AI 新手指南：每天 30 分钟，利用 30 个 AI Clones 运营 5000 万日元规模的业务

随着 GPT-5.6Sol 的到来，每月只需 30,000 日元，使用 Obsidian 就能让 Codex 中的 30 个我自己的克隆体根据我的知识、工作内容、习惯和任务自动优化并执行任务。

我将步骤总结如下。

第一章：引言

现代数字环境不断给我们带来信息过载的挑战。面对每日海量数据、日益复杂的项目以及加速推进的技术创新浪潮，如何高效且富有创意地进行知识生产，已成为个人和组织亟待解决的课题。AI 技术的演进为这一问题提供了强大的解决方案，但要释放其真正价值，我们必须将 AI 定位为不仅仅是工具，而是延伸我们思维的“共创伙伴”。

本文聚焦于构建重新定义 AI 时代知识生产力的“终极自主第二大脑”。具体来说，我们将探讨如何将强大的开发者 AI 引擎 Codex 与灵活而稳健的知识管理工具 Obsidian 相结合。通过深度整合两者，我们将详细阐述在代码生成、设计、调试和知识管理等方面大幅简化整个开发流程的方法。

1.1. 重新定义 AI Agent 时代的知识生产力

过去，知识生产力在很大程度上取决于个人的知识量、经验和思维速度。然而，随着 AI Agent 的出现，这一定义正在发生根本性改变。AI 能够即时分析人类无法处理的更多信息，识别模式并进行逻辑推理。这使我们得以从简单的信息处理和重复性任务中解放出来，专注于更高层次的概念设计、创造性问题解决和战略决策。

在这个新时代，知识生产力的关键在于如何最大化 AI 的能力，并将其与我们的思维过程无缝融合。不是将 AI 当作一次性任务执行者，而是将其作为持续学习和成长的“第二大脑”，我们就能突破自身的智力极限，达到前所未有的产出水平。

1.2. 为什么选择专用引擎（Codex）而非通用 AI？

AI 技术的发展令人瞩目，像 ChatGPT 和 Claude 这样的通用大语言模型在广泛任务中展现出惊人的能力。然而，在特定的专业领域，尤其是软件开发中，需要通用 AI 无法单独达到的“深度”和“精度”。这就是 Codex 等专用 AI 引擎的价值所在。Codex 在大量代码和自然语言数据上训练，深刻理解编程语法、语义、算法和开发最佳实践。这使得它在以下方面超越通用 AI：

• 高质量代码生成：它能够根据开发上下文生成更健壮、更易维护的代码，同时考虑安全性、性能和可扩展性等非功能性需求。

• 深度代码理解：它能准确分析现有代码库，理解意图、潜在错误和改进方向，在复杂系统中提供人类往往遗漏的见解。

• 融入开发工作流：它专为与开发工具集成而设计，与 IDE、版本控制系统和测试框架无缝协作，优化整个开发流程。

通用 AI 是“万金油”，样样通样样松；而 Codex 专注于代码，精通此道。这种专业化是构建终极自主第二大脑不可或缺的要素。

1.3. 将 Obsidian 用作 AI 外部记忆的哲学背景

为了最大化 AI Agent 的能力，AI 可参考的“外部记忆”至关重要。这种记忆存储来自过去经验、学习和对话的信息，方便 AI 根据需要回溯。在众多知识管理工具中，Obsidian 因其设计理念和技术特性而成为这一角色的最佳选择。Obsidian 将所有数据以 Markdown 文件形式存储在用户的本地环境中。这种“本地优先”的方法在以下方面优于 AI 记忆：

• 隐私与安全：对于处理敏感代码或项目想法的开发者来说，将数据掌握在自己手中至关重要。由于不依赖外部服务器，信息泄露风险降至最低。

• 快速访问与处理：不受网络延迟影响，文件读写速度极快。当 AI Agent 频繁访问大量文件时，这种速度可防止瓶颈产生。

• 纯文本的通用性：Markdown 是一种通用格式，人类和 AI 都能轻松理解。AI 可以直接读写 Markdown 文件，无需复杂 API，确保高效处理并避免供应商锁定。

• 灵活的结构与可扩展性：通过文件夹结构、标签、链接和丰富的插件生态，Obsidian 允许对知识进行灵活结构化，使 AI 能够从多个角度探索信息。

将 Obsidian 用作 AI 记忆，不是把 AI 当作临时计算器，而是将其视为一个不断成长的“智能生命体”。Obsidian 充当了这个实体积累经验、应对未来任务的“大脑”。

第二章：深入解析 Codex 引擎

Codex 是由 OpenAI 开发的大语言模型，专门针对代码生成和理解进行了优化。其潜力不仅限于生成代码片段，更可以彻底改变整个开发流程。本章将探讨 Codex 的架构及其与其他 AI 助手的不同之处。

2.1. Codex 架构：从 GPT-3 的进化与代码专用机制

Codex 基于 GPT-3，但通过训练数据和优化过程实现了独特的进化。

2.1.1. 从 GPT-3 进化而来

GPT-3 是一个基于互联网文本训练的通用模型。虽然令人印象深刻，但在深入理解编程方面存在局限。Codex 在此基础上添加了来自 GitHub 的数十亿行公共代码，使其能够将自然语言意图映射到具体的编程实现上。

