YC CEO:不把AI當成聊天窗口而是操作系統時,才能享受到最高復利

今天，YC CEO 發了篇小作文《元提示（Meta-Prompting）:讓AI Agent真正運作起來的秘訣》，然后被迅速刷屏。

在文中，他公開了自己的私人 AI 架構：一個擁有 10 萬頁結構化數據、日運行 100 余項自動化任務的“第二大腦”。

Garry 展示了 AI 如何在 40 分鐘內讀完一本書，并精準地將書中哲學與他真實的家庭背景、創業筆記、甚至心理診療記錄進行一對一映射。

這種深度私密化的定制，比 $300/小時的治療師都要高效 50 倍以上，而且這已經遠遠超越普通 RAG。

普通 RAG 只能檢索，而它做到了真正的“理解”。

但這還不是最厲害的地方。整個系統真正的核心，是一個叫 Skillify 的元技能。

他提出一個犀利的觀點：未來不屬于只會調遣大模型的用戶，而屬于能構建“復利 AI 系統”的開發者。

從自動復盤會議到構建“元技能”循環，這篇小作文揭示了如何將 AI 從“搜索引擎”升級為“操作系統”。

在他的視角里，小編看來，現在 99% 的人使用 AI 的方式都是錯的。

絕大部分人還僅僅在和 ChatGPT 聊天，高級一點的，會學習各種一招鮮的prompt。這就像汽車剛發明時，還在研究怎么把馬養得更壯，以跑得更快。

而 Garry Tan親手打造的“肥技能”，則是一輛能跑贏時代的賽車。

他說，“我不思考productivity，我思考 compounding”。

普通人追求今天快 10%，他追求的是，擁有一個 7×24 永不疲倦、還會自主進化的第二神經系統且每個月強 10 倍，這就是真正的 AI 復利。

在小作文后面有人跟帖詢問搭建這個系統的成本，Garry 回復稱，我在成本最大化的投入（“tokenmaxxing”），每個月光 Openclaw 就花費 2000美元，“因為這是站在最前沿所需要的”，但他覺得18個月內人人都會負擔得起。

以下為他的小作文全文——

很多人一直在問我，為什么身為 Y Combinator（YC）的 CEO，工作如此繁忙，還要堅持每天熬夜寫代碼到凌晨 2 點。YC 每年幫助數千名創業者實現夢想，打造擁有真實收入且高速增長的公司。

在過去的 5 個月里，AI 讓我重新成為了一名“開發者”。

去年底，AI 工具的進化已經成熟到讓我重操舊業，開始構建一些東西。我做的不是簡單的玩具項目，而是具有復利效應（Compound）的真實系統。

我想通過具體的例子向大家展示：當你不再把 AI 當作一個聊天窗口，而是把它當作一個操作系統時，個人 AI 到底是什么樣子的。

我將這些以開源項目和文章的形式分享出來，是希望大家能和我一起加速進化。

這是系列文章的一部分：

? 《肥技能，肥代碼，瘦外殼》：介紹了核心架構。

? 《解析器（Resolvers）》：涵蓋了智能路由表。

? 《代碼行數（LOC）爭議》：探討了技術人員如何將自身生產力提高 100 到 1000 倍。

? 《裸模型更笨》：論證了模型只是引擎，而非整臺車。

? 《Skillify 宣言》：解釋了為什么 LangChain 雖然融資 1.6 億美元，卻只給了你深蹲架和啞鈴而沒有訓練計劃，以及你是如何獲得所需計劃的。

一本“回讀”我的書

上個月，我正在讀 Pema Ch?dr?n 的《當生命陷落時》（When Things Fall Apart）。這本書共 162 頁，22 個章節，講述了處理痛苦、無常和放下的佛教方法。

我讓我的 AI 對這本書做了一次“書籍鏡像”（Book Mirror）。

具體操作如下：系統提取了書中全部 22 個章節，然后為每個章節運行一個子代理（Sub-agent），同時執行兩項任務：總結作者的思想，并將每個想法映射到我的真實生活中。

這絕不是那種“這適用于領導者”之類的陳詞濫調，而是極其具體的映射。

它知道我的家庭背景（移民家庭，父親來自香港和新加坡，母親來自緬甸）；它了解我的職業背景（運營 YC，構建開源工具，指導數千名創始人）；它知道我讀過什么、凌晨 2 點在想什么，以及我和心理醫生正在解決什么問題。

最終產出是一個 3 萬字的“大腦頁面”。每個章節呈現為兩列：Pema 說了什么，以及這如何映射到我當下的生活。

關于“無常”的章節，連接到了我前一周與某位創始人的具體談話；關于“恐懼”的章節，對應了心理醫生幫我識別的模式；關于“放下”的章節，則引用了我某晚關于今年創作自由的感悟。

整個過程耗時約 40 分鐘。一個時薪 300 美元的心理醫生讀完這本書并將其應用到我的生活中，即便花 40 個小時也做不到這一點，因為他們沒有加載并交叉引用我完整的職業背景、閱讀史、會議記錄和創始人關系圖譜。

我已經對 20 多本書做了類似處理，包括《蘇格拉底》、《悉達多》、《做事的藝術》等。每一本都會變得更加豐富，因為“大腦”在不斷進化。第二個“鏡像”知道第一個的內容，第二十個則洞悉前十九個的精髓。

通過迭代優化的“書籍鏡像”

我做的第一個書籍鏡像其實很糟糕。V1 版本在我的家庭背景上有三個事實錯誤。它說我父母離婚了（其實沒有），說我出生在香港（其實是加拿大）。如果我分享出去，這些錯誤會損害信任。

