start	end	text
0	20100	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。
20100	22280	它们有不同的平台
22280	23580	不同的数据边界
23580	25000	不同的运行环境
25000	28400	但却没有一个天然共享的组织空间
28400	29380	当然
29380	33120	你可以通过API把不同的模型连接起来
33120	34760	但对于个人用户来说
34760	37360	一旦想让Agent24小时运行
37360	38680	持续调用模型
38680	42220	那API的费用很快就会成为一个现实问题
42220	45460	而包裕的拆窗口虽然很便宜
45460	46160	很好用
46160	49700	但它们通常还是一个一个孤立的智能体
49700	52560	所以一个运行在云端的AI
52560	55320	和另一个运行在你私人服务器上的AI
55320	57180	并不会像两个同事一样
57180	59740	自然进入同一个会议室来协作
59740	64140	最近Google JamLab Pro用户开放了Spark智能体
64140	65620	我用了几天之后
65620	67360	一个最大的感受就是
67360	69880	它不像普通的JamLab聊天窗口
69880	72280	当你给它一个复杂任务时
72280	74340	它会主动的拆解问题
74340	75360	寻找资料
75360	77440	不断修正自己的答案
77440	78440	甚至让我觉得
78440	81980	它已经非常接近一个真正的智能助手
81980	83120	而有意思的是
83120	86200	这种体验和我一直使用的Hermis Agent
86200	87700	有一种相似之处
87700	90800	就是他们都不是简单等待指令
90800	94440	而是在目标驱动下主动推进任务
94440	95820	而且最爽的一点是
95820	98060	以前如果想让Hermis
98060	99680	这样用类似Gemlite的能力
99680	101960	通常需要通过API接入
101960	105040	然后还要考虑Token消耗和账单问题
105040	108080	而现在订阅用户就可以直接体验了
108080	110160	那种感觉有一点像
110160	111900	终于不用担心账单
111900	113940	可以放心好谷歌的羊毛了
113940	117160	但是很快我就遇到了一个更有意思的问题
117160	119420	就是如果Spark那么强
119420	121720	那我不属在hostinger VPS上
121720	123860	24小时运行的Hermes呢
123860	126120	为什么他们不能一起工作呢
126120	127980	为什么一个在Google云端
127980	130460	一个在我的hostinger VPS上的AI
130460	133160	他们之间还是隔着一堵墙呢
133160	136000	以前我的解决方法非常原始
136000	138240	就是手动复制粘贴
138240	139780	再复制再粘贴
139780	141840	我必须做人肉搬一工
141840	143120	把Spark的思考
143120	144280	搬给Hermes
144280	146540	再把Hermes的回复搬回来
146540	148440	这显然不是一个好方法
148440	151320	我突然想到了我管理过的公司
151320	152320	在公司里
152320	153700	员工不会靠CEO
153700	155800	每天复制邮件传递信息
155800	157320	他们有办公室
157320	158180	有会议
158180	159060	有文档
159060	159700	有历史
159700	160780	所以最近
160780	162420	我尝试做了一件事情
162420	165120	就是给AI建了一间会议室
165120	167720	我想验证一个非常简单的问题
167720	171840	就是如果两个原本无法直接通信的智能体
171840	173820	拥有了同一个共享空间
173820	176600	它们能不能真正形成协作呢
176600	178260	为了测试这件事情
178260	180300	我做了一个非常简单的实验
180300	183500	我打开Spark开始了一轮正常讨论
183500	184880	讨论过程中
184880	186380	我又像平时一样
186380	189340	把一个新的想法交给外部顾问拆GPT
189340	191360	请他提供第三方意见
191360	192580	对我来说
192580	194360	这种模式其实非常自然
194360	196940	因为不同模型有不同的特点
196940	199640	有时候我会让一个模型来提出方案
199640	202580	再让另一个模型来负责挑战和审查
202580	204100	所以接下来
204100	206640	我把ChaiGPT的建议带回Spark
206640	208440	继续进行了几轮讨论
208440	210840	整个过程其实很普通
210840	213260	这就是我平时和多个AI模型
213260	214820	进行交流的方式
214820	217540	但是真正有意思的部分来了
217540	220220	接下来我打开Hermis的新对话窗口
220220	222960	注意我没有告诉他前面发生了什么
