为什么只有聊天记录还不够最近很多人都在用 OpenClaw都在说”它是我的私人助手”。甚至有人做了一个开源项目https://github.com/titanwings/colleague-skill可以导入前同事的聊天记录生成对应的 Skill。但我觉得只有聊天记录和文档还不够能还原的信息精度很有限。对于个人真正的私人助理还需要很多独有的信息。我从 2025 年开始持续构建个人信息知识库打造自己的“私人助手”。这个知识库从最初几百字到现在已经超过 10 万字还在持续迭代。不管是对未来的预测还是对过去的分析帮助都很大。这篇文章分享我的实践过程和一些经验。1.0 版本 - 单个文件最初Gemini、Claude 和 GPT 都陆续上线了长期记忆功能很多自媒体都在”闭眼吹”说 AI 会越用越聪明。但实际上它缺失了一些关键数据你的收入情况你的家庭情况你的偏好、优缺点等由于缺失了这些信息它就很难给出真正有用的建议也无法做出准确的预测。更重要的一点是没有形成闭环。比如 AI 给你出一份材料包含 10 个要点但你有 8 点都没有采纳。你不太可能特意回去告诉 AI 你的选择那么 AI 记住的内容很多都没有经过确认可能会错误或严重不完整。这导致所谓的长期记忆帮助不大甚至会过度拟合某些信息——比如你是程序员它总爱用写代码举例反而偏离你的真实需求。既然 AI 主动沉淀记忆做不到完整准确那我就自己主动沉淀。最初我用 Markdown 格式写到同一个文件里不同内容用不同标题区分。当然我对姓名、学校等关键信息做了脱敏处理。在 Skill 出来之前长文档检索主要采用 RAGRetrieval-Augmented Generation方式。长文本会被拆分成多个切片很容易在提取时出现遗漏。比如”我的大学阶段”可能包括十几个段落当你问”我大学阶段有什么经历”时它可能只匹配到第一个段落。所以我构造数据时每一段都会重复说明这是”我的大学阶段”。同时要面向使用来构建数据。比如我可能会问某段时间内获过什么奖项、做了什么事。那么构造数据时证书或主要事件我都会加上时间。选择一个长知识库检索比较好的平台比如 Gemini就可以进行各种提问了。有了这些个人信息你可以让它做很多有价值的事情角色扮演让它扮演几年后某个级别的你告诉它你已经克服了当下的缺点。它就是你未来想成为的样子可以结合你现在的优缺点和具体情况给出更有价值的建议。快速申请你要申请某个荣誉需要填写证书或经历。只需要把目的告诉它它就能快速生成对应材料。决策辅助面对重大选择犹豫不决时让它根据你的信息给出有理有据的分析。老板喜好个人信息中存有老板的喜好包括对材料的具体偏好发送材料让它把关时就能给出更合理的建议。自我反思想知道之前为什么做出某个选择也可以让它根据你的信息做出更合理的推断。2.0 版本 - Skill为了让它更通用可以在 OpenClaw、Cursor 以及任何支持 Skill 的工具中方便调用我决定把它改成 Skill。有了之前的个人资料我让 AI 根据目录结构拆分成多个独立的 Markdown 文件。如果单个文件比较长比如超过 500 行就让它拆成文件夹再拆成多个子文件。制作 Skill 时在 SKILLS.md 文件中构建对应的目录这样 AI 可以更好地实现渐进式加载。为了让单个文件的检索更高效我会在较长的文件顶部加上目录方便 AI 快速定位和查找所需内容。3.0 版本 - 升级优化以前的信息大多需要我手动添加到不同文档中效率比较低。后来我开始使用一些工具闪电说、智谱 AI 语音输入法最近改用 Typeless配合麦克风可以更高效地录入信息。随着越来越多的人开始使用 OpenClaw 然后和 AI 对话OpenClaw 会有一个每日记忆的归档并会不定时地把归档信息整理成长期的记忆。如果每天对话的内容比较多就会沉淀出很多有用的经验。但一些对话可能只是临时性的并不适合回流到记忆中。而且 AI 觉得可以回流的内容也不一定是我们想要的。因此我在 OpenClaw 中启动定时任务每天整理前一天的内容筛选出适合回流到 Skill 的部分让它出个计划确认后再回流进去。