效率与协作 personal-knowledge-managementcontent-workflowrelationship-managementmeeting-preparationgoal-trackingprogressive-disclosurejsonl

数字大脑个人操作系统

用结构化文件和 AI 管理内容、关系、知识与目标。

FollowSkills 评估 · FSRS-2.0
不推荐
38/ 100 五分制 1.9 / 5
信任安全10 / 25 · 2.0/5

文档明确了追加写入、保留历史和模块边界,降低了误删风险;但会处理联系人、互动记录、目标和个人品牌资料,却未说明最小权限、敏感数据保护、用户确认、数据流、外部副作用或恢复/回滚机制,因此扣分。

可靠稳定6 / 20 · 1.5/5

核心路由和多个 Python 脚本提供了可读的成功路径,且部分脚本对缺失文件和无效 JSON 有处理;但 weekly_review.py、metrics_snapshot.py 等被引用的关键脚本未在所给材料中提供,错误 JSON 被静默跳过,输入歧义、写入失败和脚本异常缺乏诊断反馈,静态证据不足,且按规则不超过10分。

适用触发8 / 15 · 2.7/5

触发短语、目标用户和主要场景较清楚,覆盖内容、联系人、会议和复盘;但未充分声明不适用范围、输入约束、跨平台路径要求及不同数据布局下的行为边界。未见中文语言支持说明,但核心功能也不依赖海外在线服务,因此未作额外环境扣分。

规范维护7 / 15 · 2.3/5

SKILL.md 使用渐进式披露并提供模块结构、格式约定、示例、版本、作者、许可证和更新时间;但模块引用与实际提供材料无法完全核验,脚本清单前后不一致,创建/更新时间存在日期不一致,缺少明确维护责任、变更记录、安装前置条件和系统化故障排查,因此扣分。

有效结果5 / 15 · 1.7/5

内容生成、联系人查询和会议准备流程具有直接可用的输出描述,追加式文件结构也有实际价值;但大量结果依赖用户先填充数据和身份文件,脚本和模块不完整,输出质量与量化收益主要由文档声称,静态阅读无法确认核心任务端到端完成,因此保守评分。

证据核验2 / 10 · 1.0/5

材料包含代码、流程和仓库 CI,但所示 CI 主要验证研究系统及其他示例,并非该 Digital Brain 技能的关键路径;量化 token/效果声明没有可核验的本技能测试或第三方执行证据,且外部引用未在本评估中核验,因此仅给有限分。

证据充分度: 评估于 2026年7月20日 审查版本 c578e85e40fe
使用前请注意
  • 使用前应明确联系人、互动和个人品牌数据的访问边界,并要求涉及写入或归档的操作获得用户确认。
  • 应补齐或核对 weekly_review.py、metrics_snapshot.py 及各模块文件,避免文档声明与实际安装内容不一致。
  • 不要把静默跳过无效 JSON 视为成功;应报告文件、行号和错误原因,并为写入失败提供恢复路径。
  • 文档中的量化收益和“生产就绪”表述尚未由该技能专属测试支持。
查看完整评分方法 →

这个 Skill 能做什么,适合哪些场景?

Digital Brain 是一个面向创始人、内容创作者和技术专业人士的个人操作系统技能。它覆盖内容创作、个人品牌、联系人管理、会议准备、知识整理、周复盘和目标追踪。技能采用三层渐进式披露,只在需要时加载模块指令和数据文件。它依赖本地目录中的 Markdown、JSONL、YAML 和 XML 文件,并包含用于复盘、内容想法、联系人检查和想法转草稿的自动化脚本。

它读取 identity、content、knowledge、network 和 operations 模块中的本地文件,生成符合用户声音的内容草稿、联系人和会议简报、周复盘与目标更新建议。内容流程使用 ideas.jsonl、drafts、posts.jsonl 和 calendar.md;关系管理读取 contacts.jsonl 与 interactions.jsonl;周复盘可运行 python agents/scripts/weekly_review.py,并检查 stale_contacts.py。JSONL 数据采用追加写入方式,历史条目通过 archived 状态保留。

  1. 创始人准备发布一篇公开构建主题的帖子,并希望先匹配个人声音和品牌定位。
  2. 专业人士准备与某位联系人开会,需要汇总关系历史、待办事项和后续行动。
  3. 内容创作者整理零散想法,先保存到 ideas.jsonl,再发展为草稿和已发布内容记录。
  4. 个人每周复盘指标、目标进度、过期联系人和下一周内容计划。
  5. 研究者保存书签、研究资料和学习材料,并在后续内容创作中调用这些知识。

这个 Skill 有哪些优点和局限?

