我将一步步向你展示，如何把 Fable 5 变成一个对你的业务了如指掌的机器……并且输出与其他人截然不同的成果
这个工具是一个基于 Obsidian 构建的第二大脑，已经有一小群人在使用它……完全相同的模型，但每个输出都天差地别
市场上最聪明的模型之所以整天产出平庸的作品，原因只有一个：它对你一无所知
没有你的业务背景、你的受众、你过去的决策……所以它只能猜测，而猜测的结果读起来千篇一律
将它接入你自己的知识库，同一个模型就会变成一台不同的机器
代码遵循你的架构，内容听起来像你的风格，写作立足于你拥有的研究……而且从第一天起你就能看到效果
这适用于你运行的任何工作流程：编程、营销、内容、销售、研究
在没有第二大脑的情况下运行 AI Agent 就是在浪费时间……而且差距只会越来越大，因为大脑每增加一个文件，未来的每一次运行都会变得更聪明，且永无止境
我每天都在运行这个机器……它是我撰写的每一篇文章、每一份指南和发布的每一个产品背后的支撑
这就是完整的系统……第二大脑究竟是什么、Agent 自主导航的文件夹结构、如何用目标填充它、用循环保持其活力、在其之上运行一个真正的研究机器、在不烧钱的情况下读取它，并将其接入你构建的一切
如果你想学习如何充分利用 Fable 5 并利用它赚钱，那就加入实时 AI 运营社区：weeklyaiops.com
相同的模型，不同的层级
以下是这一说法背后的数据
在会计领域，一个没有客户历史记录的模型，准确率大约在 70%
给它客户的交易历史后，准确率从 85% 起步，并攀升至 90% 以上
模型本身没有任何变化，变化的是知识
写作也是如此
一个拥有精心构建的声音档案的中档模型，其产出比完全没有档案的 Fable 5 更具辨识度
文件对结果的影响比模型档次更大
而模型本身比以往任何时候都更奖励这种做法
Anthropic 自己的测试让 Fable 玩了一个基于文件记忆的完整卡牌构建游戏，其改进幅度是之前旗舰模型的三倍
一个游戏，由供应商测试，尚未被任何人复现……但这个数字指向的行动，成本不过是一个 Markdown 文件夹，所以你无论如何都要尝试
在开始构建之前，我必须告诉你一件事：模型不会神奇地在你的笔记中找到所有东西
它做的是利用对话之外的知识，并引用每个信息的来源
记忆是你的，在你的硬盘上，以你可以打开阅读的纯文本形式存在
给它几周时间，Agent 就会开始引用你忘记自己做过的决策
第一个问题是，这个记忆应该存放在哪里
答案是免费的，而且你可能已经安装好了
一分钟了解 Obsidian
Obsidian 是一个免费应用，它位于你电脑上一个 Markdown 文件文件夹之上
没有数据库，没有云锁定……你的笔记是你拥有的纯文本文件，而应用只是一个通往它们的漂亮窗口
你只需要它的两个功能：
[[wikilinks]]：在任何笔记名称两边输入双括号，两条笔记就连接起来了
图谱视图：Obsidian 将每条笔记绘制成一个点，每个链接绘制成一条线，这样你就能看到你的知识网络
而且它非常适合 Agent：因为知识库只是一个文件夹，Fable 可以通过 Claude Code（模型在你机器上运行的终端应用）直接操作它
无需插件、无需连接器、无需特殊设置……Agent 读取和写入 Markdown 文件，Obsidian 向你展示发生了什么变化
你使用应用，Agent 使用文件夹，两者都在查看同一个大脑
在你为一个大型项目做准备之前：本文中所有内容的入门版本大约需要一个小时，一旦读取规则设置好，运行成本就非常低……关于成本的部分会有专门章节
区分一个大脑和一堆积文件的是结构……而结构正是几乎所有人都会搞错的地方
结构：四个部分，仅此而已
这个思路来自 Karpathy 的 llm-wiki 想法：将你的知识库视为一个代码库
Obsidian 是编辑器，模型是程序员，Wiki 是代码
在研究了人们公开运行的设置、代码仓库、病毒式模板和失败案例后，有四个部分反复出现：
raw - 你捕获的所有内容原封不动地放在这里：文章、转录稿、通话记录、竞争对手页面……只读的历史记录，Agent 从不重写它
entities - 每个具体事物一个页面：客户、竞争对手、工具、人物
concepts - 每个想法一个页面：策略、模式、经验教训
INDEX.md - 前门：每个页面都列出来，并附上一行描述，这样 Agent 无需打开所有页面就知道存在什么
