YC 執行長 Garry Tan 最近半夜兩點還在寫程式，理由不是突然想重溫大學作業地獄，而是 AI 工具終於讓他重新變回建造者。

他的說法很直接：過去五個月，工具成熟到足以讓個人重新打造「會複利的真系統」。不是玩具展示，不是把 ChatGPT 當搜尋框，也不是每次丟一段 Prompt 然後祈禱神蹟降臨。Garry 要展示的是另一種個人 AI：一套會讀書、準備會議、整理關係網、更新知識庫，而且每一次使用都讓下一次更好的個人作業系統。

先不用急著記那些名詞。這篇其實只需要抓住三個角色。

第一個角色是「大腦」：Garry 把人、公司、會議、書、文章都存成會互相連接的知識庫。第二個角色是「流程」：每件重複工作都被寫成可重用的 Skill。第三個角色是「路由器」：薄薄一層 Agent Harness 負責判斷現在該叫哪個 Skill、哪個模型、哪個工具。

換成生活版，就是一個助理不只會回答問題，還會記得上次會議誰卡住、哪本書曾經解開某個問題、哪個流程上次出錯，然後把修正寫進下一次工作。

Clawd 忍不住說：

這篇如果一開始就把所有工具名和流程名全部丟出來，讀者大概會像剛進廚房就被要求背完所有刀具名稱。先知道要煮什麼比較重要：Garry 想做的不是更會聊天的 AI，而是一套越用越懂人的工作系統。

那本書反過來讀懂了人

Garry 的第一個案例不是寫程式，而是讀書。

他上個月在讀 Pema Chödrön 的《When Things Fall Apart》。這本書共 162 頁、22 章，談佛教如何面對痛苦、失去地面感、恐懼和放下。朋友在一段困難時期推薦了這本書。

Garry 叫自己的 AI 做一件叫「書籍鏡像」的事：系統先抽出 22 章內容，然後每一章都派一個子 Agent 同時做兩件事。第一，整理作者的思想。第二，把每個思想映射到 Garry 的真實人生。

這裡的「映射」不是那種最空泛的職場雞湯：「這很適合領導者」。那種話貼在 LinkedIn 會得到三個讚，貼進個人第二大腦只會製造精神噪音。

Garry 的系統知道他的家庭背景：移民父母、父親來自香港和新加坡、母親來自緬甸。它知道他的工作情境：經營 Y Combinator、打造開源工具、指導大量創業者。它知道近期讀過什麼、凌晨兩點在想什麼、治療師正在跟他處理哪些模式。

最後輸出是一篇 30,000 字的 GBrain 頁面。GBrain 可以先想成 Garry 的私人維基，只是每一頁都帶著他的工作和人生脈絡。這篇頁面把每章分成兩欄：Pema 在說什麼，以及這些觀念如何對應到 Garry 正在經歷的生活。談失去地面感的章節，連到前一週和某位創辦人的對話。談恐懼的章節，對上治療師曾指出的模式。談放下的章節，引用到他深夜寫下今年重新找回創作自由的筆記。

整件事大約 40 分鐘。Garry 的比較很狠：一位每小時 300 美元的治療師，就算花 40 小時讀完這本書再套用到他的生活，也不會擁有同樣完整的圖譜，因為治療師沒有同時載入他的工作脈絡、閱讀史、會議筆記和創辦人關係。

他說這套流程已經跑過 20 多本書。清單本身不是重點；重點是第 20 本不只是第 1 本的重跑。

第二次鏡像知道第一次鏡像的結果。第二十次知道前十九次。知識不是每次重開一個乾淨視窗，而是一路堆疊。

Clawd 補個刀：

這就是「個人化」真正可怕的地方。一般聊天機器人像便利商店店員：很親切，但每次都從「請問需要袋子嗎」開始。Garry 這套比較像跟著工作十年的助理，知道哪位創辦人上次在煩共同創辦人問題，也知道哪本書曾經在半夜把某個洞補起來。差距不是模型智商，是記憶密度。

第一版爛到會傷信任

這套書籍鏡像不是一開始就神。

Garry 說第一版很糟，裡面有三個關於家庭的事實錯誤。它說父母離婚，但事實不是。它說 Garry 在香港長大，但他出生在加拿大。這些不是小瑕疵，因為心理和人生脈絡一旦被錯誤引用，信任會直接爆掉。

所以他加了一個強制事實查核步驟。現在每次鏡像輸出前，都會針對大腦裡已知事實做跨模型評估：有的模型負責抓精確錯誤，有的補遺漏脈絡，有的專門抓「這段讀起來太像萬用雞湯」的地方。

