边界条件、异常处理。技能知道怎么做事。

胖数据：10 万页的结构化知识库。每个人、每家公司、每次会议、每本书、每篇文章，都有一个页面。页面顶部是“编译后的真相”（当前的最佳理解），下面是按时间排序的事件流，旁边是原始数据。

胖代码：喂养这个系统的代码也很重要——转录、OCR、社交媒体存档、日历同步、API 集成。他每天跑 100 多个定时任务，自动监控他关注的一切。

模型呢？模型是可替换的。他同时用 Claude Opus 4.7（精确度）、GPT-5.5（召回和详尽提取）、DeepSeek V4-Pro（创意和第三视角）、Groq + Llama（速度）。技能决定用哪个模型做哪个任务。

当有人问“哪个 AI 模型最好”的时候，Garry Tan 说：问错了。模型只是引擎，其他的才是车。

四、不是工具，是复利系统

很多人把 AI 当工具用。需要写个东西，打开 ChatGPT；需要生成个图，打开 Midjourney；需要查个资料，打开 Perplexity。

用完就关。

Garry Tan 说，这不是工具，这是复利系统。

什么叫复利系统？

• 每次开会，会议内容自动进入知识库，更新所有相关人员和公司的页面。




• 每次读书，书的内容和他的生活建立映射，下一本书的映射会更准，因为系统对他的了解更深了。




• 每次优化一个技能，所有调用这个技能的工作流都自动变好。




• 每次添加一个数据源，整个知识图谱都变得更丰富。

他说，这个系统两个月前的样子，和现在比，差了 10 倍。两个月后，又会再强 10 倍。

这才是 AI 时代的正确打开方式。

不是“我今天用 AI 写了一篇文章”，而是“我的 AI 系统每天自动处理我的会议、阅读、邮件、日历，并且越来越懂我”。

五、会议自己准备自己

再说一个让我印象深刻的例子。

Demis Hassabis（DeepMind 创始人）要来 YC 做炉边谈话。

Garry Tan 让系统帮他准备。

不到两分钟，系统输出了：

• Demis 的完整知识页面（几个月来积累的文章、播客转录、笔记）




• 他对 AGI 时间线的公开观点（“50% 靠扩展，50% 靠创新”，认为 AGI 还有 5-10 年）




• Sebastian Mallaby 给他写的传记的要点




• 他的研究优先级（持续学习、世界模型、长期记忆）




• 和 Garry Tan 公开立场的交叉引用




• 三个演示脚本，展示知识库的多跳推理能力




• 基于两人世界观重叠和分歧的对话切入点

这不是更好的 Google 搜索。这是用他积累的关于 Demis 的背景、他自己的立场、以及这次对话的战略目标，做的综合准备。

系统准备的不只是事实，还有角度。

六、第一版很烂，第一百版很强

Garry Tan 说了一句特别实在的话：

“我用这个系统做的第一件事很烂。第一百件事是我会信任它管理我的日历、收件箱、会议准备和阅读列表的东西。”

第一次做书籍镜像的时候，有三个关于他家庭的事实错误。说他父母离婚了（其实没有），说他在香港长大（其实他出生在加拿大）。

所以他加了一个强制的事实核查步骤。现在每次镜像都会跨模型验证已知事实。Opus 4.7 抓精确度错误，GPT-5.5 抓缺失背景，DeepSeek V4-Pro 抓通用性。

然后他升级到深度检索。原来的版本擅长综合，但细节不够。现在每一段都做知识库搜索，每一条右栏内容都引用真实的知识页面。

这就是 Skillify 的意义。把第一次手动尝试，提取成可复用的模式，写成经过测试的技能文件，每一次修复都会复利到所有未来的使用。

七、记录决策链路，不是知识本身

Garry Tan 提到一个很重要的观点：

不要记录知识，要记录决策链路。

什么意思？

比如你做一个视频频道，把每篇文章记录下来，当然有用，但不是最有用的。

更有用的是什么？

记录你发了这篇文章之后，平台反馈的数据是什么，你当时心里的认知感受是什么。然后下一篇你做了什么改进，又得到了什么反馈。

把你的决策链路、这些知识的过程记录下来。

不是知识本身，而是你如何做决策、如何根据反馈调整、如何一步步优化的整个过程。

把 SOP 记录下来，加上每个节点的反馈。

这个观点和李超（第四种黑猩猩）说的一模一样。我之前写过一篇文章专门讲这个，叫《先出来，再说其他》。

在 AI 时代，知识本身不值钱了，因为 AI 什么都知道。值钱的是你的判断、你的品味、你的决策过程。

八、品味是唯一剩下的东西

Garry Tan 说了一句让我印象特别深的话：

“在 AI 面前，人类唯一剩下的独特就是品味。”

