即刻App年轻人的同好社区
下载
写的真好，最近很少看到让人静下心来读完的文章～
Yibie: 在等待 AI 的间隙，我写了这封信给你。 https://gtdstudy.com
0 00
值得一试！我的第一想法是：ooda 可以作为 ralph loop的一个检测器模块，让llm思考是不是走在正确的设计/实现上了。你还有其他的搭配思路吗🙈
幻梦算法: 非常值得和Ralph Wiggum配上！无限循环自动运行的程序员
0 00
一个 Skill 搞定 6 大平台信息抓取
分享一个我最近搭的 AI 信息抓取skill，代码我放到github.com 中了。
这个skill预设了 AI 前沿理论、AI工具，投资理财、思维模型、家庭教育几个领域，一句话触发，它就自动帮我把各平台热点抓回来、总结成中文、存进我的obsidian知识库中，并自动同步到移动端，我每天起床打开手机即可以看到最新的推送消息。
具体流程拆解可以见图一。
1️⃣ 初始化 — 读取我的配置文件，自动创建当天的日期文件，还支持断点续跑（中途断了下次接着来）
2️⃣ 工具三级回退 — 优先用浏览器 MCP（能复用已登录的会话），不行就降级到内置浏览器，再不行就纯 HTTP 抓取，确保总能拿到数据
3️⃣ Feed 数据源 — 自动拉取 Follow Builders 的推文聚合和播客聚合 JSON，总结成中文写入
4️⃣ 主题检索（核心） — 逐个主题在对应平台搜索：
技术类（AI 工具 / LLM 理论 / 具身智能）→ HuggingFace Papers + X
软技能类（思维模型 / 投资管理 / 家庭教育）→ YouTube + Reddit
每个主题提取 10+ 条，自动翻译总结成中文
5️⃣ 关注账号追踪 — 10 个我长期关注的 X 大 V，每人抓最新 3 条动态（Karpathy、Jim Fan、Ethan Mollick 这些大佬全在里面）
6️⃣ 写入完成标记 — 全部抓完打个 all_done 标记
7️⃣ 自动同步 — 通过 Obsidian CLI 调用 Remotely Save 插件，一键推送到云端，手机上也能随时看
最爽的几个点：
✅ 每一步抓完立即写入文件，不怕中途崩溃丢数据
✅ 断点续跑，上次跑到哪就从哪接着来
✅ 所有信息自动翻译成中文摘要，不用自己啃英文
✅ 输出就是一个 Markdown 文件，直接进 Obsidian 知识库
✅ 主题、平台、关注账号全部可配置，改个配置文件就行
我的配置参考图二。
有同样需求的朋友可以参考这个思路，根据自己的兴趣领域定制！
分享一个我最近搭的 AI 信息抓取skill，代码我放到github.com 中了。
这个skill预设了 AI 前沿理论、AI工具，投资理财、思维模型、家庭教育几个领域，一句话触发，它就自动帮我把各平台热点抓回来、总结成中文、存进我的obsidian知识库中，并自动同步到移动端，我每天起床打开手机即可以看到最新的推送消息。
具体流程拆解可以见图一。
1️⃣ 初始化 — 读取我的配置文件，自动创建当天的日期文件，还支持断点续跑（中途断了下次接着来）
2️⃣ 工具三级回退 — 优先用浏览器 MCP（能复用已登录的会话），不行就降级到内置浏览器，再不行就纯 HTTP 抓取，确保总能拿到数据
3️⃣ Feed 数据源 — 自动拉取 Follow Builders 的推文聚合和播客聚合 JSON，总结成中文写入
4️⃣ 主题检索（核心） — 逐个主题在对应平台搜索：
技术类（AI 工具 / LLM 理论 / 具身智能）→ HuggingFace Papers + X
软技能类（思维模型 / 投资管理 / 家庭教育）→ YouTube + Reddit
每个主题提取 10+ 条，自动翻译总结成中文
5️⃣ 关注账号追踪 — 10 个我长期关注的 X 大 V，每人抓最新 3 条动态（Karpathy、Jim Fan、Ethan Mollick 这些大佬全在里面）
6️⃣ 写入完成标记 — 全部抓完打个 all_done 标记
7️⃣ 自动同步 — 通过 Obsidian CLI 调用 Remotely Save 插件，一键推送到云端，手机上也能随时看
最爽的几个点：
✅ 每一步抓完立即写入文件，不怕中途崩溃丢数据
✅ 断点续跑，上次跑到哪就从哪接着来
✅ 所有信息自动翻译成中文摘要，不用自己啃英文