Agent 的工作是编译：它读取 raw/ 中的新材料，并更新实体和概念页面，同时建立链接
写作规则简单到可以用四行来概括：
每个文件只包含一个经验教训，顶部有一行摘要
更新现有页面，而不是创建重复页面
删除后来发现是错误的笔记
始终将原始来源和编译后的页面分开
为什么 raw/ 要保持不变：当同一个 Agent 反复读取和重写相同的笔记时，细节会模糊，错误会累积
raw 文件夹是你的事实依据，而 Wiki 在此基础上变得越来越聪明
页面只提供了一半的价值……它们之间的链接才是真正优势所在
知识图谱：为什么它会越用越强
Agent 在两个页面之间写的每一个 [[链接]] 都是图谱中的一条边
这就是区分一个知识库和一堆积笔记的关键：基于搜索的知识库随着增长会变得越嘈杂，因为更多的文件意味着每次搜索中都有更多垃圾
一个链接的 Wiki 随着增长会变得越强大，因为每个新页面都连接到网络中，使周围的页面更有用
当 Agent 需要回答问题时，它不会扫描所有内容……它会沿着链接走
从客户页面到活动概念页面，再到竞争对手页面，沿着连接走，就像你跟随自己的记忆一样
Karpathy 自己的知识库大约有 100 篇文章和 40 万个单词，全部由模型编译，全部相互连接
两周后打开图谱视图，你会看到你的业务变成了一张活地图……仅此一幅图就会改变你对自己所知内容的看法
那么，如何在不花费一个月时间复制粘贴的情况下填充它呢？
用目标来填充它
第一步是回填，而 Fable 的目标系统正是为此而生
Claude Code 中的 /goal 让你可以设定一个终点线，模型会自主持续工作，同时一个较小的模型作为评判者读取进度，并在达到终点时确认
诀窍在于，评判者只能看到对话中的内容，所以目标必须要求它能读取的证据：
在运行之前，将你已经拥有的内容喂给 raw/：旧的聊天记录、收藏的帖子、你的笔记应用导出文件、客户文件夹、过去的研究
然后走开，回来时你将得到一个编译好的大脑
两条规则确保回填的诚实性：
每次更改都以差异形式呈现，精确的修改前后行，而不是一个声明……如果 Agent 说它更新了一个页面，差异会证明它
没有指向 raw/ 的源链接的页面会被标记，而不是被信任
回填给你一个编译好的大脑……保持它的活力是另一项工作，也是每个人都跳过的工作
用循环保持其活力
一个只有在你记得喂它时才会增长的第二大脑，三周内就会死亡
因此，维护是基于计划运行的，而不是基于记忆：
每次会话后：一个钩子，一个在会话结束时自动触发的小脚本，挖掘刚刚发生的事情……做出的决策、发现的错误、确认的模式，以带日期的笔记形式写入知识库……你已经完成的工作变成了记忆，无需你手动归档
每晚：一个编译过程，使用廉价模型读取当天的新原始材料并更新 Wiki 页面……例行工作，例行层级
每周：一次检查过程，查找矛盾、重复页面和死链接……这是保持图谱清洁的循环，它的存在是因为未维护的 Wiki 会腐烂
每周：一次综合过程，使用大模型读取整个知识库，并写出本周发生了什么变化、什么在偏离、什么值得关注
最后一个是唯一一个让高级模型物有所值的过程
其他所有过程都在廉价层级上运行，因为更新笔记是例行工作，将例行工作路由到 Fable 是人们白白烧钱的方式
维护让知识库保持清洁……但让知识库变得有价值的材料从哪里来呢？
为其提供动力的研究工作流程
这是知识库从存储变成优势的地方，也是垃圾通常混进来的步骤
默认的 AI 研究是向聊天机器人发出一个提示，答案消失在滚动历史中
更糟糕的是，它建立在过时的知识之上……在 AI 领域，六个月前的建议通常已经是错误的，而真正的实践者层面——人们现在正在运行什么、什么会出问题、什么有效——存在于社交媒体上，而不是官方文档中
因此，研究机器是这样工作的：
输入一个问题，它被拆分成 3-5 个子问题
并行 Agent 分散开来，每个搜索不同的表面：社交媒体搜索实践者层面，网络搜索文档和定价，爬虫抓取所有值得阅读内容的全文
每个发现都变成一张收据：声明、来源链接、日期
然后是通过真正考验的门槛：一个怀疑者 Agent 攻击每个声明并试图推翻它……单一来源的炒作被标记，矛盾被揭露，只有幸存者通过
经过验证的发现以页面形式进入知识库，每个都带有日期和链接，每个都带有过期日期，这样过时的知识会自我宣告
以及我运行它的确切技术栈：
