基于AI智能体与Markdown文件构建可自我进化的第二大脑系统

1. 项目概述：一个真正能自我进化的智能第二大脑

如果你和我一样，每天被海量的信息、待办事项、会议纪要和零散想法淹没，尝试过各种笔记工具（Notion、Obsidian、Roam），却总觉得它们只是个“仓库”——东西放进去容易，但想让它们自己“活”起来，帮你分析、总结、甚至预测，几乎不可能。最终，整理和维护知识库本身又成了一件需要“坚持”的苦差事。

这就是我遇到COG（Cognition + Obsidian + Git）之前的困境。COG不是一个新工具，而是一个由AI智能体驱动的、真正能自我进化的第二大脑系统。它的核心哲学极其简单：一切知识都以最朴素的Markdown文件（.md）形式存储在你的本地或iCloud里，没有任何数据库，没有厂商锁定。但神奇之处在于，它通过一套精心设计的AI技能（Skills）和工作者智能体（Worker Agents），让这些“死”的文件开始“思考”。

想象一下：你每天只需对着AI助手（比如Claude Code、Cursor）说一句“我需要脑力倾泻一下”，它就会引导你记录碎片想法，并自动将其分类到个人、职业、项目等不同领域，提取出待办事项。你说“团队简报”，它就能自动拉取过去24小时GitHub的提交、Linear的任务更新、Slack的关键讨论，甚至结合PostHog的数据，生成一份综合情报简报，还能把其中的行动项同步回Linear。这一切，都发生在你本地的文件系统里，你的数据从未离开过你的设备。

我使用COG近三个月，处理了超过120次“脑力倾泻”，它的每日简报对新闻来源的验证准确率超过95%，甚至帮我从数周的会议记录和项目笔记中，发现了5个我自己都忽略了的重大战略模式。最让我着迷的是它的“进化循环”——你使用得越多，它通过每周模式分析和月度知识整合，就越了解你的工作模式和思维习惯，从而在每日的捕获和分类中变得更精准、更个性化。这不再是你在维护一个系统，而是一个系统在主动适应并增强你。

2. 核心设计哲学：为什么是“文件+智能体”？

在深入实操前，理解COG背后的设计哲学至关重要。这决定了它为何与众不同，以及你是否适合采用它。

2.1 对抗“SaaS依赖症”与“数据孤岛”

当今主流的效率工具几乎都是SaaS模式。它们功能强大，但代价是你的数据存放在别人的服务器上，面临着订阅费上涨、服务关闭、API限制或数据导出的风险。更糟糕的是，这些工具之间往往形成“数据孤岛”——Notion里的项目文档、Linear里的任务、Slack里的讨论、GitHub里的代码，彼此割裂。你想获得一个全局视图，要么手动复制粘贴，要么依赖脆弱的、需要不断维护的Zapier集成。

COG的解决方案是将数据层与应用层彻底解耦。数据层就是你电脑上的Markdown文件夹，这是最开放、最持久、最可控的格式。应用层则是各种AI智能体（Claude Code, Cursor等），它们被赋予一套标准的“技能”，来读写这些文件。这意味着：

• 所有权：文件是你的，永远是你的。你可以用任何文本编辑器打开、修改、备份。
• 可移植性：你可以随时更换AI智能体。今天用Claude Code，明天换Cursor，只要它们支持读取Markdown和运行技能，你的知识库就能无缝衔接。
• 无锁定：没有月费，没有用户数限制。你唯一的成本是使用AI智能体时产生的API调用费用。

2.2 从“静态存储”到“动态处理”的范式转移

传统的笔记系统是“存储优先”。你写下一个笔记，然后需要自己建立链接、添加标签、整理文件夹。这是一个被动的、依赖用户持续投入精力的过程。

COG实现了“处理优先”。它的核心不是让你“记笔记”，而是让你“下达指令”。你通过自然语言触发一个“技能”，AI智能体代表你去执行一系列复杂的操作：抓取信息、分析内容、结构化输出、并存入指定位置的文件中。在这个过程中，AI会自动完成传统笔记中需要手动完成的大部分整理工作：

