用 Agent Skills 构建数字大脑：面向个人操作系统的渐进式上下文工程实战指南

用 Agent Skills 构建数字大脑面向个人操作系统的渐进式上下文工程实战指南【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering本文以仓库examples/digital-brain-skill/下的 Digital Brain Skill 为蓝本系统拆解如何用上下文工程Context Engineering原则设计一个可被 AI Agent 高效操作的个人操作系统——涵盖数字形象、内容创作、知识库、人脉网络与日常运营五大域。读者读完将掌握渐进式披露Progressive Disclosure三级加载架构、JSONL/YAML/Markdown/XML 四类文件格式的选型逻辑、append-only 数据完整性策略以及内容创作、会前准备、周回顾三大核心工作流并理解如何用仓库源码weekly_review.py、content_ideas.py 等把理论落地为可运行的自动化脚本。什么是 Digital Brain为 AI 辅助设计的个人操作系统Digital Brain 是一个结构化的个人操作系统Personal Operating System专门用于在 AI 辅助下管理数字形象、知识、人际关系与目标。它的目标人群非常明确公开构建Build in Public的创始人——需要持续产出高质量内容、维护个人品牌增长受众的内容创作者——需要系统化的选题、创作与复盘流程技术型专业人士——希望用 AI 接管重复性个人管理工作。与普通笔记系统最大的区别在于Digital Brain 的每一处设计决策都以AI Agent 能否高效读写为第一优先级。它的骨架是一份 SKILL.mdfrontmatter 声明了name: digital-brain、激活条件与描述六个模块目录各自承载一类业务数据外加agents/scripts/中的 Python 自动化脚本。整个系统遵循上下文工程的核心信条不要一次性把所有信息塞给模型只加载当前任务真正需要的那部分。从上下文工程的角度看这个 Skill 是仓库中 context-fundamentals、memory-systems、tool-design、context-optimization 等能力的一次完整落地示范SKILLS-MAPPING.md 详细记录了这种映射关系。何时激活这个 SkillSKILL.md 定义了一组触发场景与触发短语Agent 应根据用户请求判断是否需要加载本 Skill用户请求类型应加载的模块内容创作帖子、帖子串、newsletter先加载identity/voice.md个人品牌 / 定位咨询identity 模块查询或管理人脉关系network 模块捕捉或发展内容灵感content 模块会议准备或会后跟进network operations周回顾或目标跟踪operations agents保存/检索书签资源knowledge 模块组织研究或学习材料knowledge 模块触发短语示例write a post、my voice、content ideas、who is [name]、prepare for meeting、weekly review、save this、my goals。这种按需激活的设计本身就体现了上下文优化思想——只有当用户请求命中上述场景时Agent 才把这份 Skill 的指令装入上下文其余时间它保持静默。核心概念一渐进式披露Progressive Disclosure三级加载架构这是整个 Digital Brain 最核心的架构决策。文档明确说明本 Skill 使用渐进式披露模块级指令存放在各子目录的.md文件中只加载当前任务需要的那一层。三级加载模式如下层级加载时机内容L1: 元数据始终加载SKILL.md 总览路由信息、激活条件、核心规则L2: 模块指令按需加载[module]/[MODULE].md各模块指令文件L3: 数据文件按需读取.jsonl、.yaml、.md各类业务数据以一次写帖子任务为例SKILLS-MAPPING.md 给出了 token 开销的量化对比Files Loaded: - SKILL.md (50 tokens) - Routing - identity/IDENTITY.md (80 tokens) - Module instructions - identity/voice.md (200 tokens) - Voice patterns - identity/brand.md (scan for pillars) - Topic validation Total: ~400 tokens vs loading entire brain (~5000 tokens)一次会前准备的加载成本则更低Files Loaded: - SKILL.md (50 tokens) - Routing - network/NETWORK.md (60 tokens) - Module instructions - network/contacts.jsonl (scan for Alex) - Contact data - network/interactions.jsonl (filter by contact_id) - History Total: ~300 tokens for relevant context only从源码结构看L2 层即各模块目录下的IDENTITY.md、CONTENT.md、KNOWLEDGE.md、NETWORK.md、OPERATIONS.md、AGENTS.md六个指令文件如 identity/IDENTITY.md、content/CONTENT.md每个文件都带 frontmatter 描述该模块的职责并包含面向 Agent 的instructions指令块。