基于个人知识库的AI幕僚长：构建私有化、流程化的智能工作流系统

1. 项目概述：一个真正为你工作的AI“幕僚长”

如果你和我一样，每天被淹没在会议纪要、邮件、日历事件和零散的笔记里，总感觉信息过载，却又抓不住重点，那么这个项目可能就是为你量身定做的。我把它叫做“AI幕僚长”（AI Chief of Staff），它不是一个简单的聊天机器人，而是一个基于你个人知识库（PKM）构建的、能主动为你提供执行级洞察的智能系统。

过去六周，我每天使用它，它已经从一个概念变成了我工作流中不可或缺的一部分。每天早上6点，它会通过Telegram给我发送一份“每日简报”，告诉我今天的关键会议、需要优先处理的邮件，并提醒我本周的核心目标。每周日晚上，它会自动运行“周度回顾”，将我一周的会议、邮件、代码提交和笔记进行综合分析，找出那些被遗忘的“待办事项”和可能偏离轨道的项目。我甚至可以在手机上通过Telegram机器人随时向它提问，比如“我明天下午和客户的会议主要讨论什么？”或者“上周关于XX项目的邮件里，对方最后的诉求是什么？”，它都能从我的笔记和邮件摘要中快速找到答案。

这个系统的核心思想很简单，但很强大：所有权、流程化和谨慎授权。所有AI的“记忆”和上下文都存储在你完全拥有的纯文本文件中（比如用Obsidian管理的笔记库），而不是锁死在某个AI厂商的云端。AI的“技能”被定义为可执行的多步骤工作流程，而不仅仅是聊天的上下文。最重要的是，它从“只读”权限开始，只分析和建议，不直接操作你的日历或发送邮件，只有在充分验证其可靠性后，你才可能考虑授予它有限的写入权限。

2. 核心设计哲学：为什么这样设计？

在开始动手之前，理解背后的设计哲学至关重要。这决定了整个系统的健壮性、安全性和可维护性。我踩过不少坑才总结出这三条核心原则。

2.1 拥有你的上下文层：数据主权的回归

绝大多数AI助手工具，无论是Notion AI还是各种Copilot，它们的一个共同特点是：你的数据（笔记、对话历史）最终都留在了服务提供商的服务器上。这带来了几个问题：一是隐私顾虑，二是厂商锁定，三是当你想要切换模型或工具时，迁移成本极高。

“AI幕僚长”反其道而行之。它的所有“记忆”——包括你的目标、关键人物信息、工作模式、会议记录摘要、邮件要点——都存储在你本地的一个名为_CoS的文件夹下的纯文本文件（Markdown格式）中。这个文件夹通常放在你的Obsidian库或任何你喜欢的笔记软件目录里。

这样做的好处是显而易见的：

• 零锁定：今天你可以用Claude作为背后的“大脑”，明天如果觉得GPT-4更好，或者某个开源模型崛起了，你只需要在配置里改一下API端点，整个系统就能无缝切换。你的数据资产完全不受影响。
• 隐私与安全：敏感的工作信息永远不需要离开你的设备或你信任的云存储（如iCloud Drive, Syncthing同步的文件夹）。AI模型通过API调用，只接收完成任务所必需的最小化上下文片段。
• 可追溯与可调试：所有AI生成的分析、摘要、建议都以Markdown文件的形式保存下来。你可以随时查看历史记录，理解AI当时是如何思考的，如果结果有偏差，你可以很容易地找到源头并修正提示词或输入数据。

我的实操心得：一开始我试图让AI直接记忆在对话中，但很快就乱了。后来我强制规定，任何需要长期记忆的信息，都必须由AI整理后写入特定的_CoS/_context/下的Markdown文件。例如，key-people.md文件记录了重要联系人的背景、沟通风格和近期关注点；objectives-q2.md则清晰列出了本季度的OKR。这相当于为AI建立了一个结构化的、可长期维护的“外部大脑”。