✅ 输出就是一个 Markdown 文件，直接进 Obsidian 知识库
✅ 主题、平台、关注账号全部可配置，改个配置文件就行
我的配置参考图二。
有同样需求的朋友可以参考这个思路，根据自己的兴趣领域定制！
1 00
同感！今年我就打算只精读一本书，我给这本书在写网站（100-minds-gamma.vercel.app），写agent skill，用google deep rearch做主题报告。其他书就挑感兴趣的速读下😄
Mien敏桉: 很多人对读书过于赋魅了。总觉得得焚香沐浴大块时间才能读书，看到高营养密度的书这不得做个读书笔记？一年读完了多少本书更是成为了一个人读书多不多的硬标准。 要我说，读书的时间就是见缝插针，大块时间当然更好，但我更乐意用大块时间搞搞创造性的工作。对于绝大多数人而言，读书本质是个消费型爱好，枕上马上厕上就够用；社科类图书是最适合跳读的，习得核心知识后，去跟大模型你来我回地聊两句，更高效也更愉快；一年读完了20本书在我看来远不如读完了两本书但泛读甚至只读了50本书的开头。 重要的是读就行了，不要给自己提那么多要求，徒增压力没有助益。
0 00
给 Claude 装了一个「包以德循环」决策引擎
最近给自己的 Claude 写了一个 OODA 决策顾问的 Skill，用了几轮之后觉得值得分享一下。
━━━━━━━━━━━━━━━━
背景
约翰·包以德（John Boyd）是冷战时期的美国空军战略家，他提出的 OODA Loop 本来是飞行员空战决策模型，后来被广泛用于商业竞争和创业策略。核心逻辑是：谁的循环转得更快、更准，谁就赢。
━━━━━━━━━━━━━━━━
这个 Skill 做了什么
把 OODA 四个阶段严格结构化，强制 Claude 不能跳步骤：
▸ Observe 采集环境数据，识别盲点
▸ Orient 破坏旧认知，重建心智模型（最核心）
▸ Decide 输出 3 个假设驱动的策略选项
▸ Act 最小可行行动 + 闭环指标设定
最有意思的是 Orient 阶段——它会主动帮你识别沉没成本谬误、确认偏见这类认知陷阱，然后用博弈论/系统论重新解释你的处境。不是给答案，是帮你换一副眼镜。
━━━━━━━━━━━━━━━━
一个实际用法
我在做某个产品方向决策时丢进去，它先问了我一堆「你没想到要说」的问题（竞品的退出信号、用户流失的时间分布），然后直接指出我在用「去年的市场假设」做今年的决策——这个 reframe 本身就值了。
━━━━━━━━━━━━━━━━
Skill 的设计思路
每轮决策结果都写入 decision_log.jsonl，下次启动时先 review 历史预测准确率，动态调整风险偏好。跨会话的「校准记忆」，算是对 Claude 无状态问题的一个补丁。
适合场景：竞争环境模糊、方向不确定、需要快速迭代决策的时候。
不适合：你只是想要一个确定答案。
━━━━━━━━━━━━━━━━
完整 SKILL.md 附后 👇，这个skill附带一些脚本和资源，可以点击评论区链接下载
---
name: ooda-decision-advisor
description: 本技能是一个基于约翰·包以德"OODA循环"的高级战略决策引擎。当用户处于高度不确定性、面临竞争对手的挑战、需要快速寻找"产品/市场契合度(PMF)"，或者明确要求"使用包以德循环/OODA进行决策调整"时触发。请勿在常规的语法排错或简单的日常问答中调用此技能。
license: Apache-2.0
compatibility: Universal (Claude, Codex, Copilot, Cursor)
---
包以德循环（OODA Loop）自适应决策顾问
作为一名深谙约翰·包以德控制论与战略学说的高级顾问，你的目标是帮助用户在模糊且快速变化的环境中以谋略制胜。你必须带领用户严格经历观察（Observe）、调整（Orient）、决策（Decide）、行动（Act）四个阶段。绝不允许跳过任何阶段，且必须在前一阶段的信息被充分验证后才能进入下一阶段。
阶段 1：观察（OBSERVE）—— 构建环境基线
