1
00:00:00,466 --> 00:00:01,233
过去一年

2
00:00:01,233 --> 00:00:04,433
我们一直在训练 AI 变得越来越聪明

3
00:00:04,566 --> 00:00:06,500
但有一个奇怪的现象就是：

4
00:00:06,600 --> 00:00:09,566
单个 AI 的能力确实是越来越强了

5
00:00:09,600 --> 00:00:13,100
但不同 AI 之间却依然像隔着一堵墙

6
00:00:13,466 --> 00:00:15,300
不是因为它们没有交流能力

7
00:00:15,300 --> 00:00:18,133
而是因为今天的大多数 AI 产品

8
00:00:18,166 --> 00:00:20,333
都被设计成独立的系统

9
00:00:20,766 --> 00:00:25,266
它们有不同的平台、不同的数据边界、不同的运行环境

10
00:00:25,400 --> 00:00:28,633
但却没有一个天然共享的组织空间

11
00:00:29,000 --> 00:00:29,700
当然

12
00:00:29,700 --> 00:00:33,233
你也可以通过 API 把不同的模型连接起来

13
00:00:33,233 --> 00:00:34,866
但对于个人用户来说

14
00:00:34,866 --> 00:00:37,533
一旦想让 Agent 24 小时运行

15
00:00:37,566 --> 00:00:38,733
持续调用模型

16
00:00:38,766 --> 00:00:42,333
那 API 的费用很快就会成为一个现实问题

17
00:00:42,766 --> 00:00:46,366
而包月的 Chat 窗口虽然很便宜、很好用

18
00:00:46,466 --> 00:00:49,966
但它们通常还是 一个一个孤立的智能体

19
00:00:50,300 --> 00:00:52,733
所以，一个运行在云端的 AI

20
00:00:52,766 --> 00:00:55,600
和另一个运行在你私人服务器（VPS / 本地）上的 AI

21
00:00:55,600 --> 00:00:57,333
并不会像两个同事一样

22
00:00:57,366 --> 00:00:59,966
自然进入同一个会议室来协作

23
00:01:00,266 --> 00:01:04,366
那最近呢 Google Gemini Pro 用户开放了 Spark 智能体

24
00:01:04,500 --> 00:01:05,700
我用了几天之后

25
00:01:05,700 --> 00:01:07,633
一个最大的感受就是：

26
00:01:07,633 --> 00:01:10,133
它不像普通的 Gemini 聊天窗口

27
00:01:10,500 --> 00:01:12,333
当你给它一个复杂任务时

28
00:01:12,366 --> 00:01:17,433
它会主动拆解问题、寻找资料、不断修正自己的答案

29
00:01:17,600 --> 00:01:18,666
甚至让我觉得

30
00:01:18,666 --> 00:01:22,133
它已经非常接近一个真正的智能助理

31
00:01:22,166 --> 00:01:23,333
而有意思的是

32
00:01:23,366 --> 00:01:27,900
这种体验和我一直使用的 Hermes Agent 有一种相似之处

33
00:01:27,900 --> 00:01:31,000
就是：它们都不是简单等待指令

34
00:01:31,000 --> 00:01:34,300
而是在目标驱动下主动推进任务

35
00:01:34,400 --> 00:01:36,033
而且最爽的一点是：

36
00:01:36,033 --> 00:01:39,933
以前如果想让 Hermes 调用类似 Gemini 的能力

37
00:01:39,966 --> 00:01:42,000
通常需要通过 API 接入

38
00:01:42,000 --> 00:01:45,133
然后还要考虑 Token 消耗和账单问题

39
00:01:45,500 --> 00:01:48,333
而现在订阅用户就可以直接体验了

40
00:01:48,566 --> 00:01:50,366
那种感觉有一点像：

41
00:01:50,500 --> 00:01:51,900
终于不用担心账单

42
00:01:51,900 --> 00:01:54,166
可以放心薅谷歌的羊毛了

43
00:01:54,366 --> 00:01:55,033
但是

44
00:01:55,033 --> 00:01:57,333
很快我遇到了一个更有意思的问题

45
00:01:57,333 --> 00:01:57,966
就是：

46
00:01:57,966 --> 00:01:59,600
如果 Spark 这么强

47
00:01:59,600 --> 00:02:04,133
那我部署在 Hostinger VPS 上、24 小时运行的 Hermes 呢？

48
00:02:04,200 --> 00:02:06,166
为什么它们不能一起工作？

49
00:02:06,233 --> 00:02:08,100