• 自动分类：braindump技能会根据内容，将你的碎片想法自动归类到02-personal/或03-professional/等目录。
• 自动提取：从会议录音转文字稿中，meeting-transcript技能能自动提炼出决策点、行动项和团队动态观察。
• 自动关联：weekly-checkin技能会扫描你一周的所有笔记，找出跨领域的模式，并生成洞察报告。

这个范式转移的本质是：你从档案管理员，变成了指挥官。你负责提出问题和意图，AI负责执行具体的、繁琐的信息处理劳动。

2.3 Garry Tan的gstack与gbrain思想实践

COG大量借鉴了Garry Tan（Y Combinator总裁）开源项目gstack和gbrain的设计思想，这是其专业性和高效性的基石。

• 来自gstack的“工作者智能体”架构：gstack提出了“专家会话”模式，将耗时、数据密集型的任务（如网络搜索、数据提取）委托给更便宜、更快的模型（如Claude Sonnet），而让主导会话使用更强大、更擅长推理的模型（如Claude Opus）。COG完全采用了这一模式，设计了6个专门的“工作者智能体”（如worker-researcher,worker-data-collector），它们像流水线上的工人，高效完成特定任务，将结果写入临时文件，再由主导智能体进行综合决策。这极大地优化了成本与性能。
• 来自gbrain的“知识优先”与“人物CRM”：gbrain强调“编译真理”和基于证据的知识积累。COG的“人物CRM”系统直接源于此。它不是一个简单的通讯录，而是一个基于接触证据动态演进的档案库。系统会根据你提及或与某人交互的次数，自动将其档案从“存根”升级到“完整档案”，逐步填充其角色、工作风格、优势等信息，且每条信息都附带来源引用。这让你对团队和合作伙伴的理解，随着时间推移自动深化，而非依赖一次性的人工更新。

理解这些哲学，你就能明白COG不是一个花哨的玩具，而是一个深思熟虑的、用于应对信息过载时代复杂知识工作的工程系统。

3. 从零开始：部署与个性化你的COG

理论说再多，不如动手搭一个。下面是我从零开始部署并个性化COG的完整过程，包含了所有你可能遇到的细节和选择。

3.1 环境准备与初始克隆

首先，你需要一个AI智能体作为COG的“大脑”。我强烈推荐从Claude Code开始，因为它拥有最完整的原生技能支持（17个）。当然，Cursor、Kiro或Gemini CLI也可以，后续配置逻辑相通。

第一步：获取COG框架打开你的终端（或直接在Claude Code的终端中操作），执行克隆命令。这里有个细节：建议克隆到iCloud Drive（如果你用Mac）或其它云同步目录下，这样你的知识库就能在手机、平板、电脑间自动同步。

# 克隆仓库到本地，建议放在一个易于访问的路径 git clone https://github.com/huytieu/COG-second-brain.git ~/Documents/My-COG-Brain cd ~/Documents/My-COG-Brain

执行完，你会看到一个结构清晰的文件夹。此时先别急着运行，花两分钟浏览一下根目录的几个关键文件：

• AGENTS.md: 所有AI智能体的通用指令手册，是兜底方案。
• CLAUDE.md: 给Claude的框架指令，定义了核心行为准则。
• SETUP.md: 详细的配置指南，包含所有可选集成。
• COG-VERSION: 记录当前框架版本。

3.2 核心仪式：运行“Onboarding”

这是最关键的一步，它将COG从一个通用框架，变成专属于你的系统。在Claude Code中，打开项目文件夹后，直接在聊天框输入：

运行 onboarding

AI会启动onboarding技能。这个过程是交互式的，你会被问到一系列问题：

1. 你的姓名和主要角色：例如“Alex，产品经理”。COG会根据角色匹配一个“角色包”，优先推荐相关技能。如果你是工程师，它会更强调与GitHub、代码审查相关的上下文。
2. 兴趣领域：输入几个关键词，如“人工智能”、“生产力工具”、“初创公司战略”。这用于个性化你的每日新闻简报。
3. 集成配置：这是可选但强大的部分。系统会引导你配置外部工具的访问权限。
   • GitHub: 几乎必配。你需要提前安装GitHub CLI (gh)，并通过gh auth login完成认证。COG会用它读取仓库动态、生成Release Notes。
   • Linear: 产品团队的利器。需要创建Linear API Key。配置后，COG可以在生成团队简报时读取Linear任务，甚至将简报中识别出的行动项创建为新的Linear Issue。
   • Slack & PostHog: 高级集成，用于更全面的团队情报收集。

