# 影片筆記：什麼是 AI Operating System？一套能讓AI 替你工作的系統 (附免費設定)

## 一句話總結

影片介紹如何從零開始架構一套「AI Operating System (AI OS)」，透過將 AI 運作拆解為 Context（上下文）、Connections（工具連線）、Capabilities（技能能力）與 Cadence（排程與自動化）四大維度，並利用結構化檔案管理與特定驅動框架，將 AI 從單純的聊天機器人轉變為能理解用戶、執行任務並自動運作的個人助理系統。

## 核心重點

1.  **AI OS 的核心定義**：
    *   這是一套能讓 AI 懂你並直接執行任務的作業系統。
    *   核心目標是有效地管理資訊，並在最適合的時機給 AI 最正確的資訊。
    *   價值在於解決 AI Agent 執行結果格式不符、執行方式偏差的問題，實現高達 99% 任務的自動化執行。

2.  **AI OS 的四大核心架構**：
    *   **Context (上下文)**：被定義為 AI 的大腦，用於定義「你是誰」、「做什麼業務」以及「目標是什麼」。
    *   **Connections (工具連線)**：讓 AI 接觸真實資料的介面，包括 API、MCP、CLI 等，使 AI 能連接 Google Drive、CRM、信箱等工具。
    *   **Capabilities (技能能力)**：將大腦中的 SOP 轉換為 AI 可讀取的 Skill 檔案，確保輸出行為一致，並採用模組化管理。
    *   **Cadence (排程與自動化)**：在背景透過排程或自動化指令碼執行任務，如定時抓取資料或整理情報。

3.  **Context (上下文) 的設計原則**：
    *   需透過 **LM Harness**（大型語言模型驅動框架，如 Cloud Code 或 Codex）來駕馭 AI。
    *   核心檔案包括 `cloud.md`（系統大腦）、`me.md`（個人資訊）、`sold.md`（人格特質）等。
    *   強調「漸進式載入 (Progressive Loading)」，不在單一檔案塞入所有資訊，而是透過表格定義 `load when`（何時讀取）對應的 `file`，以避免上下文過長導致效率下降。

4.  **實作流程**：
    *   使用 Visual Studio Code（或 AntiGravity）建立專案。
    *   透過預先設定的 Skill 檔案（如 `Setup AIOS`）初始化系統。
    *   AI 助手引導回答問題後，自動生成建議的 Context 資料夾結構，用戶可根據建議補充細節並建立第一個 Skill 進行驗證。

## 詳細大綱

### 一、 AI OS 的核心定義與目標
*   **定義**：一套能讓 AI 懂你並直接執行任務的作業系統。
*   **核心目標**：有效地管理資訊，並在最適合的時機給 AI 最正確的資訊。
*   **價值**：解決 AI Agent 執行結果格式不符、執行方式偏差的問題，實現 99% 任務的自動化執行。

### 二、 AI OS 的四大核心架構
1.  **Context (上下文)**：AI 的大腦。定義「你是誰」、「做什麼業務」、「目標是什麼」。
2.  **Connections (工具連線)**：讓 AI 接觸真實資料的介面（API, MCP, CLI 等）。
3.  **Capabilities (技能能力)**：將大腦中的 SOP 轉換為 AI 可讀取的 Skill 檔案，確保輸出行為一致。
4.  **Cadence (排程與自動化)**：在背景透過排程或自動化指令碼執行任務（如定時抓取資料、整理情報）。

### 三、 詳細拆解：Context (上下文) 的設計
*   **驅動框架**：需透過 **LM Harness**（大型語言模型驅動框架，如 Cloud Code 或 Codex）來駕馭 AI。
*   **核心檔案結構**：
    *   **cloud.md**：系統的大腦，記錄專案整體目標與運作邏輯。
    *   **me.md**：存放個人資訊、喜好、偏好回答。
    *   **sold.md**：決定 Agent 的人格特質與溝通風格。
    *   **記憶體防呆 (Memory)**：
        *   `memory.md`：通常由系統自動設定。
        *   `what not to do.md`：記錄錯誤範例（如語言錯誤、格式錯誤），防止重複犯錯。
        *   `working style.md`：定義工作習慣（如要求 AI 先提問確認再執行）。
*   **情境化設計範例**：
    *   **個人品牌 (Personal Brand)**：建立 `brand.md`，獨立管理團隊 (`team.md`)、品牌口氣、素材、配色等，避免資訊過載。
    *   **事業經營 (Business)**：建立 `business.md`，包含團隊職責、優先事項 (`priority`)、季度目標 (`goals and milestones`)。
    *   **員工工作 (Work)**：建立 `work.md`，包含角色與 KPI、溝通規範、公司背景、利害關係人。
    *   **個人生活**：包含健康健身、個人專案、理財、信箱規則等。
*   **Progressive Loading (漸進式載入)**：
    *   原則：不在 `cloud.md` 塞入所有資訊，而是透過表格定義 `load when`（何時讀取）對應的 `file`。
    *   優點：確保 AI 在正確時機讀取正確資訊，避免上下文過長導致效率下降。

