The File System Is the New Database: How I Built a Personal OS for AI Agents

Summary

Muratcan Koylan (Context Engineer at Sully.ai) built “Personal Brain OS”——一个基于文件系统的个人操作系统，用 Git 仓库存储，让 AI 助手（Cursor/Claude Code）能持久地了解用户的声音、品牌、目标、联系人和工作流程。核心理念：Context Engineering > Prompt Engineering——不是写更好的 prompt，而是设计信息架构让 AI 能做出正确决策。

核心架构

1. Progressive Disclosure（渐进式信息加载）

解决 context window 有限 + attention U-shaped curve 问题：

• Level 1: 轻量路由文件（SKILL.md），始终加载，告诉 AI 该加载哪个模块
• Level 2: 模块级指令（CONTENT.md, NETWORK.md 等），40-100 行，按需加载
• Level 3: 实际数据（JSONL/YAML/研究文档），任务需要时才加载

最多 2 跳到达任何信息。11 个隔离模块，内容任务不加载网络数据，反之亦然。

2. Agent Instruction Hierarchy（三层指令体系）

• Repository 级: CLAUDE.md —— onboarding 文档，AI 工具首先读取
• Brain 级: AGENT.md —— 7 条核心规则 + 决策表（请求→动作序列映射）
• Module 级: 每个目录有自己的指令文件，领域特定的行为约束

好处：消除指令冲突，模块独立更新不影响其他模块。

3. 文件格式选择（Format-Function Mapping）

• JSONL: 日志类数据（append-only，防止 agent 覆盖历史数据）—— 11 个文件
• YAML: 配置类（层级数据 + 注释支持）—— 6 个文件
• Markdown: 叙述类（LLM 原生可读）—— 50+ 个文件

每个 JSONL 文件以 schema 行开头：{"_schema": "contact", "_version": "1.0", "_description": "..."}

4. Episodic Memory（情景记忆）

不只存事实，还存判断：

• experiences.jsonl: 关键时刻 + 情感权重 (1-10)
• decisions.jsonl: 决策 + 推理 + 替代方案 + 结果追踪
• failures.jsonl: 失败 + 根因 + 预防措施

5. Skill System（技能系统）

遵循 Anthropic Agent Skills 标准：

• Auto-loading skills（user-invocable: false）: voice-guide, writing-anti-patterns —— 写作任务自动注入
• Manual skills（disable-model-invocation: true）: /write-blog, /topic-research —— slash command 触发

Voice System: 5 维属性 1-10 评分 + 50+ banned words（三级）+ 反模式列表。比形容词描述精确得多。

6. 日常运行

• Content Pipeline: Idea → Research → Outline → Draft(4轮编辑) → Publish → Promote
• Personal CRM: 4 层联系人圈（weekly/bi-weekly/monthly/quarterly）+ can_help_with 字段做 intro matching
• Automation Chains: 周日 weekly review = metrics_snapshot → stale_contacts → weekly_review，形成反馈循环

关键教训

1. Schema 要简洁: 初始 15+ 字段太多，减到 8-10 个必要字段，agent 表现更好
2. Voice guide 要前置重点: 1200 行太长会 lost-in-middle，关键规则放前 100 行
3. 模块边界要精确: identity 和 brand 拆分后，voice-only 任务 token 减少 40%
4. Append-only 不可妥协: 曾因 agent 重写 JSONL 丢失 3 个月数据

关键引用

“Context engineering asks ‘what information does this AI need to make the right decision, and how do I structure that information so the model actually uses it?‘”

相关资源

• GitHub: https://github.com/muratcankoylan/Agent-Skills-for-Context-Engineering (8000+ stars)
• 作者: Muratcan Koylan, Context Engineer at Sully.ai