2.2 技能即流程：超越单次对话的自动化

很多人使用AI的方式是：每次打开聊天窗口，写一段长长的提示词，描述一个复杂任务，然后等待结果。这种方式低效且不稳定。“AI幕僚长”引入了“技能”的概念。

一个“技能”是一个定义好的、多步骤的工作流程脚本。它更像是一个小程序，而不是一个提示词。以“周度回顾”技能为例，它的流程可能是：

1. 数据收集：读取指定日期范围内的日历事件文件、邮件摘要文件、Git提交日志文件、会议笔记文件。
2. 数据预处理：将上述内容整理成一份结构化的文本报告，作为AI的输入。
3. AI分析执行：调用Claude API，发送一个精心设计的、包含上述数据和执行指令的提示词，要求其进行综合分析。
4. 结果后处理：接收AI的输出（Markdown格式），解析并保存到_CoS/_output/目录下的一个新文件中，同时提取关键待办事项，追加到你的任务管理文件（如todo.md）中。
5. 通知：通过Telegram Bot将总结的要点发送给你。

这个流程通过一个Python脚本（或任何你熟悉的语言）固化下来。你不需要每次重复描述，只需要运行python run_skill.py weekly_review，或者更好的是，让它定时自动运行。

为什么“流程”比“提示”更重要？

• 可靠性：复杂的任务容易在单次对话中迷失方向。流程化确保了每一步输入输出都是确定的，减少了AI“自由发挥”导致跑偏的风险。
• 可复用性：一次编写，无限次使用。你可以为“项目启动分析”、“会议纪要生成”、“邮件草稿润色”等不同场景编写不同的技能脚本。
• 易于集成：脚本可以轻松地与你的其他工具链（如日历API、邮件客户端、Git命令行）交互，实现端到端的自动化。

2.3 只读优先：建立信任的渐进式路径

让一个AI助手拥有直接写入你的日历、发送邮件的权限，听起来很高效，但也令人不安。一个错误的指令可能导致误删重要会议或发出不合时宜的邮件。

“AI幕僚长”系统在设计上遵循“最小权限原则”，并采用渐进式信任模型：

• 阶段一（只读分析）：AI只能读取你的笔记、日历事件（已导出为文本）、邮件摘要（已导出）。它的全部工作是分析和建议。例如，在周报中它会指出“周四与甲方的会议中，对方要求本周内提供方案，但截至周日未见相关任务或邮件跟进”，但它不会自动帮你创建那个任务。
• 阶段二（确认后写入）：当AI的分析和建议被反复验证是准确、有价值后，你可以为某些技能开放“写入”权限，但必须加入人工确认环节。例如，AI可以生成任务草稿，但需要你审核后手动确认，它才将其添加到你的任务列表。
• 阶段三（有限自动写入）：对于高度模式化、低风险的操作，可以考虑自动化。例如，自动将每周五下午4点设置为“下周规划”的日历事件。

这个“先观察，再建议，最后在监督下行动”的路径，极大地降低了采用风险，让你能逐步建立对AI“幕僚长”的信任，而不是一开始就陷入对失控的担忧中。

踩过的坑：我曾尝试让AI自动根据邮件内容创建日历事件，结果因为邮件内容歧义，它把一则“下个月可能拜访”的意向对话，直接创建成了下周一的正式会议邀请。自那以后，我严格遵循“只读优先”原则，所有写入操作都必须经过我设计的确认流程（例如，AI生成一个待办列表，我运行另一个脚本一键确认并导入）。

3. 系统架构深度解析

理解了“为什么”，我们来看看“是什么”。整个系统的架构清晰而模块化，下图展示了核心的数据流与组件关系：

你的数字知识库 (如 Obsidian Vault) │ ├── _CoS/ # AI幕僚长专用目录 │ ├── _skills/ # 技能流程定义 (weekly-review.py, daily-briefing.py) │ ├── _context/ # 静态上下文与记忆 (objectives.md, key-people.md) │ ├── _scheduled/ # 自动化配置 (crontab 或 systemd timer 配置文件) │ ├── _output/ # AI运行结果存档 (weekly-review-2023-11-05.md) │ └── _templates/ # 输出模板 (briefing-template.md) │ ├── Calendar/ # 日历事件导出文件 (ics解析后转为的md) ├── Mail/ # 重要邮件摘要 (手动或规则生成的md) ├── Projects/ # 项目笔记与会议纪要 └── Areas/ # 领域知识笔记 │ ▼ 技能执行引擎 (Python Script) │ ▼ AI 模型接口 (Claude/GPT API) │ ▼ 结果处理与通知 (写回文件 / 发送 Telegram)

