我將一步步向你展示，如何把 Fable 5 變成一台對你的業務瞭若指掌的機器……並產出與眾不同的成果。
這個工具是一個建立在 Obsidian 上的第二大腦，已經有一小群人正在運行它……完全相同的模型，但每個產出的成果卻天差地別。
市場上最聰明的模型之所以整天產出平庸的成果，只有一個原因：它對你一無所知。
沒有你的業務背景、你的受眾、你過去的決策脈絡……所以它只能猜測，而猜測的結果讀起來就很空洞。
將它連接到你自己的知識庫，同一個模型就會變成一台截然不同的機器。
程式碼遵循你的架構，內容聽起來像你，寫作建立在你自己擁有的研究之上……而且你從第一天就能看到這個效果。
這適用於你運行的任何工作流程：程式開發、行銷、內容創作、銷售、研究。
在沒有第二大腦的情況下運行 AI Agent 只是在浪費你的時間……而且這個差距只會越來越大，因為大腦每獲得一個檔案，都會讓未來每一次的運行變得更聰明，而且這個效果是永久的。
我每天就在運行這台機器……它存在於我產出的每一篇文章、每一份指南和每一個產品背後。
這就是完整的系統……第二大腦的真正意義、Agent 自行導航的資料夾結構、如何用目標來填充它、如何用循環讓它保持活力、如何在它之上運行一個真正的研究機器、如何在不燒錢的情況下讀取它，以及如何將它連接到你建構的一切。
如果你想學習如何充分利用 Fable 5 以及如何用它來賺錢，那就加入即時 AI 運營社群：weeklyaiops.com
同樣的模型，不同的層級
以下是這個說法背後的數據。
在會計領域，一個沒有客戶歷史資料的模型，準確率大約在 70% 左右。
給它客戶的交易歷史，準確率就會從 85% 開始，並攀升到 90% 以上。
模型本身沒有任何改變，改變的是知識。
寫作也是如此。
一個中階模型搭配精心建立的語音檔案，產出的成果比完全沒有語音檔案的 Fable 5 更具辨識度。
檔案本身承載的結果比模型層級還要多。
而模型本身對這個做法的回報，比以往任何時候都更強大。
Anthropic 自己的測試讓 Fable 完整玩了一個基於檔案記憶的牌組構築遊戲，它的進步幅度是前一代旗艦機型的三倍。
一個由供應商測試、尚未被任何人複製的遊戲……但這個數字所指向的行動，只需要你付出一個 Markdown 資料夾的代價，所以無論如何你都該試試。
在我們開始建構之前，我必須告訴你一件事：模型不會神奇地在你所有的筆記中找到一切。
它做的是，根據存在於對話之外的知識來行動，並引用每個資訊的來源。
記憶是你的，存在你的硬碟上，以你可以打開閱讀的純文字形式存在。
給它幾週時間，Agent 就會開始引用你已經忘記自己做過的決策。
第一個問題是，這個記憶應該存放在哪裡。
答案不需要花費任何成本，而且你可能已經安裝好了。
一分鐘了解 Obsidian 是什麼
Obsidian 是一個免費的應用程式，它建立在電腦上的一個 Markdown 檔案資料夾之上。
沒有資料庫，沒有雲端鎖定……你的筆記是你擁有的純文字檔案，而這個應用程式只是一個通往這些檔案的美麗視窗。
你只需要它的兩個功能：
[[wikilinks]]：在任何筆記名稱周圍輸入雙括號，這兩則筆記就會被連接起來。
圖形檢視：Obsidian 會將每則筆記繪製成一個點，每個連結繪製成一條線，讓你的知識以網絡的形式呈現。
而且它非常適合 Agent：因為知識庫只是一個資料夾，Fable 可以透過 Claude Code（模型在你機器上運行的終端應用程式）直接對它進行操作。