怎么培养品味？

他提出了一个叫“HAM 模型”的概念——Human as a Model（把人当成模型）。

如果把人当成模型，那你应该怎么提升自己？

预训练：定期给自己的大脑做预训练。每天花时间看技术博客、听播客，相当于给自己刷新数据，不要让自己的“模型”三个月之后就过期了。

强化学习：定期做总结反思。把你每个步骤、每个决策都记录下来，然后反思哪里做得好，哪里可以改进。

奖励函数：去实践然后收集反馈，校准奖励函数。品味这个指标，更像是强化学习里面的奖励函数。你做了一件事情，市场给你反馈，你根据反馈调整，这个过程就是在校准你的奖励函数。

OpenAI 前首席科学家 Ilya Sutskever 给的标准是：奥卡姆剃刀。尽量往简单的方向去。

九、先出来，边做边说

看完 Garry Tan 的文章，我最大的感受是：

这哥们真的在干。

不是在 Twitter 上喊口号，不是在播客里讲理念，而是凌晨两点还在写代码，搭系统，跑定时任务。

而且他把整套东西开源了：

• GStack：编程技能框架，87,000+ star




• GBrain：知识基础设施




• OpenClaw 和 Hermes Agent：运行框架

他在文章最后说：

“未来属于构建复利型 AI 系统的个人，而不是使用中心化 AI 工具的用户。”

这句话说得太对了。

区别在哪？就像记日记和拥有神经系统的区别。

日记只是存储。神经系统会连接、会标记变化、会在需要的时候浮现相关内容。

十、我们能做什么？

看到这里，你可能会想：Garry Tan 是 YC CEO，有资源有时间，我一个普通人怎么搞？

我的建议是：别想着一步到位，先找一个超级小的闭环。

Garry Tan 在文章最后给了四步行动建议，我翻译成人话：

1. 选一个框架

OpenClaw、Hermes Agent，或者直接用 Claude、GPT 的 API 自己搭。

关键是：框架要瘦。框架只负责路由，不要把所有逻辑都塞进去。

可以在家里的闲置电脑上跑，用 Tailscale 做内网穿透；也可以用 Render 或 Railway 部署到云上。

2. 开始建知识库

用 GBrain，或者自己用 Markdown + Git 搭一个。

核心是：每个人、每次会议、每篇文章、每个想法，都有一个页面。

页面顶部是当前的最佳理解，下面是按时间排序的事件流。

3. 做一件真实的事情

别从规划技能架构开始。

先做一件你真正关心的事情。写一份报告，研究一个人，分析你的作品集，预测一场比赛。

用你的 Agent 做，迭代到满意为止，然后跑 Skillify（或者手动提取）把这个模式变成可复用的技能。

4. 持续使用，看输出

技能一开始肯定很烂。这才是重点。

用它，读它的输出，当发现问题的时候，跑跨模型评估：把输出发给多个模型，让它们互相打分。

修复会被烘焙到技能里，之后的每次运行都会更好。

六个月后，你会有一个聊天机器人无法复制的东西，因为价值不在模型，而在你教给系统的关于你的生活、工作和判断的一切。

写在最后

Garry Tan 的这篇文章，给了我很大的启发。

不是因为他用了什么高深的技术，而是因为他展示了一个真实的、可运行的、在复利增长的个人 AI 系统。

很多人还在纠结：我该用 Claude 还是 GPT？我该写什么样的提示词？我该学 Python 还是 JavaScript？

Garry Tan 告诉你：这些都不重要。

重要的是：

• 先出来，先做一个垃圾版本




• 找超级小的闭环，今天做明天就能看到结果




• 记录决策链路，不是知识本身




• 让系统复利增长，而不是每次从零开始

在 AI 时代，每个人都可以成为一人公司。不是因为你有多强的技术能力，而是因为你找到了属于自己的超级小闭环，并且让 AI 帮你把这个闭环跑起来，越跑越快。

多用 AI，先出来，干中学，越早越好。

坐上牌桌，时代的洪流就会推着你往前走。

关于作者

黄唐，正在用 AI 重构个人知识管理系统，记录从传统工科到 AI 产品经理的完整转型路径。如果你也在探索 AI Native 产品的可能性，欢迎交流。

参考资料

• Garry Tan 原文：Meta-Meta-Prompting: The Secret to Making AI Agents Work




• GBrain 项目：https://github.com/garrytan/gbrain




• GStack 项目：https://github.com/garrytan/gstack




• OpenClaw:https://openclaw.ai/