3.1 数据层：你的个人知识库作为唯一信源

整个系统的基石是你的个人知识库。我强烈推荐使用Obsidian，因为它基于纯文本Markdown文件，拥有强大的社区插件和本地优先理念，完美契合本项目。但任何能通过文件系统访问的笔记库（如Logseq，甚至一个精心组织的文件夹）都可以。

你需要为AI建立几个固定的数据输入点：

• 日历：使用ical命令行工具或日历应用的“导出”功能，定期（如每天一次）将未来一周和过去一周的日历事件导出为ICS文件，然后用一个脚本（如Python的icalendar库）将其解析为可读的Markdown摘要，存入Calendar/目录。摘要应包括事件标题、时间、参与人、描述（如果有）。
• 邮件：这是最具挑战的一环。不建议也不安全让AI直接访问你的邮箱API。我的做法是：在邮件客户端（如Apple Mail, Outlook）中设置规则，将为特定发件人、特定标签（如“重要”、“待处理”）的邮件，自动转发到一个专用邮箱。然后，另一个服务（如Gmail的过滤器+IFTTT，或本地脚本通过IMAP）将这些邮件抓取下来，用AI提取核心要点和行动项，保存为Markdown文件到Mail/目录。注意：此过程涉及自动化处理邮件，务必确保符合公司政策和个人隐私保护要求。
• 笔记与会议纪要：这部分是你的主动输入。在Projects/和Meetings/目录下，按照固定模板记录每一次会议的核心讨论、决定和行动项。模板化是关键，它能让AI更容易理解结构。
• Git提交：如果你从事开发工作，可以写一个脚本，定期运行git log --since="last week" --oneline --format="%h - %s (%an, %ad)"，将提交历史保存到一个文件中，作为工作产出的参考。

3.2 技能层：将工作流封装为可执行单元

技能是系统的发动机。每个技能都是一个独立的Python脚本（或其他语言），存放在_CoS/_skills/下。一个典型的技能脚本结构如下：

# _skills/weekly_review.py import os from datetime import datetime, timedelta from pathlib import Path import anthropic # 以Claude为例 def load_context(file_path): """读取上下文文件""" with open(file_path, 'r', encoding='utf-8') as f: return f.read() def collect_weekly_data(vault_path): """收集过去一周的数据""" end_date = datetime.now() start_date = end_date - timedelta(days=7) # 1. 收集日历 cal_data = "" cal_dir = Path(vault_path) / "Calendar" for cal_file in cal_dir.glob("*.md"): # 解析文件日期，过滤出本周范围 # ... (解析逻辑) cal_data += f"\n## 日历事件\n{parsed_content}" # 2. 收集邮件摘要 (类似逻辑) # 3. 收集会议笔记 (类似逻辑) # 4. 收集Git提交 (类似逻辑) return cal_data, mail_data, meeting_data, git_data def run_weekly_review(vault_path, api_key): """执行周度回顾技能""" # 收集数据 context = load_context(Path(vault_path) / "_CoS" / "_context" / "objectives.md") cal, mail, meeting, git = collect_weekly_data(vault_path) # 构建给AI的提示词 prompt = f""" 你是一位专业的执行助理，正在帮助我进行周度工作回顾。 我的当前季度目标是： {context} 请基于以下过去一周（{start_date} 至 {end_date}）的数据，生成一份周度回顾报告： {cal} {mail} {meeting} {git} 请重点分析： 1. **目标进展**：本周工作如何推进了我的季度目标？有无偏离？ 2. **待办闭环**：会议和邮件中产生的行动项，哪些已完成？哪些仍开放（Open Loops）？ 3. **计划偏差**：原定计划（日历）与实际完成事项（Git、笔记）之间有何差异？原因是什么？ 4. **核心洞察**：基于所有信息，发现哪些潜在风险、机遇或重复出现的问题？ 5. **下周重点**：建议下周应优先关注哪三件事？ 请以清晰、专业的Markdown格式输出报告。 """ # 调用AI API client = anthropic.Anthropic(api_key=api_key) response = client.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=4000, messages=[{"role": "user", "content": prompt}] ) # 保存输出 output_dir = Path(vault_path) / "_CoS" / "_output" output_dir.mkdir(exist_ok=True) output_file = output_dir / f"weekly-review-{end_date.strftime('%Y-%m-%d')}.md" with open(output_file, 'w', encoding='utf-8') as f: f.write(response.content[0].text) print(f"周度回顾已生成: {output_file}") return response.content[0].text if __name__ == "__main__": VAULT_PATH = "/path/to/your/obsidian/vault" API_KEY = os.getenv("ANTHROPIC_API_KEY") run_weekly_review(VAULT_PATH, API_KEY)

