01
资料增加，结论没有增加
保存了十篇关于 AI 算力的文章，但判断 NVDA、GOOGL、MSFT、ORCL 谁更受益时，还是要重新翻一遍。
Personal Knowledge Operating System
我是如何搭建自己的 Brain OS
让 AI 不只是回答问题，而是持续积累判断力。它不是一个 App，也不是一个复杂的软件项目，而是一套由 Markdown、Git、Wiki、日志和 Agent Skills 组成的个人知识与决策操作系统。
输入->结论->行动->反馈->判断力
00
Opening Thesis
从问答框，到可积累的 判断系统
很多人用 AI 的方式，还是停留在“问一个问题，得到一个答案”。
这当然有用。但如果你每天都在用 AI 读文章、看财报、做投资、写内容、复盘决策，很快会遇到一个更大的问题：
The Real Friction
AI 每次都很聪明，但它并不真正记得你是谁，也不真正继承上一次的判断。
你今天让它分析一家公司，它能讲得头头是道。下个月同一家公司出了新财报，你再问它，它又从头分析一遍。它可能忘了你上次的仓位，忘了你当时的 Thesis，忘了你踩过的坑，也忘了哪些假设已经被证伪。
这不是模型不够强，而是我们没有给它一个可持续工作的系统。所以我搭了一个自己的 Brain OS。
它要解决的不是“如何保存更多资料”，而是一个更关键的问题：如何让输入变成判断，让判断指导行动，让行动产生反馈，再让反馈改进下一次判断。
01
Chapter 01 · Knowledge Drift
普通知识管理的问题：资料越多，判断越散
过去我也用过很多知识管理工具。收藏文章、保存视频、摘录金句、写读书笔记、整理投资资料，看起来都很勤奋。但时间一长，会出现几个问题。
02
摘要很多，行动很少
文章读完，摘要写得很好，但如果没有进入决策系统，它只是“看过”。
03
AI 很强，上下文断裂
每次问 AI，它都能给出完整答案，但答案和过去的判断、仓位、失败教训之间没有天然连接。
04
复盘困难
投资最重要的不是事后看对错，而是回到当时：为什么这么判断？依据是什么？哪些信息后来被证明是错的？
如果没有记录，这些都只能靠记忆，而记忆非常不可靠。Brain OS 就是为了解决这些问题。
02
Chapter 02 · Architecture
不要只管理资料，要管理 判断的演化
Brain OS 的底层逻辑很简单：原始资料不等于知识，摘要不等于判断，判断不等于行动，行动不等于复盘。这几层必须被区分开。
SYSTEM FLOWRaw Sources -> Knowledge -> Wiki -> Decision -> Log -> Memory -> Evolution
DIRECTORY MAPraw/ 原始资料
knowledge/digests/ 内容消化报告
wiki/ 当前可复用结论
logs/ 持仓、交易、决策记录
memory/ 失败教训和经验沉淀
skills/ 可重复调用的 Agent 工作流
CLAUDE.md / AGENTS.md 系统运行规则
workflow/ 任务契约和执行计划
raw/
放原始资料，尽量不改。
knowledge/
放消化过程，比如文章、视频、报告读完之后提炼出的结构化摘要。
wiki/
不放所有材料，只放当前可以复用的结论。
logs/
记录发生过什么，比如交易、仓位、决策。
memory/
记录教训，尤其是未来必须避免再次犯的错。
skills/
让 AI 重复执行某类任务的操作手册。
这套系统的重点不是“整理得好看”，而是让每一条信息知道自己该去哪里。
03
Chapter 03 · LLM Wiki
从 RAG 到 Wiki：让知识先被 编译
很多 AI 知识库的思路是 RAG，也就是每次用户提问时，系统重新检索相关资料，再交给模型回答。
RAG 很有用，但它有一个问题：每次都像重新开卷考试。它可以找到资料，但不一定知道哪些资料已经被我消化过，哪些结论已经被我采用过，哪些观点已经被证伪过。
Compiled Knowledge
Brain OS 采用的是更接近 LLM Wiki 的思路：先把资料编译成 Wiki，再持续维护 Wiki。