有了 OpenClaw 之后有时都不愿意主动打开个人信息 Skill 来修改不太方便。因此我又做了一个回流的 Skill当我提到要回流个人信息时它会自动识别我的目录然后给出计划。我确认后再回流进去。辛辛苦苦整理的记忆如果丢失损失惨重。因为这些内容本质上都是 Skill所以可以这样做建立私有 GitHub 仓库通过 Git 管理所有私有 Skill包括个人知识类的 Skill这样即使被 AI 修改坏了恢复到特定版本也轻而易举。换个电脑恢复关键 Skill 也非常方便。另外如果你读过很多 AI 相关论文会发现 AI 倾向于迎合你的判断相关论文https://arxiv.org/abs/2602.14270。在你的 AI 助手里它很容易对你造成误导引导你做出误判。我在用 OpenClaw 时会修改它的 SOUL.md 文件调整它的性格特点。这样做的目的是让它不总是迎合我而是能有相对独立的思考。同时现在很多 AI 的回答还有很多 AI 味——比如很多破折号或比较机械可以调整它的表达让它更像真人。在回答个人信息相关问题时一定要根据 Skill 提取相关信息再回答。写在最后有同学可能会问如何解决数据隐私和安全问题现在看来整体还是用隐私换效率必须有”即使数据全部泄露也无所谓”的态度。但也没必要把所有隐私都暴露出去创建私有仓库避免主动公开对姓名、学校或公司等关键信息做脱敏处理特别隐私的数据不要写进去另外可以根据不同场景把常用场景独立成单独的 Skill。比如写材料可能缺乏逻辑就专门建一个”材料审核”的 Skill只做逻辑性检查没必要让 AI 了解私有信息。还要尽量用正规厂商避免使用不知名的中转站。未来本地模型的能力也会比较可用隐私一些的数据可以优先用本地模型处理或者是先用本地模型进行脱敏然后再发给大模型。有同学可能会问我需要获取哪些数据我怎么知道我构造的数据全不全我觉得你需要构造什么样的数据取决于你用它来做什么事。也就是说你做这件事所需要知道的信息是否完整、准确这非常重要。数据永远没有”全”的时候我们能做的就是把可能用到的关键数据提前准备好在使用过程中不断补充、优化和调整如何验证我刻画出来的信息是否准确可以让它判断你是十六型人格中的哪一种。如果 AI 的判断结果和你真正做题得出的答案一致说明你刻画得非常准确如果有较大出入说明数据可能不完整或没有如实填写。参见https://www.16personalities.com/ch/%E7%B1%BB%E5%9E%8B%E6%8F%8F%E8%BF%B0个人数据中为啥还有缺点我觉得在个人信息中缺点的价值比优点更大。我们用 AI就是为了让它能够规避我们的缺点并针对这些缺点做增强。这样 AI 才能了解更真实的你给出更有用的建议。有了这些缺点我们甚至可以和 AI 一起探讨针对这些缺点打造出对应的 Skills让它更好地帮我们完成任务。有人说从现在开始应该每天都录音沉淀数据你怎么看我认为随着模型能力和基础设施的完善视觉的价值会越来越重要AI 的服务也更加个性化。但每天工作和生活都录音没有必要。先不说硬件条件如工作场景是否适合录音、设备电量是否持久等问题。就说数据本身数据多不代表质量高。我们每天产生的大多是重复性的、低密度数据价值并不大。当然如果有机会参加 AI 大会可以录音。但很多真正有用的数据还是通过自己的观察和积累沉淀下来比较实用。未来展望我认为未来知识的沉淀会走向自动化能够突破 AI 眼镜这种便携性或者是电池的限制。未来不管是个人记忆还是知识库一定会走向多模态。它不仅可以沉淀文本还能够感知到语气的变化还能看懂人的表情。未来随着 AI 模型能力的不断增强即不断完善AI 一定会走向个性化满足人的个性化要求。构建个人知识库不是一蹴而就的事而是一个持续迭代的过程。从小处着手在使用中不断完善让 AI 真正成为懂你的私人助手。随着模型能力越来越强我觉得个人数据、团队数据的价值会越来越大的。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】