### 四、 詳細拆解：Connections (工具連線)
*   **目的**：讓 AI 從聊天機器人變成能執行實際任務的助理。
*   **主流連線方式**：
    *   **API**
    *   **MCP**
    *   **CLI**
*   **無 API 服務的解決方案**：若服務（如 School）無 API/MCP/CLI，可使用 **Playwright** 讓 Agent 直接操控網頁頁面。
*   **應用場景**：連接 Google Drive, CRM, 信箱, Notion, Clickup, Slack, Line 等工具。

### 五、 詳細拆解：Capabilities (技能能力)
*   **定義**：將大腦中的 SOP 轉換為 **Skill 檔案**。
*   **Skill System 架構**：
    *   將流程拆解為 Step 1, Step 2... 每個步驟是一個獨立的 Skill。
    *   優點：模組化管理，單一步驟出錯只需修復該 Skill，不需修改整個 Mega Skill。
    *   範例：內容創作流程（確認主題 -> 生成指令稿 -> 生成簡報 -> 發布網站）。

### 六、 詳細拆解：Cadence (排程與自動化)
*   **功能**：在用戶不在線時，透過背景排程執行任務。
*   **工具比較**：
    *   **Model**：適合跑固定流程（Step 1->2->3）。若中間步驟錯誤，流程會中斷，需手動修復。
    *   **Claude Routines**：適合 Agentic 流程（適應性流程）。AI 會根據情況自我修正錯誤，確保任務完成。
    *   **限制**：Claude Routines 在 Pro Plan 下，每天最多只能跑五個自動化任務。

### 七、 實作演示：搭建 AI OS
1.  **環境準備**：使用 Visual Studio Code (或 AntiGravity)。
2.  **目錄結構**：
    *   建立專案資料夾（如 `J Project`）。
    *   建立 `.cloud` 資料夾。
    *   在 `.cloud` 內建立 `Skills` 資料夾。
    *   將下載的 `Setup AIOS` Skill 拖入 `Skills` 資料夾。
3.  **初始化流程**：
    *   重新開啟專案，輸入指令 `/Setup AIOS`。
    *   AI 助手會引導回答問題（溝通語言、身份類型、目標等）。
    *   系統自動生成建議的 Context 資料夾結構（如 `Personal Goals`, `Projects`, `Me`, `What not to do`, `Working style` 等）。
4.  **後續維護**：
    *   根據 AI 建議補充細節（如健身目標、體重）。
    *   建立第一個 Skill（如 `daily meal plan`）。
    *   透過對話啟動 Skill，驗證系統運作（如詢問飲食規劃，AI 根據上下文提供建議）。

## 工具 / 模型 / 名詞整理

*   **AI Operating System / AI OS**
*   **AI Agent**
*   **LM Harness** (大型語言模型的驅動框架)
*   **Cloud Code** (疑點：原文聽似 "Clock Code" 或 "Cloud Code"，推測為代碼編輯器或特定框架)
*   **Codex**
*   **Playwright**
*   **API**
*   **MCP**
*   **CLI**
*   **Google Drive**
*   **CRM**
*   **Notion**
*   **Clickup**
*   **Slack**
*   **Line**
*   **Stripe**
*   **Telegram**
*   **Claude Routines**
*   **Model** (疑點：指代某種排程模型或功能)
*   **Visual Studio Code** (原文聽似 "Visual Steel Code")
*   **AntiGravity** (疑點：可能是指某種 IDE 或工具名稱)
*   **JLOG AI** (疑點：原文提及 "JLOG AI的website")
*   **Skill System**

## 操作流程整理

1.  **環境設定**：
    *   安裝並開啟 Visual Studio Code（或 AntiGravity）。
    *   建立專案資料夾（範例：`J Project`）。
    *   在專案內建立 `.cloud` 資料夾。
    *   在 `.cloud` 內建立 `Skills` 資料夾。
    *   將下載的 `Setup AIOS` Skill 檔案拖入 `Skills` 資料夾中。

