企业官网建设流程全解析

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：

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：

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：

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↔Confident）
• Writing 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 Adaptations：Twitter/X、LinkedIn、长文分别的适配说明
• Content Formats：thread 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 CRM

SKILL.md 定义了人脉关系四档分层，每档有明确的触达频率 SLA：

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 OKR，metrics.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：

1. 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；
2. 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 → posts

examples/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.jsonl（status 升级为ready）、发布后追加posts.jsonl（metrics 初始化为 0，后续更新）。

posts.jsonl的完整 schema 见 references/file-formats.md：id、published、platform（twitter|linkedin|newsletter|blog|youtube）、type（post|thread|article|video|podcast）、content、url、pillar、metrics（impressions/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）：

1. 定义声音——填写identity/voice.md的语气与风格
2. 设定定位——在identity/brand.md中补全受众与内容支柱
3. 添加联系人——向network/contacts.jsonl录入关键关系
4. 设定目标——在operations/goals.yaml中定义 OKR
5. 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：

1. 渐进式披露——只为当前任务加载所需（三级加载架构）；
2. 追加只读数据——永不删除，保留历史做模式分析；
3. 模块分离——各域独立，无交叉污染（创作任务不加载人脉数据）；
4. Voice First——任何内容生成前先读voice.md（SKILL.md 与 idea_to_draft.py 输出双重强制）；
5. 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