1. 项目概述：一个由AI驱动的个人“数字秘书”

我一直想要一个秘书。不是真人秘书，而是一个能帮我处理日常数字杂务的智能助手。这个想法从童年对“权力”的幼稚向往，到后来对“效率”的务实追求，再到如今对“解放心智空间”的深刻理解，伴随了我很多年。早期尝试用GPT-2等模型构建类似系统，结果总是失败，直到我遇到了Claude Code。现在，我构建了一个名为“Muninn”（取自北欧神话中奥丁的乌鸦，意为“记忆”）的系统，它帮我阅读邮件、管理日历、检查车辆电量、订购食品杂货，甚至分析我的睡眠质量。整个系统没有一行代码是我亲手写的，全部通过语音口述给Claude Code完成，其核心就是一堆Markdown文件、一系列MCP连接器，以及一个清晰的执行逻辑。这不是一个复杂的软件工程，而是一套可操作、可迭代的 个人生产力自动化框架 。如果你也厌倦了在十几个应用间来回切换，感觉生活被琐事淹没，那么这个基于Claude Code构建的“数字秘书”方案，或许能为你打开一扇新的大门。

2. 核心设计哲学：为什么是Markdown和“指令即代码”

在开始动手之前，理解背后的“为什么”至关重要。我尝试过很多自动化方案，从IFTTT、Zapier到自己写Python脚本，但它们要么太死板，要么维护成本太高。Muninn系统的核心设计哲学可以归结为两点： “指令即代码” 和 “最小化架构” 。

2.1 为什么选择纯Markdown作为系统载体？

这可能是最反直觉的决定。在充斥着数据库、API和微服务的时代，为什么用最朴素的文本文件？

第一， 零部署与零依赖 。Markdown文件就在你的硬盘上，用任何文本编辑器都能打开和修改。没有服务器需要维护，没有运行时环境需要配置，没有版本兼容性问题。系统能否运行，只取决于Claude Code能否读取这些文件——而它天生就擅长这个。

第二， 对人类和AI的双重友好 。Markdown结构清晰，Claude Code能完美解析。同时，作为构建者的我，也能轻松阅读、理解和调整。当系统行为出现偏差时，我不需要去调试复杂的代码逻辑，只需要检查并修改对应的Markdown指令即可。这种透明性是任何黑盒框架无法比拟的。

第三， 极致的模块化与可组合性 。每个领域（如日历、邮件、健康）都是一个独立的Markdown文件（我称之为“剧本”）。添加新功能？新建一个 cooking.md 。某个功能出问题？直接注释掉或删除那个文件，不影响其他部分。这种基于文件的模块化，比任何编程中的接口设计都要直观和灵活。

2.2 “指令即代码”与传统的编程自动化有何不同？

传统自动化是“if-else”逻辑的硬编码。例如：“如果时间是早上8点，且日历上有会议，则发送提醒。”这种逻辑很脆弱，一旦情况稍有变化（比如会议取消了但提醒还是发了），就需要修改代码。

“指令即代码”则是将 意图和原则 交给AI，由AI在具体情境中动态决定如何执行。我的 CLAUDE.md 文件中写道：“ 偏向行动 ——如果你能自己做某事，就直接做，不要让我手动操作。” 同时还有“ 确认规则 ——任何对外的行动（发邮件、完成任务、创建日程），都必须先展示给我看并等待确认。”

这意味着，系统不是一个执行固定流程的机器人，而是一个理解了工作原则的智能体。它知道什么时候该主动（比如扫描未读邮件），什么时候该请示（比如回复一封重要的工作邮件）。这种动态性，是应对复杂、多变的真实生活所必需的。

2.3 工具选择策略：CLI优先，MCP补充

Claude Code通过MCP连接外部服务，但我的原则是： 能用命令行工具解决的，绝不用MCP 。

原因在于上下文开销。每个MCP服务器启动时，都会将其所有工具的架构描述加载到对话的上下文窗口中。连接五六个MCP后，可能还没开始干活，宝贵的上下文令牌就被工具描述占用了不少。而一个简单的命令行工具，调用起来又快又轻。

例如，对于Todoist任务管理，我写了两个简单的Shell脚本（ todoist-add ， todoist-list-today ），它们能处理90%的常用操作，速度远超通过MCP调用Todoist官方API。只有遇到创建复杂项目、设置标签等高级操作时，才会fallback到Todoist MCP。