原始资料进入系统后，不是永远躺在文件夹里，而是经过消化，形成结构化结论，进入 `wiki/`。以后再问相关问题时，AI 不需要每次从原文开始读，而是先读 Wiki 中已经整理好的当前结论。
比如我对某个公司的判断，不是一篇孤立分析，而是一页长期维护的 Ticker Wiki：
- 当前 Thesis 是什么？
- 估值区间是多少？
- 仓位是多少？
- 风险点是什么？
- 历史上做过哪些操作？
- 哪些假设后来被修正？
这样，当新财报、新观点、新交易发生时，系统不是重新写一篇分析，而是更新这页 Wiki。
04
Chapter 04 · Runtime
Brain OS 的运行机制：让 AI 有边界地工作
如果只是把文件放进不同目录，系统还不够强。真正让 Brain OS 可用的，是它给 AI 设定了一套工作机制。
任务路由：先判断任务类型，再加载上下文
AI 最大的问题之一，是上下文膨胀。很多时候，我们以为给它更多资料，它就会更聪明。但实际情况是，无关信息太多，模型反而更容易混乱。
所以 Brain OS 规定：不同任务只加载对应上下文。股票分析读取投资规则、风险偏好、相关 Thesis；期权策略读取期权规则、持仓、Delta 和 DTE 约束；内容消化走 digest skill；系统维护先读 orchestration 和 task contract 模板。
Context Rule
不要把整个大脑塞给 AI，而是给它完成当前任务所需的 最小上下文。
Contract-First：复杂任务先写契约
涉及多文件修改、交易计划、系统升级时，Brain OS 不允许 AI 直接开干。它要先写一份任务契约：目标是什么，改哪些文件，不改哪些文件，验收标准是什么，风险是什么，怎么验证完成。
这一步看起来慢，实际上极大减少了跑偏。因为 AI 最常见的问题不是不会做，而是做着做着扩大范围，最后完成了一个看似厉害、但并不是你要的东西。
Skills：把高频工作流固化
Brain OS 里有很多 Skill：股票分析、DCF 建模、期权监控、美投君内容总结、内容 digest、写作流水线、微信合规检查、周复盘、Wiki Lint、Wiki Query。
Skill 本质上不是一个文件，而是一种“可执行知识”。它告诉 AI：在什么场景下调用，读取哪些上下文，按什么步骤执行，输出什么格式，如何验证结果。这让 AI 从“临时发挥”变成“按流程工作”。
Wiki Query：先读结论，再查证据
现在 Brain OS 的查询逻辑是分层的。先读 `wiki/index.md`，找到候选页面；再读页面的摘要和元数据；如果够用，就直接回答；如果不够，再精读正文；如果还不够，才回到原始资料。
Wiki Lint：定期体检知识库
知识库时间长了，一定会出现页面断链、结论过期、持仓和 Wiki 不一致、数字没有来源、失败教训没有回填、页面孤立存在等问题。
所以 Brain OS 有 `/wiki-lint`。它不是为了自动修改所有问题，而是先报告：哪里不一致，哪里缺来源，哪里可能过期，哪里需要人工确认。知识系统最危险的不是不知道，而是以为自己知道。
05
Chapter 05 · Self-Organization
最新升级：让 Wiki 具备 自组织能力
最近我对 Brain OS 做了一次重要升级。核心是让 `wiki/` 不只是一个页面集合，而是一个可以逐渐自组织的知识层。
01
Compiled Truth + Timeline
Compiled Truth 是当前最可信结论；Timeline 是证据、操作、判断变化的时间线。读者先看到结论，复盘时还能看到结论如何形成。
02
Provenance
区分 extracted、inferred、ambiguous，避免 AI 把所有句子都说得一样确定。
03
Manifest
`wiki/.manifest.json` 记录哪个来源被处理过、什么时候处理、影响了哪些 Wiki 页面、来源是否变化。
04
Incremental Memory