接著他升級到 GBrain 工具使用與更深的檢索。早期版本善於綜合，但不夠具體。第三版會針對每個段落搜尋大腦，每一個右欄映射都引用實際 GBrain 頁面。書裡談困難對話時，系統不是只整理原則，而是拉出真實會議筆記裡某些創辦人和共同創辦人卡住的案例；或某個星期四跟弟弟 James 相處時冒出的想法；甚至 19 歲時和大學室友的即時通訊。

這就是 Garry 說的「技能化」：把第一次手動做出來的流程，抽出可重複模式，寫成含觸發條件和邊界情況的 Skill 檔，後面每一次修正都會自動累積到所有未來的書籍鏡像。

這段最值得注意的不是「AI 會讀書」。會摘要已經不稀奇。真正的工程重點是：錯誤不是用下次更小心處理，而是被烤進流程。

一次家庭事實錯誤，變成強制事實查核。一次太空泛，變成 DeepSeek V4-Pro 的泛用感檢查。一次「太會綜合、但不夠具體」的問題，變成逐段大腦搜尋和 GBrain 頁面來源標註。這才叫複利。否則只是每次打開模型都重新求神問卜，跟期末考前拜文昌帝君差不多。

會產生 Skill 的 Skill

文章最遞迴的地方來了。

Garry 說，跑他生活的系統不是一個單體怪物。它由 Skill 組裝而成，而這些 Skill 本身又是由一個 Skill 建出來的。

那個元 Skill 叫 Skillify。每當 Garry 遇到一個未來會重複的工作流，他就說「skillify this」。系統會檢查剛剛發生了什麼，抽出可重複模式，寫出有測試、有觸發條件、有邊界情況的 Skill 檔，然後把它註冊進路由器。書籍鏡像流程，是從第一次手動操作被 Skillify 出來的。會議準備流程，則是他發現每次通話前都在做同一組步驟後，被 Skillify 出來的。

Skill 之間可以組合。書籍鏡像不需要一個巨型提示詞從頭包到尾，而是像一條小工廠產線：有人負責存資料，有人負責補脈絡，有人負責品質檢查，有人負責輸出。每個 Skill 只專注一件事，但串起來就形成複雜工作流。當某個 Skill 被改好，所有使用它的流程都一起變好。

這個設計解掉一個超日常的 Agent 痛點：Prompt 會漏。人會忘記把某個邊界情況貼進下一次對話，忘記說「這次也要查來源」，忘記提醒模型「不要講太泛」。Skill 則是把這些注意事項寫成系統的一部分。不是每次靠記性，而是讓流程有記性。

Clawd 溫馨提示：

Prompt 像便利貼，Skill 像 SOP。便利貼很快，但貼到第 48 張時，辦公桌會長得像被黃色紙片攻擊。Skillify 的核心不是「自動寫提示詞」這麼弱，而是把一次性工作變成可安裝、可審、可累積的作業程序。(¬‿¬)

會議自己準備好了

第二個案例是 Demis Hassabis 到 YC 做爐邊談話。當時關於 Demis 的新傳記剛出版。

Garry 叫系統幫他準備。

不到兩分鐘，系統拉出一包材料：Demis 過去公開談過什麼、那本傳記有哪些重點、Garry 自己對 AI 的立場、雙方世界觀哪裡重疊、哪裡可能擦出火花，甚至還準備了幾段可以現場展示的對話鉤子。

這不是比較厲害的 Google 搜尋。Google 搜尋能找事實，這套系統準備的是切入角度。

差別在於它同時擁有三種脈絡：關於 Demis 的外部資料、Garry 自己長期累積的立場，以及這場對話的策略目的。單純搜尋不會知道哪些資料對 Garry 有用，也不會知道哪個問題能把雙方世界觀的交會點挖出來。

這裡可以看見第二大腦的真正價值：它不是百科全書，而是會以特定使用者的視角重新排序世界。資料本身不稀缺，排序方式才稀缺。

十萬頁大腦長什麼樣子

Garry 原文說，他維護一個大約 100,000 頁的結構化知識庫。每個見過的人都有一頁，包含時間線、目前狀態、待追蹤事項和評分欄位。每場會議都有逐字稿、結構化摘要，以及他稱為「實體回灌」的流程：每次會議後，系統會走過所有被提到的人和公司，更新它們各自的 GBrain 頁面。

每本書會產生逐章鏡像。每篇文章、播客、影片都會被吸收、打標、交叉引用。

頁面結構很樸素：最上方是「彙整後事實」，也就是目前最佳理解；下面是「只追加時間線」，也就是按時間順序追加的事件；旁邊有原始資料附檔保存來源。Garry 的比喻是個人維基百科，只是每一頁都被一個參與會議、讀過電子郵件、看過演講、吸收 PDF 的 AI 持續更新。

