Digital Brain 架构解析Agent Skills for Context Engineering 中的个人智能操作系统设计【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本文基于仓库内examples/digital-brain-skill示例技能系统讲解 Digital Brain——一个面向创始人、创作者和技术从业者的个人操作系统技能。它用文件夹级上下文工程实现品牌声音一致性、内容生产流水线、人脉管理与周度复盘读完你可以掌握渐进式披露 追加只读数据 模块分离这套可直接复制到任何 AI 助理场景的架构模式并理解其四个自动化 Python 脚本的源码级实现。一、Digital Brain 是什么Digital Brain 是一个结构化的知识管理系统用于 AI 辅助的个人生产力场景。它把个人的数字资产拆分为五个相互独立的领域模块Personal Brand个人品牌声音、定位、价值观Content Creation内容创作创意、草稿、发布流水线Knowledge Base知识库书签、研究笔记、学习目标Network人脉网络联系人、互动记录、引荐跟踪Operations运营系统目标、任务、会议、指标整套系统严格遵循上下文工程三原则渐进式披露progressive disclosure、追加只读数据append-only data、模块分离module separation目标是让 AI Agent 在处理任何任务时只加载最小必要上下文。技能主入口 SKILL.md 的 frontmatter 明确声明了激活时机当用户说 write a post、my voice、who is [name]、prepare for meeting、weekly review 等触发短语时加载本技能。二、目录架构一个文件夹就是一个上下文单元README 中给出的完整目录树是理解该设计的第一张图digital-brain/ ├── SKILL.md # 主技能定义Claude Code 兼容 ├── SKILLS-MAPPING.md # 上下文工程技能如何映射到本系统 │ ├── identity/ # 个人品牌与声音 │ ├── IDENTITY.md # 模块说明 │ ├── voice.md # 语气、风格、模式 │ ├── brand.md # 定位、受众 │ ├── values.yaml # 核心原则 │ ├── bio-variants.md # 各平台简介 │ └── prompts/ # 生成模板XML │ ├── content/ # 内容创作中心 │ ├── CONTENT.md # 模块说明 │ ├── ideas.jsonl # 内容创意追加只读 │ ├── posts.jsonl # 已发布内容日志 │ ├── calendar.md # 内容排期 │ ├── engagement.jsonl # 收藏的灵感 │ ├── drafts/ # 进行中的草稿 │ └── templates/ # thread / newsletter / post 模板 │ ├── knowledge/ # 个人知识库 │ ├── KNOWLEDGE.md # 模块说明 │ ├── bookmarks.jsonl # 收藏资源 │ ├── learning.yaml # 技能与学习目标 │ ├── competitors.md # 市场格局 │ └── research/ # 深度研究笔记 │ ├── network/ # 关系管理个人 CRM │ ├── NETWORK.md # 模块说明 │ ├── contacts.jsonl # 人物数据库 │ ├── interactions.jsonl # 会议/互动日志 │ ├── circles.yaml # 关系分层 │ └── intros.md # 引荐跟踪 │ ├── operations/ # 生产力系统 │ ├── OPERATIONS.md # 模块说明 │ ├── todos.md # 任务列表P0-P3 │ ├── goals.yaml # OKRs │ ├── meetings.jsonl # 会议记录 │ ├── metrics.jsonl # 关键指标 │ └── reviews/ # 周度复盘 │ ├── agents/ # 自动化脚本 │ ├── AGENTS.md # 脚本文档 │ └── scripts/ │ ├── weekly_review.py │ ├── content_ideas.py │ ├── stale_contacts.py │ └── idea_to_draft.py │ ├── references/ │ └── file-formats.md # 文件格式规范 └── examples/ # 使用工作流示例 ├── content-workflow.md └── meeting-prep.md对应仓库实际路径为 examples/digital-brain-skill/ 下各子目录。SKILL.md 将模块压缩为一行速查表identity/内容任务先读、content/、knowledge/、network/、operations/、agents/这保证了 L1 元数据始终轻量。