中心论点
AI agent 能不能工作，不取决于一次 prompt 写得多聪明，而取决于个人是否拥有一个会积累上下文、固化 workflow、评估错误并复用修复的复利系统。
公式： thin harness + fat skills + fat data + fat code + evals + resolver = personal AI operating system
- Skillify 是 meta-skill
它把一次手动完成的工作拆成触发条件、步骤、边界、检查和输出格式，并注册到 resolver。
判断标准：下次遇到相似任务时，agent 不需要重新发明流程，而是能直接调用这套做法。
- 复利飞轮
do → inspect → skillify → eval → resolver → reuse
一次成功不只是被记住，而是变成未来自动调用的能力。飞轮越转，prompt 越薄，系统资产越厚。
- 错误修复写回系统
事实错误、泛化、缺上下文，不只在本轮纠正；要进入 fact-check、深检索、cross-modal eval 和 skill 文件。
关键不是“这次答对”，而是同类错误以后更难再次发生。
原图像像一棵发光神经树：书、会议、日历、人物、文件都被同一套个人 AI 系统连接。它对应原文的核心隐喻：从 filing cabinet 变成 nervous system。
- 不是聊天窗，而是操作系统
聊天窗处理当下问题；操作系统持有长期状态、调度工具、更新页面，并让每次互动改变下一次能力。
- Brain pages 像 nervous system
人物、公司、会议、书、文章、想法都有页面。系统会更新状态、传播实体、发现变化，并为当前任务浮现相关上下文。
- 页面 schema
顶部：compiled truth，当前最佳理解 下面：append-only timeline，证据与事件 侧边：raw sidecars，来源材料
厚 data
长期知识、人物页、会议页、阅读史、项目上下文。
厚 skills
Book mirror、meeting prep、media ingest、enrich 等可复用流程。
厚 evals
fact-check、多模型互评、引用真实 brain pages、回归样本。
oldwinter 可借鉴
Obsidian vault 已经有明文资产、_system/meta、LLM Wiki、repo-local skills、just/scripts、Bases/Canvas。下一步是把高频成功流程抽成 skill + eval。
边界
不要 skillify everything；高隐私知识脑必须保留来源、权限、审阅和回滚。