必须使用MCP的场景是那些没有稳定CLI接口的服务，比如Google Workspace（邮件、日历）和Home Assistant。这里的权衡很明确： 性能与便利性 。对于高频、简单的操作，追求极致的轻量和速度；对于复杂、官方的集成，则接受MCP带来的便利性和可靠性。

3. 系统架构深度解析：从核心指令到领域剧本

理解了“为什么”，我们来看“是什么”。Muninn的目录结构非常清晰，它反映了一个从核心身份到具体执行的逻辑层次。

~/ai/agents/muninn/
├── CLAUDE.md              # 智能体的“宪法”：身份、能力、行为准则
├── domains/               # 领域剧本：每个生活领域的具体操作手册
│   ├── tasks.md
│   ├── calendar.md
│   ├── email-personal.md
│   ├── email-work.md
│   ├── comms.md
│   ├── home.md
│   ├── health.md
│   ├── transport.md
│   ├── cooking.md
│   ├── jira.md
│   └── agents.md          # 子智能体注册表
├── memory/                # 持久化记忆库
│   ├── people.md
│   ├── decisions.md
│   ├── projects.md
│   ├── briefing-notes.md
│   └── daily/            # 自动生成的每日日志
└── STATUS-FORMAT.md       # 状态报告模板

3.1 核心宪法：CLAUDE.md 文件剖析

这个文件是智能体的灵魂。它不包含具体操作步骤，而是定义了最高层级的规则。以下是我的 CLAUDE.md 核心部分拆解：

身份定义 ：开宗明义，“Muninn — 参谋长兼行政助理”。这个头衔很重要，它设定了智能体的角色是“辅助决策与执行”，而非简单的“任务执行器”。这会影响AI在后续所有交互中的语气和主动性。

能力清单 ：明确列出它能做什么：“任务：通过Todoist创建/更新/完成；日历：通过Google Workspace MCP管理；邮件：通过Google Workspace MCP撰写/发送/回复……” 这份清单有两个作用：一是告诉AI它的工具范围，二是在我口述指令时，我能清晰地知道它的能力边界。

核心行为准则 ：这是精髓所在。

1. 偏向行动原则 ：原文是“If you can do something yourself, just do it — don‘t ask me to do it manually.” 这直接杜绝了AI那种“我可以帮你写一段代码，你来运行”的无效建议模式。它必须自己调用工具去执行。
2. 确认规则 ：原文是“For any outward action ... show exactly what you’ll do and wait for confirmation.” 这是安全阀门。内部扫描（读邮件、查日历）无需确认，但任何会产生外部影响的操作（发邮件、替我做决定），都必须让我过目。这个“展示-确认”的步骤，是建立信任的关键。

记忆路由规则 ：这部分指导AI如何更新记忆库。明确指令：人物信息去 people.md ，项目信息去 projects.md ，决策和偏好去 decisions.md 。并且 严禁 将待办事项写入记忆——它们必须去Todoist。这个区分保证了记忆库是干净的“事实数据库”，而不是混杂着意图的垃圾场。

3.2 领域剧本：标准化操作流程

domains/ 目录下的每个文件，都对应一个生活领域，并遵循相同的结构： 扫描流程 和 执行流程 。

以 health.md 为例：

## 扫描流程
1.  获取睡眠数据——分数、时长、质量
2.  获取身体电量——当前水平、充/放电趋势
3.  获取训练准备程度
4.  检查静息心率——正常值 vs. 当前值
5.  获取近期活动——与训练计划对比
6.  **如果**训练准备度低或睡眠分数<60：→ 标记为FYI：“恢复日——考虑跳过今日跑步”

## 执行流程
### “我睡得怎么样？”
→ 拉取睡眠数据，总结分数+时长+深睡/REM睡眠占比

### “我今天应该跑步吗？”
→ 检查训练准备度+身体电量+日程安排
→ 给出“推荐/谨慎/不推荐”的建议

扫描流程 用于每日简报，是 拉取信息、按规则初步过滤 的过程。它是一系列条件判断，目的是从海量数据中筛选出需要我关注的信息点。

执行流程 则用于我主动询问时的 按需深度查询与行动 。它更具体，直接对应一个自然语言问题，并给出结构化的答案或操作。

这种设计的妙处在于 分离了关注点 。简报时，AI按部就班执行所有扫描流程；当我需要特定信息时，它又能精准调用对应的执行流程。每个领域剧本都是独立的插件，增删改都不会影响系统其他部分。