为什么一个在 Google 云端

50
00:02:08,100 --> 00:02:10,700
一个在我的 Hostinger VPS 上的 AI

51
00:02:10,700 --> 00:02:13,433
它们之间还是隔着一堵墙呢？

52
00:02:13,800 --> 00:02:16,533
以前我的解决方法非常原始，就是：

53
00:02:16,566 --> 00:02:20,066
手动复制、粘贴、再复制、再粘贴

54
00:02:20,166 --> 00:02:21,933
我必须做人肉搬运工

55
00:02:21,966 --> 00:02:24,466
把 Spark 的思考搬给 Hermes

56
00:02:24,466 --> 00:02:26,466
再把 Hermes 的回复搬回来

57
00:02:26,666 --> 00:02:28,733
但这显然不是一个好方法！

58
00:02:29,033 --> 00:02:31,566
我突然想到了我管理过的公司

59
00:02:31,600 --> 00:02:32,433
在公司里

60
00:02:32,433 --> 00:02:36,066
员工不会靠 CEO 每天复制邮件传递信息

61
00:02:36,100 --> 00:02:39,966
他们有办公室、有会议、有文档、有历史

62
00:02:40,166 --> 00:02:42,533
所以最近，我尝试做了一件事情

63
00:02:42,566 --> 00:02:45,433
就是：给 AI 建了一间会议室

64
00:02:45,666 --> 00:02:47,866
我想验证一个非常简单的问题：

65
00:02:48,566 --> 00:02:52,066
如果两个原本无法直接通信的智能体

66
00:02:52,066 --> 00:02:54,033
拥有了同一个共享空间

67
00:02:54,033 --> 00:02:56,866
它们能不能真正形成协作呢？

68
00:02:57,066 --> 00:02:58,433
为了测试这件事情

69
00:02:58,433 --> 00:03:00,566
我做了一个非常简单的实验

70
00:03:00,833 --> 00:03:03,733
我打开 Spark，开始了一轮正常讨论

71
00:03:04,000 --> 00:03:09,466
讨论过程中，我又像平时一样把一个新的想法交给外部顾问 ChatGPT

72
00:03:09,466 --> 00:03:11,866
请它提供第三方意见

73
00:03:11,866 --> 00:03:14,500
对我来说，这种模式其实非常自然：

74
00:03:14,500 --> 00:03:17,233
因为不同模型有不同的特点

75
00:03:17,233 --> 00:03:19,866
有时候我会让一个模型来提出方案

76
00:03:19,866 --> 00:03:22,833
再让另一个模型来负责挑战和审查

77
00:03:23,266 --> 00:03:24,133
所以接下来

78
00:03:24,166 --> 00:03:26,900
我把 ChatGPT 的建议带回 Spark

79
00:03:26,966 --> 00:03:28,700
继续进行了几轮讨论

80
00:03:29,100 --> 00:03:31,066
整个过程其实很普通

81
00:03:31,166 --> 00:03:35,066
这就是我平时和多个 AI 模型进行交流的方式

82
00:03:35,300 --> 00:03:37,866
但是，真正有意思的部分来了

83
00:03:37,866 --> 00:03:38,366
接下来

84
00:03:38,366 --> 00:03:40,500
我打开 Hermes 的新对话窗口

85
00:03:40,666 --> 00:03:43,233
注意：我没有告诉它前面发生了什么

86
00:03:43,233 --> 00:03:46,533
没有复制聊天记录、没有重新解释背景

87
00:03:46,566 --> 00:03:49,100
我只输入了一句话：“进入会议室

88
00:03:49,100 --> 00:03:51,733
了解一下刚才关于这个问题的讨论

89
00:03:51,733 --> 00:03:52,266
”

90
00:03:52,266 --> 00:03:54,633
然后，你可以看到它的回复

91
00:03:54,633 --> 00:03:57,066
它不仅知道 Spark 之前讨论了什么

92
00:03:57,066 --> 00:04:00,733
还知道中间有一个外部顾问 ChatGPT 参与

93
00:04:00,766 --> 00:04:05,866
甚至理解了 ChatGPT 提出的建议和整个讨论的发展过程

94
00:04:06,166 --> 00:04:08,400
接下来，我又回到了 Spark 的窗口

95
00:04:08,400 --> 00:04:11,000
我告诉它：“Hermes 刚刚参加了会议

96
00:04:11,000 --> 00:04:14,266
你总结一下它提出的几个值得考虑的方向

97
00:04:14,266 --> 00:04:14,833
”