实操心得：第一次配置时，如果时间有限，可以只配置GitHub。其他集成可以后续在00-inbox/integrations.md文件中手动补充。onboarding过程会生成一个00-inbox/profile.md文件，里面记录了你的所有个性化设置，之后可以随时手动修改。

大约2分钟后，Onboarding完成。你会发现项目根目录下多了一个.claude文件夹（如果是其他智能体，则是对应的配置文件夹），里面已经写好了所有技能定义。同时，00-inbox/、01-daily/等目录结构也已就绪。你的个人第二大脑已经“激活”了。

3.3 目录结构深度解析：你的数字大脑皮层

COG采用了一种改良的PARA（项目-领域-资源-档案）方法组织文件结构。理解每个文件夹的用途，能让你更好地利用它。

COG-second-brain/ ├── 00-inbox/ # 【收件箱与系统配置】 │ ├── profile.md # 你的个人档案（由onboarding生成） │ ├── interests.md # 兴趣领域列表 │ └── integrations.md # 所有外部服务（GitHub, Linear等）的配置信息 ├── 01-daily/ # 【每日流动信息】 │ ├── briefs/ # 每日智能简报（news + team） │ └── checkins/ # 每日快速记录与反思 ├── 02-personal/ # 【私人领域】- 严格保密 │ └── braindumps/ # 个人生活、思考、情感的脑力倾泻 ├── 03-professional/ # 【职业领域】 │ ├── braindumps/ # 工作想法、职业规划、行业思考 │ └── strategy/ # 战略研究、竞品分析（auto-research输出在此） ├── 04-projects/ # 【项目跟踪】 │ └── [project-name]/ # 每个项目一个子文件夹，存放相关所有笔记、计划 ├── 05-knowledge/ # 【固化知识】- 经过整合的精华 │ ├── frameworks/ # 方法论、思维模型（由knowledge-consolidation生成） │ ├── insights/ # 独立的洞察卡片 │ └── people/ # 【核心】人物CRM档案库 └── 06-templates/ # 各种文档模板（PRD、会议纪要等）

关键设计解读：

• 00-inbox是控制中心：所有配置和原始输入（如待处理的URL）先扔到这里。AI技能会从这里读取配置，并处理原始输入。
• 01-daily是短期记忆：存放具有时效性的信息，如每日简报。定期（每周/每月）会被更高阶的技能分析、提炼，然后部分内容沉淀到05-knowledge。
• 02-personal与03-professional分离：这是一个非常重要的隐私设计。你可以放心地在个人区域记录任何内容，并在调用团队相关技能时明确指定“仅搜索职业和项目区域”，确保私人信息不会意外泄露。
• 05-knowledge/people/是社交图谱：这是COG最惊艳的功能之一。每当你通过meeting-transcript或team-brief技能提及一个人，系统会自动在people/下创建或更新该人物的档案。档案是分层的（Tier 3/2/1），随着证据积累自动丰富。这让你在与任何人会面前，能快速回顾其背景、工作风格和过往互动。

4. 核心技能实战：让AI为你工作

现在，你的COG已经就绪。让我们深入几个最常用、最能体现其价值的核心技能，看看它们在实际中如何运作。

4.1 每日核心循环：Braindump与Daily Brief

技能：braindump(脑力倾泻)这是你与COG最频繁的互动。任何时候，当你脑中闪过一个念头、一个待办、一个烦恼或一个灵感，就打开AI助手说：“我需要脑力倾泻一下”或“/braindump”。