222960	224580	没有复制聊天记录
224580	226280	没有重新解释背景
226280	227920	我只输入了一句话
227920	231760	进入会议室了解一下刚才关于这个问题的讨论
231760	234420	然后你可以看到他的回复
234420	236880	他不仅知道Spark之前讨论了什么
236880	240500	还知道中间有一个外部顾问ChadGPT参与
240500	245640	甚至理解了ChadGPT提出的建议和整个讨论的发展过程
245640	248320	接下来我又回到了Spark窗口
248320	249120	我告诉他
249120	251000	Hermes刚刚参加了会议
251000	254340	你总结一下他提出的几个值得考虑的方向
254340	258300	你可以看到Spark没有要求我重新介绍Hermes
258300	260860	也没有让我复制Hermes的回复
260860	263180	他直接继续了这场会议
263180	265880	就像两个员工进入了同一个会议室
265880	267780	然后继续讨论
267780	269840	而这次实验真正验证的
269840	273580	并不是Spark或者Hermes每一个智能体更聪明
273580	276460	因为今天的大模型已经足够强大了
276460	280580	真正的问题是当多个智能体开始工作的时候
280580	282980	他们能不能拥有共同的历史
282980	285280	人类组织之所以能够协作
285280	287340	并不是因为员工聪明
287340	288280	更重要的是
288280	290740	他们享受同一个办公室
290740	291780	同一套流程
291780	292900	同一份会议记录
292900	295900	以及过去所有决定留下来的历史
295900	298000	而这一次我第一次看到
298000	300120	两个运行在不同地方的AI
300120	301700	一个在Google云端
301700	304500	一个在我的Hostinger VPS服务器上
304500	307800	开始像同一个组织里的成员一样协作起来
307800	310420	过去我们把AI当成工具
310420	314320	而现在我开始尝试让AI形成组织
314320	315940	欢迎回到All Insight
315940	317940	在继续今天的视频之前
317940	320720	我想先感谢一直支持这个频道朋友
320720	323540	我知道还有不少观看我视频的朋友
323540	324600	还没有订阅频道
324600	327120	如果你觉得我的内容对你有所帮助
327120	328400	欢迎订阅我的频道
328400	330160	并点赞分享我的视频
330160	332240	也欢迎加入我的频道会员
332240	334220	每月一杯咖啡的钱
334220	335780	不仅是对我的支持
335780	337740	也会帮助我继续制作
337740	342480	更多关于AI 智能体和未来技术方向的深度内容
342480	345100	好的 接下来进入今天的主题
345100	347580	如果今天你只有一个人
347580	350080	那你仍然可以拥有一个程序员
350080	352040	一个架构师 一个审计专家
352040	355440	而且他们不是三个孤立的聊天窗口
355440	357860	而是共享同一份组织记忆
357860	359720	知道过去做过什么决定
359720	361420	为什么做出这个决定
361420	364700	那你觉得这还只是一个AI工具吗
364700	368840	过去公司需要通过招聘员工来组成团队
368840	370600	每个人有自己的岗位
370600	371840	有固定的职责
371840	372860	有会议记录
372860	373900	有项目历史
373900	377520	而现在我们普通人完全可以尝试
377520	381080	用不同的方式构建属于自己的AI组织
381080	383280	在搭建这套系统之前
383280	385340	我思考了一个很久的问题就是
385340	387460	AI如果要成为组织
387460	390580	它首先需要一个不会消失的办公室
390580	392500	对于个人开发者来说
392500	394420	这个办公室必须得便宜
394420	397860	要24小时在线稳定有固定身份
397860	400100	那我们人类员工入职公司时
400100	403560	会有工位邮箱会议记录历史档案
403560	405780	但今天的大部分AI agent
405780	407820	即使拥有自己的记忆
407820	410040	也往往只是保存自己的上下文
410040	413280	而不是整个组织共同形成的历史
413280	415460	他们知道自己做过什么
415460	418600	却不知道整个团队为什么这么决定
418600	422120	真正的问题不是让AI记住更多信息
422120	425420	而是让一个AI组织拥有持续的历史
425420	428740	共享的经验和可追溯的决策过程
428740	432400	我想解决的核心问题不是让AI更聪明
432400	435820	而是给AI建立一个固定物理住所
435820	438460	加上一套组织记忆系统
438460	443120	我想让Agent拥有24小时常驻运行的服务器生命