三、核心机制三级渐进式披露SKILL.md 定义了明确的三级加载模式这是整个系统的骨架级别加载时机内容L1元数据始终加载SKILL.md 概览约 50 tokensL2模块说明按需加载各模块目录下的[MODULE].mdL3数据文件随需读取.jsonl/.yaml/.md数据配套的量化依据来自 SKILLS-MAPPING.md 中的工作流映射。以写一篇关于 building in public 的帖子为例实际加载的文件与成本文件用途约 tokensSKILL.md路由50identity/voice.md声音模式200identity/brand.md话题校验150content/posts.jsonl历史表现100content/ideas.jsonl已有创意50content/templates/thread.md结构脚手架100合计约 650 tokens而加载整个大脑约需 5000 tokens——这就是模块分离带来的注意力预算收益。SKILLS-MAPPING.md 进一步给出了明确的文件规模约束SKILL.md 控制在 200 行以内、每个模块说明文件不超过 100 行、voice.md 不超过 300 行用以缓解上下文腐烂context rot风险。文件格式策略references/file-formats.md 与 README 一致地给出了格式选型表格式用途选型理由.jsonl追加只读日志Agent 友好、保留历史、可逐行流式读取.yaml结构化配置人类可读的层级结构.md叙事内容可编辑、富格式.xml复杂提示词对 Agent 结构清晰、易校验JSONL 的关键规范每个文件第一行必须是 schema 声明行例如仓库中 content/ideas.jsonl 的第一行{_schema: content_idea, _version: 1.0, _description: Append new ideas below this line. Never delete entries - mark as archived instead.}该 schema 行在数据处理时被跳过但文档化了预期结构ID 生成约定为{type}_{YYYYMMDD}_{HHMMSS}或{type}_{unique_slug}如idea_20241229_143022、contact_johndoe。追加只读Append-Only数据完整性是另一条硬约束JSONL 文件中的条目永不删除状态变更通过status: archived表达。这样做保留了完整历史支撑什么有效的回溯分析例如posts.jsonl中带 metrics 的条目就是内容表现的长期记忆。四、Identity 模块Voice First 的内容一致性SKILL.md 强调一条铁律任何内容生成之前必须读identity/voice.md。identity/voice.md 是一份可填写的声音画像模板结构包括Core Voice Profile性格快照 五维 1-10 评分表Formal↔Casual、Serious↔Playful、Technical↔Simple、Reserved↔Expressive、Humble↔ConfidentWriting Patterns句式、段落风格、开头钩子模式Vocabulary三个 YAML 清单——signature_phrases标志性短语、power_words偏好的词、avoid永不用词Platform AdaptationsTwitter/X、LinkedIn、长文分别的适配说明Content Formatsthread 结构、Hot Take / Story / Educational 三种模板Anti-Patterns明确什么不像我过度正式、过度对冲、标题党模板全部使用[PLACEHOLDER: ...]占位符而非示例文本SKILLS-MAPPING.md 在 Trade-offs 表中解释了这一取舍占位符而非示例避免 AI slop、强迫用户个性化。更深层的实现是 identity/prompts/content-generation.xml——一个结构化主提示词包含context要求先读 voice.md 与 brand.md、voice_guidelines{{VOICE_LEVEL}}、signature_phrases、avoid占位段、output_requirements{{CONTENT_FORMAT}}、{{TARGET_PLATFORM}}、{{TARGET_LENGTH}}、{{INCLUDE_CTA}}以及quality_checks四条自检问题。这正是 README 中XML 用于复杂提示词原则的落地。五、Network 模块带分层 SLA 的个人 CRMSKILL.md 定义了人脉关系四档分层每档有明确的触达频率 SLA层级语义触达频率inner核心圈每周active活跃协作双周network一般网络每月dormant休眠待激活每季度检查contacts.jsonl与interactions.jsonl通过contact_id字段关联——SKILLS-MAPPING.md 将此明确归入 memory-systems 技能中的Structured Recall模式一致的 schema 让跨文件的模式匹配成为可能。interactions.jsonl对应Episodic Memory离散事件bookmarks.jsonl带 category/tags 则对应Semantic Memory主题化检索。