L3 数据文件则通过先扫后取的方式按需读取例如在 network 模块中Agent 先扫描contacts.jsonl找到目标联系人再只针对该contact_id加载interactions.jsonl中的历史交互而不是整文件载入。这种架构有效控制了上下文膨胀Context Bloat。SKILLS-MAPPING.md 中提出了明确的文件体积约束SKILL.md 控制在 200 行以内每个模块指令文件控制在 100 行以内voice.md 控制在 300 行以内数据一律外置文件而非内联。核心概念二文件格式策略——为 Agent 解析而选型Digital Brain 对不同数据类型选择了不同格式全部围绕最优 Agent 解析效率这一目标格式用途设计理由JSONL(.jsonl)追加型日志ideas、posts、contacts、interactions天然支持 append-only按行流式读取无需整文件解析首行可作 schemaAgent 可用标准 JSON 解析可用 grep 快速搜索YAML(.yaml)结构化配置goals、values、circles、learning层次结构清晰、人类可读、支持注释Markdown(.md)叙事型内容voice、brand、calendar、todos人类可读写、富文本格式、Git 友好 diff、通用渲染XML(.xml)复杂提示词内容生成模板命名区块instructions/context/output结构清晰、便于 Agent 解析与校验在 SKILLS-MAPPING.md 中对 JSONL 的选择有明确的取舍记录✓ Append-only by design ✓ Stream-friendly (no full file parse) ✓ Schema per line (first line documents structure) ✓ Agent-friendly (standard JSON parsing) ✓ Grep-compatible for quick searches ✗ Not human-editable (use YAML/MD for configs) ✗ No transactions (acceptable for personal data)注意 JSONL 的 schema 约定JSONL 文件的第一行应存放结构定义_schema条目后续才是真实数据。weekly_review.py 中的load_jsonl()函数印证了这一约定——它在读取时显式跳过包含_schema键的行def load_jsonl(filepath): Load JSONL file, skipping schema lines. items [] if not filepath.exists(): return items with open(filepath, r) as f: for line in f: line line.strip() if not line: continue try: data json.loads(line) # Skip schema definition lines if _schema not in data: items.append(data) except json.JSONDecodeError: continue return items同理YAML 用于 goals/values/circles 这类需要人工维护的配置Markdown 用于 voice/brand 这类叙事内容XML 用于 identity/prompts/ 下的复杂生成提示词。核心概念三Append-Only 数据完整性JSONL 文件被设计为只追加append-only永不删除。文档明确给出了两条规则需要废弃数据时将其标记为status: archived而不是物理删除保留完整历史的价值在于可供模式分析支撑什么有效what worked的复盘。这正是 memory-systems 中追加型日志 结构化召回思想的应用。SKILLS-MAPPING.md 指出interactions.jsonl记录离散事件情景记忆posts.jsonl记录带表现指标的内容用于回顾性分析bookmarks.jsonl通过分类与标签实现基于主题的检索语义记忆而operations/metrics.jsonl通过每周快照的累积支持趋势分析。与 Append-Only 配套的还有几条操作纪律在 AGENT.md 与 SKILL.md 的 Guidelines 中反复强调Voice First任何内容生成前必须先读identity/voice.md只追加不覆盖JSONL 文件永远 append绝不覆写更新时间戳修改被跟踪的数据时设置updated字段跨模块引用知识反哺内容人脉反哺运营记录交互会议/通话必须记录到interactions.jsonl保留历史posts.jsonl中的历史内容为未来表现提供依据。