2.1.2. 代码专用机制

• 海量代码数据集：它能理解 Python、JS、Go、Ruby 等语言的语法、设计模式和库用法。

• 双向理解：它既能从自然语言生成代码，也能用自然语言解释代码。

• 上下文保持：它能够跨多个文件和整个项目进行推理，而不仅仅是代码片段。

• 学习错误模式：它能从错误历史中学习，识别并建议修复潜在错误。

2.2. Codex 的真正价值：超越代码生成，理解逻辑

Codex 理解编程的“逻辑”。这带来了以下好处：

• 具象化设计意图：开发者可以用自然语言传达抽象设计，Codex 将其转化为逻辑、数据结构和 API。

• 解决复杂问题：对于大规模设计，它能够提出并评估各种逻辑方案。

• 提升质量与可维护性：它遵循最佳实践，并建议重构以保持代码库健康。

• 加速学习：它作为学习新框架的伙伴，通过实际示例提供帮助。

2.3. 与其他 AI（如 GitHub Copilot）的决定性差异

虽然像 Copilot 这样的工具在“打字辅助”和单文件实时补全方面表现出色，但 Codex 在理解大规模设计意图和项目级逻辑方面更胜一筹。它能够执行自主任务，例如阅读设计文档并生成多文件代码库。在我们的“第二大脑”场景中，Codex 充当了“项目架构师和实现者”的角色。

第三章：构建 Codex × Obsidian 集成基础

要最大化两个工具的价值，需要无缝集成。本章涵盖 Codex CLI 的设置、优化 Obsidian 仓库作为“AI 工作区”以及确保安全性。

3.1. Codex CLI 设置与优化

通过命令行界面（CLI）将 Markdown 文件与 Codex 功能关联起来。

3.1.1. Python 环境：安装 Python 和 OpenAI 库。

3.1.2. API 密钥：将 OpenAI API 密钥设置为环境变量（OPENAI_API_KEY）。

3.1.3. Codex CLI 封装：创建一个 codex_cli.py 脚本，用于从命令行调用 GPT 模型（如 gpt-4o）。

1import os
2import argparse
3from openai import OpenAI
4
5client = OpenAI(api_key=os.environ.get("OPENAI_API_KEY"))
6
7def call_codex(prompt_text, model="gpt-4o", max_tokens=500, temperature=0.7, output_path=None):
8    try:
9        response = client.chat.completions.create(
10            model=model,
11            messages=[
12                {"role": "system", "content": "You are an expert programming assistant. Generate code, explain concepts, and refactor existing code based on user requests."},
13                {"role": "user", "content": prompt_text}
14            ],
15            max_tokens=max_tokens,
16            temperature=temperature,
17        )
18        generated_content = response.choices[0].message.content
19        if output_path:
20            with open(output_path, "w", encoding="utf-8") as f:
21                f.write(generated_content)
22        else:
23            print(generated_content)
24        return generated_content
25    except Exception as e:
26        return str(e)

3.2. 设计 Obsidian 仓库作为 AI 工作区

3.2.1. 物理设计：使用简单的层级结构（收件箱、项目、领域、资源、归档）。创建一个专用的 _Codex_Output 文件夹，将 AI 生成的内容与人类内容分开。

3.2.2. 逻辑设计：使用 YAML 前置元数据（标题、项目 ID、状态、标签）和内部链接（[[笔记]]）来帮助 Codex 发现相关信息。

3.3. 安全与隐私

保持本地优先的方式。绝不硬编码 API 密钥。在将数据发送给 AI 之前，对敏感信息进行脱敏处理（例如 [API_KEY_MASKED]）。使用 Git 进行版本控制，以跟踪和撤销 AI 的更改。

第四章：Obsidian 中“AI 记忆”的设计科学

4.1. 元数据驱动管理：使用 YAML 和 Dataview 插件。这样 Codex 无需读取每个文件，就能过滤信息（例如“总结 Phoenix 项目的所有设计文档”）。

4.2. 索引笔记：创建 Home.md 作为入口，Project_Index.md 提供项目上下文，以及 Codex_Log.md 记录 AI 操作和人类反馈。

4.3. 原子笔记：保持每个笔记只包含一个想法，这样能减少噪声，提高 Codex 的推理准确性，并允许知识块灵活组合。

第五章：实践：构建自主开发工作流

5.1. Markdown 到代码：通过遵循严格的 Markdown 规则（清晰的章节、输入输出规范、逻辑步骤），可以使用脚本让 Codex 根据设计笔记自动生成 FastAPI 代码。

5.2. 自动文档与重构：使用 Codex 为现有代码生成文档字符串，或提出重构模式以提升质量。

5.3. AI 驱动的 TDD：让 Codex 根据需求生成 pytest 测试用例。如果测试失败，将错误日志提供给 Codex，让它建议实现修复，从而形成快速的“红-绿-重构”循环。

5.4. 调试：将堆栈跟踪复制到 Obsidian 中，让 Codex 识别根本原因并给出解决方案。