因此，我增加了一個強制性的事實核查步驟。現在每個鏡像在交付前都會針對大腦中已知的事實進行跨模態評估：

? Opus 4.7 1M：捕捉精度錯誤。

? GPT-5.5：捕捉缺失的上下文。

? DeepSeek V4-Pro：識別內容是否過于平庸。

隨后，我升級到了基于 GBrain 工具鏈的深度檢索。V3 版本現在會進行分段搜索，右列的每個條目都會引用真實的“大腦頁面”。

當書中談到困難對話時，它不再只是合成通用原則，而是從我與那些正與合伙人發生沖突的創始人的會議記錄中提取素材，或者引用我周四和弟弟 James 聊天時的點子，甚至是我 19 歲時與大學室友的聊天記錄。這種體驗極其不可思議。

這就是“技能化”（Skillification）在實踐中的意義。我捕捉了初次手動嘗試中的可重復模式，編寫了一個帶有觸發器和邊緣案例的技能文件，每一次修復都會在未來的書籍鏡像中產生復利。

構建技能的技能

這里是遞歸發生的地方，也是我認為最深刻的見解所在：運行我生活的系統并非一個龐然大物，它是由無數“技能”組裝而成的。而這些技能本身也是由一種“技能”創造的。

Skillify 是一個創造新技能的“元技能”。當我遇到一個會重復的工作流時，我會說“skillify this”，它會審視剛剛發生的事情，提取模式，編寫測試文件，并將其注冊到解析器中。

技能是可以組合的。書籍鏡像技能會調用 brain-ops 進行存儲、調用 enrich 獲取上下文、調用 cross-modal-eval 進行質量把控、調用 pdf-generation 進行輸出。每個技能專注一件事。當我改進其中一個技能時，所有使用它的工作流都會自動變強。

一場自我準備的會議

DeepMind 創始人 Demis Hassabis 來 YC 參加爐邊談話。當時 Sebastian Mallaby 寫的一本關于他的傳記剛出版。

我讓系統幫我做準備。在不到兩分鐘的時間里，它提取了：

? Demis 的完整大腦頁面（整合了數月來的文章、播客和筆記）。

? 他關于 AGI 時間線的公開觀點。

? 傳記中的核心要點。

? 他研究的優先級（持續學習、世界模型等）。

? 與我公開演講內容的交叉引用。

? 三個用于演示大腦推理能力的腳本。

? 一系列基于我們世界觀交集與分歧的談話鉤子。

這不僅僅是高級版的 Google 搜索。這種準備利用了我積累的所有背景，針對性地服務于對話的戰略目標。系統準備的不是事實，而是觀點和角度。

10 萬頁的大腦是什么樣子

我維護著一個約 10 萬頁的結構化知識庫：

? 人物：每個見過的人都有一個頁面，包含時間線、當前狀態、待辦事項和評分。

? 會議：每次會議都有轉錄、摘要和“實體傳播”（系統會自動更新會議中提到的所有人及公司的頁面）。

? 輸入：每本書、文章、視頻都會被攝取、標記和交叉引用。

這就像是一個私人維基百科，由一個參加了你所有會議、讀過你所有郵件、看過你所有演講的 AI 持續更新。

這便是“文件夾”和“神經系統”的區別。文件夾存儲東西，而神經系統連接它們，標記變化，并浮現出對當下最重要的信息。

系統架構

我開源了整套系統，其邏輯如下：

1. 瘦外殼（Thin Harness）：OpenClaw 是運行時。它接收消息，確定適用技能并分發。它不需要理解書籍或會議，它只負責路由。

2. 肥技能（Fat Skills）：目前有 100 多個技能，每個都是獨立的 Markdown 文件。例如：

? meeting-ingestion：處理會議轉錄并進行實體傳播。

? enrich：整合人物的所有背景信息。

? perplexity-research：結合大腦已有知識的網頁搜索。

3. 肥數據（Fat Data）：知識庫中的 10萬頁數據。

4. 肥代碼（Fat Code）：每天運行 100 多個定時任務（Crons），監控社交媒體、Slack 和郵件。

5. 模型可插拔：模型只是引擎。Opus 用于精度，GPT 用于召回，DeepSeek 用于創意，Groq 用于速度。

結語：凌晨 2 點的開發者與復利系統

我不談論生產力，我談論的是復利。

我今天寫的系統是兩個月前的 10 倍強大，兩個月后還會再強 10 倍。當我在凌晨 2 點寫代碼時，我不僅僅是在寫軟件，我是在完善一個每小時都在進化的系統。

這不是一個寫作工具或搜索引擎，而是一個真正起作用的第二大腦。

我的核心觀點很簡單：未來屬于那些構建“復利 AI 系統”的個人，而不是那些僅僅使用“公司擁有的中心化 AI 工具”的個人。 這就是記日記和擁有神經系統的區別。

如何開始？

1. 選擇一個外殼（OpenClaw 或 Hermes Agent）。

2. 使用 GBrain 建立你的大腦。

3. 從解決一個具體問題開始，然后使用 Skillify 將其轉化為技能。

4. 持續迭代。

起初它會很平庸，但六個月后，你將擁有任何聊天機器人無法復制的東西。因為價值不在于模型，而在于你教給系統的關于你生活、工作和判斷的特定知識。

肥技能，肥代碼，瘦外殼。 LLM 只是引擎，你可以親手打造自己的車。

項目地址：[github.com/garrytan/gbrain](https://github.com/garrytan/gbrain)。去構建吧。