会前准备的完整闭环examples/meeting-prep.md 给出了30 分钟后和 Sarah Chen 通话的六步走查Agent 先在contacts.jsonl中定位联系人拿到 company、role、circle、how_met、双方价值交换can_help_with/you_can_help_with等字段再按contact_id过滤interactions.jsonl获取互动史扫描operations/todos.md中的逾期跟进项最后汇编一份包含 Quick Context、Last Conversation、Pending Follow-ups、Value Exchange、Suggested Talking Points 的简报。会后闭环同样明确追加 interaction 记录 → 更新 todos → 刷新联系人的last_contact时间戳。整个流程仅加载约 390 tokens。六、Operations 模块与自动化脚本源码剖析Operations 模块使用 P0-P3 优先级体系P0今日必须、阻塞项P1本周重要P2本月有价值P3待办池goals.yaml承载 OKRmetrics.jsonl累积每周指标快照——SKILLS-MAPPING.md 指出这是 memory-systems 中持久化记忆文件的直接应用周快照持续累积支持趋势分析而无需从原始数据重算。四个自动化脚本文档见 agents/AGENTS.md全部是自包含的纯标准库 Python 文件无第三方依赖这体现了 tool-design 技能工具应自包含、无歧义、追求 token 效率的原则。它们共享两个实现约定根路径推导BRAIN_ROOT Path(__file__).parent.parent.parent脚本向上两级即大脑根目录因此脚本可以在任何安装位置运行统一的load_jsonl()逐行解析跳过含_schema键的 schema 行静默忽略 JSON 解析失败的行——这使脚本对格式规范中的 schema 首行约定天然兼容。以 agents/scripts/stale_contacts.py 为例其核心是把 network 模块的 SLA 分层翻译成代码阈值# Thresholds by circle (in days) THRESHOLDS { inner: 14, # 2 weeks active: 30, # 1 month network: 60, # 2 months dormant: 180 # 6 months }脚本读取每个联系人的last_contact字段计算days_since再按三档分类超过阈值 1.5 倍为urgent超过阈值为due超过 0.75 倍为coming_up最终输出按天数倒序的 Markdown 报告与行动建议。缺失日期或解析失败的联系人按 999 天处理保证无数据也暴露出来。这正是 SKILLS-MAPPING.md 中Stale Context 缓解策略的源码级证据。agents/scripts/weekly_review.py 则展示了典型的数据 → 汇总管道get_week_range()以周一起算本周区间analyze_content()用字符串比较published week_start统计本周发布数与新创意数analyze_network()同理统计本周互动数analyze_metrics()取metrics.jsonl最后一条作为最新快照最后渲染出含 Content / Network / Latest Metrics / Action Items 的周复盘文档。agents/scripts/content_ideas.py 实现了从知识库反推选题其参与分函数值得注意def engagement_score(post): metrics post.get(metrics, {}) return ( metrics.get(likes, 0) metrics.get(comments, 0) * 2 metrics.get(reposts, 0) * 3 )即评论权重 2、转藏权重 3取 Top 5 高参与帖再叠加最近 10 条bookmarks.jsonl可按 pillar 过滤与status raw的未开发创意输出结构化建议而非原始分析——这正是 SKILLS-MAPPING.md 所说的Agent 收到的是结果不是数据处理逻辑。agents/scripts/idea_to_draft.py 接受一个 idea ID支持精确匹配、ID 子串匹配、创意文本子串匹配自动关联同 tags 或同 pillar 的书签、同 pillar 的历史帖子生成含 Metadata、Hook Options、Main Points、Supporting Evidence、CTA 和 Pre-publish Checklist 的草稿脚手架并在结尾硬编码提醒 Check identity/voice.md before finalizing——把 Voice First 原则写进了工具输出。