443120	445020	但我遇到了三个难题
445020	449420	第一 直接调API的按量气费成本和轮巡焦虑
449420	452160	高频上下文轮询和代码分析
452160	455880	如果每个request都走API按token计费
455880	459020	阅读账单会带来巨大的不确定性
459020	459740	第二
459740	464020	不同agent之间缺少共享上下文和组织历史
464020	467440	每个agent可能都有自己的记忆能力
467440	471100	但他们并不知道另一个agent为什么做出某个决定
471100	474800	也无法自动继承彼此之间的讨论过程
474800	475840	最开始
475840	478900	Spark和Hermes之间没有共享空间
478900	479960	我只能
480000	485820	最開始,Spark和Hermes之間沒有共享空間,我只能充當人工中轉戰,在兩個智能體之間不斷複製黏貼轉述上下文。
486080	491020	這種方式不僅低效,也讓整個協作過程失去了連續性。
491020	495780	第三个难题是服务器选型与长期运行成本
495780	498940	对于个人开发者和实验项目来说
498940	502400	最大的成本压力往往不是第一次部署
502400	504120	而是长期运行
504120	508120	传统大厂云服务通常采用按量机费模式
508120	510800	当agent开始24小时运行
510800	513860	频繁调用模型和同步数据的时候
513860	516680	成本就很容易变得不可预测
516680	519520	所以我选择了一台轻量级VPS
519520	521600	作为Hermes的长期住所
521600	522880	比如我现在使用的
522880	525300	Hostinger KVM2 VPS节点
525300	528120	它更像是一个永远在线的办公室
528120	530100	而不是一次性的计算资源
530100	531540	我们来算一笔账
531540	533620	8.79美金的VPS
533620	537000	加上19.99美金的GemLab Pro订阅
537000	539220	等于每月不到30美元
539220	541460	那么在合理使用范围内
541460	543300	你就已经可以拥有一个
543300	545500	7×24小时在线的
545500	547580	个人AI agent的基础设施
547580	550580	而且不需要承担传统API
550580	553040	按Token计费带来的不确定性
553040	555980	那如果你也想尝试搭建自己的
555980	557940	个人AI Agent的基础设施
557940	559880	我这次合作的Hostinger
559880	561960	提供了一个频道专属优惠
561960	564420	使用我的专属优惠码All Insight
564420	567120	可以获得额外10%的折扣
567120	569860	链接我会放在视频简介的最上方
569860	572480	以及评论期的置顶位置
572480	573760	在存储方面
573760	576680	Google Drive提供了足够大的共享空间
576680	579080	作为AI组织的sheld workspace
579080	583620	当然如果你希望进一步增强Hermes的推理能力
583620	586820	也可以给它配置额外的大模型服务
586820	590620	例如利用一些免费额读API去处理轻量任务
590620	593400	把复杂推理交给更强的模型
593400	596680	或者订阅像ChattieT这样的一些服务
596680	599420	让Hermes拥有更强的决策能力
599420	602660	这里还有一个我自己的真实变化
602660	606280	过去我曾经让Mac mini M4运行Hermes
606280	609420	把它作为家里的常驻agent的节点
609420	611000	但实际体验下来
611000	613680	一个云端VPS在稳定性
613680	616920	网络可达性和24小时运行方面
616920	619680	其实更适合作为agent的办公室
619680	623040	所以我已经把Mac mini上的Hermes停止运行了
623040	625560	把它迁移到了云端VPS上了
625560	627600	我的Mac mini和MacBook
627600	630420	现在更多的是承担本地创作
630420	631980	开发和生产任务
631980	634020	而Hermes则拥有了一个
634020	637100	不会关机不会离家的云端住所
637100	638780	这也是我想验证的一件事情
638780	640980	就是未来个人开发者
640980	643520	可能不需要购买昂贵的服务器
643520	646260	也不需要准备一台永远开机的电脑
646260	648280	一个低成本云端节点
648280	651900	就可以成为属于自己的AI组织基础设施
651900	653360	刚才你看到的实验
653360	655700	其实没有什么神秘的agent的魔法
655700	659820	Spark、Hermes甚至中间参与讨论的ChagPT
659820	662560	他们之所以能够像一个团队一样协作
662560	664680	其实核心只有一个
664680	668020	就是他们拥有了一个共同的工作空间