3.3 调度与执行层：让自动化无声运转

技能写好了，总不能每次都手动运行。我们需要一个调度器。最简单可靠的方式是使用操作系统的原生任务调度。

• Linux/macOS:使用crontab。

  # 编辑crontab crontab -e # 添加以下行，每周日晚上22点运行周度回顾 0 22 * * 0 cd /path/to/your/project && /usr/bin/python3 _skills/weekly_review.py >> _CoS/_logs/cron.log 2>&1 # 每天早上5点运行每日简报，为6点发送做准备 0 5 * * * cd /path/to/your/project && /usr/bin/python3 _skills/daily_briefing.py >> _CoS/_logs/cron.log 2>&1

• Windows:使用“任务计划程序”。

为了更精细的控制，你可以在_CoS/_scheduled/下放置JSON或YAML配置文件，让主调度脚本读取并决定运行哪个技能。这提供了更大的灵活性，比如可以根据日期、节假日或特定文件的存在与否来条件触发技能。

3.4 交互层：随时随地获取洞察

系统的价值在于触手可及。我选择了Telegram Bot作为交互前端，原因如下：

1. 跨平台：手机、电脑、网页版都能用。
2. 推送可靠：消息送达率极高。
3. 开发简单：Bot API非常友好。

每日简报技能在生成Markdown报告后，会调用Telegram Bot API，将核心内容以友好格式发送到你的私聊或特定群组。同时，你也可以配置一个查询机器人：你向它发送/query 我明天下午要做什么？，机器人后端脚本会解析命令，调用相应的“查询”技能，从你的知识库中检索信息，并通过AI总结后回复给你。

实现一个简单的查询Bot示例：

# _skills/query_bot.py (简化版) import telebot from skills.query_skill import answer_query # 假设这是你的查询技能函数 API_TOKEN = 'YOUR_TELEGRAM_BOT_TOKEN' bot = telebot.TeleBot(API_TOKEN) @bot.message_handler(commands=['query']) def handle_query(message): user_query = message.text.replace('/query', '').strip() if not user_query: bot.reply_to(message, "请提供查询内容，例如：/query 上周和Bob开了什么会？") return # 调用你的查询技能，传入用户问题 answer = answer_query(user_query, vault_path='/path/to/vault') bot.reply_to(message, answer) if __name__ == '__main__': bot.polling()

4. 从零开始搭建你的AI幕僚长（实操指南）

理论说了这么多，是时候动手了。我将带你走过从环境准备到第一个技能运行的全过程。预计耗时30-60分钟。

4.1 环境与工具准备

你需要准备以下几样东西：

1. 一个笔记软件与库：我推荐Obsidian。去官网下载安装，创建一个新的空白库（Vault）。记住它的路径，比如/Users/YourName/Documents/ObsidianVault。
2. Python环境：确保你的电脑安装了Python 3.8+。在终端输入python3 --version检查。
3. 代码编辑器：Cursor或 VS Code。Cursor因其优秀的AI集成，在本项目中尤其好用，能辅助你编写和调试技能脚本。
4. API密钥：注册一个Anthropic(Claude) 或OpenAI(GPT) 的账户，获取API密钥。将密钥保存在安全的地方，不要提交到代码仓库。
5. Telegram Bot (可选但推荐)：在Telegram中搜索@BotFather，按照指引创建一个新的Bot，你会获得一个HTTP API Token。