七、内容创作流水线ideas → drafts → postsexamples/content-workflow.md 完整演示了写一条 building in public 线程的八步流程触发识别 → 读voice.md提取声音参数formal_casual 7/10、signature phrases、power words、avoid 词表→ 用brand.md的 content_pillars 校验话题building_in_public ✓ MATCH→ 扫描posts.jsonl找到高表现同类帖子得出story 格式最有效的洞察 → 检查ideas.jsonl中可复用的 raw 创意 → 用templates/thread.md脚手架成稿并逐条做声音对齐检查是否用了标志性短语、是否避开禁用词、emoji 是否克制→ 用户迭代修改 → 未发布则回写ideas.jsonlstatus 升级为ready、发布后追加posts.jsonlmetrics 初始化为 0后续更新。posts.jsonl的完整 schema 见 references/file-formats.mdid、published、platformtwitter|linkedin|newsletter|blog|youtube、typepost|thread|article|video|podcast、content、url、pillar、metricsimpressions/likes/comments/reposts/saves、metrics_updated、notes、tags。这条创意 → 草稿 → 发布 → 带指标回写的闭环使历史数据成为未来生成的训练信号。八、安装与快速上手README 提供两种安装方式作为 Claude Code Skill 克隆到~/.claude/skills/digital-brain或.claude/skills/digital-brain或作为独立模板克隆到任意目录。在本仓库中技能本体位于examples/digital-brain-skill/并附带了一个交互式安装脚本 scripts/install.sh支持三种目标用户级~/.claude/skills/、项目级./.claude/skills/或自定义路径脚本会检测目标目录是否已存在并请求确认覆盖完成后自动从安装位置删除安装脚本本身并提示 Claude Code 会自动发现该技能。快速上手五步README Quick Start与安装脚本末尾的 Next steps 一致定义声音——填写identity/voice.md的语气与风格设定定位——在identity/brand.md中补全受众与内容支柱添加联系人——向network/contacts.jsonl录入关键关系设定目标——在operations/goals.yaml中定义 OKR开始创作——对 AI 说 write a post观察其如何使用你的声音脚本可直接运行例如# 生成周复盘 python agents/scripts/weekly_review.py # 生成内容创意指定支柱与数量 python agents/scripts/content_ideas.py --pillar ai_agents --count 5 # 查找需要维护的关系 python agents/scripts/stale_contacts.py # 将某条创意扩展为草稿脚手架 python agents/scripts/idea_to_draft.py idea_20241229_143022九、设计原则、取舍与扩展规范README 归纳的五条设计原则与源码逐一对应渐进式披露——只为当前任务加载所需三级加载架构追加只读数据——永不删除保留历史做模式分析模块分离——各域独立无交叉污染创作任务不加载人脉数据Voice First——任何内容生成前先读voice.mdSKILL.md 与 idea_to_draft.py 输出双重强制平台无关——兼容 Claude Code、Cursor 及任意 AI 助理纯文件 纯标准库脚本无运行时依赖。SKILLS-MAPPING.md 的 Trade-offs 表则诚实地列出了代价模块拆分意味着更多文件要导航JSONL 对人不友好配置场景改用 YAML/MD没有数据库意味着没有查询语言换来了离线可用与零依赖Python 脚本需要 Python 运行时换来通用性与可读性。扩展该系统时SKILLS-MAPPING.md 给出了可执行的验证清单新文件遵循格式约定JSONL/YAML/MD/XML模块说明文件保持 100 行以内JSONL 文件首条目必须是 schema 行跨模块引用保持最小脚本自包含且 I/O 清晰不存在重复的事实来源Single Source of Truth十、总结Digital Brain 展示的不是一个具体 SaaS而是一套可复用的个人数据 Agent架构范式用 L1/L2/L3 三级披露控制注意力预算用 JSONL 追加只读日志沉淀长期记忆用带阈值脚本的关系 SLA 对抗上下文老化用 XML/YAML 模板约束生成质量。它同时映射了本仓库 skills 目录中的 context-fundamentals、memory-systems、tool-design、context-optimization 四类技能映射细节见 SKILLS-MAPPING.md是理解上下文工程原则如何落成具体文件系统与脚本的最佳单文件入口。【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