模块全景六大目录各司其职SKILL.md 给出了模块总览结合 README.md 的架构树完整的目录结构如下digital-brain/ ├── SKILL.md # 主 Skill 定义Claude Code 兼容 ├── SKILLS-MAPPING.md # 上下文工程技能映射 │ ├── identity/ # 个人品牌与声音内容创作必读 ├── content/ # 内容创作枢纽 ├── knowledge/ # 个人知识库 ├── network/ # 关系管理个人 CRM ├── operations/ # 生产力系统 ├── agents/ # 自动化脚本 ├── references/ # 详细文档file-formats.md └── examples/ # 使用工作流示例identity 模块内容创作的第一道闸门规则任何内容生成前必须读取identity/voice.md。该模块包含文件用途voice.md语气、风格、写作模式brand.md定位、话题、受众values.yaml核心价值观与原则bio-variants.md各平台的 bio 变体prompts/可复用的内容生成模板identity/IDENTITY.md 中给 Agent 的核心指令是写作前 ALWAYS 读 voice.md匹配能量级别、词汇与结构模式避开never use清单中的词汇自然融入签名短语再用 brand.md 校验话题相关性。identity/voice.md 展示了 voice 文件的真实结构——它不是一个泛泛的写作建议而是一份高度结构化的声音画像包括Personality Snapshot2-3 句话的沟通个性描述Voice Attributes1-10 评分表正式↔随意、严肃↔俏皮、技术↔通俗、内敛↔外放、谦逊↔自信五个维度Writing Patterns句子结构、段落风格、钩子模式Vocabulary签名短语signature phrases、常用强力词power words、禁用词never usePlatform AdaptationsTwitter/X、LinkedIn、长文博客/Newsletter各自的适配说明Content Formats帖子串结构、热门观点/故事/教育三种帖子模板Anti-Patterns不像本人的写作风格样例。设计哲学来自 SKILLS-MAPPING.md找到能最大化期望结果的最小高信号 token 集合——voice.md 只保留有区分度的模式签名短语、反模式而不是泛泛的写作常识因为后者模型本来就知道。content 模块从灵感到发布的完整管线content/CONTENT.md 定义了内容管线ideas.jsonl → drafts/ → posts.jsonl文件格式用途ideas.jsonlJSONL原始内容灵感只追加posts.jsonlJSONL已发布内容日志calendar.mdMarkdown内容排期drafts/文件夹进行中的草稿templates/文件夹可复用的内容格式thread.md 等engagement.jsonlJSONL收藏的灵感帖/帖子串灵感捕获 schema追加到ideas.jsonl{ id: idea_YYYYMMDD_HHMMSS, created: ISO8601, idea: content, source: where it came from, pillar: content pillar, status: raw|developing|ready, priority: high|medium|low }内容创作管线1. ideas.jsonl (capture) ↓ 2. drafts/draft_[topic].md (develop) ↓ 3. Review against voice.md ↓ 4. Publish ↓ 5. posts.jsonl (archive with metrics)优先级评分标准High时机好、价值高、与当前目标一致Medium好点子、不急Low值得记录、以后发展。templates/目录提供了可直接使用的帖子串模板content/templates/thread.md包含九段式结构1/ Hook必须让人停下滑动→ 2/ Context建立问题情境→ 3-7/ Main Points核心价值→ 8/ Takeaway一句话洞察→ 9/ CTA行动号召并附发布前 checklist钩子是否抓人、每条推文独立又连贯、价值清晰可执行、对照 voice.md 校验声音、不超过 280 字符、CTA 清晰不强势。knowledge 模块第二大脑knowledge/KNOWLEDGE.md 管理书签、研究与学习。书签条目 schema{ id: bm_YYYYMMDD_HHMMSS, saved_at: ISO8601, url: https://..., title: Page title, source: article|video|podcast|tool|tweet|paper, category: category_name, summary: 1-2 sentence summary, key_insights: [insight1, insight2], status: unread|read|reviewed|archived, rating: 1-5, tags: [tag1, tag2] }知识模块提供了 7 个推荐分类ai_agents、building、growth、productivity、leadership、industry、personal。知识图谱提示Knowledge Graph Hints书签→内容灵感、研究→权威内容、学习→品牌中突出的技能、竞品→差异化角度。