由 ScrapeCreators 提供支持的 last30days（scrapecreators.com）：一项技能，扫描 Reddit、X、YouTube、Instagram 和 TikTok 上过去 30 天内关于任何主题的实践者讨论
官方 X MCP（api.x.com/mcp）：来自源的实时帖子、帖子和书签
使用 yt-dlp 获取 YouTube 转录稿（github.com/yt-dlp/yt-dlp）：任何教程或指南都变成 Agent 可以挖掘的文本
通过 ScrapeCreators 获取 Instagram 和 TikTok 内容，因为短视频是新工作流程最先出现的地方
Perplexity 深度研究（perplexity.ai）：跨网络的带引用的长文阅读过程
Firecrawl（firecrawl.dev）：抓取每个值得保留页面的全文，以干净的 Markdown 格式呈现
怀疑者是将研究从谣言收集区分开来的关键：新鲜上下文的检查者比模型审查自己的工作表现更好，所以攻击总是来自一个没有做研究的 Agent
每周在你的细分领域运行一次，知识库就会充满你的竞争对手错过的经过验证、带日期、有来源的情报
然而，如果读取知识库的成本高于其回报，那么所有这些都毫无价值
在不烧钱的情况下读取它
一个知识库只有在其读取成本低廉时才能长期运作，而这几乎是所有设置中的漏洞
思维模型：上下文窗口是一个昂贵的房间，进入其中的所有内容都要以 token（所有 AI 账单的计算单位）付费
你的 CLAUDE.md，即 Agent 在每次会话开始时读取的指令文件，每次都会自动加载……这是永远要支付的税……保持它在 200 行以内，指向知识库，但绝不包含知识库内容
其他所有内容都是按次付费：Agent 检查 INDEX.md，跟随链接，用 grep 搜索关键词，只打开路径指向的页面……全文件夹扫描是永远不会发生的行为
对于大问题，派遣一个工作者：一个子 Agent 在其自己的独立上下文中读取五十个页面，并向你的会话返回一段结论……昂贵的房间只容纳决策，而不是图书馆
将其接入你构建的一切
一个只存储东西的知识库只是一个归档爱好……这个知识库为你运行的每个项目提供动力
用三行代码将其指向任何项目，放在该项目的 CLAUDE.md 中：
1## 知识2- 开始之前，从 ~/vault/entities/ 和 ~/vault/concepts/ 读取相关页面3- 关于我们业务、客户或受众的每个声明，都要在知识库页面中找到依据
输出会立即改变：
营销：基于你实际受众页面和竞争对手历史的活动简报，而不是通用人物画像
内容：引用你自己过去研究并匹配你声音档案的草稿
编程：Agent 在知识库中为每个项目保留活的架构笔记，因此没有会话是从空白开始的
客户工作：每个交付物都以其背后的完整关系历史开始
然后是第二部分：知识库本身变成了产品
研究页面变成文章和指南，概念页面变成课程，客户页面变成案例研究……你不再是从空白页面开始创作，而是在打包机器已经验证过的内容
一个拯救你知识库的警告：同步是知识库死亡的地方
只运行一个同步系统……如果 Agent 在 iCloud 同步文件的同时写入文件，你会得到冲突的副本和混乱的文件夹
Git，程序员使用的保存点系统，作为检查点层工作……它只在你告诉它的时候锁定一个版本，这种设置是可靠的
行动卡片
整个构建过程，按顺序……复制这个：
创建知识库：raw/、entities/、concepts/ 和一个 INDEX.md
将四条规则写入你的 CLAUDE.md：每个文件一个经验教训、更新不重复、删除错误的、绝不触碰 raw/
将你拥有的所有内容倒入 raw/：转录稿、书签、笔记、客户文件夹
使用粘贴的证据和停止条款运行 /goal 回填
安排循环：会话钩子、廉价层级上的夜间编译、每周检查、一次高级综合过程
运行每周研究扫描：分散开来，让怀疑者攻击，将幸存者作为带日期的页面落地
将三行知识代码添加到每个项目的 CLAUDE.md 中
驾驶座上的模型会再次改变……知识库会在每次更换中幸存下来，而写入其中的反馈使其每周都变得更聪明，无论谁在驾驶
最小的版本只需一个小时：一个文件夹，十个关于你业务的文件，以及一个被告知先读取它们的 Agent
你的输出会告诉你其余的一切
加入世界上最好的 AI 社区：weeklyaiops.com