668020	671460	这个空间成为整个AI组织的记忆中心
671460	673640	这里需要强调一点就是
673640	676440	Google Drive本身并不是关键
676440	679260	真正重要的是背后的组织协议
679260	682920	也就是让不同agent能够共享同一份历史
682920	686120	并且理解这些历史为什么产生
686120	689440	这就是我说的AI组织操作系统
689440	690800	很多人可能会问
690800	692640	为什么不直接属于MCP
692640	694680	让两个agent连接起来呢
694680	695740	实际上
695740	697340	MCP非常重要
697340	699140	但它解决的是另一个问题
699140	700660	MCP解决的是
700660	704460	agent如何调用工具和访问外部的能力
704460	706580	而我现在遇到的问题是
706580	709580	多个agent如何共享组织历史
709580	712540	一个电话可以让两个员工交流
712540	715120	但它不会自动变成公司的答案系统
715120	718200	MCP更像公司的业务接口
718200	720060	而Shield Workspace
720060	724360	更像办公室里的会议室 档案库和项目历史
724360	728500	未来真正强大的AI组织一定需要两者结合
728500	732080	那就是Agent通过MCP获得行动能力
732080	735100	而且通过组织记忆获得连续性
735100	737020	在这个共享空间里
737020	739260	我搭建了一个简单的AI董事会
739260	741560	他们可不是三个聊天窗口
741560	743980	真正让他们成为一个组织的
743980	747040	是背后的会议记录和决策历史
747040	749060	现在AI最大的问题
749060	750760	并不是他不知道答案
750760	752320	而是他知道答案
752320	755620	却不知道为什么当初选择了这个答案
755620	756720	一个真正的组织
756720	759700	不是靠数据库保存所有文件
759700	761680	而是靠历史去理解
761680	763180	为什么做出这个决定
763180	764940	为什么放弃另一个方案
764940	767580	哪些原则是不能被轻易改变的
767580	769600	所以我真正想解决的
769600	772080	不是让AI保存更多的知识
772080	775260	而是让它保存知识形成的过程
775260	777440	这也是为什么我们加入了
777440	780060	SOPF自动实施落盘
780060	782140	它就像AI组织里的秘书
782140	784800	人类公司为什么需要秘书呢
784800	786940	不是因为CEO不会写字
786940	788800	而是因为一个组织
788800	792480	不能依赖某一个人的大脑保存所有历史
792480	794520	秘书负责记录会议
794520	795520	整理决定
795520	796520	保存上下文
796520	800500	让未来加入的人能够快速理解过去发生了什么
800500	802340	AI组织也是一样
802340	806640	SOPF负责把重要的讨论冲突和决定
806640	808120	自动写入这个文件
808120	811720	让每一次会议都成为组织记忆的一部分
811720	814720	那为什么采用单文圈会议记录呢
814720	817440	因为理解一个长期项目
817440	819500	最重要的不是文件数量
819500	821320	而是时间连续性
821320	824740	比如事情是如何一步一步发展到今天的
824740	827540	为什么当初选择A而不是B
827540	830800	这些信息才构成项目的真正的背景
830800	832860	所以这个文件承担的
832860	834840	其实不是普通的日志功能
834840	837080	而是一种情景记忆
837080	838400	而在这套协议里
838400	842060	我认为最有价值的设计之一就是异议日志
842060	844120	未来AI最大的问题
844120	846460	可能不是不知道现在发生什么
846460	850280	而是不知道为什么当初没有选择另一个方向
850280	851300	例如半年之后
851300	852600	Hermes可能建议
852600	855100	我们应该迁移到Vector Database
855100	858260	但是他查看异议日志之后
858260	859100	他会发现
859100	862280	过去Audit Agent已经提出过这个建议
862280	865360	而当时CEO选择继续使用简单方案
865360	868540	原因是当前阶段简单优异复杂
868540	872340	未来当规模达到某个条件时再重新评估
872340	876760	这时候AI理解的就不只是一个技术选择
876760	878640	而是一套工程哲学
878640	880100	这就是组织文化
880100	881780	其实回头看
881780	885160	这套设计延续了我过去一直探索的问题
885160	887580	就是个人如何管理知识
887580	890320	AI如何理解知识之间的关系