不需要外掛程式、不需要連接器、不需要特殊設定……Agent 讀取和寫入 Markdown 檔案，Obsidian 則向你顯示變更的內容。
你使用應用程式，Agent 使用資料夾，兩者都在看著同一個大腦。
在你準備好迎接一個大專案之前：本文中所有內容的入門版本大約需要一個小時，一旦設定好讀取規則，運行成本極低……關於費用的部分會有專門的章節。
將一個大腦與一堆檔案區分開來的是結構……而結構正是幾乎所有人都會搞錯的地方。
結構：四個部分，別無其他
這個想法來自 Karpathy 的 llm-wiki 概念：將你的知識庫視為程式碼庫。
Obsidian 是編輯器，模型是程式設計師，Wiki 是程式碼。
在深入研究人們公開運行的設定、儲存庫、病毒式傳播的模板、失敗的討論串之後，有四個部分反覆出現：
raw - 你捕獲的所有內容原封不動地放在這裡：文章、逐字稿、通話筆記、競爭對手頁面……唯讀的歷史記錄，Agent 永遠不會改寫它。
entities - 每個具體事物一個頁面：客戶、競爭對手、工具、人物。
concepts - 每個想法一個頁面：策略、模式、教訓。
INDEX.md - 前門：列出每個頁面並附上一行描述，讓 Agent 無需打開所有頁面就知道有哪些內容存在。
Agent 的工作是編譯：它讀取 raw/ 中的新材料，並更新 entity 和 concept 頁面，同時將它們連結起來。
而寫作規則簡單到可以用四行來概括：
每個檔案一個教訓，並在頂部附上一行摘要。
更新現有頁面，而不是建立重複頁面。
刪除後來發現是錯誤的筆記。
始終保持原始來源和編譯後的頁面分離。
為什麼 raw/ 要保持不變：當同一個 Agent 反覆讀取和改寫相同的筆記時，細節會變得模糊，錯誤會累積。
raw 資料夾是你的基本事實，而 Wiki 則在此基礎上變得越來越聰明。
而頁面只提供了一半的價值……頁面之間的連結才是真正優勢的所在。
知識圖譜：為什麼它會隨著成長而變得更好
Agent 在兩個頁面之間寫下的每個 [[link]] 都是圖譜中的一條邊。
這就是將一個知識庫與一堆筆記區分開來的關鍵：基於搜尋的知識庫會隨著成長而變得越來越嘈雜，因為更多的檔案意味著每次搜尋中都會有更多的垃圾。
一個連結的 Wiki 會隨著成長而變得越來越強大，因為每個新頁面都會連接到網絡中，並使周圍的頁面變得更有用。
當 Agent 需要回答問題時，它不會掃描所有內容……它會沿著連結行走。
從客戶頁面到活動概念，再到競爭對手頁面，沿著連結前進，就像你遵循自己的記憶一樣。
Karpathy 自己的知識庫大約有 100 篇文章和 40 萬字，全部由模型編譯，全部相互連結。
在這樣運作兩週後打開圖形檢視，你會看到你的業務變成了一張活地圖……光是這張圖就會改變你對自己所知事物的思考方式。
那麼，如何在不花一個月時間複製貼上的情況下填充它呢？
用目標來填充它
第一步是回溯填充，而 Fable 的目標系統正是為此而設計的。
在 Claude Code 中使用 /goal，你可以寫下一條終點線，模型會自行繼續工作，同時一個較小的模型會作為評判者在一旁閱讀，並在終點線被跨越時進行確認。
訣竅在於，評判者只能看到對話中的內容，因此目標必須要求它能讀取的證據：
在運行之前，先用你已有的東西填充 raw/：舊的聊天記錄、書籤的討論串、你的筆記應用程式匯出、客戶資料夾、過去的研究。
然後離開，回來時你將擁有一個編譯好的大腦。
兩條規則確保回溯填充的真實性：
每次變更都以 diff（差異）的形式呈現，即確切的變更前後行數，而不是聲明……如果 Agent 說它更新了一個頁面，diff 會證明這一點。