实操过程：

1. AI会引导你：“请说出或写下你现在的想法。”
2. 你开始自由表达，比如：“突然想到我们产品登录页的转化率可能和按钮颜色有关，但没数据支持。另外，明天下午要和团队同步Q3目标，需要准备材料。哦对了，记得给妈妈买生日礼物。”
3. AI会处理这段文本，并执行以下操作：
   • 分类：判断“登录页转化率”属于03-professional/braindumps/，“Q3目标同步”属于04-projects/your-project-name/，“给妈妈买礼物”属于02-personal/braindumps/。
   • 提取行动项：识别出“准备Q3目标同步材料”是一个待办事项。
   • 格式化与存储：在对应的Markdown文件中，以时间戳和清晰的结构记录下这些内容。对于行动项，它会使用📅 2023-10-27这样的格式，这恰好与Obsidian的Tasks插件兼容，你可以在Obsidian中直接看到一个统一的待办仪表盘。
   • 潜在关联：如果提到了某个项目或人物，它会在相应文件间添加内部链接。

避坑技巧：Braindump时，尽量用完整的句子描述上下文。与其说“按钮颜色”，不如说“关于产品官网登录页的CTA按钮颜色对转化率的影响的猜想”。前者对未来的你可能是天书，后者则保留了完整意图。

技能：daily-brief(每日简报)每天早上，用这个技能获取个性化的新闻情报。说“给我今日简报”或“/daily-brief”。

背后原理：这个技能并非简单爬取新闻。它结合了你00-inbox/interests.md中定义的兴趣关键词，调用worker-researcher工作者智能体，并行搜索多个信源（通常是高质量的科技媒体、博客、论坛）。然后，主导智能体（Opus）会综合这些结果，进行去重、验证来源（要求7天内的新鲜信息），并评估可信度，最后生成一份带有摘要、分析和个人相关性的简报，存入01-daily/briefs/。

我的使用体验：它帮我过滤掉了99%的噪音信息。我设置的兴趣是“AI Agent”、“Developer Tools”、“VC Landscape”。每天早上的简报通常包含3-5条真正相关、有深度的信息，并且会指出“这条可能影响你正在进行的XX项目”。这比我自己刷RSS或Twitter高效十倍。

4.2 团队智能中枢：Team Brief与Meeting Transcript

对于需要协作的从业者，这两个技能是神器。

技能：team-brief(团队简报)作为团队负责人，我每天下午会说一句：“团队简报”。接下来会发生：

1. worker-data-collector被激活，它使用Sonnet模型（便宜且快），并行执行：
   • 通过GitHub API，获取指定仓库过去24小时的Pull Requests、Issues和Commits。
   • 通过Linear API，获取状态更新、新创建的任务和评论。
   • 通过Slack API（如果配置），获取特定频道的高频讨论摘要。
   • 通过PostHog API（如果配置），获取关键用户行为指标变化。
2. 所有原始数据被写入/tmp/下的临时文件。
3. 主导智能体（Opus）读取这些文件，进行综合分析：
   • 识别进展：“小张完成了用户认证模块的PR #123，已合并。”
   • 识别阻塞：“‘支付集成’任务在Linear中状态仍为‘待开始’，负责人小李在Slack中提到等待第三方回复。”
   • 识别风险：“PostHog显示新版本发布后，核心功能A的使用率下降了15%，需关注。”
   • 生成行动项：“需要跟进小李，推动支付集成进度。”
4. 最终生成一份简洁的Markdown简报。更厉害的是，如果配置了Linear双向同步，第3步识别出的行动项会被自动创建为Linear上的一个新Issue，并分配给对应的人。

技能：meeting-transcript(会议纪要处理)会后收到录音转写的文字稿（用Otter.ai或Rev.com），将其内容粘贴给AI，并说“处理这个会议纪要”。

AI会：

1. 识别与会者，并更新05-knowledge/people/下的对应档案。
2. 提取明确的决策（“决定采用方案B”），并用特殊格式高亮。
3. 提取行动项（“Alex负责在下周五前提交设计稿”），并关联到具体责任人。
4. 分析团队动态（“小王对时间线表达了多次担忧”），作为软性信息记录。
5. 将结构化后的内容存入04-projects/[project-name]/meetings/目录。

从此，会议纪要从“查找困难的信息坟墓”变成了“可搜索、可行动的结构化数据库”。

4.3 高阶思维引擎：Weekly Checkin与Knowledge Consolidation

这是COG实现“自我进化”的关键。

技能：weekly-checkin(每周检视)每周五下午，运行此技能。AI会扫描01-daily/、03-professional/、04-projects/下过去一周的所有新内容。

