文件系统作为业务数据库
用 Markdown、YAML、JSONL 承载 Thesis、风险规则、交易日志和复盘材料。
核心案例
BrainOS：一个运行在 Git 仓库里的 AI 投资决策系统
我用个人投资决策作为实验场，把信息、规则、判断、执行和复盘，重构成 AI 可以参与的工作系统。
载体Markdown / YAML / JSONL
机制上下文加载 / 任务路由
目标可追踪决策
业务问题
投资决策的问题，通常不是缺少信息
真正困难的是信息太多、判断太散、情绪太强，而决策过程又很难被复盘。AI 即使能回答问题，如果没有稳定上下文，也无法理解仓位、风险偏好、历史判断、买入纪律和复盘教训。
系统设计
把决策流程重构成 AI 可读取的结构
三级上下文加载
根据任务类型加载最少、最相关的信息，避免 AI 被噪音淹没。
任务路由系统
估值、期权、持仓复盘、内容消化、交易记录进入不同工作流。
风险约束系统
把仓位上限、期权纪律、买入条件写成 AI 必须读取的约束。
决策日志系统
每次关键判断留下时间、理由、假设、风险和后续状态。
Agent 技能系统
把高频任务拆成可复用技能，让 AI 按既定流程执行。
BrainOS 的价值不是更聪明的投资建议，而是让决策过程从混乱变成可管理。
脱敏真实案例
BrainOS 如何参与一次实际投资决策
以下内容来自真实使用截图，但已做脱敏处理：隐藏具体标的、价格、日期、数量、金额和合约细节，只保留决策结构和系统能力。
打开原图
从历史经验中复用成功模板
系统先读取历史相似案例，再把当时的选择逻辑平移到当前情境，生成不同激进程度的方案对比。
读取上下文
历史操作记录 + 风险配置 + 当前目标
核心判断
目标不是提高收益，而是提高被执行概率
输出形式
三档方案对比 + 推荐方案 + 理由
保留边界
最终执行仍由人确认
- 把“上次怎么选的”从记忆问题变成可检索上下文。
- 用统一指标比较保守、均衡、激进三类方案。
- 将推荐理由明确写出，避免只给结论不留判断链。
打开原图
把一次交易计划变成可复盘的纪律包
系统不只输出当下方案，还同步生成执行触发条件、风险提示和后续月份节奏，让决策进入可追踪状态。
方案内容
合约结构、到期窗口、目标节奏
纪律约束
提前止盈、风险监控、禁止临场逃避
后续计划
本期执行 -> 到期处理 -> 下一周期复盘
日志入口
建议写入决策日志等待执行
- 把“纪律”写入流程，而不是依靠临场意志力。
- 同时列出反向风险和缓解方式，避免只看收益。
- 让后续节奏可见，减少事后凭感觉调整。
打开原图
回溯仓位上限的决策来源
当我追问“为什么这类资产只能到某个上限”时，系统回读历史决策备忘录、再平衡计划和仓位轨迹，解释上限从何而来。
读取上下文
历史决策备忘 + 再平衡计划 + 仓位变化记录
分析方式
多视角冲突比较 + 关键自问测试 + 组合分层
输出形式
上限来源、逐步加仓轨迹、未来重评条件
系统价值
把“我当时为什么这么定”从模糊记忆变成可追溯证据
- 回溯不同观点的冲突：清理、持有、升级、等待触发线。
- 解释仓位数字背后的依据，而不是只复述当前结果。
- 明确未来什么条件出现时，才允许重新评估上限。
说明：这些案例只用于展示 BrainOS 的上下文工程、任务路由、规则约束和复盘机制，不构成任何投资建议。
可迁移场景
这套方法不只适用于投资
销售团队
客户资料、跟进动作、成交判断、风险提醒和复盘日志。
内容团队
选题、素材、草稿、发布、数据复盘和方法沉淀。
投研团队
资料、假设、估值、风险、决策和复盘形成闭环。
小企业老板
把老板脑子里的经验结构化成团队和 AI 都能使用的资产。