98
00:04:14,866 --> 00:04:15,666
你可以看到：

99
00:04:15,666 --> 00:04:18,566
Spark 没有要求我重新介绍 Hermes

100
00:04:18,700 --> 00:04:21,133
也没有让我复制 Hermes 的回复

101
00:04:21,166 --> 00:04:23,100
它直接继续了这场会议

102
00:04:23,266 --> 00:04:25,933
就像两个员工进入了同一个会议室

103
00:04:25,966 --> 00:04:27,566
然后继续讨论

104
00:04:27,900 --> 00:04:29,933
而这一次实验真正验证的

105
00:04:29,966 --> 00:04:33,900
并不是 Spark 或者 Hermes 哪一个智能体更聪明

106
00:04:34,000 --> 00:04:36,700
因为今天的大模型已经足够强大了

107
00:04:36,700 --> 00:04:37,866
真正的问题是：

108
00:04:37,866 --> 00:04:40,766
当多个智能体开始工作时

109
00:04:40,833 --> 00:04:43,200
它们能不能拥有共同的历史？

110
00:04:43,200 --> 00:04:45,466
人类组织之所以能够协作

111
00:04:45,466 --> 00:04:47,433
并不只是因为员工聪明

112
00:04:47,466 --> 00:04:48,533
更重要的是：

113
00:04:48,566 --> 00:04:53,066
他们共享同一个办公室、同一套流程、同一份会议记录

114
00:04:53,066 --> 00:04:56,166
以及过去所有决定留下来的历史

115
00:04:56,433 --> 00:04:58,200
而这一次，我第一次看到：

116
00:04:58,200 --> 00:05:00,400
两个运行在不同地方的 AI

117
00:05:00,400 --> 00:05:01,733
一个在 Google 云端

118
00:05:01,766 --> 00:05:04,733
一个在我的 Hostinger VPS 服务器上

119
00:05:04,800 --> 00:05:07,766
开始像同一个组织里的成员一样协作

120
00:05:08,433 --> 00:05:10,633
过去，我们把 AI 当成工具

121
00:05:10,633 --> 00:05:14,633
而现在，我开始尝试让 AI 形成组织

122
00:05:14,833 --> 00:05:16,233
欢迎回到 WOW Insight！

123
00:05:16,266 --> 00:05:18,000
在继续今天的视频之前

124
00:05:18,000 --> 00:05:20,900
我想先感谢 一直支持这个频道的朋友

125
00:05:21,100 --> 00:05:24,866
我知道还有不少观看我视频的朋友还没有订阅频道

126
00:05:24,866 --> 00:05:27,266
如果你觉得我的内容对你有帮助

127
00:05:27,266 --> 00:05:30,300
欢迎订阅我的频道并点赞、分享我的视频

128
00:05:30,466 --> 00:05:32,433
也欢迎加入我的频道会员

129
00:05:32,500 --> 00:05:34,433
每月一杯咖啡的钱

130
00:05:34,433 --> 00:05:35,833
不仅是对我的支持

131
00:05:35,833 --> 00:05:42,766
也会帮助我继续制作更多关于 AI、智能体和未来技术方向的深度内容

132
00:05:43,000 --> 00:05:45,333
好的，接下来进入今天的主题

133
00:05:45,633 --> 00:05:47,700
如果今天你只有一个人

134
00:05:47,700 --> 00:05:52,266
但你仍然可以拥有一个程序员、一个架构师、一个审计专家

135
00:05:52,266 --> 00:05:55,633
而且他们不是三个孤立的聊天窗口

136
00:05:55,633 --> 00:05:58,033
而是共享同一份组织记忆

137
00:05:58,033 --> 00:05:59,933
知道过去做过什么决定

138
00:05:59,966 --> 00:06:01,700
为什么做出这个决定

139
00:06:01,966 --> 00:06:04,966
那你觉得，这还只是一个 AI 工具吗？

140
00:06:05,200 --> 00:06:05,900
过去

141
00:06:05,900 --> 00:06:09,100
公司需要通过招聘员工来组成团队

142
00:06:09,200 --> 00:06:11,900
每个人有自己的岗位，有固定的职责

143
00:06:11,900 --> 00:06:14,166
有会议记录，有项目历史

144
00:06:14,233 --> 00:06:15,033
而现在

145
00:06:15,033 --> 00:06:19,133
我们普通人完全可以尝试用不同的方式

146
00:06:19,166 --> 00:06:21,366
构建属于自己的 AI 组织

147
00:06:21,766 --> 00:06:23,300
在搭建这套系统之前

148
00:06:23,300 --> 00:06:25,633
我思考了一个很久的问题是：

149
