过去一年
我们一直在训练 AI 变得越来越聪明
但有一个奇怪的现象就是：
单个 AI 的能力确实是越来越强了
但不同 AI 之间却依然像隔着一堵墙
不是因为它们没有交流能力
而是因为今天的大多数 AI 产品
都被设计成独立的系统
它们有不同的平台、不同的数据边界、不同的运行环境
但却没有一个天然共享的组织空间
当然
你也可以通过 API 把不同的模型连接起来
但对于个人用户来说
一旦想让 Agent 24 小时运行
持续调用模型
那 API 的费用很快就会成为一个现实问题
而包月的 Chat 窗口虽然很便宜、很好用
但它们通常还是 一个一个孤立的智能体
所以，一个运行在云端的 AI
和另一个运行在你私人服务器（VPS / 本地）上的 AI
并不会像两个同事一样
自然进入同一个会议室来协作
那最近呢 Google Gemini Pro 用户开放了 Spark 智能体
我用了几天之后
一个最大的感受就是：
它不像普通的 Gemini 聊天窗口
当你给它一个复杂任务时
它会主动拆解问题、寻找资料、不断修正自己的答案
甚至让我觉得
它已经非常接近一个真正的智能助理
而有意思的是
这种体验和我一直使用的 Hermes Agent 有一种相似之处
就是：它们都不是简单等待指令
而是在目标驱动下主动推进任务
而且最爽的一点是：
以前如果想让 Hermes 调用类似 Gemini 的能力
通常需要通过 API 接入
然后还要考虑 Token 消耗和账单问题
而现在订阅用户就可以直接体验了
那种感觉有一点像：
终于不用担心账单
可以放心薅谷歌的羊毛了
但是
很快我遇到了一个更有意思的问题
就是：
如果 Spark 这么强
那我部署在 Hostinger VPS 上、24 小时运行的 Hermes 呢？
为什么它们不能一起工作？
为什么一个在 Google 云端
一个在我的 Hostinger VPS 上的 AI
它们之间还是隔着一堵墙呢？
以前我的解决方法非常原始，就是：
手动复制、粘贴、再复制、再粘贴
我必须做人肉搬运工
把 Spark 的思考搬给 Hermes
再把 Hermes 的回复搬回来
但这显然不是一个好方法！
我突然想到了我管理过的公司
在公司里
员工不会靠 CEO 每天复制邮件传递信息
他们有办公室、有会议、有文档、有历史
所以最近，我尝试做了一件事情
就是：给 AI 建了一间会议室
我想验证一个非常简单的问题：
如果两个原本无法直接通信的智能体
拥有了同一个共享空间
它们能不能真正形成协作呢？
为了测试这件事情
我做了一个非常简单的实验
我打开 Spark，开始了一轮正常讨论
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
请它提供第三方意见
对我来说，这种模式其实非常自然：
因为不同模型有不同的特点
有时候我会让一个模型来提出方案
再让另一个模型来负责挑战和审查
所以接下来
我把 ChatGPT 的建议带回 Spark
继续进行了几轮讨论
整个过程其实很普通
这就是我平时和多个 AI 模型进行交流的方式
但是，真正有意思的部分来了
接下来
我打开 Hermes 的新对话窗口
注意：我没有告诉它前面发生了什么
没有复制聊天记录、没有重新解释背景
我只输入了一句话：“进入会议室
了解一下刚才关于这个问题的讨论
”
然后，你可以看到它的回复
它不仅知道 Spark 之前讨论了什么
还知道中间有一个外部顾问 ChatGPT 参与
甚至理解了 ChatGPT 提出的建议和整个讨论的发展过程
接下来，我又回到了 Spark 的窗口
我告诉它：“Hermes 刚刚参加了会议
你总结一下它提出的几个值得考虑的方向
”
你可以看到：
Spark 没有要求我重新介绍 Hermes
也没有让我复制 Hermes 的回复
它直接继续了这场会议
就像两个员工进入了同一个会议室
然后继续讨论
而这一次实验真正验证的
并不是 Spark 或者 Hermes 哪一个智能体更聪明
因为今天的大模型已经足够强大了
真正的问题是：