他舉了一個創辦人辦公時間的例子。遇到一位創辦人後，系統會建立或更新創辦人的個人頁、公司頁，交叉引用會議筆記，檢查之前是否見過，浮出上次討論內容，檢查申請資料，拉最新指標，並判斷投資組合公司或聯絡人裡是否有人能幫上這位創辦人的問題。下一次開會前，完整脈絡包已經準備好。

這就是 Garry 那句最好的比喻：檔案櫃和神經系統的差別。

檔案櫃會存東西。神經系統會連接東西、標出變化、在此刻浮出相關資訊。

Clawd 補個刀：

很多人做「第二大腦」做成豪華檔案櫃：分類漂亮、標籤漂亮、查找時還是像在倉庫找螺絲。Garry 這裡真正有意思的是實體回灌。會議不是一份孤立筆記，而是會回寫到每個人、每家公司、每個議題。這才像神經系統，不然只是 Notion 裡多一座紙箱山。

薄 Harness，胖 Skill，胖資料

架構上，Garry 的主張可以先翻成一句人話：不要把聰明都塞在聊天視窗裡，要把判斷留在流程和資料裡。

這段名詞很多，先把地圖畫出來：

  • Harness：像總機或接線板，負責接訊息、判斷要派給誰。
  • Skill：像 SOP，寫著某件事該怎麼做、遇到錯誤怎麼辦、完成後要更新哪裡。
  • 資料：像長期記憶，保存人、公司、會議、書、文章之間的關係。
  • 模型：像可替換的員工或引擎，今天用這顆，明天可以換更強的。

所以 Garry 說的「薄 Harness、胖 Skill、胖資料」意思是：派工層要簡單，真正的知識要放在可重用的程序和可累積的脈絡裡。這裡也接得上 gu-log 以前幾篇文章：SP-94 講 harness 才是真正產品、SP-173 講 harness 與記憶主權、SP-195 講 Skill 作為可攜帶的操作知識。但新讀者不用先補課，記住前面那句就夠了：薄的部分負責派工，胖的部分留下判斷。

OpenClaw 在這套裡就是執行環境。你可以把它想成「收件與派工中心」：收到訊息後，判斷哪個 Skill 適用，再把工作交出去。它自己不需要懂書、不需要懂創辦人、不需要懂會議；它只需要把正確任務送到正確流程。

Skill 則很胖。原文說已經超過 100 個，每個都是自包含的 Markdown 檔，針對單一任務寫詳細指令。不要背名字，看工作型態就好：有的 Skill 把會議逐字稿變成摘要，順手更新裡面提到的人和公司；有的 Skill 拿到一個人名，就補出職涯、聯絡資訊、會議歷史和關係脈絡；有的 Skill 專門吃影片、音訊、PDF、截圖和程式碼倉庫，把素材放回正確的大腦位置；有的 Skill 做研究時，會先問「我的大腦已經知道什麼」，再分辨哪些資訊真的新。

Garry 也提到一些自己工作用的流程可能之後開源。那些名字不重要，重要的是設計方式：每個 Skill 都是在把操作知識寫成可以重跑、可以審查、可以修正的程序。

於是有人問 Garry 怎麼 prompt AI 時，他的回答是：他不 prompt。Skill 就是 Prompt。

資料也很胖。原文說大腦儲存庫裡有 100,000 頁結構化知識：人、公司、會議、書、文章、想法，全都連起來、可搜尋、每天成長。

程式碼也胖。轉錄、掃描文字、封存社群內容、同步行事曆、串接外部工具，這些餵資料的管線都重要。但 Garry 認為複利價值主要在資料：只要資料越來越完整，每個流程都能從更厚的脈絡開始。

模型反而是可替換的。有的抓精確錯誤，有的補遺漏脈絡，有的提供創意和第三視角，有的追求速度。初學者不用記模型名，只要抓住原則：Skill 決定什麼任務該叫哪個模型，Harness 不在乎。

因此，「哪個 AI 模型最好」在這套架構裡是錯問題。模型只是引擎，車子還包含傳動、方向盤、儀表板、油箱、輪胎、維修紀錄。只問引擎馬力，就像買車只盯著馬力表，結果忘記車上沒有煞車。很刺激，但通常不是好消息。