00:06:25,633 --> 00:06:27,666
AI 如果要成为组织

150
00:06:27,666 --> 00:06:30,833
它首先需要一个不会消失的办公室

151
00:06:31,166 --> 00:06:32,533
对于个人开发者来说

152
00:06:32,566 --> 00:06:34,366
这个办公室必须得便宜

153
00:06:34,433 --> 00:06:38,100
要 24 小时在线、稳定、有固定身份

154
00:06:38,266 --> 00:06:40,133
那我们人类员工入职公司时

155
00:06:40,166 --> 00:06:43,833
会有工位、邮箱、会议记录、历史档案

156
00:06:43,900 --> 00:06:46,033
但今天的大部分 AI Agent

157
00:06:46,100 --> 00:06:47,900
即使拥有自己的记忆

158
00:06:47,900 --> 00:06:50,233
也往往只是保存自己的上下文

159
00:06:50,233 --> 00:06:53,566
而不是整个组织共同形成的历史

160
00:06:53,833 --> 00:06:55,500
它们知道自己做过什么

161
00:06:55,500 --> 00:06:58,866
却不知道整个团队为什么这么决定

162
00:06:59,233 --> 00:07:02,266
真正的问题不是让 AI 记住更多信息

163
00:07:02,266 --> 00:07:09,033
而是让一个 AI 组织拥有连续的历史、共同的经验和可追溯的决策过程

164
00:07:09,400 --> 00:07:12,600
我想解决的核心问题不是让 AI 更聪明

165
00:07:12,600 --> 00:07:18,366
而是给 AI 建立一个固定物理住所 + 一套组织记忆系统

166
00:07:18,433 --> 00:07:23,366
我想让 Agent 拥有 24 小时常驻运行的服务器生命

167
00:07:23,466 --> 00:07:25,233
但我遇到了三个难题：

168
00:07:25,233 --> 00:07:25,700
第一

169
00:07:25,700 --> 00:07:29,700
直接调 API 的按量计费成本和轮询焦虑

170
00:07:30,000 --> 00:07:32,333
高频上下文轮询和代码分析

171
00:07:32,366 --> 00:07:36,133
如果每个 Request 都走 API 按 Token 计费

172
00:07:36,266 --> 00:07:39,233
月度账单会带来巨大的不确定性

173
00:07:39,300 --> 00:07:39,900
第二

174
00:07:39,900 --> 00:07:44,266
不同 Agent 之间缺少共享上下文和组织历史

175
00:07:44,500 --> 00:07:47,600
每个 Agent 可能都有自己的记忆能力

176
00:07:47,600 --> 00:07:51,233
但它们并不知道另一个 Agent 为什么做出某个决定

177
00:07:51,233 --> 00:07:55,066
也无法自动继承彼此之间的讨论过程

178
00:07:55,300 --> 00:07:56,066
最开始

179
00:07:56,066 --> 00:07:59,133
Spark 和 Hermes 之间没有共享空间

180
00:07:59,233 --> 00:08:01,566
我只能充当“人工中转站”，

181
00:08:01,700 --> 00:08:06,133
在两个智能体之间不断复制、粘贴、转述上下文

182
00:08:06,366 --> 00:08:08,066
这种方式不仅低效

183
00:08:08,066 --> 00:08:11,266
也让整个协作过程失去了连续性

184
00:08:11,600 --> 00:08:12,866
第三个难题是

185
00:08:12,866 --> 00:08:16,033
服务器选型与长期运行成本

186
00:08:16,266 --> 00:08:19,100
对于个人开发者和实验项目来说

187
00:08:19,100 --> 00:08:22,466
最大的成本压力往往不是第一次部署

188
00:08:22,466 --> 00:08:24,333
而是长期运行

189
00:08:24,600 --> 00:08:28,233
传统大厂云服务通常采用按量计费模式

190
00:08:28,233 --> 00:08:34,066
当 Agent 开始 24 小时运行、频繁调用模型和同步数据时

191
00:08:34,166 --> 00:08:36,933
成本就很容易变得不可预测

192
00:08:37,200 --> 00:08:41,800
所以我选择了一台轻量级 VPS 作为 Hermes 的长期住所

193
00:08:41,800 --> 00:08:46,133
比如我现在使用的 Hostinger KVM 2 VPS 节点

194
00:08:46,133 --> 00:08:48,300
它更像是一个永远在线的办公室

195
00:08:48,300 --> 00:08:50,366
而不是一次性的计算资源

196
00:08:50,600 --> 00:08:51,766
我们来算一笔账：

197
00:08:52,066 --> 00:08:59,500
$8.79 的 VPS + $19.99 的 Gemini Pro 订阅 = 每月不到 30 美元