• 它不是在简单汇总，而是在进行跨域模式识别。例如，它可能发现：“本周你在‘个人健康’（02-personal）中三次提到‘精力不足’，同时在‘职业发展’（03-professional）中两次提到‘项目A进度缓慢’。二者可能存在关联：当前工作负荷影响了你的个人状态。建议评估项目A的优先级或寻求协助。”
• 这种洞察是发散的、非线性的，往往能揭示你自己都没意识到的潜在问题或机会。

技能：knowledge-consolidation(知识整合)每月运行一次。这是“从信息到知识”的升华过程。AI会深度分析过去一个月积累的所有笔记，特别是03-professional/和05-knowledge/insights/中的内容。

• 主题聚类：将分散在不同笔记中、关于同一主题（如“用户 onboarding 优化”）的片段找出来。
• 框架构建：将这些片段整合、去重、补充，形成一个结构化的知识框架或方法论文档，存入05-knowledge/frameworks/。例如，它可能生成一个名为User-Onboarding-Best-Practices.md的文档，包含原则、步骤、常见陷阱和案例。
• 更新人物档案：基于一个月的新互动，批量更新people/目录下的档案，可能将一些人的档案从Tier 3升级到Tier 2。

我的体会：这个技能运行几次后，我发现自己竟然拥有了一个不断增长的、个性化的“商业知识库”。里面是我在工作中实际遇到和思考过的问题的结晶，而不是从书上抄来的理论。它的价值随着时间复合增长。

5. 产品经理专属工作流深度解析

COG为产品经理设计了一套完整的工作流技能链，覆盖了从市场研究到产品上线的关键环节。这套流程高度自动化且可追溯。

5.1 从研究到PRD：auto-research与generate-prd

技能：auto-research(自动研究)当你需要探索一个新领域或验证一个想法时，比如“研究一下AI代码测试工具的未来趋势”，你可以启动这个技能。

• 多智能体并行：这是COG中最复杂的技能之一。主导智能体会将大问题分解成多个子问题（如“当前主流AI测试工具有哪些？”、“它们的商业模式是什么？”、“开发者社区的反馈如何？”），然后同时启动多个worker-researcher去并行搜索。
• 来源验证与综合：工作者们将带来源引用的结果写回。主导智能体再进行交叉验证、去重和综合，最终生成一份深度研究报告，保存在03-professional/strategy/下。这份报告的质量远超普通AI聊天的一次性回答，因为它经过了多角度、多信源的核查。

技能：generate-prd(生成产品需求文档)基于研究或已有想法，你可以说“为‘项目仪表盘增加实时协作评论功能’生成PRD”。

1. AI会调用06-templates/prd-template.md作为基础框架。
2. 它会引导你一步步填充背景、目标用户、用户故事、功能需求、非功能需求、成功指标等。
3. 关键一步：审批门禁。在最终生成文档前，AI会总结核心内容并要求你确认：“即将生成一份包含X个核心功能的PRD，预计开发周期Y周。确认生成吗？”这避免了意外发布。
4. 确认后，PRD被保存到04-projects/[project-name]/目录。你可以选择手动或通过publish-to-confluence技能将其发布到Confluence。

5.2 从故事到发布：create-user-story与generate-release-notes

技能：create-user-story(创建用户故事)PRD完成后，下一步是拆解为用户故事。说“为‘实时协作评论功能’创建用户故事”。

• 智能拆解：AI会参考PRD，将大的功能需求拆解成具体的、可执行的用户故事（格式：作为[角色]，我想要[目标]，以便[价值]）。
• 重复项检查：这是该技能的亮点。在创建每个故事前，它会调用worker-data-collector去扫描你配置的任务管理系统（Linear, Jira, GitHub Issues），检查是否有类似或重复的故事已经存在。这极大地避免了任务冗余。
• 自动创建：确认后，故事可以直接创建到Linear或Jira中（如果配置了集成），同时在本地04-projects/下保留一份Markdown记录，保持双向同步。