890320	893440	组织如何保存自己的决策历史
893440	896620	过去Obsidian更关注个人知识组织
896620	901500	MemGraph Reg探索的是知识之间如何连接和推理
901500	906720	而现在我更关注一个AI组织如何保存自己的经验
906720	908200	因为确实可以复制
908200	911640	但决策历史才构成一个组织真正的灵魂
911640	915540	没有这一层再多agent的也只是工具集合
915540	916680	有了这一层
916680	919180	AI才开始接近一个真正的组织
919180	923640	另外我还加入了类似Gate Comet的S.O.P.E
923640	926400	它记录当前系统状态
926400	929260	活跃agent 版本信息和核心约束
929260	931540	这样新的agent加入会议室时
931980	938480	這樣新的agent加入會議室時,不需要重新閱讀幾萬次的歷史,而是通過最新狀態快照,快速理解當前環境。
938480	945080	這也是為什麼我把這個方向稱為loop engineering。目標不是讓AI完成一次任務,
945080	948000	而是让一个系统能够观察自己的状态
948000	949240	记录自己的经验
949240	952780	并在长期运行中不断形成更强的组织能力
952780	955960	当然今天这间AI会议室只是一个开始
955960	958700	Building my personal AI company这个系列
958700	961700	并不是说我要真的开一间AI公司
961700	964320	这里的公司更像是一个隐喻
964320	968600	就是如果我们普通人也可以拥有多个AI agent
968600	970440	他们有不同职责
970440	972380	共享技艺持续协作
972380	976740	那么一个人的生产方式会不会开始接近一个小型组织呢
976740	981420	所以接下来我想用一系列实验去测试一个AI组织
981420	983160	到底需要哪些能力
983160	986220	这一集我们建立了第一件AI会议室
986220	990420	测试的问题是两个原本无法直接通信的职能体
990420	993520	能不能共享历史理解过去的决定
993520	995600	并像团队成员一样继续协作
995600	1000120	答案就是今天你看到的Spark加上Hermes AI董事会
1000120	1004060	下一集我们会给AI介入真正的工程能力
1004060	1006540	通过Cloud Code加上VCC
1006540	1010040	测试AI是否不仅能够讨论代码
1010040	1012500	而是可以真正参与软件开发
1012500	1017320	像阅读项目 修改代码 运行测试 修复问题这些
1017320	1021860	第三集我们会探讨AI能不能建立自己的情报网络
1021860	1024800	因为一个组织不能只等待信息
1024800	1028660	下一阶段我们会让AI拥有自己的情报部门
1028660	1031560	通过OmniHunter加上Knowledge Graph
1031560	1034960	让AI持续追踪代码论文博客
1034960	1037100	以及开放网络中的重要信息
1037100	1038920	并形成自己的知识地图
1038920	1041140	在第四集我们会探讨
1041140	1043920	AI能不能形成长期知识体系
1043920	1045460	知道信息还不够
1045460	1048060	真正的组织需要积累经验
1048060	1051520	在这一集我们会探索MemGraph Reg
1051520	1054580	Obsidian以及更复杂的知识结构
1054580	1057080	让AI的记忆从简单文件
1057080	1059020	逐步变成可以检索
1059020	1061260	可以关联和可以推理的知识网络
1061260	1062620	那在第五集
1062620	1063760	也就是最后一集
1063760	1067040	我们会探讨AI能不能形成自己的协作网络
1067040	1070100	我们会继续探索Hermes Agent Math
1070100	1071840	让不同设备
1071840	1072960	不同服务器
1072960	1074180	不同云端Agent
1074180	1078420	形成一个更加完整的个人AI协作网络
1078420	1080960	那这一套系列真正想探索的
1080960	1083020	并不是我用了多少AI工具
1083020	1084660	而是一个更大的问题
1084660	1087340	就是当AI从一个聊天窗口
1087340	1090140	逐渐变成多个拥有职责
1090140	1092560	记忆和反馈循环的智能体势
1092560	1094260	一个人的工作方式
1094260	1097220	会不会开始出现类似组织的形态
1097220	1099320	我不知道AI公司时代
1099320	1100840	是否真的已经开始
1100840	1103820	但我想亲自验证一个普通开发者
1103820	1106480	今天到底能不能搭建属于
1106480	1108100	自己的第一个AI组织
1108100	1110180	今天的视频我们就先聊到这里
1110180	1110880	感谢观看
1110880	1111760	我们下期再见