3.3 记忆系统：从向量搜索回归关键词搜索

记忆系统是迭代最多、也最反潮流的部分。我最初也采用了时髦的向量搜索，但很快放弃了。

为什么放弃向量搜索？ 向量搜索（嵌入模型）擅长语义相似性，比如“汽车”和“车辆”。但在个人助理场景下，精确匹配往往更重要。当我说“记得张三不喜欢开会”，我希望AI在下次看到“张三”和“开会”时能关联起来，而不是去匹配“李四”和“讨论”。向量搜索的“模糊性”在这里成了缺点，它可能召回一些语义相关但实际无关的记忆，造成干扰。此外，向量搜索通常更慢，且需要维护额外的嵌入索引。

为什么选择BM25关键词搜索？ 我使用了QMD这个本地搜索工具，它基于BM25算法。对于我这种 文档小、词汇受控、结构清晰 的记忆库，关键词搜索速度快、结果精确、可预测性强。 people.md 里就是人名和事实， decisions.md 里就是决策条目，AI搜索“牙医预约”，能直接定位到那条“已解决”的记录，不会产生歧义。

记忆库的精心组织 ：

• people.md : 记录人际关系事实（“李四的生日是5月20日”，“王五喜欢喝黑咖啡”）。
• decisions.md : 这是最重要的文件 。它记录三类内容：1) 已解决事项 （“2026-02-20 - 已解决：牙医预约已订于2月27日”），防止系统反复提醒；2) 永久驳回项 （“太阳能逆变器离线警报——已知硬件问题，无需处理”）；3) 个人偏好 （“不要在周末安排工作事项”，“花园事务主要由我妻子负责”）。
• projects.md : 记录项目或系统的客观事实（“家庭服务器IP是192.168.1.100”，“博客部署密钥存放在~/.ssh/”）。
• briefing-notes.md : 记录针对简报的过滤规则（“来自‘订阅邮件’发件人的未读邮件，除非标题包含‘账单’，否则标记为已读”）。

关键心得 ：记忆是用于存储 事实 和 决策 的，而不是存储 意图 或 任务 。将待办事项误写入记忆，是污染记忆库、导致后续搜索失效的最常见错误。务必在 CLAUDE.md 中严格规定路由规则。

4. 核心工作流：每日简报的魔法

每日简报是整套系统的价值巅峰，也是让我从“使用工具”到“拥有助手”感受转变的关键。它不是一个简单的信息汇总，而是一个多阶段的智能过滤与呈现管道。

4.1 简报五阶段工作流详解

当我输入 /briefing 指令后，系统内部会经历以下五个阶段：

第一阶段：加载上下文与排除列表 AI首先读取 decisions.md 和 briefing-notes.md ，并在整个记忆库中搜索“最近已解决”的条目。这一步的目的是生成一个“ 免提清单 ”。比如，如果 decisions.md 里写着“牙医预约已解决”，那么今天日历上关于牙医的提醒就不会出现在简报里。这解决了所有提醒类工具最恼人的问题——对已处理事项的重复唠叨。

第二阶段：并行启动领域扫描 这是性能关键。系统不会一个个领域串行检查。相反，它会“启动”所有领域的扫描代理（在概念上并行）。 tasks.md 剧本去查Todoist， calendar.md 去查Google日历， health.md 去拉Garmin数据， transport.md 去查汽车电量……所有这些查询同时发生。在Claude Code的上下文中，这表现为AI快速、连续地调用一系列工具，极大地缩短了等待时间。

第三阶段：过滤与综合 各领域返回原始结果。此时，主智能体（Muninn）会拿着第一阶段生成的“免提清单”，对所有这些结果进行 二次过滤 。这是一个“深度防御”策略：即使某个子代理忘了过滤已解决事项，主代理也会兜底。过滤之后，AI开始综合信息，判断优先级，并按照固定模板进行组织。

第四阶段：结构化呈现 简报的输出格式是固定的，这减少了我的认知负荷：

• 紧急 —— 需要未来几小时内处理（如：一小时后有会议，车辆电量不足20%）。
• 今日 —— 今天需要完成（如：提交项目报告，购买晚餐食材）。
• 明日 —— 明日提醒（如：明天上午预约了理发）。
• 本周 —— 未来几天需要关注（如：周末家庭聚餐，需要确认人数）。
• 仅供参考 —— 信息性内容，无需行动（如：昨晚睡眠得分85分，表现良好）。
• 异常情况 —— 预料之外的事情（如：家庭服务器离线，静息心率异常升高）。
• 建议行动 —— 系统可以替我立即执行的操作（如：“我可以帮你把‘买牛奶’加入Todoist吗？”或“需要我起草一封邮件回复张三的询问吗？”）。