network 模块带关系分层的人脉 CRMnetwork/NETWORK.md 是 Digital Brain 的人脉管理核心采用关系分层relationship tiers不同层级对应不同的触达节奏层级触达频率inner每周触达亲密关系active每两周触达当前合作者network每月触达普通联系人dormant每季度激活检查沉睡连接联系人条目 schemacontacts.jsonl{ id: contact_[unique], created: ISO8601, updated: ISO8601, name: Full Name, handle: twitter_handle, email: emaildomain.com, company: Company Name, role: Their Role, location: City, Country, circle: inner|active|network|dormant, how_met: How you met, relationship: friend|mentor|peer|collaborator|investor|customer, topics: [topic1, topic2], can_help_with: [what they can help you with], you_can_help_with: [how you can help them], notes: Personal notes, last_contact: ISO8601, links: {twitter: url, linkedin: url, website: url} }交互记录 schemainteractions.jsonl{ id: int_YYYYMMDD_HHMMSS, date: ISO8601, contact_id: contact_[id], type: call|coffee|dm|email|event|collab, context: What you discussed, key_points: [point1, point2], follow_ups: [action1, action2], sentiment: positive|neutral|needs_attention }注意contact_id字段在contacts.jsonl与interactions.jsonl之间建立了关联——这正是 memory-systems 中结构化召回的实现一致的 schema 使模式匹配成为可能。网络模块还包含一套价值观声明networking_philosophy先给予再索取、质量优于数量、跟进就是一切、真诚地提供帮助、做有温度的引荐而非冰冷的介绍。operations 模块生产力操作系统operations/OPERATIONS.md 提供任务与目标管理采用P0-P3 优先级体系优先级含义P0今天就做阻塞其他工作P1本周完成重要P2本月完成有价值P3积压锦上添花工作流设计每日流早晨审todos.md并排序 → 全天勾选完成/新增 → 晚间记录会议、更新指标每周回顾每周日运行weekly_review.py→ 对比完成与计划 → 检查metrics.jsonl→ 规划下周 → 更新goals.yaml进度季度目标回顾上季度 → 更新goals.yaml为新 OKR → 拆解为月度目标 → 对齐内容日历。三大核心工作流实战SKILL.md 给出了三条可直接照做的核心流程下面结合仓库示例文件做完整展开。工作流一内容创作1. Read identity/voice.md (REQUIRED) 2. Check identity/brand.md for topic alignment 3. Reference content/posts.jsonl for successful patterns 4. Use content/templates/ as starting structure 5. Draft matching voice attributes 6. Log to posts.jsonl after publishingexamples/content-workflow.md 用一个完整案例展示了全过程用户输入帮我写一条关于 building in public 的帖子串后Agent 依次完成——识别触发词与话题 → 读取 voice.md 提取声音模式formal_casual: 7/10、签名短语 Heres the thing/Let me break it down、禁用词 synergy/circle back→ 读取 brand.md 确认building_in_public是内容支柱 → 扫描 posts.jsonl 发现故事型帖子串表现最好的规律 → 在 ideas.jsonl 中找到一个相关的高优先级未开发灵感 → 用 thread.md 作为骨架起草 → 逐项对照 voice.md 做声音一致性校验 → 发布后把完整数据追加到 posts.jsonl。