不要立即给出建议。你的首要任务是引导用户进行全方位的数据采集，区分信号与噪音。跨会话记忆：如果这不是第一次循环，请务必先查阅 assets/decision_log.jsonl，评估用户「先前预测的准确性」，从而动态调整本次循环的风险偏好。如果用户在「观察」阶段难以理清思路，可提取 references/ooda_diagnostic_worksheet.md 作为结构化问卷辅助。向用户提出结构化问题，收集当前情况的内部约束（如资源、时间）和外部变量（竞争对手的动态、市场趋势反馈）。识别用户陈述中的潜在盲点，关注用户「没有说到」的缺失数据。输出：总结出一份「当前环境状态清单」，明确列出现有已知事实和关键未知领域。
阶段 2：调整（ORIENT）—— 认知引擎的毁灭与创造
这是循环的核心。你必须帮助用户摆脱僵化的心智模型。如果用户受困于传统思维，请自动查阅 references/destruction_and_creation.md 获取深层理论指导。
破坏性演绎（Destructive Deduction）：毫不留情地审查用户第一阶段的数据。可主动查阅 references/cognitive_biases.md，识别并指出用户的隐性假设、认知偏见（如沉没成本谬误、确认偏见）以及过时的行业范式。将用户面临的庞大问题拆解为最原子的孤立因素。
创造性归纳（Creative Induction）：运用跨学科知识库（物理学、心理学、经济学、博弈论），并查阅 references/mental_models_library.md 获取多元思维模型，将上述原子因素与全新的视角重新组合，为用户构建一个解释当前困境的全新「心智模型（Mental Model）」。
输出：提交一份「认知重构报告」，清晰指出用户之前的认知误区，并确立新的核心焦点（Schwerpunkt）。
阶段 3：决策（DECIDE）—— 制定战略假设
将新的认知转化为可执行的选项。记住，所有决策在复杂系统中都仅仅是「假设」。基于重构后的认知，提出 3 个截然不同的战略调整方案。每个方案都必须以科学假设的形式呈现（「如果执行动作 X，预期会观察到结果 Y，其底层逻辑是 Z」）。必须使用决策选项评估矩阵进行输出，矩阵包含：选项编号、战略方向、核心假设推演、主要执行风险、预估落地节奏（Tempo）、资源消耗评估。
阶段 4：行动（ACT）—— 快速测试与反馈闭环
引导用户将决策投入现实以获取新的数据，完成循环。要求用户从上述选项中选择一个。为用户选定的方案制定一个「最小可行性行动（Minimum Viable Action）」，强调以最低的资源成本在最短的时间内（高节奏 Tempo）对系统进行扰动。明确设定衡量该行动成败的具体时间点和量化指标，并强烈提醒用户：一旦行动产生结果，必须立即将新数据带回「观察」阶段，启动下一轮极速循环。日志记录：必须将用户在本轮 OODA 循环中的最终决策、核心假设和预期衡量指标以 JSON 格式追加写入（Append-only）到 assets/decision_log.jsonl 中，为下一轮迭代提供历史记录原材料。
最近给自己的 Claude 写了一个 OODA 决策顾问的 Skill，用了几轮之后觉得值得分享一下。
━━━━━━━━━━━━━━━━
背景
约翰·包以德（John Boyd）是冷战时期的美国空军战略家，他提出的 OODA Loop 本来是飞行员空战决策模型，后来被广泛用于商业竞争和创业策略。核心逻辑是：谁的循环转得更快、更准，谁就赢。
━━━━━━━━━━━━━━━━
这个 Skill 做了什么
把 OODA 四个阶段严格结构化，强制 Claude 不能跳步骤：
▸ Observe 采集环境数据，识别盲点
▸ Orient 破坏旧认知，重建心智模型（最核心）
▸ Decide 输出 3 个假设驱动的策略选项
▸ Act 最小可行行动 + 闭环指标设定
最有意思的是 Orient 阶段——它会主动帮你识别沉没成本谬误、确认偏见这类认知陷阱，然后用博弈论/系统论重新解释你的处境。不是给答案，是帮你换一副眼镜。
━━━━━━━━━━━━━━━━
一个实际用法
我在做某个产品方向决策时丢进去，它先问了我一堆「你没想到要说」的问题（竞品的退出信号、用户流失的时间分布），然后直接指出我在用「去年的市场假设」做今年的决策——这个 reframe 本身就值了。
━━━━━━━━━━━━━━━━
Skill 的设计思路
每轮决策结果都写入 decision_log.jsonl，下次启动时先 review 历史预测准确率，动态调整风险偏好。跨会话的「校准记忆」，算是对 Claude 无状态问题的一个补丁。
适合场景：竞争环境模糊、方向不确定、需要快速迭代决策的时候。
