学习
AI 理论 — 双层学习系统
学习
AI 理论LLM 基础（你每天在用但不知道原理的东西）
Token 和 tokenization
你打的每个字，AI 看到的不是字，是数字碎片
Context window
为什么 Mono 开新 session 就"失忆"了
Next token prediction
AI 不是"理解"你的话，是在猜下一个最可能的词
Temperature 和 top-p
为什么同一句话 AI 每次回答不一样
In-context learning
为什么 CLAUDE.md 写得好 Mono 就表现好
Agent 架构（你正在亲手搭的东西）
Memory
03-29三层记忆
RAG vs Full Context
03-29索引+按需回忆
Tool Use 原理
Mono 查 Binance 的时候到底发生了什么
Planning
Mono 怎么把"写日记"拆成 10 个步骤的
Reflection
为什么 Mono 有时候能发现自己错了
Agentic Loop
Agent 的"想→做→看→再想"循环
AI 产品范式（你正在做的 AIself 需要的）
功能导向 vs 意图导向
传统 App 让你操作按钮，AI App 让你说想要什么
AI-native vs AI-enhanced
加个 chatbot ≠ AI 产品
人机协作 UX
什么时候该让 AI 自动做，什么时候该问用户
AI 产品的数据飞轮
用户数据 → 更好的 AI → 更多用户数据 → 壁垒
Evaluation（AI 产品评估）
怎么知道你的 AI 是不是真的在变好
全部实践记录
讨论 life-OS 记忆架构
三层记忆：session（对话内）/ persistent（跨对话）/ working（当前任务）。MEMORY.md = working memory
优化 Mono 启动协议
RAG 不是搜索，是"知道自己知道什么 + 知道去哪找"。数据少时 full context 更好，大时 RAG 更高效
讨论 life-OS 是不是 agent
Claude Code = runtime（执行能力），CLAUDE.md + 数据 = state（身份+记忆+规则）。同一个 runtime 注入不同 state = 不同 agent
对比开源 agent 架构
单 agent 擅长深度（Mono），多 agent 擅长复杂任务拆解（CrewAI）。取舍：任务复杂度 vs 知识深度
讨论是否需要专业知识库
AI 自带通用知识（营养学、金融等），需要沉淀的是个人数据。AI 产品壁垒在个人数据深度
决定 Mono 不拆多 Agent
个人助手需要交叉视角（健康↔财务↔情绪），拆了丢信息。方向：单 agent + 定时任务 + 外部数据源
反复迭代 CLAUDE.md（启动协议、行为规则、文档体系）
CLAUDE.md 就是 system prompt——它定义了 agent 的身份、能力边界、行为规则。迭代 CLAUDE.md = 迭代 agent 本身
小红书"用AI管理人生"系列创作
把 AI 能力翻译成用户能感知的价值。不是"我用了 agent"，是"AI 帮我发现补 VD 后皮肤变好"
AIself 产品路径设计（入口层→核心层→远期层）
入口层（测测自己）= 低门槛获客；核心层（生活助手）= 第一个付费点；远期层（深度教练）= 壁垒。分层降低用户对 AI 的认知门槛
给持仓文件加 YAML frontmatter
Agent 要读懂文件，数据必须结构化。YAML frontmatter = 给机器看的元数据 + 给人看的正文，一份文件服务两个读者
接 Binance API 查持仓
Agent 的能力边界 = 它能调用的工具。接了 API = 扩展了 Mono 的感知范围，从"你告诉我"变成"我自己查"
Mono 从聊天→资产管理→健康追踪→经期分析
Agent 的进化路径：被动回答 → 主动记录 → 跨维度关联 → 主动建议。Mono 正在从第 2 阶段往第 3 阶段走