198
00:08:59,966 --> 00:09:01,633
那么在合理使用范围内

199
00:09:01,633 --> 00:09:07,866
你就已经可以拥有一个 7*24 在线的个人 AI Agent 基础设施

200
00:09:07,966 --> 00:09:13,300
而且不需要承担传统 API 按 Token 计费带来的不确定性

201
00:09:13,566 --> 00:09:18,233
那如果你也想尝试搭建自己的个人 AI Agent 基础设施

202
00:09:18,266 --> 00:09:22,233
我这次合作的 Hostinger 提供了一个频道专属优惠

203
00:09:22,233 --> 00:09:24,566
使用我的专属优惠码 WOWINSIGHT

204
00:09:24,700 --> 00:09:27,433
可以获得额外 10% 的折扣

205
00:09:27,600 --> 00:09:30,033
链接我会放在视频简介的最上方

206
00:09:30,033 --> 00:09:32,366
以及评论区的置顶位置

207
00:09:32,600 --> 00:09:34,000
在存储方面

208
00:09:34,000 --> 00:09:37,000
Google Drive 提供了足够大的共享空间（5TB 存储）

209
00:09:37,000 --> 00:09:39,500
作为 AI 组织的 Shared Workspace

210
00:09:39,766 --> 00:09:40,466
当然

211
00:09:40,466 --> 00:09:43,833
如果你希望进一步增强 Hermes 的推理能力

212
00:09:43,833 --> 00:09:46,733
也可以给它配置额外的大模型服务

213
00:09:46,833 --> 00:09:50,833
例如利用一些免费额度 API 去处理轻量任务

214
00:09:50,833 --> 00:09:53,666
把复杂推理交给更强的模型；

215
00:09:53,766 --> 00:09:56,866
或者订阅像 ChatGPT 这样的一些服务

216
00:09:56,866 --> 00:09:59,666
让 Hermes 拥有更强的决策能力

217
00:10:00,033 --> 00:10:02,866
这里还有一个我自己的真实变化

218
00:10:03,000 --> 00:10:06,533
过去我曾经让 Mac mini M4 运行 Hermes

219
00:10:06,633 --> 00:10:09,666
把它作为家里的常驻 Agent 节点

220
00:10:09,766 --> 00:10:10,933
但实际体验下来

221
00:10:10,933 --> 00:10:17,133
一个云端 VPS (+ Gemini Spark)在稳定性、网络可达性和 24 小时运行方面

222
00:10:17,166 --> 00:10:19,933
其实更适合作为 Agent 的“办公室”。

223
00:10:20,100 --> 00:10:23,300
所以我已经把 Mac mini 上的 Hermes 停止运行了

224
00:10:23,300 --> 00:10:25,766
把它迁移到了云端 VPS上了

225
00:10:25,900 --> 00:10:27,866
我的 Mac mini 和 MacBook

226
00:10:27,900 --> 00:10:32,133
现在更多的是承担本地创作、开发和生产任务

227
00:10:32,166 --> 00:10:37,033
而 Hermes 则拥有了一个不会关机、不会离家的云端住所

228
00:10:37,266 --> 00:10:39,533
这也是我想验证的一件事情，就是：

229
00:10:39,566 --> 00:10:43,733
未来个人开发者可能不需要购买昂贵的服务器

230
00:10:43,766 --> 00:10:46,333
也不需要准备一台永远开机的电脑

231
00:10:46,366 --> 00:10:48,433
一个低成本云端节点

232
00:10:48,433 --> 00:10:52,066
就可以成为属于自己的 AI 组织基础设施

233
00:10:52,066 --> 00:10:53,400
刚才你看到的实验

234
00:10:53,400 --> 00:10:55,900
其实没有什么神秘的 Agent 魔法

235
00:10:56,066 --> 00:10:57,266
Spark、Hermes

236
00:10:57,266 --> 00:11:00,066
甚至中间参与讨论的 ChatGPT

237
00:11:00,100 --> 00:11:02,800
它们之所以能够像一个团队一样协作

238
00:11:02,800 --> 00:11:05,233
其实核心只有一个，就是：

239
00:11:05,233 --> 00:11:07,933
它们拥有了一个共同的工作空间

240
00:11:08,200 --> 00:11:08,900
这个空间

241
00:11:08,900 --> 00:11:11,533
成为整个 AI 组织的记忆中心

242
00:11:11,533 --> 00:11:13,800
这里需要强调的一点就是：

243
00:11:13,800 --> 00:11:16,666
Google Drive 本身并不是关键

244