第五阶段：捕获反馈 简报结束后，AI会主动询问：“上述事项中，哪些已处理？哪些需要推迟？哪些可以永久忽略？”我的回答会被直接格式化并追加到 decisions.md 文件中。 这是一个闭环 。我的反馈直接强化了系统的“免提清单”，让下一次简报更精准。这是系统能够“学习”和“进化”的核心机制。

4.2 简报的实际体验与心流调整

最初，简报打乱了我的工作节奏。我正在编码，突然弹出一个简报需要审核；刚处理完，又有一封邮件草稿需要确认。这种频繁的上下文切换让我精疲力竭，感觉思维像一团浆糊，几乎要导致职业倦怠。

我做了两个关键调整：

1. 固定简报时间 ：我不再随时触发 /briefing ，而是固定在每天早、中、晚几个特定时间点（如早上开工前、午饭后、下班前）。这让我有连续、不受打扰的“深度工作”时间块。
2. 心态转变 ：我意识到，即便我每天花15分钟处理这些简报和确认，它所节省的时间和避免的遗漏，远超我过去花在零散切换应用上的精力。 这15分钟的投资，换回的是数小时的专注和内心的宁静 。接受“主动管理”而非“被动响应”的模式，是使用这类系统的心理门槛。

5. 子智能体生态与权限管理

Muninn是我的“总参谋长”，但它不是万能的。围绕它，我建立了一个由 专业子智能体 构成的生态系统。

5.1 子智能体：从临时项目到常驻专家

子智能体本质上是独立的Claude Code项目文件夹。例如：

• ~/ai/agents/cook/ : 专门负责膳食计划和杂货订购。它知道我家人的口味、常买的食材，并能根据日历上的安排（今晚是否在家吃饭）来建议食谱。
• ~/ai/agents/system-audit/ : 定期检查我所有电脑的磁盘空间、备份状态、安全更新。
• ~/ai/agents/trip-planner/ : 为一次即将到来的家庭公路旅行而生，负责研究路线、预订住宿、整理行李清单。旅行结束后，它可能就被归档了。
• ~/ai/agents/memory-janitor/ : 元智能体 。它的工作是定期扫描 memory/ 目录，检查是否有重复条目、过期引用，或违反路由规则（比如把任务写进了 people.md ）的内容。

每个子智能体都有自己的 CLAUDE.md （定义其专长）和 STATUS.md （记录其最近工作和待办事项）。Muninn在简报时，会通过读取这些 STATUS.md 文件来了解各子智能体的状况。这种设计让系统具备了 弹性 和 可生长性 。智能体可以随着需求诞生、演化或休眠。

5.2 权限管理的噩梦与救星：权限优化器

在系统搭建初期，最大的体验杀手是 权限弹窗 。“允许执行bash命令吗？”“允许使用MCP工具吗？”“允许编辑文件吗？”几乎每执行一个操作就要确认一次，工作流被彻底打断。

我的解决方案是创建一个专门的 权限优化器智能体 。它定期运行（比如每周一次），执行以下操作：

1. 扫描所有权限文件 ：遍历所有Claude Code项目目录下的权限设置文件。
2. 去重与清理 ：移除因多次点击“允许，以后不再询问”而产生的重复或冗余条目。
3. 更新全局允许列表 ：将那些明确安全、高频使用的操作（如 ls , cat , 特定的MCP工具调用）添加到全局允许列表中。
4. 维护极简拒绝列表 ：只保留真正危险的操作（如 rm -rf / , dd if=/dev/random 等）。

这个优化器运行后，我的交互体验从“步步确认”变成了“畅通无阻”。对于绝大多数安全操作，AI可以直接执行；仅在最敏感的操作（如发送邮件、完成重要任务）前需要我确认。 如果你从本文只借鉴一个点子，那就应该是构建一个权限优化器 ，它对使用体验的提升是颠覆性的。