发布日志的 schemacontent-workflow.md 中的完整示例{ id: post_20241229_180000, published: 2024-12-29T18:00:00Z, platform: twitter, type: thread, content: Unpopular opinion: Building in public isnt about the wins..., url: https://twitter.com/user/status/123456789, pillar: building_in_public, metrics: { impressions: 0, likes: 0, comments: 0, reposts: 0 }, metrics_updated: 2024-12-29T18:00:00Z, notes: Story-driven format, fear angle resonated in drafting, tags: [thread, building_in_public] }工作流二会前准备1. Look up contact: network/contacts.jsonl 2. Get history: network/interactions.jsonl 3. Check pending: operations/todos.md 4. Generate brief with contextSKILL.md 给出的示例输入是 Prepare me for my call with Sarah Chen处理过程为在contacts.jsonl中搜索 Sarah Chen → 从interactions.jsonl拉取近期条目 → 检查todos.md中与 Sarah 相关的待办 → 汇总简报角色、背景、上次讨论内容、跟进事项。network/NETWORK.md 补充了会前与会后的完整闭环会前查联系人、审近期交互、看 circles.yaml 的关系上下文、记录待跟进项会后必须把交互记入interactions.jsonl、更新contacts.jsonl的last_contact、把跟进事项加入todos.md。工作流三每周回顾1. Run: python agents/scripts/weekly_review.py 2. Review metrics in operations/metrics.jsonl 3. Check stale contacts: agents/scripts/stale_contacts.py 4. Update goals progress in operations/goals.yaml 5. Plan next week in content/calendar.mdagents/AGENTS.md 给出了周日的完整自动化流程先运行metrics_snapshot.py更新metrics.jsonl再运行stale_contacts.py识别需要跟进的关系然后运行weekly_review.py生成回顾文档最后把总结呈现给用户。源码级解读agents/scripts 自动化脚本如何工作agents/AGENTS.md 列出了五个自动化脚本脚本用途运行频率weekly_review.py从数据生成周回顾每周content_ideas.py从知识库生成内容灵感按需stale_contacts.py找出需要主动联系的关系每周metrics_snapshot.py编译指标用于追踪每周idea_to_draft.py把灵感扩展为草稿脚手架按需这些脚本遵循 tool-design 的原则自包含、输入输出清晰、token 高效——脚本读已知路径的数据向 stdout 输出结构化文本无副作用除非明确文档化Agent 拿到的是处理后的结果而非原始数据处理逻辑。运行方式# 直接运行 python agents/scripts/weekly_review.py # 带参数运行 python agents/scripts/content_ideas.py --pillar ai_agents --count 5weekly_review.py 的实现要点weekly_review.py 的结构体现了脚本设计规范根路径定位BRAIN_ROOT Path(__file__).parent.parent.parent——通过脚本自身位置向上回溯定位 Digital Brain 根目录脚本与数据解耦JSONL 容错读取load_jsonl()跳过空行、跳过_schema行、容忍json.JSONDecodeError周范围计算get_week_range()以周一为起点计算本周起止日期分域分析analyze_content()统计本周发布的帖子与新增灵感analyze_network()统计本周交互analyze_metrics()取最新一条指标结构化输出generate_review()生成包含 Summary / Action Items / Notes 三段式的 Markdown 回顾文档。content_ideas.py 的实现要点content_ideas.py 展示了基于知识库与历史表现生成灵感的完整逻辑表现最好的内容get_top_performing_content()按likes comments×2 reposts×3的加权公式对历史帖子排序取前 5最近书签get_recent_bookmarks(category)支持按分类过滤按saved_at倒序取前 10未开发灵感get_undeveloped_ideas()从ideas.jsonl中筛出status raw的条目CLI 参数--pillar/-p过滤内容支柱--count/-c默认 5控制展示数量输出生成包含基于表现最佳内容/来自知识库/未开发灵感/快速提示四段的建议文档末尾附带 5 个启发式提示词如Whats one thing I learned this week that others would find valuable?。