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Agent24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
而包裕的拆窗口虽然很便宜
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
最近Google JamLab 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JamLab聊天窗口
当你给它一个复杂任务时
它会主动的拆解问题
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手
而有意思的是
这种体验和我一直使用的Hermis Agent
有一种相似之处
就是他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Hermis
这样用类似Gemlite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
可以放心好谷歌的羊毛了
但是很快我就遇到了一个更有意思的问题
就是如果Spark那么强
那我不属在hostinger VPS上
24小时运行的Hermes呢
为什么他们不能一起工作呢
为什么一个在Google云端
一个在我的hostinger VPS上的AI
他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
我必须做人肉搬一工
把Spark的思考
搬给Hermes
再把Hermes的回复搬回来
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
就是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拆GPT
请他提供第三方意见
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ChaiGPT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Hermis的新对话窗口
注意我没有告诉他前面发生了什么
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
然后你可以看到他的回复
他不仅知道Spark之前讨论了什么
还知道中间有一个外部顾问ChadGPT参与
甚至理解了ChadGPT提出的建议和整个讨论的发展过程
接下来我又回到了Spark窗口
我告诉他
Hermes刚刚参加了会议
你总结一下他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
他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
而这次实验真正验证的
并不是Spark或者Hermes每一个智能体更聪明
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的时候
他们能不能拥有共同的历史
人类组织之所以能够协作
并不是因为员工聪明
更重要的是
他们享受同一个办公室
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起来
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All Insight
在继续今天的视频之前
我想先感谢一直支持这个频道朋友
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所帮助
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
那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就是
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
他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组织拥有持续的历史
共享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
加上一套组织记忆系统
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的按量气费成本和轮巡焦虑
高频上下文轮询和代码分析
如果每个request都走API按token计费
阅读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
但他们并不知道另一个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
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。
這種方式不僅低效,也讓整個協作過程失去了連續性。
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机费模式
当agent开始24小时运行
频繁调用模型和同步数据的时候
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 KVM2 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美金的VPS
加上19.99美金的GemLab Pro订阅
等于每月不到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小时在线的
个人AI agent的基础设施
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的基础设施
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All Insight
可以获得额外10%的折扣
链接我会放在视频简介的最上方
以及评论期的置顶位置
在存储方面
Google Drive提供了足够大的共享空间
作为AI组织的sheld 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读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ChattieT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的节点
但实际体验下来
一个云端VPS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的魔法
Spark、Hermes甚至中间参与讨论的ChagPT
他们之所以能够像一个团队一样协作
其实核心只有一个
就是他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
这就是我说的AI组织操作系统
很多人可能会问
为什么不直接属于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答案系统
MCP更像公司的业务接口
而Shield 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
他们可不是三个聊天窗口
真正让他们成为一个组织的
是背后的会议记录和决策历史
现在AI最大的问题
并不是他不知道答案
而是他知道答案
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自动实施落盘
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
让每一次会议都成为组织记忆的一部分
那为什么采用单文圈会议记录呢
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
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
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
例如半年之后
Hermes可能建议
我们应该迁移到Vector Database
但是他查看异议日志之后
他会发现
过去Audit 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异复杂
未来当规模达到某个条件时再重新评估
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
MemGraph Reg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
因为确实可以复制
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的也只是工具集合
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Gate Comet的S.O.P.E
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
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。
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,
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间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
他们有不同职责
共享技艺持续协作
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
这一集我们建立了第一件AI会议室
测试的问题是两个原本无法直接通信的职能体
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加上Hermes AI董事会
下一集我们会给AI介入真正的工程能力
通过Cloud Code加上VCC
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
下一阶段我们会让AI拥有自己的情报部门
通过OmniHunter加上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
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
在这一集我们会探索MemGraph Reg
Obsidian以及更复杂的知识结构
让AI的记忆从简单文件
逐步变成可以检索
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 Agent Math
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
那这一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势
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
今天的视频我们就先聊到这里
感谢观看
我们下期再见