6. 实操搭建指南：从零到一的步骤

理论说了这么多，现在我们来动手搭建。请记住，不要试图一步到位。采用渐进式方法，从一个痛点开始。

6.1 第一步：创建核心结构与宪法

在你的工作区（例如 ~/ai/agents/ ）新建一个目录，比如 my_assistant 。

1. 创建 CLAUDE.md 文件。最初内容可以非常简单：

   # 我的个人助理
   ## 身份
   你是我的个人效率助理，帮助我管理数字生活。
   ## 核心原则
   1.  偏向行动：如果你能自己完成一件事，就直接做，不要让我手动操作。
   2.  安全确认：任何会向外部发送信息、修改重要数据或产生承诺的操作，都必须先展示给我看，并获得我的明确确认。
   ## 初始能力
   -   你可以读取和列出当前目录下的文件。
   -   你可以通过bash命令执行简单的系统操作（需先询问）。
   

2. 在Claude Code中打开这个目录。现在，你可以和这个初步定义的智能体对话了。测试一下：“帮我列出这个文件夹里所有的markdown文件。”

6.2 第二步：添加第一个领域剧本

选择你每天早晨第一个检查的应用。比如，很多人是邮箱。

1. 在 my_assistant 目录下创建 domains/ 文件夹。
2. 在 domains/ 内创建 email.md 。内容可以这样开始：

   # 邮件领域剧本
   ## 扫描流程（用于每日简报）
   1.  连接到我的工作邮箱（account: work）。
   2.  获取收件箱中未读邮件的数量及发件人。
   3.  标记出来自“老板”、“客户”或标题包含“紧急”、“截止”关键词的邮件。
   4.  忽略来自“订阅邮件”、“推广”等列表的邮件。
   ## 执行流程（用于按需操作）
   ### “我有多少封未读邮件？”
   → 连接邮箱，统计未读邮件总数，并按发件人分组列出。
   ### “老板今天发邮件了吗？”
   → 搜索发件人为“老板”的今日邮件，并总结主题。
   

3. 更新你的 CLAUDE.md ，在“初始能力”里加上“- 可以读取和执行 domains/email.md 中的邮件相关流程。”
4. 现在，你可以尝试命令：“执行邮件扫描流程。”或者问：“我有多少封未读邮件？”（当然，前提是你已配置好Google Workspace MCP）。

6.3 第三步：引入记忆系统

当你的助理开始处理重复信息时，记忆就变得必要了。

1. 在 my_assistant 目录下创建 memory/ 文件夹。
2. 创建 memory/decisions.md 。第一条可以写： ## 2024-05-20 - PREFERENCE: 简报时，忽略所有来自“系统通知”的邮件。
3. 更新 CLAUDE.md ，添加记忆路由规则：

   ## 记忆规则
   - 我的明确偏好和已处理的决定，请记录到 `memory/decisions.md`。
   - 在每次执行扫描流程前，请先读取 `memory/decisions.md`，并避免提醒我已决定忽略或已处理的事项。
   

4. 现在，当你下次运行简报时，AI应该会跳过那些“系统通知”邮件。

6.4 第四步：配置工具（MCP与CLI）

这是让系统“活”起来的关键。

1. MCP配置 ：参考Claude Code官方文档，安装并配置你需要的MCP服务器。对于新手，强烈建议从 Google Workspace 和 Todoist 开始。将MCP服务器配置添加到 ~/.claude.json 中。
2. CLI工具 ：对于Todoist，你可以先创建两个简单的Shell脚本：

   # 文件: ~/bin/todoist-today
   #!/bin/bash
   # 调用Todoist API (需要先安装其CLI或使用curl) 获取今日任务
   # 这里只是一个示例，你需要替换成真实的API调用
   echo "1. 完成项目报告草案"
   echo "2. 预约牙医"
   echo "3. 购买 groceries"
   

   赋予执行权限： chmod +x ~/bin/todoist-today 。然后在 CLAUDE.md 中说明：“你可以通过执行 todoist-today 命令来获取我今天的任务列表。”
3. 更新你的领域剧本。在 domains/tasks.md 中，扫描流程可以改为：“1. 执行 todoist-today 命令，获取今日任务列表。2. 标记出已过截止时间的任务。”

6.5 第五步：组装你的第一个简报

当你有了一两个领域剧本和基础记忆后，就可以创建简报流程了。

1. 在 CLAUDE.md 中创建一个新的章节或添加一个触发词。

   ## 简报指令
   当我说“开始简报”或“/briefing”时，请按顺序执行以下操作：
   1.  加载记忆：读取 `memory/decisions.md`，了解需要忽略的事项。
   2.  执行扫描：依次运行 `domains/email.md` 和 `domains/tasks.md` 中定义的扫描流程。
   3.  综合报告：将扫描结果分类为“紧急”、“今日”、“FYI”，并向我汇报。
   4.  收集反馈：报告后，询问我哪些事项已处理，并更新到 `memory/decisions.md`。
   