00:11:16,733 --> 00:11:19,333
真正重要的是背后的组织协议

245
00:11:19,333 --> 00:11:19,900
也就是：

246
00:11:19,900 --> 00:11:23,033
让不同 Agent 能够共享同一份历史

247
00:11:23,033 --> 00:11:26,366
并且理解这些历史为什么产生

248
00:11:26,600 --> 00:11:29,500
这就是我所说的 AI 组织操作系统（Cognitive OS）

249
00:11:29,500 --> 00:11:31,033
那很多人可能会问：

250
00:11:31,066 --> 00:11:32,900
为什么不直接使用 MCP

251
00:11:32,900 --> 00:11:34,933
让两个 Agent 连接起来呢？

252
00:11:35,200 --> 00:11:37,533
实际上，MCP 非常重要

253
00:11:37,533 --> 00:11:39,300
但它解决的是另一个问题

254
00:11:39,600 --> 00:11:40,933
MCP 解决的是：

255
00:11:40,933 --> 00:11:44,700
Agent 如何调用工具和访问外部的能力

256
00:11:44,866 --> 00:11:46,766
而我现在遇到的问题是：

257
00:11:46,800 --> 00:11:49,866
多个 Agent 如何共享组织历史

258
00:11:50,233 --> 00:11:52,733
一个电话可以让两个员工交流

259
00:11:52,733 --> 00:11:55,366
但它不会自动变成公司的档案系统

260
00:11:55,666 --> 00:11:58,433
MCP 更像公司的业务接口

261
00:11:58,433 --> 00:12:04,633
而 Shared Workspace 更像办公室里的会议室、档案库和项目历史

262
00:12:04,933 --> 00:12:06,933
未来真正强大的 AI 组织

263
00:12:06,933 --> 00:12:08,633
一定需要两者结合

264
00:12:08,633 --> 00:12:09,400
那就是：

265
00:12:09,400 --> 00:12:12,333
Agent 通过 MCP 获得行动能力

266
00:12:12,333 --> 00:12:15,300
而且通过组织记忆获得连续性

267
00:12:15,733 --> 00:12:17,100
在这个共享空间里

268
00:12:17,100 --> 00:12:19,500
我搭建了一个简单的 AI 董事会

269
00:12:19,866 --> 00:12:21,966
它们可不是三个聊天窗口哦

270
00:12:22,100 --> 00:12:24,000
真正让它们成为一个组织的

271
00:12:24,000 --> 00:12:27,300
是背后的会议记录和决策历史

272
00:12:27,600 --> 00:12:29,100
现在 AI 最大的问题

273
00:12:29,100 --> 00:12:30,666
并不是它不知道答案

274
00:12:30,666 --> 00:12:32,266
而是：它知道答案

275
00:12:32,266 --> 00:12:35,500
却不知道为什么当初选择了这个答案

276
00:12:35,666 --> 00:12:36,933
一个真正的组织

277
00:12:36,933 --> 00:12:39,933
不是靠数据库保存所有文件

278
00:12:39,933 --> 00:12:41,900
而是靠历史去理解：

279
00:12:41,900 --> 00:12:43,300
为什么做出这个决定？

280
00:12:43,300 --> 00:12:44,900
为什么放弃另一个方案？

281
00:12:44,900 --> 00:12:47,833
哪些原则是不能被轻易改变的？

282
00:12:48,133 --> 00:12:49,700
所以我真正想解决的

283
00:12:49,700 --> 00:12:52,300
不只是让 AI 保存更多的知识

284
00:12:52,300 --> 00:12:55,533
而是让它保存知识形成的过程

285
00:12:55,700 --> 00:12:58,500
这也是为什么我们加入了：SOPF：

286
00:12:58,666 --> 00:13:00,500
自动实时落盘（AutoSave on Reply）

287
00:13:00,500 --> 00:13:02,466
它就像 AI 组织里的秘书

288
00:13:02,733 --> 00:13:05,066
人类公司为什么需要秘书呢？

289
00:13:05,233 --> 00:13:07,166
不是因为 CEO 不会写字

290
00:13:07,266 --> 00:13:12,700
而是因为一个组织不能依赖某一个人的大脑保存所有历史

291
00:13:12,833 --> 00:13:16,700
秘书负责记录会议、整理决定、保存上下文

292
00:13:16,700 --> 00:13:20,833
让未来加入的人能够快速理解过去发生了什么

293
00:13:21,033 --> 00:13:22,566
AI 组织也是一样

294