沒有指向 raw/ 的來源連結的頁面會被標記，而不是被信任。
回溯填充會給你一個編譯好的大腦……但讓它保持活力是另一項工作，也是每個人都會跳過的工作。
用循環讓它保持活力
一個只有在你記得餵養它時才會成長的第二大腦，在三週內就會變成一個死大腦。
因此，維護工作依賴於排程，而不是記憶：
每次會話後：一個鉤子，一個在會話結束時自動觸發的小腳本，挖掘剛剛發生的事情……做出的決策、發現的錯誤、確認的模式，以帶有日期的筆記形式寫入知識庫……你已經完成的工作會變成記憶，而你無需整理任何東西。
每晚：一個在廉價模型上運行的編譯程序，讀取當天新的原始材料並更新 Wiki 頁面……例行工作，使用例行等級的模型。
每週：一個 lint 程序，尋找矛盾、重複頁面和失效連結……這是保持圖譜清潔的循環，它的存在是因為未經維護的 Wiki 會腐爛。
每週：一個在大模型上運行的綜合程序，讀取整個知識庫，並記錄本週發生了什麼變化、什麼在偏離軌道、什麼值得關注。
最後一個是唯一一個值得讓高階模型出場的程序。
其他所有程序都在廉價等級上運行，因為更新筆記是例行工作，而將例行工作路由到 Fable 正是人們白白燒錢的方式。
維護工作能保持知識庫的清潔……但讓它變得有價值的材料從哪裡來呢？
為其提供養分的研究工作流程
這就是知識庫從儲存空間變成競爭優勢的地方，同時也是垃圾通常會進入的步驟。
預設的 AI 研究是向聊天機器人發出一個提示，而答案會消失在捲動記錄中。
更糟的是，它建立在過時的知識之上……在 AI 領域，六個月前的建議通常已經完全錯誤，而真正的實踐者層面——人們現在正在運行什麼、什麼會出錯、什麼有效——存在於社群媒體上，而不是官方文件中。
因此，研究機器的運作方式如下：
輸入一個問題，它會被拆分為 3-5 個子問題。
並行的 Agent 四散開來，每個搜尋不同的表面：社群媒體搜尋實踐者層面，網路搜尋文件和定價，爬蟲抓取所有值得閱讀內容的全文。
每個發現都會變成一張收據：主張、來源連結、日期。
然後是讓它變得真實的關卡：一個懷疑論者 Agent 攻擊每個主張並試圖推翻它……單一來源的炒作會被標記，矛盾之處會被揭露，只有存活下來的主張才能通過。
經過驗證的發現會以頁面的形式存入知識庫，每個頁面都帶有日期和連結，每個頁面都帶有到期日，以便過時的知識會自行發出通知。
而我運行它的確切技術棧：
由 ScrapeCreators 提供的 last30days（scrapecreators.com）：一個技能，可以掃描 Reddit、X、YouTube、Instagram 和 TikTok 上關於任何主題在過去 30 天的實踐者討論。
官方的 X MCP（api.x.com/mcp）：直接從來源獲取即時貼文、討論串和書籤。
使用 yt-dlp 獲取 YouTube 逐字稿（github.com/yt-dlp/yt-dlp）：任何操作指南或教學影片都會變成 Agent 可以挖掘的文字。
透過 ScrapeCreators 獲取 Instagram 和 TikTok 內容，因為短影音是新工作流程最先出現的地方。
Perplexity deep research（perplexity.ai）：在網路上進行帶有引用的長文閱讀。
Firecrawl（firecrawl.dev）：抓取每個值得保留的頁面的全文，並轉換為乾淨的 Markdown。
懷疑論者 Agent 是區分研究與謠言收集的關鍵：具有新鮮上下文的檢查器優於審查自己工作的模型，因此攻擊總是來自一個沒有參與研究的 Agent。