2. 现在，在Claude Code中，对你的助理说：“开始简报。” 你将收到一份属于你自己的、最简单的个性化简报。

7. 常见问题、故障排查与进阶技巧

在构建和使用过程中，你一定会遇到各种问题。以下是我踩过坑后总结的经验。

7.1 问题排查清单

问题现象	可能原因	解决方案
AI完全不执行命令，只给出建议。	CLAUDE.md 中“偏向行动”原则不明确或未被理解。	强化指令。使用更绝对的语气，如“ 必须 自行调用工具完成， 禁止 建议我手动操作”。
简报重复提醒已处理的事项。	1. decisions.md 中的记录格式AI无法识别。 2. 扫描流程没有在开始时读取记忆。	1. 统一使用 - RESOLVED: [事项描述] 的格式。 2. 在领域剧本的扫描流程第一步，明确写入“首先，检查 memory/decisions.md 中是否有相关已解决项”。
AI混淆了个人和工作邮箱。	在 CLAUDE.md 或领域剧本中没有明确的路由规则。	在 domains/email-work.md 和 email-personal.md 中，明确指定MCP连接的账户名称（如 account: work ）。在 CLAUDE.md 中说明不同场景下的默认账户。
权限弹窗过多，体验割裂。	全局允许列表未正确配置，或权限优化器未运行。	运行权限优化器智能体。手动检查 ~/.claude/settings.json ，将常用、安全的工具和命令路径添加到 allowed 列表中。
AI“忘记”了之前对话中设定的偏好。	偏好没有被持久化到记忆文件中。	建立严格的口令。当AI做对一件事时，立刻命令它：“将‘我喜欢邮件在简报中按项目分组显示’这一偏好，记录到 memory/decisions.md 中。”
简报速度很慢。	1. 领域扫描是串行的。 2. 某个MCP连接超时。	1. 在指令中鼓励AI“尽可能并行地检查各个领域”。虽然Claude Code是线性处理，但清晰的指令能优化其调度。 2. 检查网络，或为缓慢的MCP设置超时fallback机制。

7.2 进阶技巧与心得

1. 为指令添加“为什么” ：不要只告诉AI“做什么”，告诉它“为什么”这么做。例如，在 decisions.md 的格式旁加注：“使用 - RESOLVED: 前缀，是为了让搜索算法能准确识别已解决条目。”这能提升AI在边缘情况下的理解能力。
2. 创建“系统健康”剧本 ：增加一个 domains/system_health.md ，让它定期检查你的服务器、备份、证书到期日等。预防性问题远比补救性问题更容易处理。
3. 利用 briefing-notes.md 进行微调 ：这是记忆系统中专门用于过滤简报的。你可以记录：“如果睡眠分数>80且没有紧急会议，则不要提醒‘考虑午休’。”这种细粒度的规则让简报越来越贴合你的习惯。
4. 接受不完美，迭代改进 ：这个系统的强大之处不在于初始的完美，而在于它的 可进化性 。每次AI犯错或遗漏，都是一次改进指令的机会。直接告诉它：“刚才你漏掉了X，是因为Y吗？请更新对应的剧本，确保以后能捕获此类信息。”你是在训练一个高度定制的助手。
5. 警惕模型先验 ：LLM基于海量数据训练，有其固有的“世界观”。例如，它可能默认认为“未读邮件=紧急”。你需要通过 decisions.md 和领域剧本中的规则，坚定地告诉它你的优先级是什么（例如，“来自家人的消息优先级高于工作邮件”）。
6. 手动触发是特性，不是缺陷 ：我坚持所有操作都由我手动触发，没有后台守护进程。这确保了 我始终是系统的控制者 。当我不在电脑前时，系统就处于休眠状态。这种设计给了我巨大的安全感，因为一个拥有广泛权限的AI助手在无人监督下运行，其风险是不可预测的。

构建这样一个系统，最大的回报不是某个具体任务被完成，而是那种“一切尽在掌握”的 秩序感 。琐事被归位，信息被梳理，决策被记录。你的心智空间得以从杂乱的管理工作中解放出来，投入到真正重要的创造和思考中。它不完美，但它在你的每一次交互中变得更好。就像一位真正的秘书，你们之间逐渐磨合出默契。从这个Markdown文件和简单的指令开始，一步步搭建属于你的“数字参谋长”吧。