00:13:22,600 --> 00:13:28,433
SOPF 负责把重要的讨论、冲突、和决定自动写入这个文件（99meetingminutes

295
00:13:28,433 --> 00:13:28,633
md）

296
00:13:28,633 --> 00:13:32,066
让每一次会议都成为组织记忆的一部分

297
00:13:32,333 --> 00:13:34,966
那为什么采用单文件会议记录呢？

298
00:13:35,266 --> 00:13:37,600
因为理解一个长期项目

299
00:13:37,600 --> 00:13:39,466
最重要的不是文件数量

300
00:13:39,466 --> 00:13:41,533
而是时间连续性

301
00:13:41,700 --> 00:13:45,066
比如事情是如何一步一步发展到今天的？

302
00:13:45,066 --> 00:13:47,766
为什么当初选择 A，而不是 B？

303
00:13:48,033 --> 00:13:48,900
——这些信息

304
00:13:48,900 --> 00:13:51,100
才构成项目的真正的背景

305
00:13:51,266 --> 00:13:52,833
所以这个文件承担的

306
00:13:52,833 --> 00:13:54,933
其实不是普通的日志功能

307
00:13:54,933 --> 00:13:57,133
而是一种情景记忆（Episodic Memory）

308
00:13:57,133 --> 00:13:58,400
而在这套协议里

309
00:13:58,400 --> 00:14:00,566
我认为最有价值的设计之一

310
00:14:00,566 --> 00:14:02,566
就是异议日志（Dissent Log）

311
00:14:02,700 --> 00:14:04,200
未来 AI 最大的问题

312
00:14:04,200 --> 00:14:06,633
可能不是不知道现在发生什么

313
00:14:06,633 --> 00:14:07,433
而是不知道：

314
00:14:07,433 --> 00:14:10,066
为什么当初没有选择另一个方向

315
00:14:10,266 --> 00:14:11,400
例如半年后

316
00:14:11,400 --> 00:14:15,433
Hermes 可能建议：“我们应该迁移到 Vector Database

317
00:14:15,633 --> 00:14:18,300
” 但是它查看异议日志（Dissent Log） 之后

318
00:14:18,300 --> 00:14:19,133
它会发现：

319
00:14:19,133 --> 00:14:22,466
过去 Auditor Agent 已经提出过这个建议

320
00:14:22,466 --> 00:14:25,600
而当时 CEO 选择继续使用简单方案

321
00:14:25,600 --> 00:14:28,766
原因是：当前阶段，简单优先于复杂

322
00:14:28,866 --> 00:14:31,400
未来当规模达到某个条件

323
00:14:31,400 --> 00:14:32,633
再重新评估

324
00:14:33,033 --> 00:14:36,900
这时候 AI 理解的就不只是一个技术选择

325
00:14:36,900 --> 00:14:38,933
而是一套工程哲学

326
00:14:39,033 --> 00:14:40,333
这就是组织文化

327
00:14:40,700 --> 00:14:41,966
其实回头看

328
00:14:42,066 --> 00:14:45,266
这套设计延续了我过去一直探索的问题

329
00:14:45,266 --> 00:14:47,800
就是：个人如何管理知识？

330
00:14:47,800 --> 00:14:50,566
AI 如何理解知识之间的关系？

331
00:14:50,600 --> 00:14:53,600
组织如何保存自己的决策历史？

332
00:14:53,600 --> 00:14:56,866
过去，Obsidian 更关注个人知识组织；

333
00:14:57,033 --> 00:15:01,766
MemGraphRAG 探索的是知识之间如何连接和推理；

334
00:15:01,800 --> 00:15:03,600
而现在，我更关注：

335
00:15:03,600 --> 00:15:06,733
一个 AI 组织如何保存自己的经验

336
00:15:06,833 --> 00:15:09,466
因为知识可以复制，但决策历史

337
00:15:09,466 --> 00:15:11,933
才构成一个组织真正的灵魂

338
00:15:12,066 --> 00:15:13,033
没有这一层

339
00:15:13,033 --> 00:15:15,766
再多 Agent 也只是工具集合

340
00:15:15,833 --> 00:15:16,866
有了这一层

341
00:15:16,866 --> 00:15:19,466
AI 才开始接近一个真正的组织

342
00:15:19,600 --> 00:15:20,300
另外

343
00:15:20,300 --> 00:15:23,733
我还加入了类似 Git Commit 的：SOPE 系统状态快照（State Snapshot）