在你的Obsidian库根目录下，创建以下文件夹结构：

你的Obsidian库/ ├── _CoS/ │ ├── _skills/ │ ├── _context/ │ ├── _scheduled/ │ ├── _output/ │ └── _templates/ ├── Calendar/ ├── Mail/ ├── Projects/ └── Areas/

4.2 初始化上下文与配置

在_CoS/_context/下创建两个核心文件：

objectives.md- 定义你的目标

# 当前季度目标 (Q4 2023) ## 业务目标 1. [ ] 完成XX产品V2.0的核心功能开发并上线。 2. [ ] 将客户A的留存率提升5%。 3. [ ] 建立团队内部知识分享月度机制。 ## 个人发展目标 1. [ ] 读完《系统设计面试》并完成实践项目。 2. [ ] 每周进行3次体育锻炼。

key-people.md- 记录关键人物信息

# 关键联系人 ## Bob (产品经理) - **背景：** 负责XX产品线，注重数据驱动。 - **沟通风格：** 直接，喜欢邮件确认，会议后需发送纪要。 - **近期关注：** V2.0的上线时间、用户反馈收集流程。 - **上次沟通要点：** 2023-11-01 会议，同意将登录流程优化排入下月迭代。 ## Alice (大客户A对接人) - **背景：** 技术负责人，决策谨慎。 - **沟通风格：** 偏好详细的技术方案，反感频繁催促。 - **近期关注：** 系统稳定性与API响应时间。 - **待办事项：** 需要在本周五前提供性能优化报告。

这些文件为AI提供了工作的“北极星”和重要的背景信息。

4.3 实现第一个技能：周度回顾

让我们从最核心的“周度回顾”技能开始。由于邮件和日历的自动集成需要更多设置，我们第一个版本先从手动导入数据开始，专注于跑通AI分析的流程。

1. 创建技能脚本：在_CoS/_skills/下创建weekly_review_simple.py。
2. 安装依赖：在项目根目录下创建requirements.txt文件，内容为anthropic，然后在终端运行pip install -r requirements.txt。
3. 手动准备模拟数据：在Calendar/、Projects/下创建几个Markdown文件，模拟过去一周的数据。
   • Calendar/2023-11-03.md:## 团队周会\n- 时间： 2023-11-03 10:00-11:00\n- 内容： 同步各项目进度，讨论V2.0优先级。\n- 行动项： 我负责在周一前提供API设计草案。
   • Projects/Project-X/meeting-2023-11-01.md:## 与Bob的产品评审\n- 结论： 确认V2.0 MVP功能范围。\n- 待办： Bob需要在下周三前提供最终的需求文档。
4. 编写简化版脚本：参考第3.2节的代码框架，编写一个脚本，读取_context/objectives.md和你手动创建的模拟数据文件。
5. 设置API密钥环境变量：在终端中执行export ANTHROPIC_API_KEY='你的密钥'（Linux/macOS）或在系统环境变量中设置（Windows）。
6. 运行测试：在终端中，进入你的库目录，运行python3 _CoS/_skills/weekly_review_simple.py。

如果一切顺利，你会在_CoS/_output/下看到一个名为weekly-review-2023-11-05.md的文件，里面是Claude生成的一份结构清晰的周度回顾报告！第一次看到AI基于你零散的信息生成连贯、有洞察的总结，会是一个激动人心的时刻。

4.4 进阶集成：连接真实数据源

当你验证了核心流程可行后，就可以逐步用自动化数据源替换手动模拟数据。

日历集成：

• 使用icalendar库解析ICS文件。你可以从Google Calendar、Outlook等导出ICS订阅链接或定期导出文件。
• 编写一个脚本fetch_calendar.py，定期下载ICS并解析为Calendar/下的Markdown文件。