上下文工程原则如何落地六项技能映射SKILLS-MAPPING.md 系统性地展示了本 Skill 与仓库中上下文工程技能的对应关系这正是本文档区别于普通笔记模板的价值所在技能在 Digital Brain 中的落地context-fundamentals注意力预算按任务只加载相关模块、三级渐进式披露、高信号 token 设计memory-systemsJSONL 追加型日志、结构化召回contact_id 关联、情景/语义记忆tool-design自包含脚本、清晰输入输出、token 高效context-optimization模块分离防交叉污染、按需即时加载、最多两跳到达任何信息context-degradation单次加载上限、last_contact时间戳防陈旧上下文、单一事实源防指令冲突防上下文退化Context Degradation的三条具体对策上下文腐烂模块分离限制单次加载量voice.md 控制在 300 行内JSONL 数据按行流式读取陈旧上下文联系人携带last_contact时间戳stale_contacts.py主动浮出需要跟进的关系指令冲突每个领域只有一个事实源——声音只在voice.md目标只在goals.yaml杜绝重复。关键架构决策的取舍记录SKILLS-MAPPING.md决策代价理由独立模块文件更多、导航成本高防止上下文膨胀支持定向加载JSONL 存数据对人类不够友好为 Agent 解析与追加操作优化不用数据库无查询语言简单、离线可用、零依赖Python 脚本需要 Python 运行时通用、可读、易扩展占位符而非示例需要用户自行填写避免AI 味内容强制个性化快速上手把 Digital Brain 装进你的工作流参照 README.md 的安装与启动说明本地启用这套系统的步骤如下获取仓库副本本 Skill 位于仓库的 examples/digital-brain-skill/ 目录将digital-brain目录放入你的技能目录如~/.claude/skills/digital-brain或项目级.claude/skills/digital-brain定义声音填写 identity/voice.md 中的语气与风格五个 1-10 维度评分、签名短语、禁用词设定定位完善 identity/brand.md 的受众与内容支柱添加联系人按 schema 向 network/contacts.jsonl 追加关键关系设定目标在 operations/goals.yaml 定义 OKR开始创作向 AI 说出 write a post观察它如何调用你的声音。运行前提说明agents/scripts/下的脚本需要 Python 3 环境使用标准库json、argparse、datetime、pathlib无第三方依赖从仓库根目录或脚本所在目录执行均可——脚本通过Path(__file__)自动定位 Digital Brain 根目录不依赖当前工作目录。扩展规范与自检清单AGENT.md 提供了面向 Agent 的快速参考表用户请求应执行的动作Write a post about X读 voice.md → 起草 → 匹配声音模式Prepare for meeting with Y查联系人 → 取交互记录 → 汇总What should I create?运行 content_ideas.py → 检查日历Add contact Z按完整 schema 追加到 contacts.jsonlWeekly review运行 weekly_review.py → 呈现洞察当你要扩展这套系统时SKILLS-MAPPING.md 给出的验证清单值得逐条核对新文件遵循格式约定JSONL/YAML/MD/XML模块指令文件保持在 100 行以内JSONL 文件首行为 schema 行跨模块引用保持最小化脚本自包含且输入输出清晰不存在重复的事实源新增脚本的开发流程来自 agents/AGENTS.md在agents/scripts/创建 Python 文件 → 遵循既有模式读 JSONL、输出结构化数据→ 在本文件登记文档 → 用示例数据测试。结语Digital Brain 的价值不在于目录结构本身而在于它把上下文工程的每一条原则都翻译成了可执行的系统设计决策用渐进式披露把一次任务的上下文开销从 ~5000 token 压到 300-650 token用 append-only 的 JSONL 把记录变成可分析的历史资产用模块分离和单一事实源把上下文退化的风险降到最低。对于任何想用 AI Agent 系统化管理个人数字生活的开发者、创作者与创始人来说这份 SKILL.md 连同仓库中的完整实现是一套可以直接复制、修改并投入实战的参考模板。【免费下载链接】Agent-Skills-for-Context-EngineeringA comprehensive collection of Agent Skills for context engineering, multi-agent architectures, and production agent systems. Use when building, optimizing, or debugging agent systems that require effective context management.项目地址: https://gitcode.com/GitHub_Trending/ag/Agent-Skills-for-Context-Engineering创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考