能用 10 行 Bash 解决的，别折腾 AI

通用聊天机器人的问题

ChatGPT、Claude 这些工具确实厉害，但你有没有觉得——它们不懂你？

不知道你在忙什么项目，不记得你上次聊了什么，更不清楚你想往哪个方向走。干活还行，但没法跟你一起进步。每次开聊都跟陌生人似的。

说白了，通用 AI 和"个人" AI，差得远了。

一个像样的个人 AI 不该只是更聪明的聊天框。

它应该是一套完整的系统——知道你喜欢什么，记得你做过什么，为你最常干的事配好专业技能。不是给所有人用的万金油，而是专门帮你变强的放大器。

"世界上最好的人工智能应该为每个人所用……其目的是为人类服务，而不是反过来。"

这篇文章分享构建个人 AI 系统的 14 条原则。不是纸上谈兵，是来自《github.com/danielmiessler/Personal_AI_Infrastructure》里的实战经验。有几条可能让你觉得反常识。

14 条原则

先看完整的 14 条：

1. 想清楚 + prompt > 一切 — 好的 prompt 来自对需求的清晰思考
2. 脚手架 > 模型 — 系统架构比用哪个模型更重要
3. 尽可能确定性 — AI 是概率性的，但你的基础设施不该是
4. 代码优先于提示 — 能用脚本解决，就别用 AI
5. 规范/测试/评估优先 — 动手之前，先写规范和测试
6. UNIX 哲学 — 做好一件事，让工具可组合
7. 工程/SRE 原则 — 像对待生产软件一样对待 AI 基础设施
8. 命令行优先 — CLI 比 GUI 更快、更好脚本化、更稳
9. 决策层级 — 目标 → 代码 → 命令行 → 提示 → 智能体
10. 自更新系统 — 系统能改自己，学过的东西不会忘
11. 定制化技能管理 — 模块化能力，智能路由
12. 定制化历史系统 — 值得记的东西都会被存下来
13. 定制化智能体个性 — 不同的活需要不同的干法
14. 科学认知循环 — 假设 → 实验 → 测量 → 迭代

接下来把这 14 条归成三组，挑几条最关键的聊聊。

第一组：认知优先 — 思考比工具更重要

原则 1：想清楚 + prompt > 一切

这是所有原则的地基。

重点是：想清楚问题。

也是 《代码贬值了吗？AI时代，开发者的护城河》 中提到的领域模型

代码贬值了吗？AI时代，开发者的护城河

很多人掉进了"提示词工程"的坑，想用各种技巧、模板、魔法咒语榨取 AI 的能力。但说到底，AI 输出好不好，取决于你想得清不清楚：业务流程/概念/约束/规则等是否清晰。

AI 是你思想的放大器，不是替代品。问 AI 之前，先问自己："我到底想解决什么？"

原则 4：代码优先于 prompt

务实的一条，却常被忽视。

能用脚本搞定的，就别折腾 AI。只在需要认知、推理、创造力的地方用 AI。

现在到处都是"万物皆可 AI"，这条原则反而难得。

给任务选最合适的工具。一个 10 行的 Bash 脚本可能比复杂的 AI 调用更快、更稳、更便宜。

别为了用 AI 而用 AI。

原则 9：决策层级 — 目标 → 代码 → CLI → 提示 → 智能体

给了一个清晰的决策顺序：从最简单、最确定的方案开始，一步步升级到复杂方案。

这个层级帮你省钱省力。简单问题别浪费 token，把最强的 AI 能力留给最难的任务。

第二组：工程纪律 — 像造软件一样造 AI 系统

原则 2：脚手架 > 模型

14 条里最反常识的一条。

大家都在追最新最强的模型。但实践表明：你搭的脚手架/系统架构，比用哪个模型更重要。

一个设计精良的系统，能通过工作流、工具链和上下文管理，让弱一点的模型也发挥出惊人性能。反过来，烂系统会完全浪费掉顶级模型的能力。

每个程序员应该都有切身感受：没做好模块化的系统，到最后就是一堆烂摊子，牵一发动全身。

原则 3 & 6：确定性 + UNIX 哲学

原则 3：AI 本身是概率性的，所以需要围绕它的基础设施来 降低不确定性。比如用模板和一致的模式，以及前面用代码的确定性来压低 AI 的不确定性。

原则 6 把经典的 UNIX 哲学搬到 AI 时代：

• 做好一件事
• 让工具可组合
• 用文本界面

两条原则指向同一个目标：用工程化的方式压住 AI 的不确定性。

原则 8：命令行优先

图形界面主导的今天，为啥还推崇"过时"的命令行？

因为：快、能脚本化、稳。

要的就是效率、自动化和可组合性。想深度定制工作流、跑自动化的人，CLI 的控制力和灵活性是任何图形界面都比不了的。

它让你能把 AI 能力无缝编进现有的脚本和工具链。UNIX 那套思路，到 AI 时代还是管用。

第三组：持续进化 — 让系统跟你一起长

原则 10：自更新系统

一个靠谱的个人 AI 系统，应该能自我进化。

系统能改自己。学到的东西沉淀下来，而不是忘掉。

发现了好用的做法？系统自动记下。踩过坑？下次绕开。需求变了？系统跟着调。

这不是科幻，架构设计好了能做到。

原则 12：定制化历史系统

这是个人 AI 和通用 AI 的关键区别，也是"个性化"的基础。

有了定制化的历史系统，你的 AI 助理能自动存下所有值得记的工作、决策和学习成果，不用你手动整理。

一个有完整、可检索记忆的系统，才能在未来的任务中提供有价值的、基于你个人背景的上下文。一个不断学习的系统，才能越来越懂你、越来越强。

原则 14：科学认知循环

这是元原则，指导其他所有原则的方法论：

假设 → 实验 → 测量 → 迭代

建个人 AI 系统不是一锤子买卖，是持续的探索过程。每个决策都该走这个循环：

• 假设：这个功能会提升效率吗？
• 实验：试着实现它
• 测量：有效吗？
• 迭代：有效的留下，没用的扔掉

结论：造你的第二大脑

总结就三句话：

AI 放大你的想法，不是替代你思考——所以先想清楚。系统架构比模型重要—— 先把架子搭好。让系统跟你一起长——能记住、能学习、能变。

共勉。