344
00:15:24,266 --> 00:15:29,500
它记录当前系统状态、活跃 Agent、版本信息和核心约束

345
00:15:29,500 --> 00:15:31,700
这样新的 Agent 加入会议室时

346
00:15:31,700 --> 00:15:34,300
不需要重新阅读几万字的历史

347
00:15:34,300 --> 00:15:38,300
而是通过最新状态快照快速理解当前环境

348
00:15:38,500 --> 00:15:40,733
这也是为什么我把这个方向称为：

349
00:15:40,733 --> 00:15:42,066
Loop Engineering

350
00:15:42,333 --> 00:15:45,000
目标不是让 AI 完成一次任务

351
00:15:45,000 --> 00:15:49,266
而是让一个系统能够观察自己的状态、记录自己的经验

352
00:15:49,266 --> 00:15:52,933
并在长期运行中不断形成更强的组织能力

353
00:15:52,933 --> 00:15:55,000
当然，今天这间 AI 会议室

354
00:15:55,000 --> 00:15:56,233
只是一个开始

355
00:15:56,333 --> 00:15:58,900
《Building My Personal AI Company》这个系列

356
00:15:58,900 --> 00:16:01,933
并不是说我要真的开一家 AI 公司

357
00:16:02,066 --> 00:16:04,533
这里的“公司”，更像是一个隐喻

358
00:16:04,533 --> 00:16:05,233
就是：

359
00:16:05,233 --> 00:16:06,600
如果我们普通人

360
00:16:06,600 --> 00:16:08,833
也可以拥有多个 AI Agent

361
00:16:09,000 --> 00:16:12,666
它们有不同职责、共享记忆、持续协作

362
00:16:12,666 --> 00:16:14,133
那么一个人的生产方式

363
00:16:14,133 --> 00:16:16,966
会不会开始接近一个小型组织呢？

364
00:16:17,266 --> 00:16:19,933
所以接下来，我想用一系列实验

365
00:16:19,933 --> 00:16:23,433
去测试一个 AI 组织到底需要哪些能力

366
00:16:23,666 --> 00:16:24,466
这一集呢

367
00:16:24,466 --> 00:16:26,400
我们建立了第一间 AI 会议室

368
00:16:26,400 --> 00:16:27,533
测试的问题是：

369
00:16:27,533 --> 00:16:30,633
两个原本无法直接通信的智能体

370
00:16:30,633 --> 00:16:33,633
能不能共享历史、理解过去的决定

371
00:16:33,633 --> 00:16:35,900
并像团队成员一样继续协作？

372
00:16:35,900 --> 00:16:36,433
答案

373
00:16:36,433 --> 00:16:40,366
就是今天你看到的 Spark + Hermes AI 董事会

374
00:16:40,600 --> 00:16:41,533
那下一集

375
00:16:41,533 --> 00:16:44,300
我们会给 AI 接入真正的工程能力

376
00:16:44,300 --> 00:16:46,900
通过 Claude Code + ECC（Engineering Command Center）

377
00:16:47,066 --> 00:16:50,200
测试 AI 是否不仅能够讨论代码

378
00:16:50,200 --> 00:16:52,600
而是可以真正参与软件开发：

379
00:16:52,600 --> 00:16:57,566
像阅读项目、修改代码、运行测试、修复问题这些

380
00:16:57,733 --> 00:16:59,433
第三集我们会探讨：

381
00:16:59,433 --> 00:17:02,133
AI 能不能建立自己的情报网络？

382
00:17:02,233 --> 00:17:05,066
因为一个组织不能只等待信息

383
00:17:05,266 --> 00:17:06,233
那下一阶段

384
00:17:06,233 --> 00:17:08,900
我们会让 AI 拥有自己的情报部门：

385
00:17:08,900 --> 00:17:11,733
通过 OmniHunter + Knowledge Graph

386
00:17:11,800 --> 00:17:17,333
让 AI 持续追踪代码、论文、博客以及开放网络中的重要信息

387
00:17:17,333 --> 00:17:19,166
并形成自己的知识地图

388
00:17:19,400 --> 00:17:21,366
那在第四集我们会探讨：

389
00:17:21,400 --> 00:17:24,166
AI 能不能形成长期知识体系？

390
00:17:24,266 --> 00:17:25,733
知道信息还不够

391
00:17:25,733 --> 00:17:28,300
真正的组织，需要积累经验

392
00:17:28,466 --> 00:17:29,433
那在这一集

393
00:17:29,433 --> 00:17:32,533
我们会探索 MemGraphRAG、Obsidian

394
00:17:32,533 --> 00:17:34,866
以及更复杂的知识结构

395
00:17:34,933 --> 00:17:37,300
让 AI 的记忆从简单文件

396
00:17:37,300 --> 00:17:41,533
逐渐变成可以检索、可以关联和可以推理的知识网络

397
00:17:41,700 --> 00:17:43,866
那在第五集，也就是最后一集

398
00:17:43,866 --> 00:17:44,900
我们会探讨：

399
00:17:44,900 --> 00:17:47,333
AI 能不能形成自己的协作网络？

400
00:17:47,400 --> 00:17:50,300
我们会继续探索 Hermes AgentMesh：

401
00:17:50,433 --> 00:17:54,466
让不同设备、不同服务器、不同云端 Agent

402
00:17:54,466 --> 00:17:58,266
形成一个更加完整的个人 AI 协作网络

403
00:17:58,533 --> 00:18:00,933
那这套系列真正想探索的

404
00:18:00,933 --> 00:18:03,200
并不是“我用了多少 AI 工具”。

405
00:18:03,200 --> 00:18:05,333
而是一个更大的问题，就是：

406
00:18:05,333 --> 00:18:07,466
当 AI 从一个聊天窗口

407
00:18:07,466 --> 00:18:12,833
逐渐变成多个拥有职责、记忆和反馈循环的智能体时

408
00:18:12,900 --> 00:18:14,333
一个人的工作方式

409
00:18:14,333 --> 00:18:17,500
会不会开始出现类似组织的形态？

410
00:18:17,733 --> 00:18:21,033
我不知道 AI 公司时代是否真的已经开始

411
00:18:21,033 --> 00:18:22,600
但我想亲自验证：

412
00:18:22,600 --> 00:18:23,933
一个普通开发者

413
00:18:23,933 --> 00:18:28,366
今天到底能不能搭建属于自己的第一个 AI 组织

414
00:18:28,433 --> 00:18:30,233
好的，今天的视频我们就先聊到这里

415
00:18:30,233 --> 00:18:31,933
感谢观看，我们下期再见！