2.  **系統初始化**：
    *   重新開啟專案。
    *   在對話視窗輸入指令 `/Setup AIOS`。
    *   AI 助手開始引導回答問題，包含：
        *   溝通語言
        *   身份類型
        *   目標設定
    *   系統根據回答，自動生成建議的 Context 資料夾結構（例如：`Personal Goals`, `Projects`, `Me`, `What not to do`, `Working style` 等）。

3.  **內容補充與技能建立**：
    *   根據 AI 生成的結構，補充個人細節（如健身目標、體重數據）。
    *   建立第一個具體的 Skill（例如：`daily meal plan`）。

4.  **驗證與運作**：
    *   透過對話啟動已建立的 Skill。
    *   驗證系統是否能根據上下文提供正確建議（例如：詢問飲食規劃，AI 依據 `me.md` 與 `working style.md` 等資訊提供建議）。

## 值得注意的限制或風險

*   **Claude Routines 的數量限制**：在 Pro Plan 下，每天最多只能跑五個自動化任務。
*   **Model 流程的脆弱性**：適合跑固定流程（Step 1->2->3），但若中間步驟錯誤，流程會中斷，需手動修復。
*   **上下文過長風險**：若未在 `cloud.md` 中妥善使用漸進式載入，塞入過多資訊會導致上下文過長，進而降低 AI 運作效率。

## 逐字稿辨識疑點

*   **Clock Code**：原文多次出現 "Clock Code"，結合上下文 "在本地端跑 AI OS 的路口"、"Visual Steel Code"，推測可能為 **Cloud Code**、**Code** 或特定工具名稱，但依逐字稿保留為 "Clock Code" 或標記為需查證。
*   **Kagans**：原文提到 "Kagans還詞字動畫"，結合上下文 "Capabilities" 與 "Cadence"，推測為聽寫錯誤，實際應為 **Cadence** 或相關術語，但依規則標記為疑點。
*   **防貸出錯**：原文 "記憶防貸出錯"，推測為 **防呆** 或 **防錯** 的聽寫錯誤。
*   **petbo**：原文 "還有一些petbo"，推測為 **Bonus** 或特定術語的聽寫錯誤。
*   **sold.md**：原文 "sold.md就是來決定我們的agent該怎麼回答"，推測可能為 **Soul.md**、**Sold** (Soldier?) 或特定檔案命名，依逐字稿保留。
*   **紅色這個字**：原文 "你還要紅色這個字...紅色這個字呢...它該儲存到哪裡"，語意不明，疑為聽寫錯誤或口誤。
*   **School**：原文 "或是School"、"如果我的服務裡面沒有API...就好比如說School"，推測可能為 **Slack**、**School** (學校系統?) 或特定軟體名稱的聽寫錯誤。
*   **Rogic**：原文 "Hash tag、Rogic"，推測為 **Logic** 的聽寫錯誤。
*   **JLOG AI**：原文 "讀我的這個JLOG AI的website"，疑為特定品牌或網站名稱。
*   **AntiGravity**：原文 "如果你用AntiGravity也是可以的"，疑為特定軟體或工具名稱。
*   **claw**：原文多次出現 "claw" (如 "claw的skills", "claw裡面")，推測為 **Cloud** 的聽寫錯誤。
*   **readme.nd**：原文 "readme.nd"，推測為 **readme.md** 的聽寫錯誤。
*   **70%**：原文 "體重現在是70%"，推測為 **70公斤** 或特定數值的聽寫錯誤。
*   **審計**：原文 "審計 ok"，推測為 **審計** 或 **確認** 的聽寫錯誤。

## 可延伸追問

1.  **LM Harness 的具體選擇**：除了提到的 Cloud Code 或 Codex，還有其他推薦的 LM Harness 框架嗎？它們之間的性能差異為何？
2.  **漸進式載入的實作細節**：在 `cloud.md` 中定義 `load when` 的具體語法或格式是什麼？是否有現成的範本可供參考？
3.  **Skill 模組化的最佳實踐**：當 Skill 數量增加時，如何管理 Skill 之間的依賴關係？是否有工具可以自動檢查 Skill 之間的衝突？
4.  **Claude Routines 的替代方案**：若超過每天五個自動化任務的限制，是否有其他工具或架構可以擴展自動化任務的數量？
5.  **Playwright 與 MCP 的比較**：對於沒有 API 的服務，使用 Playwright 直接操控網頁與透過 MCP 連接，兩者在穩定性和維護成本上有何差異？