当多个智能体开始工作时
它们能不能拥有共同的历史？
人类组织之所以能够协作
并不只是因为员工聪明
更重要的是：
他们共享同一个办公室、同一套流程、同一份会议记录
以及过去所有决定留下来的历史
而这一次，我第一次看到：
两个运行在不同地方的 AI
一个在 Google 云端
一个在我的 Hostinger VPS 服务器上
开始像同一个组织里的成员一样协作
过去，我们把 AI 当成工具
而现在，我开始尝试让 AI 形成组织
欢迎回到 WOW Insight！
在继续今天的视频之前
我想先感谢 一直支持这个频道的朋友
我知道还有不少观看我视频的朋友还没有订阅频道
如果你觉得我的内容对你有帮助
欢迎订阅我的频道并点赞、分享我的视频
也欢迎加入我的频道会员
每月一杯咖啡的钱
不仅是对我的支持
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
好的，接下来进入今天的主题
如果今天你只有一个人
但你仍然可以拥有一个程序员、一个架构师、一个审计专家
而且他们不是三个孤立的聊天窗口
而是共享同一份组织记忆
知道过去做过什么决定
为什么做出这个决定
那你觉得，这还只是一个 AI 工具吗？
过去
公司需要通过招聘员工来组成团队
每个人有自己的岗位，有固定的职责
有会议记录，有项目历史
而现在
我们普通人完全可以尝试用不同的方式
构建属于自己的 AI 组织
在搭建这套系统之前
我思考了一个很久的问题是：
AI 如果要成为组织
它首先需要一个不会消失的办公室
对于个人开发者来说
这个办公室必须得便宜
要 24 小时在线、稳定、有固定身份
那我们人类员工入职公司时
会有工位、邮箱、会议记录、历史档案
但今天的大部分 AI Agent
即使拥有自己的记忆
也往往只是保存自己的上下文
而不是整个组织共同形成的历史
它们知道自己做过什么
却不知道整个团队为什么这么决定
真正的问题不是让 AI 记住更多信息
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
我想解决的核心问题不是让 AI 更聪明
而是给 AI 建立一个固定物理住所 + 一套组织记忆系统
我想让 Agent 拥有 24 小时常驻运行的服务器生命
但我遇到了三个难题：
第一
直接调 API 的按量计费成本和轮询焦虑
高频上下文轮询和代码分析
如果每个 Request 都走 API 按 Token 计费
月度账单会带来巨大的不确定性
第二
不同 Agent 之间缺少共享上下文和组织历史
每个 Agent 可能都有自己的记忆能力
但它们并不知道另一个 Agent 为什么做出某个决定
也无法自动继承彼此之间的讨论过程
最开始
Spark 和 Hermes 之间没有共享空间
我只能充当“人工中转站”，
在两个智能体之间不断复制、粘贴、转述上下文
这种方式不仅低效
也让整个协作过程失去了连续性
第三个难题是
服务器选型与长期运行成本
对于个人开发者和实验项目来说
最大的成本压力往往不是第一次部署
而是长期运行
传统大厂云服务通常采用按量计费模式
当 Agent 开始 24 小时运行、频繁调用模型和同步数据时
成本就很容易变得不可预测
所以我选择了一台轻量级 VPS 作为 Hermes 的长期住所
比如我现在使用的 Hostinger KVM 2 VPS 节点
它更像是一个永远在线的办公室
而不是一次性的计算资源
我们来算一笔账：
$8.79 的 VPS + $19.99 的 Gemini Pro 订阅 = 每月不到 30 美元
那么在合理使用范围内
你就已经可以拥有一个 7*24 在线的个人 AI Agent 基础设施
而且不需要承担传统 API 按 Token 计费带来的不确定性
那如果你也想尝试搭建自己的个人 AI Agent 基础设施
我这次合作的 Hostinger 提供了一个频道专属优惠
使用我的专属优惠码 WOWINSIGHT
可以获得额外 10% 的折扣
链接我会放在视频简介的最上方
以及评论区的置顶位置