未来系统看到一个新资料，不需要猜它有没有入库，而是可以检查 manifest。
WIKI PAGECompiled Truth
Timeline
在投资和决策场景里，确定性差异非常重要。一个用户明确提供的持仓数字，和一个模型基于公开信息推断出的行业判断，不能被当成同一类事实。
06
Chapter 06 · Capabilities
它现在能做什么
Brain OS 目前最成熟的能力集中在四类。
投资研究
维护个股 Thesis、估值区间、仓位状态、风险点、历史操作记录，也可以把多个标的放在同一个行业或宏观框架下比较。
期权复盘
跟踪 Covered Call、Sell Put、Delta、DTE、财报期权策略、多腿策略，并把操作记录沉淀成规则和教训。
内容创作
文章、视频、报告可以先 digest，再形成 practice plan，进一步变成文章草稿、小红书内容、Twitter thread 或公众号素材。
个人记忆
不只记录成功，也记录失败。真正有价值的是“我上次为什么判断错了，下次如何避免”。
07
Chapter 07 · Difference
它和普通 Agent 最大的不同
普通 Agent 更像一个聪明的临时顾问。Brain OS 更像一个会记账、会复盘、会维护知识库的长期合作伙伴。
- 它有长期记忆。记忆不是模型内部的神秘能力，而是明确写在文件、日志、Wiki 和 Git 里的。
- 它有任务边界。复杂任务先写契约，执行完对照验收。
- 它有知识分层。原始资料、摘要、结论、决策、日志、复盘各归其位。
- 它可审计。每一次重要修改都可以通过 Git 追踪。什么时候改了什么，为什么改，都能回头看。
这对投资尤其重要。因为投资最大的敌人不是没信息，而是事后合理化。
08
Chapter 08 · Boundaries
它还不具备什么
Brain OS 不是万能系统。它目前没有完整 UI，主要还是文件系统、Markdown 和 Agent 对话。它没有强数据库，也没有完整向量检索层。它不是企业级多人权限系统。
它不能自动保证所有事实正确，尤其是市场价格、财报数据、宏观指标这些会变化的信息，仍然需要实时验证。它也不能替代人做最终判断。
Human Judgment
AI 可以帮助组织证据、提醒风险、复盘错误，但仓位和交易仍然要由 人 负责。
这套系统真正的价值，不是让 AI 自动替你做决定，而是让你做决定时更清楚自己依据什么、承担什么风险、未来如何复盘。
09
Chapter 09 · Minimum Viable Brain OS
如果你也想搭一个自己的 Brain OS，可以从 三步 开始
第一步，分清四类文件
MINIMUM STRUCTUREraw/ 原始资料
wiki/ 当前结论
logs/ 行动记录
skills/ 可重复工作流
不要把所有东西都塞进一个“笔记”目录。
第二步，每次读完资料，只问一个问题
Digest Question
它改变了我哪个 判断？
如果没有改变判断，就放在 digest。如果改变了判断，就更新 Wiki。如果影响了行动，就写入 log。
第三步，给 AI 明确规则
写一个自己的 `AGENTS.md` 或 `CLAUDE.md`。告诉 AI：哪些目录是什么用途，什么任务该读什么文件，什么情况必须先写任务契约，什么结论必须有来源，什么操作必须记录日志。
你不需要一次写完。系统应该和你的工作流一起演化。
10
Chapter 10 · Closing Loop
AI 时代，真正重要的是 可积累的判断力
AI 会越来越强。但越是这样，越不能只把它当成一个问答框。因为问答本身不积累。
真正能积累的是：你的判断框架、你的失败教训、你的行动记录、你的复盘习惯、你的知识结构。
Brain OS 的价值就在这里。它不是让 AI 取代大脑，而是让大脑的外部结构变得更清晰。
01
输入变结论。
02
结论指导行动。
03
行动产生反馈。
04
反馈修正系统。
05
系统提升判断。
AI 的上限，不只取决于模型，也取决于你给它怎样的工作环境。如果你只给它一个聊天框，它就是一个聪明的临时助手。如果你给它一个结构化、可追踪、可演化的系统，它才有机会成为长期合作者。