夜雨聆风打开APP，打字，等结果。关掉窗口，上下文就没了。下次再问，它完全不记得你是谁、做过什么、有什么偏好。
这不是你的问题，这是目前所有人用AI的常态。但今天我要分享的这套系统，彻底改变了这个局面。
六个痛点，你中几个？
我梳理了一下，我们日常用AI有六个绕不开的问题：
第一，每次用AI都要掏出手机、打开APP、打字等结果。关掉窗口，上下文全丢。
第二，信息轰炸。各种工具软件里的信息都要靠自己翻、自己判断，AI不会主动帮你处理。
第三，每个场景一个APP。聊天用一个，画图用一个，做应用又用一个，每个只能干一件事，根本串不起来。
第四，开会录音会后自己整理。AI不在场，事后也补不上。
第五，开车走路时想加个提醒、回个消息，手在方向盘上，AI帮不上忙。
第六，也是最要命的——每次对话从零开始。AI不记得你是谁、做过什么、有什么偏好。
一句话总结：你在驱动AI，而不是AI驱动你的工作。
那怎么解决？我的方案就三个字：抓、存、出。
抓：把散落的信息全部收回本地
信息分散是第一个要解决的问题。你的工作信息散落在办公软件、视频会议、读书笔记、邮件、在线文档上。每个平台都锁住了一部分，信息不在你手里，而在平台手里。
AI想帮你，但它根本接触不到这些散落的信息。
"抓"这一步，就是用MCP协议加上Skills加上CLI，把各个平台的信息全部抓到本地。
具体能抓什么？办公软件的客户拜访记录、审批流程、群聊信息，通过连接器全部拉到本地。视频会议的录制、AI纪要、转写文本，自动拉取。企业工商信息查询、股权穿透，一键回到本地。在线文档里的智能表格、协同文档，连接器都能读取搜索。
还有读书软件的笔记、网页收藏、文件上传、代码仓库的PR和技术资产，全部统一管理。
只要你的数据源支持MCP协议，就能接进来。
存：三层架构让AI自己消化知识
抓下来之后怎么存？这是整个系统的关键。
我用的是LM Wiki的三层架构：Raw（入）、Wiki、Output（出）。
第一层是Raw，原始资料层。从各个平台抓过来的客户拜访记录、会议纪要、聊天记录，全部存到这一层。这一层不可编辑，AI只能读，保存原始数据永远不会被污染。这是真相的来源。
第二层是Wiki，这是AI可以自主分析的部分。这一层完全归大模型所有，它可以读原始资料，然后自己提炼客户画像、项目摘要、需求分析，通过Wiki建立关联，形成知识网络。我们人在这一层只读不写。这是AI的大脑。
第三层是Output，产出层。基于Wiki知识库生成的方案书、报价PPT，所有信息直接交付。这一层用户拥有，AI只读不维护内容。这是你输出的成果。
各归各的，相互不干扰。
把这个架构嵌入到工作软件里，建立一个工作空间，所有拉取的信息存入Raw，AI基于Wiki自主分析，最终从Output交付成果。
出：AI主动交付，不再打字等结果
存好了以后，基于Wiki知识库和线上数据库，AI能直接生成你要的东西。
报价单？结合客户信息、历史报价和产品信息，自动生成定制化报价方案。方案书？基于客户画像和需求分析，生成包括技术方案、实施路径、案例参考的完整方案。PPT？一句话就能生成，内容来自你的Wiki知识库和你的方法论。
会议记录？跟客户聊天时打开录音笔，AI自动抓取录音，生成行动项和跟进计划。跟进计划结合客户历史互动和项目进展，自动生成下一步建议和时间点。
不再是打开APP打字等结果，而是AI基于你的知识库主动交付。
真正厉害的：它会自己跑
前面讲的都是手动触发，但这套系统真正厉害的地方在于——它可以自己跑。
第一个自动化是会议纪要。我设定每天下午5点，AI自动检查当天有没有新录音。有的话自动转写、分析、存档到Wiki，然后生成摘要、实体提取、概念关联、任务拆解。我只需要开会时打开录音，剩下的全是自动的。
第二个自动化是知识巡检。每周五早上11点，AI自动进入本地数据库，启动知识库健康度巡检。发现问题后自动调用工具修复，最终给我一份报告——启动了哪些agent，修复了哪些问题。全程不需要我动手。
第三个自动化是AI新闻整理。每天早上10点，系统自动搜索当天AI领域热点，筛选摘要分类，整理成结构化的新闻简报，存到在线文档。整个过程我没有任何参与，只需要去看一眼今天发生了什么。
本地优先，但不封闭
有人可能会问：为什么新闻存云端而不是本地Wiki？
这是个好问题。本地Wiki有它的好处：自己读自己、理解自己、建立中长期方法论，数据完全在自己手里，离线也能用。客户画像、项目历史和决策逻辑都可以积累，越用越懂你。
但也有局限性：只能自己看，没法发链接给别人分享，而且需要编目入库，不适合快速消费的内容。
所以我的策略很清晰：需要积累、长期复用的知识走本地；需要分享、快速消费的内容走云端。各司其职，相互补充。
手机也能操控
基于这套AI框架，你不在电脑前也能操控。通过手机给Agent下命令，家里的电脑自动执行任务。
比如出差通勤路上，手机发一条"帮我调出22号会议纪要，制作PPT，一会见客户要用"。电脑端收到命令，自动调用工具，调取会议的录音转写内容，开始生成PPT。等你到了客户那里，PPT已经准备好了。
三个设计原则
这套系统的设计哲学，总结下来就三条：
第一条：本地优先，但不封闭。 核心知识存在本地，AI可以编译、自我关联、自我生长。需要分享时走云端。需要积累的走本地，需要分发的走云端，各自互补。
第二条：AI自己干，不等人催。 不是你问一句它答一句。会议记录每天自动拉，知识库每周自我检索，新闻每早自己整理。全程不需要人介入。
第三条：设定一次，永久运行。 配置好自动化以后，后台一直在跑。手机发指令，家里的电脑开始干。你只看结果，不用管过程。
为什么是现在？
以前这套系统可能还停留在概念阶段，但现在三个条件已经齐备：
第一，连接器生态就位。办公软件、视频会议、企业查询、代码托管，所有主流软件都可以通过CLI、MCP或者Skills接入。
第二，AI自主分析不再走概念。LM Wiki已经可以自动维护几千个页面，自动提炼、自动分析、自动交叉引用。抓取来的信息，AI能自动消化成知识网络。
第三，全流程已经打通。统一的抓取、存储、分析流程全部跑通，抓存出一条龙。
信息不再散落，知识持续生长。
这套系统我自己已经跑了一段时间，效果远超预期。如果你也想搭建属于自己的AI Agent信息系统，现在就是最好的时候。