在存储方面
Google Drive 提供了足够大的共享空间（5TB 存储）
作为 AI 组织的 Shared Workspace
当然
如果你希望进一步增强 Hermes 的推理能力
也可以给它配置额外的大模型服务
例如利用一些免费额度 API 去处理轻量任务
把复杂推理交给更强的模型；
或者订阅像 ChatGPT 这样的一些服务
让 Hermes 拥有更强的决策能力
这里还有一个我自己的真实变化
过去我曾经让 Mac mini M4 运行 Hermes
把它作为家里的常驻 Agent 节点
但实际体验下来
一个云端 VPS (+ Gemini Spark)在稳定性、网络可达性和 24 小时运行方面
其实更适合作为 Agent 的“办公室”。
所以我已经把 Mac mini 上的 Hermes 停止运行了
把它迁移到了云端 VPS上了
我的 Mac mini 和 MacBook
现在更多的是承担本地创作、开发和生产任务
而 Hermes 则拥有了一个不会关机、不会离家的云端住所
这也是我想验证的一件事情，就是：
未来个人开发者可能不需要购买昂贵的服务器
也不需要准备一台永远开机的电脑
一个低成本云端节点
就可以成为属于自己的 AI 组织基础设施
刚才你看到的实验
其实没有什么神秘的 Agent 魔法
Spark、Hermes
甚至中间参与讨论的 ChatGPT
它们之所以能够像一个团队一样协作
其实核心只有一个，就是：
它们拥有了一个共同的工作空间
这个空间
成为整个 AI 组织的记忆中心
这里需要强调的一点就是：
Google Drive 本身并不是关键
真正重要的是背后的组织协议
也就是：
让不同 Agent 能够共享同一份历史
并且理解这些历史为什么产生
这就是我所说的 AI 组织操作系统（Cognitive OS）
那很多人可能会问：
为什么不直接使用 MCP
让两个 Agent 连接起来呢？
实际上，MCP 非常重要
但它解决的是另一个问题
MCP 解决的是：
Agent 如何调用工具和访问外部的能力
而我现在遇到的问题是：
多个 Agent 如何共享组织历史
一个电话可以让两个员工交流
但它不会自动变成公司的档案系统
MCP 更像公司的业务接口
而 Shared Workspace 更像办公室里的会议室、档案库和项目历史
未来真正强大的 AI 组织
一定需要两者结合
那就是：
Agent 通过 MCP 获得行动能力
而且通过组织记忆获得连续性
在这个共享空间里
我搭建了一个简单的 AI 董事会
它们可不是三个聊天窗口哦
真正让它们成为一个组织的
是背后的会议记录和决策历史
现在 AI 最大的问题
并不是它不知道答案
而是：它知道答案
却不知道为什么当初选择了这个答案
一个真正的组织
不是靠数据库保存所有文件
而是靠历史去理解：
为什么做出这个决定？
为什么放弃另一个方案？
哪些原则是不能被轻易改变的？
所以我真正想解决的
不只是让 AI 保存更多的知识
而是让它保存知识形成的过程
这也是为什么我们加入了：SOPF：
自动实时落盘（AutoSave on Reply）
它就像 AI 组织里的秘书
人类公司为什么需要秘书呢？
不是因为 CEO 不会写字
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
秘书负责记录会议、整理决定、保存上下文
让未来加入的人能够快速理解过去发生了什么
AI 组织也是一样
SOPF 负责把重要的讨论、冲突、和决定自动写入这个文件（99meetingminutes
md）
让每一次会议都成为组织记忆的一部分
那为什么采用单文件会议记录呢？
因为理解一个长期项目
最重要的不是文件数量
而是时间连续性
比如事情是如何一步一步发展到今天的？
为什么当初选择 A，而不是 B？
——这些信息
才构成项目的真正的背景
所以这个文件承担的
其实不是普通的日志功能
而是一种情景记忆（Episodic Memory）
而在这套协议里
我认为最有价值的设计之一
就是异议日志（Dissent Log）