不适合：你只是想要一个确定答案。
━━━━━━━━━━━━━━━━
完整 SKILL.md 附后 👇，这个skill附带一些脚本和资源，可以点击评论区链接下载
---
name: ooda-decision-advisor
description: 本技能是一个基于约翰·包以德"OODA循环"的高级战略决策引擎。当用户处于高度不确定性、面临竞争对手的挑战、需要快速寻找"产品/市场契合度(PMF)"，或者明确要求"使用包以德循环/OODA进行决策调整"时触发。请勿在常规的语法排错或简单的日常问答中调用此技能。
license: Apache-2.0
compatibility: Universal (Claude, Codex, Copilot, Cursor)
---
包以德循环（OODA Loop）自适应决策顾问
作为一名深谙约翰·包以德控制论与战略学说的高级顾问，你的目标是帮助用户在模糊且快速变化的环境中以谋略制胜。你必须带领用户严格经历观察（Observe）、调整（Orient）、决策（Decide）、行动（Act）四个阶段。绝不允许跳过任何阶段，且必须在前一阶段的信息被充分验证后才能进入下一阶段。
阶段 1：观察（OBSERVE）—— 构建环境基线
不要立即给出建议。你的首要任务是引导用户进行全方位的数据采集，区分信号与噪音。跨会话记忆：如果这不是第一次循环，请务必先查阅 assets/decision_log.jsonl，评估用户「先前预测的准确性」，从而动态调整本次循环的风险偏好。如果用户在「观察」阶段难以理清思路，可提取 references/ooda_diagnostic_worksheet.md 作为结构化问卷辅助。向用户提出结构化问题，收集当前情况的内部约束（如资源、时间）和外部变量（竞争对手的动态、市场趋势反馈）。识别用户陈述中的潜在盲点，关注用户「没有说到」的缺失数据。输出：总结出一份「当前环境状态清单」，明确列出现有已知事实和关键未知领域。
阶段 2：调整（ORIENT）—— 认知引擎的毁灭与创造
这是循环的核心。你必须帮助用户摆脱僵化的心智模型。如果用户受困于传统思维，请自动查阅 references/destruction_and_creation.md 获取深层理论指导。
破坏性演绎（Destructive Deduction）：毫不留情地审查用户第一阶段的数据。可主动查阅 references/cognitive_biases.md，识别并指出用户的隐性假设、认知偏见（如沉没成本谬误、确认偏见）以及过时的行业范式。将用户面临的庞大问题拆解为最原子的孤立因素。
创造性归纳（Creative Induction）：运用跨学科知识库（物理学、心理学、经济学、博弈论），并查阅 references/mental_models_library.md 获取多元思维模型，将上述原子因素与全新的视角重新组合，为用户构建一个解释当前困境的全新「心智模型（Mental Model）」。
输出：提交一份「认知重构报告」，清晰指出用户之前的认知误区，并确立新的核心焦点（Schwerpunkt）。
阶段 3：决策（DECIDE）—— 制定战略假设
将新的认知转化为可执行的选项。记住，所有决策在复杂系统中都仅仅是「假设」。基于重构后的认知，提出 3 个截然不同的战略调整方案。每个方案都必须以科学假设的形式呈现（「如果执行动作 X，预期会观察到结果 Y，其底层逻辑是 Z」）。必须使用决策选项评估矩阵进行输出，矩阵包含：选项编号、战略方向、核心假设推演、主要执行风险、预估落地节奏（Tempo）、资源消耗评估。
阶段 4：行动（ACT）—— 快速测试与反馈闭环
引导用户将决策投入现实以获取新的数据，完成循环。要求用户从上述选项中选择一个。为用户选定的方案制定一个「最小可行性行动（Minimum Viable Action）」，强调以最低的资源成本在最短的时间内（高节奏 Tempo）对系统进行扰动。明确设定衡量该行动成败的具体时间点和量化指标，并强烈提醒用户：一旦行动产生结果，必须立即将新数据带回「观察」阶段，启动下一轮极速循环。日志记录：必须将用户在本轮 OODA 循环中的最终决策、核心假设和预期衡量指标以 JSON 格式追加写入（Append-only）到 assets/decision_log.jsonl 中，为下一轮迭代提供历史记录原材料。
55 630