优点
  • 覆盖内容、品牌、知识、关系、会议、待办和目标等相互关联的个人管理流程。
  • 渐进式披露和模块隔离有助于控制上下文规模。
  • JSONL 追加式记录保留历史,便于回顾内容表现和关系变化。
  • 提供明确的内容创作、会议准备和周复盘流程。
局限
  • 依赖用户维护本地文件结构、身份资料、联系人记录和历史数据。
  • 源材料没有说明数据迁移、权限控制、备份或多人协作方案。
  • 周复盘和联系人检查需要本地 Python 脚本及相应文件,脚本行为未在 SKILL.md 中展开。
  • 源材料未提供该示例的独立测试套件或跨平台验证结果。

如何安装这个 Skill?

先克隆仓库,再将 examples/digital-brain-skill/ 目录复制到主机的技能目录,并保留完整目录结构。例如:mkdir -p .claude/skills;cp -R examples/digital-brain-skill .claude/skills/digital-brain。也可复制到 .codex/skills/。源材料未说明额外软件包安装步骤。

如何使用这个 Skill?

将技能目录放入支持 Agent Skills 的主机后,使用类似“write a post about AI agents”“prepare for meeting with Sarah Chen”或“weekly review”的请求触发。生成内容前先读取 identity/voice.md,再检查 brand.md 和历史帖子;会议准备时读取 contacts.jsonl、interactions.jsonl 与 operations/todos.md。模块文件应按需加载,而不是一次性读取全部数据。

常见问题

它会自动访问我的联系人和个人资料吗?
源材料只描述读取技能目录中的本地 JSONL、YAML 和 Markdown 文件,没有说明外部联系人服务集成或自动联网访问。
使用它需要付费服务吗?
仓库采用 MIT 许可证,源材料未说明该技能本身存在付费依赖;运行脚本需要 Python。
它适合只想写文章的人吗?
可以,但它的范围更广。内容创作必须结合 voice.md、brand.md、历史帖子和模板,其他模块则用于关系、知识、运营和目标管理。

同仓库的其他 Skills

均来自 muratcankoylan/Agent-Skills-for-Context-Engineering

开发与工程

上下文工程基础

用注意力预算和上下文质量原则,理解并设计更可靠的智能体上下文。

开发与工程

Agent Skill 蓝图模板

为上下文工程技能提供可复用的结构、边界和质量检查框架。

开发与工程

持久语义记忆架构

帮助智能体设计可扩展、可检索且能处理时间变化的持久记忆系统。

开发与工程

上下文退化诊断

定位并缓解长上下文中的注意力丢失、污染、干扰、混淆与冲突。

开发与工程

上下文压缩策略

在长期代理会话中压缩上下文,同时保留文件变更、决策和后续行动。

开发与工程

自我改进循环

让智能体系统在受控评估中迭代自身的上下文、工作流与代码。

开发与工程

长程智能体提示设计

为长期自主运行和并行多智能体任务设计可验证、抗近似交付的启动提示。

开发与工程

高级 LLM 评测

为 LLM 输出构建可审计、可校准并能缓解评测偏差的自动化评估流程。

开发与工程

潜在简报

通过任务引导的 KV 缓存压缩,在可控运行时高效共享编排器与工作器之间的上下文状态。

开发与工程

多智能体架构模式

帮助你设计具备上下文隔离、协调协议和可靠交接机制的多智能体系统。

开发与工程

智能体工具设计指南

帮助你设计清晰、可路由、可恢复的智能体工具接口。

开发与工程

项目级智能体开发方法论

帮助你判断是否该用大语言模型,并设计可迭代、可解析、可控成本的智能体项目流水线。

开发与工程

BDI 心智状态建模

把 RDF 上下文转化为可解释的信念、愿望与意图链。

开发与工程

自主智能体控制台

为自主智能体设计可控、可恢复、可审计的运行框架。

开发与工程

Agent 评估方法

为智能体流水线建立可重复的评估、回归检测与质量门禁。

开发与工程

严谨研究代理

为多步骤研究建立验证、故障恢复与来源追踪流程。

开发与工程

文件系统上下文工程

将大型、持久或共享的代理上下文移入文件,按需检索以减少上下文压力。

开发与工程

上下文效率优化

通过缓存、遮蔽、压缩与分区降低上下文成本,同时保护回答质量。

开发与工程

上下文工程与智能体系统指南

帮助团队设计、优化和评估具备可靠上下文管理能力的生产级智能体系统。

开发与工程

推理轨迹优化器

通过分析智能体的推理轨迹,定位上下文、工具和指令问题,并迭代优化提示词。

相关 Skills