Git集成：

• 编写一个脚本log_git.py，在项目目录下执行git log命令，格式化后保存到_CoS/_inputs/git-log.md。

邮件集成（高级/谨慎操作）：

• 方案A（转发+解析）：如前所述，设置邮件规则转发到特定地址，然后用脚本通过IMAP读取并调用AI提取摘要。务必注意安全与合规。
• 方案B（手动摘要）：对于追求极致简单和安全的人，可以暂时保持手动。每周花10分钟，将最重要的3-5封邮件的核心内容手动摘要到Mail/目录下的一个Markdown文件中。AI的周度回顾技能可以读取这个文件。

4.5 配置自动化与通知

1. 配置Crontab：将你的技能脚本（如更新后的、能处理真实数据的weekly_review.py）添加到crontab，设置为每周日晚上自动运行。
2. 集成Telegram通知：修改你的weekly_review.py脚本，在最后增加一段代码，调用Telegram Bot API，将报告的核心结论（例如“发现3个未闭环行动项”）发送到你的手机。
3. 创建每日简报：模仿周度回顾，创建一个daily_briefing.py技能。它收集明天的日历事件、过去24小时的重要邮件摘要、以及从周度目标中提取的今日焦点。让它在每天早上5点运行，并通过Telegram Bot在6点发送给你。

至此，一个具备核心自动化能力的“AI幕僚长”系统就搭建完成了。它开始每天为你提供前瞻性简报，每周为你进行深度复盘。

5. 避坑指南与实战经验

在六周的日常使用和迭代中，我积累了大量“血泪教训”。以下是一些最常见的陷阱和解决方案，希望能帮你少走弯路。

5.1 提示词工程：如何让AI更“懂你”

AI的输出质量，八成取决于你的提示词。以下是我总结的“幕僚长”风格提示词公式：

公式：角色 + 上下文 + 结构化输入 + 明确指令 + 输出格式

• 角色（Role）：你是一位经验丰富、注重细节、善于发现潜在问题的执行助理（或项目经理、分析师）。赋予AI一个明确的角色，能引导其思考方式。
• 上下文（Context）：一定要附上_context/objectives.md和_context/key-people.md的内容。这是AI工作的“战略背景板”。
• 结构化输入（Structured Input）：不要简单地把原始数据扔给AI。用Markdown标题（## 日历，## 邮件）将不同来源的数据清晰分隔开。如果可能，在数据前加一个简短的说明，例如以下为过去一周（11.01-11.07）的日历事件，请关注其中标记为“评审”和“客户”的会议：。
• 明确指令（Clear Instructions）：使用数字列表或“请务必：”这样的句式，给出具体、可操作的分析要求。避免模糊的“总结一下”。
• 输出格式（Output Format）：请以Markdown格式输出，包含以下部分：1. 本周概览... 2. 目标追踪... 3. 风险与洞察... 4. 下周行动建议...。结构化的输出便于你后续阅读和存档。

我的心得：我发现，在提示词中要求AI“以怀疑的眼光审视数据间的矛盾”非常有效。例如：“请对比日历中‘项目评审会’的安排与会议纪要中实际讨论的议题，指出任何计划与执行的偏差。” 这能帮助发现那些被忽略的细节。

5.2 数据质量与一致性：垃圾进，垃圾出

AI再强大，如果输入的数据是混乱的，输出也必然混乱。

• 笔记模板化：为会议纪要、项目日志建立强制性的模板。例如，每个会议笔记必须包含## 决策、## 行动项（负责人，截止时间）、## 待讨论点这几个部分。这极大提升了AI提取结构化信息的能力。
• 统一的命名与日期格式：文件名使用YYYY-MM-DD-主题.md格式（如2023-11-05-weekly-review.md）。在文件内容中也使用YYYY-MM-DD格式记录日期。这方便脚本按时间范围筛选数据。
• 定期清理与归档：_CoS/_output/下的文件会越来越多。写一个简单的归档脚本，每月将上个月的输出文件移动到按年月命名的子文件夹中，保持工作区整洁。