未来 AI 最大的问题
可能不是不知道现在发生什么
而是不知道：
为什么当初没有选择另一个方向
例如半年后
Hermes 可能建议：“我们应该迁移到 Vector Database
” 但是它查看异议日志（Dissent Log） 之后
它会发现：
过去 Auditor Agent 已经提出过这个建议
而当时 CEO 选择继续使用简单方案
原因是：当前阶段，简单优先于复杂
未来当规模达到某个条件
再重新评估
这时候 AI 理解的就不只是一个技术选择
而是一套工程哲学
这就是组织文化
其实回头看
这套设计延续了我过去一直探索的问题
就是：个人如何管理知识？
AI 如何理解知识之间的关系？
组织如何保存自己的决策历史？
过去，Obsidian 更关注个人知识组织；
MemGraphRAG 探索的是知识之间如何连接和推理；
而现在，我更关注：
一个 AI 组织如何保存自己的经验
因为知识可以复制，但决策历史
才构成一个组织真正的灵魂
没有这一层
再多 Agent 也只是工具集合
有了这一层
AI 才开始接近一个真正的组织
另外
我还加入了类似 Git Commit 的：SOPE 系统状态快照（State Snapshot）
它记录当前系统状态、活跃 Agent、版本信息和核心约束
这样新的 Agent 加入会议室时
不需要重新阅读几万字的历史
而是通过最新状态快照快速理解当前环境
这也是为什么我把这个方向称为：
Loop Engineering
目标不是让 AI 完成一次任务
而是让一个系统能够观察自己的状态、记录自己的经验
并在长期运行中不断形成更强的组织能力
当然，今天这间 AI 会议室
只是一个开始
《Building My Personal AI Company》这个系列
并不是说我要真的开一家 AI 公司
这里的“公司”，更像是一个隐喻
就是：
如果我们普通人
也可以拥有多个 AI Agent
它们有不同职责、共享记忆、持续协作
那么一个人的生产方式
会不会开始接近一个小型组织呢？
所以接下来，我想用一系列实验
去测试一个 AI 组织到底需要哪些能力
这一集呢
我们建立了第一间 AI 会议室
测试的问题是：
两个原本无法直接通信的智能体
能不能共享历史、理解过去的决定
并像团队成员一样继续协作？
答案
就是今天你看到的 Spark + Hermes AI 董事会
那下一集
我们会给 AI 接入真正的工程能力
通过 Claude Code + ECC（Engineering Command Center）
测试 AI 是否不仅能够讨论代码
而是可以真正参与软件开发：
像阅读项目、修改代码、运行测试、修复问题这些
第三集我们会探讨：
AI 能不能建立自己的情报网络？
因为一个组织不能只等待信息
那下一阶段
我们会让 AI 拥有自己的情报部门：
通过 OmniHunter + Knowledge Graph
让 AI 持续追踪代码、论文、博客以及开放网络中的重要信息
并形成自己的知识地图
那在第四集我们会探讨：
AI 能不能形成长期知识体系？
知道信息还不够
真正的组织，需要积累经验
那在这一集
我们会探索 MemGraphRAG、Obsidian
以及更复杂的知识结构
让 AI 的记忆从简单文件
逐渐变成可以检索、可以关联和可以推理的知识网络
那在第五集，也就是最后一集
我们会探讨：
AI 能不能形成自己的协作网络？
我们会继续探索 Hermes AgentMesh：
让不同设备、不同服务器、不同云端 Agent
形成一个更加完整的个人 AI 协作网络
那这套系列真正想探索的
并不是“我用了多少 AI 工具”。
而是一个更大的问题，就是：
当 AI 从一个聊天窗口
逐渐变成多个拥有职责、记忆和反馈循环的智能体时
一个人的工作方式
会不会开始出现类似组织的形态？
我不知道 AI 公司时代是否真的已经开始
但我想亲自验证：
一个普通开发者
今天到底能不能搭建属于自己的第一个 AI 组织
好的，今天的视频我们就先聊到这里
感谢观看，我们下期再见！