每週在你的領域運行一次這個流程，知識庫就會充滿你的競爭對手所缺少的、經過驗證、標註日期和來源的情報。
然而，如果讀取知識庫的成本超過了它帶來的回報，那麼這一切都是徒勞的。
在不燒錢的情況下讀取它
一個知識庫要能長期運作，前提是讀取它的成本必須低廉，而這正是幾乎所有設定中的漏洞。
心智模型：上下文視窗是一個昂貴的房間，進入其中的每個東西都要用 token（AI 帳單的計費單位）來支付。
你的 CLAUDE.md，即 Agent 在每次會話開始時讀取的指令檔案，每次都會自動載入……這是永遠要支付的稅金……將它保持在 200 行以內，指向知識庫，但絕不包含知識庫的內容。
其他所有東西都是按次付費：Agent 檢查 INDEX.md，跟隨連結，使用 grep 搜尋關鍵字，並且只打開路徑指向的頁面……全面掃描資料夾是永遠不會發生的動作。
對於大問題，派遣一個工作者：一個子 Agent 在其自己的獨立上下文中讀取五十個頁面，並將一段結論返回給你的會話……昂貴的房間只容納決策，而不是圖書館。
將它連接到你建構的一切
一個只用來儲存東西的知識庫只是一個歸檔的嗜好……而這個知識庫會為你運行的每個專案提供養分。
用三行程式碼將任何專案指向它，放在該專案的 CLAUDE.md 中：
1## 知識2- 開始之前，先閱讀 ~/vault/entities/ 和 ~/vault/concepts/ 中的相關頁面3- 所有關於我們業務、客戶或受眾的主張，都必須以知識庫中的頁面為依據
而產出的成果會立即改變：
行銷：基於你實際的受眾頁面和競爭對手歷史的活動簡報，而不是通用的人物誌。
內容：引用你自己過去的研究並符合你語音檔案風格的草稿。
程式開發：Agent 在知識庫中為每個專案保留持續更新的架構筆記，因此沒有會話會從零開始。
客戶工作：每個交付成果都附帶其背後完整的關係歷史。
然後是第二部分：知識庫本身變成了產品。
研究頁面變成了文章和指南，概念頁面變成了課程，客戶頁面變成了案例研究……你不再從空白頁面開始創作，而是包裝機器已經驗證過的內容。
拯救你知識庫的警告：同步是知識庫死亡的地方。
只運行一個同步系統……如果 Agent 在 iCloud 同步檔案時寫入檔案，你會得到衝突的副本和混亂的資料夾。
Git，程式設計師使用的存檔點系統，可以作為檢查點層……它只在你告訴它的時候鎖定一個版本，而這個設定能夠存活下來。
速查卡
整個建構流程，按順序……複製這個：
建立知識庫：raw/、entities/、concepts/ 和一個 INDEX.md。
將四條規則寫入你的 CLAUDE.md：每個檔案一個教訓、更新而非複製、刪除錯誤的、永遠不要碰 raw/。
將你擁有的所有東西傾倒到 raw/ 中：逐字稿、書籤、筆記、客戶資料夾。
使用貼上的證據和停止條款運行 /goal 回溯填充。
排程循環：會話鉤子、在廉價等級上每晚編譯、每週 lint、一次高階綜合程序。
運行每週研究掃描：四散開來，讓懷疑論者攻擊，將存活下來的主張作為帶有日期的頁面存入。
將三行知識程式碼添加到每個專案的 CLAUDE.md 中。
駕駛座上的模型會再次改變……知識庫會在每次更換中存活下來，而寫入其中的回饋會讓它每週都變得更聰明，無論誰在駕駛。
最精簡的版本只需要一個小時：一個資料夾、十個關於你業務的檔案，以及一個被告知要先讀取它們的 Agent。
你的產出會告訴你其餘的一切。
加入世界上最好的 AI 社群：weeklyaiops.com