这个春节我在家看了@范冰 的课程，关于打造个人专属的贾维斯智能助手，我受到这门课的很多启发。其实不是在工具或者说技术层面的启发，是在关于如何把已有的AI工具做一个系统的集成，让它具备信息收集、信息处理、信息反馈的完整的能力。
大体来说，这个系统至少需要一个信息反馈层，比如通过一些定时任务来把处理好的信息发送到聊天应用、邮件等地方。还需要有一个知识管理库。我们所学过的以往的经验和知识沉淀，可以放到一个中心式存储的地方。最后还需要一个Agent层，它是用来理解我们发送的指令的意图，执行相应的任务并且返回任务结果的调用底层。
当然，范冰的课程中，把他的个人贾维斯系统分了五层结构。这几天我也按照类似的思路在思考，我的个人的智能知识管理系统应该怎么构建？结合我之前因为感兴趣，一直在探索的项目，我有了一些思路。
首先说Agent执行层吧。最底层我还是采用claude code，接入的大模型是Minimax M2.5。但在claude code上层，我还使用了一个Agent框架，叫nano bot。我使用这个Agent框架来帮助我完成Heartbeat，指一些循环轮询的操作，连接飞书等聊天应用，以及执行一些简单的任务操作。当涉及到复杂的任务时，Nano Bot能调用claude code来具体执行一个复杂的项目，此外，我还给Cloud Code用了一个叫Memory Search的一个记忆系统插件，这个插件能运用语义搜索以及关键词的检索，作为一个混合检索的一个手段，来帮我在当前的对话中检索我之前对话的一些关键信息。Agent执行层的框架大概就在这里结束了。
知识库管理，我依然和范冰采用一样的策略，采用的是obsidian。为了更好地和claude code的结合，我是通过claudesidian这个开源项目来管理Obsidian的内容。claudesidian采用的是PARA方法整理的目录结构，能够很好的区分素材收藏、中期项目、感兴趣的长期关注领域，我觉得这个开源项目还是挺不错的，推荐给大家。
最上层的信息反馈层，我当前还没有整理好，比较简单的方式是我需要找到一些工具来订阅我关注的信息源。当他们更新时，我的agent执行层会采用轮询的方式来抓取更新的信息，来生成一个总结概要，并且通过邮件或者飞书等方式推送给我。但具体的方案未定，等我实现之后再向大家反馈。
大体来说，这个系统至少需要一个信息反馈层，比如通过一些定时任务来把处理好的信息发送到聊天应用、邮件等地方。还需要有一个知识管理库。我们所学过的以往的经验和知识沉淀，可以放到一个中心式存储的地方。最后还需要一个Agent层，它是用来理解我们发送的指令的意图，执行相应的任务并且返回任务结果的调用底层。
当然，范冰的课程中，把他的个人贾维斯系统分了五层结构。这几天我也按照类似的思路在思考，我的个人的智能知识管理系统应该怎么构建？结合我之前因为感兴趣，一直在探索的项目，我有了一些思路。
首先说Agent执行层吧。最底层我还是采用claude code，接入的大模型是Minimax M2.5。但在claude code上层，我还使用了一个Agent框架，叫nano bot。我使用这个Agent框架来帮助我完成Heartbeat，指一些循环轮询的操作，连接飞书等聊天应用，以及执行一些简单的任务操作。当涉及到复杂的任务时，Nano Bot能调用claude code来具体执行一个复杂的项目，此外，我还给Cloud Code用了一个叫Memory Search的一个记忆系统插件，这个插件能运用语义搜索以及关键词的检索，作为一个混合检索的一个手段，来帮我在当前的对话中检索我之前对话的一些关键信息。Agent执行层的框架大概就在这里结束了。
知识库管理，我依然和范冰采用一样的策略，采用的是obsidian。为了更好地和claude code的结合，我是通过claudesidian这个开源项目来管理Obsidian的内容。claudesidian采用的是PARA方法整理的目录结构，能够很好的区分素材收藏、中期项目、感兴趣的长期关注领域，我觉得这个开源项目还是挺不错的，推荐给大家。
最上层的信息反馈层，我当前还没有整理好，比较简单的方式是我需要找到一些工具来订阅我关注的信息源。当他们更新时，我的agent执行层会采用轮询的方式来抓取更新的信息，来生成一个总结概要，并且通过邮件或者飞书等方式推送给我。但具体的方案未定，等我实现之后再向大家反馈。
24 311