技能：generate-release-notes(生成发布说明)版本开发完成，准备发布时，运行此技能。你需要提供版本号（如v2.1）和GitHub的里程碑（Milestone）或Linear的周期（Cycle）。

1. worker-data-collector出动，从GitHub拉取该里程碑下所有已合并的Pull Requests，从Linear拉取该周期内关闭的所有Issue。
2. AI分析这些条目，自动分类（如“新功能”、“功能改进”、“Bug修复”、“内部变更”）。
3. 它为每个条目撰写简洁、用户友好的描述（而不是直接使用晦涩的提交信息）。
4. 最终生成格式优美的发布说明，可直接用于产品博客、用户通知或内部沟通。

5.3 知识沉淀与审计：update-knowledge-base与export-open-issues

技能：update-knowledge-base(更新知识库)每次发布后，运行此技能。AI会读取本次的发布说明和相关PRD、用户故事，然后自动更新05-knowledge/下的产品知识库。例如，它会将“实时协作评论功能”的详细说明、使用场景、API变更（如果有）整合到产品功能文档中。这确保了内部知识库与产品实际状态同步，新成员 onboarding 时看到的是最新、最全的资料。

技能：export-open-issues(导出未关闭问题)用于项目审计或向管理层汇报。该技能会扫描所有配置的任务管理系统，导出所有状态为“打开”或“进行中”的Issue，按项目、优先级、负责人等进行归类，生成一份清晰的汇总报告。这对于管理大型项目或跨团队协作至关重要。

这套组合拳，将产品经理从大量重复性、事务性的文档工作中解放出来，使其能更专注于真正的产品思考和策略制定。

6. 高级配置、维护与问题排查

要让COG长期稳定运行，并融入你的工作流，需要了解一些高级配置和维护技巧。

6.1 集成配置详解

COG的强大很大程度上依赖于与外部工具的集成。SETUP.md文件有详细说明，这里强调几个关键点：

• GitHub CLI (gh) 是基石：许多技能（如team-brief,generate-release-notes）都依赖它。确保安装并登录 (gh auth login)。在COG中，你需要将GitHub仓库信息写入00-inbox/integrations.md。
• Linear集成（双向同步的魔法）：
  1. 去Linear设置中创建一个API Key。
  2. 在integrations.md中配置Key、团队名称和项目名称。
  3. 关键：你需要告诉COG哪些Linear项目需要同步。可以在integrations.md里以列表形式写明，例如linear_projects: ["Product", "Engineering"]。
  4. 配置成功后，team-brief技能不仅能读取Linear，还能将简报中识别的行动项写回Linear，形成闭环。
• iCloud同步（多设备无缝衔接）：将整个COG仓库放在iCloud Drive（如~/Library/Mobile Documents/com~apple~CloudDocs/My-COG-Brain）。这样，你在Mac上记录的Braindump，可以在iPhone的Obsidian Mobile中查看和搜索。Obsidian Mobile对Markdown的支持非常好，且能识别COG使用的📅待办格式。

6.2 框架更新与自定义的平衡

COG的框架（技能定义、脚本、文档）和你的内容（笔记、数据）是分离的。更新框架不会碰你的数据。

更新方法：

• 推荐：直接对AI说“更新COG”或运行/update-cog技能。这会触发一个交互式更新脚本。
• 手动：运行./cog-update.sh脚本。常用参数：
  • ./cog-update.sh --check：仅检查是否有更新，不执行。
  • ./cog-update.sh --dry-run：模拟更新，显示哪些文件会被更改。
  • ./cog-update.sh --force：强制更新所有框架文件（谨慎使用，会覆盖你的自定义）。

如何处理冲突：如果你修改过某个技能文件（比如AGENTS.md），更新时脚本会提示你：“发现本地修改，请选择：(K)eep yours, (U)se upstream, (B)ackup and update”。通常，对于核心技能文件，建议选择B，它会将你的版本备份为.backup文件，然后应用上游更新。之后你可以手动比较备份文件，将有价值的自定义修改合并到新版本中。