5.3 错误处理与系统鲁棒性

自动化脚本最怕无声的失败。你的周报脚本可能因为API额度不足、网络问题或数据文件格式错误而崩溃，而你却毫不知情。

• 全面的日志记录：在每个技能脚本的关键步骤（开始、数据加载完成、API调用前、API调用后、文件保存后）添加日志输出。不仅要记录成功，更要捕获异常。

  import logging logging.basicConfig(filename='_CoS/_logs/skills.log', level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s') try: # 你的主要逻辑 logging.info("开始执行周度回顾技能。") except FileNotFoundError as e: logging.error(f"数据文件未找到: {e}") except anthropic.APIConnectionError as e: logging.error(f"API连接失败: {e}")

• 设置健康检查与报警：如果你的技能是通过cron定时运行的，可以再设置一个“看门狗”技能。它每天检查_CoS/_output/下最新文件的生成时间，如果发现超过24小时没有新文件生成，就通过Telegram Bot给你发送一条报警消息：“警告：每日简报技能可能已失败，请检查日志。”
• API调用容错与重试：网络请求难免失败。为API调用包装一个重试逻辑。

  import time from tenacity import retry, stop_after_attempt, wait_exponential @retry(stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10)) def call_ai_api_safely(prompt): # 你的API调用代码 response = client.messages.create(...) return response

5.4 成本控制与优化

使用商业LLM API是有成本的。虽然个人使用量不大，但养成良好的优化习惯很重要。

• 精炼输入上下文：不要无脑地把整个笔记库扔给AI。技能脚本应该只提取与当前任务最相关的数据。例如，周度回顾只读取过去7天的文件；查询技能只检索与问题关键词相关的文件（可以通过简单的文件名或内容关键词匹配实现）。
• 设定合理的Token限制：在API调用中明确设置max_tokens参数，防止AI生成过于冗长的回答（也浪费钱）。对于摘要任务，1024-2048通常足够。
• 缓存AI响应：对于一些相对静态的查询（例如“我的季度目标是什么？”），结果可以缓存到本地文件，在一定时间内（比如一天）直接返回缓存结果，避免重复调用API。
• 考虑混合模型策略：对于简单的信息提取、格式化任务，可以尝试使用更便宜、更快的模型（如Claude Haiku）。只有需要深度分析、推理和写作的任务，才使用更强大的模型（如Claude Sonnet或Opus）。

6. 扩展思路与未来演进

这个基础框架就像乐高，有无限的可能性。以下是一些我正在进行或计划尝试的扩展方向：

• 技能市场：将_skills/目录下的脚本模块化、参数化，形成一个可共享的技能库。例如，一个“会议纪要自动生成”技能，可以接受音频文件路径作为参数，调用语音转文本服务后，再调用LLM生成结构化的纪要。
• 长期记忆与向量检索：当笔记库变得非常庞大时，基于文件时间的简单检索就不够用了。可以引入向量数据库（如ChromaDB、LanceDB），将笔记内容编码成向量存储。当AI需要回答复杂问题时，先通过向量相似度检索出最相关的几段笔记，再将这些片段作为上下文提供给AI。这能显著提升问答的准确性和深度。
• 情感与精力分析：通过分析你日历事件的密度、类型（会议vs深度工作），以及邮件和笔记中的措辞（通过情感分析API），你的“幕僚长”或许能在周报中提醒你：“本周高强度会议较多，下周建议安排更多专注工作时间以平衡精力。”
• 预测性建议：基于历史数据（例如，每次“项目延期”前几周，沟通邮件都会变多），训练一个简单的模型或设计一套规则，让AI在周报中给出预测性警告：“当前项目X的沟通模式与历史上导致延期的模式相似，建议提前进行风险排查。”

构建这样一个系统，最大的回报不是节省了多少时间，而是获得了一种前所未有的信息掌控感和决策清晰度。它迫使你以结构化的方式整理信息，而AI则在这些结构化的信息之上，为你提供了一个持续、客观、不知疲倦的“第二视角”。它不会取代你的思考，但会极大地增强你的思考。从今天开始，试着搭建你的第一个技能——那个最简单的、基于手动数据的周度回顾。当你看到第一份由你的数据、你的逻辑、你的AI助手共同生成的报告时，你就能切身感受到，一个属于个人的智能时代，真的开始了。