Clawd murmur：

如果把這篇濃縮成一句阿嬤也懂的人話，大概就是：不要只養一張很會回嘴的嘴，要養一整套會記、會查、會改、會回寫的腦內行政系統。這樣比較土，但也比較能活。

凌晨兩點的重點不是生產力，是複利

Garry 說，大家問他生產力，但他想的不是生產力，而是複利。

每場會議都增加大腦內容。每本書都讓下一本書的脈絡更豐富。每個 Skill 都讓下一個工作流更快。每次更新個人頁，都讓下一次會議準備更精準。他說系統今天是兩個月前的 10 倍，兩個月後又會再 10 倍。

這裡的 10 倍不用當成投資報告讀。真正的意思是：系統不是靜態工具，而是越用越厚。

凌晨兩點還在寫程式時，Garry 說自己不是只在寫軟體，而是在往一個每小時變好的系統加東西。會議吸收自動跑，電子郵件分流每 10 分鐘跑，知識圖譜從每次對話自動豐富自己，系統每天處理逐字稿，並即時抽出他漏掉的模式。

原文說這不是寫作工具、不是搜尋引擎、不是聊天機器人，而是一個真的能運轉的第二大腦：很多頁個人知識、很多可重用 Skill、很多自動跑的工作，以及過去一年所有專業關係、會議、書和想法的累積脈絡。

他也說整套系統有不少部分已經開源。讀者如果要照著裝，細節看 GitHub 文件就好；放在這篇文章裡，真正值得帶走的是那個形狀：知識層、流程層、派工層分開，然後每天互相餵養。

Garry 的核心判斷很清楚：未來屬於打造可複利 AI 系統的個人，而不是只使用企業集中式 AI 工具的個人。差別就像寫日記和擁有神經系統。

Clawd 補個刀：

「第二大腦」這詞過去被用到快爛掉了。很多產品其實只是「搜尋得到的筆記」。Garry 這篇比較狠，因為它把第二大腦定義成一個會自動寫入、會回灌實體、會跑定時工作、會產生新 Skill、會做品質檢查的作業系統。這已經不是筆記軟體，是一個很黏人的營運團隊 (¬‿¬)。

從哪裡開始：先做事，再 Skillify

Garry 最後給了一條啟動路線。

第一，選一個 Harness。可以用現成工具，也可以自己做一個很薄的路由器。放家裡電腦、放雲端、放哪裡都不是重點；重點是 Harness 不要變成什麼都懂的怪物，它只要負責派工。

第二，開一個大腦。Garry 說這套大腦受 Karpathy 的 LLM Wiki 啟發，重點不是名字，也不是某個測驗分數，而是資料要能被結構化、被搜尋、被回寫，讓下一次工作真的吃得到前面的脈絡。

第三，不要先規劃 Skill 架構。先做一件真的有趣、真的在乎的事：寫報告、研究某個人、下載一季 NBA 比分做運動投注預測模型、分析投資組合。用 Agent 做，反覆改到夠好，再跑 Skillify，把一次性工作抽成可重用 Skill。接著跑 check_resolvable，確認新 Skill 已經接進路由器。這個迴圈會把一次性工作變成複利基礎建設。

第四，持續使用並閱讀輸出。Garry 很誠實地說，Skill 一開始會普通，這正是重點。使用它、讀它產出的東西，看到不對時就跑跨模型評估：把輸出丟給多個模型，讓它們依照在乎的維度互相評分。書籍鏡像裡的家庭事實錯誤，就是這樣被抓出來，修正被寫進 Skill，之後每次鏡像都受益。

他最後的收束很像工程版雞湯，但這碗湯裡有料。第一個用這套系統做出來的東西很糟。第一百個，已經足以讓他信任它處理行事曆、收件匣、會議準備和閱讀清單。系統學會了，他也學會了，複利曲線是真的。

胖 Skill。胖程式碼。薄 Harness。LLM 自己只是一顆引擎。車子可以自己造。

結語

Garry 這篇文章最容易被誤讀成「有錢、有資料、有 YC 脈絡的人才能這樣玩」。這種讀法有它的道理：100,000 頁大腦、創辦人會議、治療脈絡、開源技術棧、凌晨兩點工程力，都不是一般人能原樣複製的條件。

但真正可搬走的不是規模，而是順序。

先把工作流做一次。讀輸出。找錯誤。把錯誤寫回 Skill。讓 Skill 接進路由器。讓資料回灌到實體。讓下一次不要重學。模型可以換，工具可以換，部署可以換，但個人脈絡必須留下來，而且要用系統吃得進去的格式留下來。

聊天視窗會回答問題。檔案櫃會保存東西。神經系統會在正確時刻讓相關訊號發亮。

Garry 半夜兩點在造的，不是一個更會聊天的 AI。

是把每一次工作都變成下一次起跑線的機器。