6.3 常见问题与排查实录

以下是我在长期使用中遇到的一些典型问题及解决方法：

问题1：技能执行失败，AI回复“我不确定如何执行这个操作”。

• 排查：首先检查你是否在正确的项目目录下运行AI。Claude Code等工具需要打开COG项目文件夹，才能识别.claude/skills/下的技能定义。
• 解决：确保终端当前路径在COG根目录，或在AI编辑器中正确打开了项目。

问题2：team-brief技能无法获取GitHub或Linear数据。

• 排查：检查00-inbox/integrations.md文件中的配置项是否正确无误。尤其是API Key和团队/项目名称。
• 排查：运行gh auth status和测试Linear API Key是否有有效权限。
• 解决：重新运行onboarding技能可以重新引导配置集成。

问题3：人物CRM没有自动创建或更新档案。

• 排查：检查meeting-transcript或team-brief生成的报告中，人名是否被正确识别。有时中文名或非标准英文名可能识别有误。
• 排查：查看05-knowledge/people/目录下是否有对应的.md文件。
• 解决：可以手动在people/目录下创建一个以人名为文件名的.md文件，COG后续会自动更新它。确保人名在文档中的拼写一致。

问题4：文件越来越多，如何快速找到某个内容？

• 推荐方案：使用Obsidian作为你的Markdown编辑器。Obsidian的全局搜索、反向链接和图谱功能，与COG的文件夹结构和内部链接完美契合。你可以瞬间找到所有提到某个概念或人物的笔记。
• 备用方案：使用系统自带的文件搜索（如Mac的Spotlight），或grep命令在终端中搜索。

问题5：AI响应慢或成本高。

• 分析：复杂的技能如auto-research或comprehensive-analysis会调用多次API，并使用更贵的Opus模型，确实耗时耗资。
• 优化：
  • 对于日常的braindump和daily-brief，可以指定使用更快的模型（如在Claude Code中设置默认模型为Haiku）。
  • 将大型、非紧急的分析任务（如月度knowledge-consolidation）安排在API使用低峰期进行。
  • 充分利用工作者智能体架构，它已经将数据密集型任务分配给了更便宜的Sonnet模型，这是最大的成本优化。

7. 我的使用心法与未来展望

使用COG近三个月，它已经从一个新奇工具变成了我数字工作流中不可或缺的“外挂大脑”。几点最深切的体会：

第一，信任的建立是渐进的。一开始，我并不放心把所有想法都交给AI分类。我会先手动检查它生成的Braindump文件。但几周后，我发现它的分类准确率极高，提取的行动项也基本靠谱。这种信任让我更愿意进行频繁、无负担的记录，而这正是系统能够“学习”和“进化”的基础。启动阶段，建议用一个小号或新建的目录进行试验，建立信心。

第二，定期“维护仪式”比想象中重要。COG虽然号称“零维护”，但为了让它更好地为你服务，我养成了两个小习惯：1) 每周一早上运行weekly-checkin，回顾上周模式；2) 每月初运行knowledge-consolidation，进行知识沉淀。这两个动作就像给大脑做定期的“碎片整理”和“知识结晶”，投入时间很少，但长期回报巨大。

第三，从“记录”转向“提问”。最大的思维转变是，我不再想着“我要把这个记下来”，而是想着“我想让AI帮我处理什么信息？”。是分类一个想法？是分析一次会议？还是研究一个市场？这种从被动记录到主动指挥的转变，极大地提升了信息处理的主动性和价值密度。

关于未来，COG的路线图已经描绘了令人兴奋的方向。我个人最期待的是知识图谱可视化。目前所有关联都藏在Markdown链接和文件夹结构中，如果能有一个图形化界面展示概念、项目、人物之间的关系网络，那将是对理解复杂信息网络的又一次飞跃。此外，移动端优化的命令也很有必要，毕竟灵感常常在通勤路上或睡前闪现。

最后想说的是，COG不是一个“安装即用”的傻瓜软件。它更像一套乐高积木或一个开源框架，需要你花一点时间搭建和适应。但一旦它融入你的工作流，那种由AI驱动的、持续进化的知识管理系统带来的流畅感和智力增强，是任何静态工具都无法比拟的。它让你真正感受到了与一个不断成长、不断了解你的智能伙伴协同工作的未来。