如何用 Fable 5 构建第二大脑

我要向你展示，一步一步地，如何把 Fable 5 变成一台从里到外了解你业务的机器……并输出与其他人得到的东西完全不同的成果

这个工具是在 Obsidian 中构建的第二大脑，已经有一小群人在运行它……完全相同的模型，但每次输出却天差地别

市面上最聪明的模型整天生产平庸的作品，原因只有一个：它对你一无所知

没有你的业务背景、没有你的受众数据、没有你过去的决策……于是它只能猜测，而猜测出来的东西读起来就很通用

把它接入你自己的知识库，同一个模型就会变成完全不同的机器

代码遵循你的架构，内容听起来像你，写作立足于你拥有的研究……而且你从第一天就能看到效果

这一点适用于你运行的任何工作流：编码、营销、内容、销售、研究

在没有第二大脑的情况下运行 AI 代理就是在浪费时间……而且差距只会越来越大，因为大脑每多一个文件，未来的每一次运行就会更聪明，永无止境

我每天都在运行这台机器……它支撑着我交付的每一篇文章、每一份指南和每一个产品

这就是完整的系统……第二大脑究竟是什么、代理自主导航的文件夹结构、如何用目标填充它、如何用循环保持其活力、如何在它之上运行真正的调研机器、如何在不烧钱的情况下读取它，以及如何将它接入你构建的一切

如果你想学习如何从 Fable 5 中获得最大收益，以及如何用它赚钱，那就是实时 AI 运维社区的目的：weeklyaiops.com

同一个模型，不同的档次

下面是这个说法的数据支持

在会计领域，一个没有客户历史记录的模型准确率大约在 70% 左右

给它客户的历史交易记录后，它从 85% 起步，并攀升到 90% 以上

模型本身没有任何变化，变化的是知识

写作也是同样的道理

一个中等水平的模型，配上精心构建的声音档案，产出的内容比完全没有档案的 Fable 5 更具辨识度

文件对结果的贡献比模型档次更大

而模型本身对此的回报比以往任何时候都更高

Anthropic 自己的测试让 Fable 玩了一个完整的基于文件记忆的卡牌构筑游戏，其提升幅度比上一代旗舰模型高出三倍

一个游戏，由供应商测试，还没有人复现……但这个数字所指的方向只需要你一个文件夹的 markdown 文件，所以你无论如何都应该采纳

在我们开始构建之前，我必须告诉你一件事：模型并不会神奇地在你笔记中找到所有东西

它做的是利用存在于对话之外的知识，并引用每一条信息的来源

记忆是你的，存放在你的硬盘上，以你可以打开阅读的纯文本形式存在

给它几周时间，代理就会开始引用你甚至忘记自己做过决策

第一个问题是这段记忆应该放在哪里

答案不花一分钱，而且你可能已经安装好了

一分钟了解 Obsidian 是什么

Obsidian 是一个免费应用，运行在你电脑上一个 markdown 文件文件夹之上

没有数据库，没有云锁定……你的笔记是你拥有的纯文本文件，应用只是一个漂亮的窗口

你只需要它的两个功能：

[[wikilinks]]：在任何笔记名称两边输入双括号，两条笔记就连接起来了

图谱视图：Obsidian 把每一条笔记画成一个点，每一条链接画成一条线，这样你就能将知识视为一个网络

而且它非常适合代理：因为仓库就是一个文件夹，Fable 通过 Claude Code（模型在你机器上运行的终端应用）直接操作它

不需要插件，不需要连接器，不需要特殊设置……代理读写 markdown 文件，Obsidian 向你展示变化

你使用应用，代理使用文件夹，两者都在看着同一个大脑

在你为一个大项目做准备之前：本文中所有内容的基础版本大约需要一小时，一旦读取规则设定好，运行成本极低……关于资金的部分有专门一节

区分一个大脑和一堆积文件的是结构……而结构正是几乎所有人都搞错的地方

结构：四部分，仅此而已

这个思路来自 Karpathy 的 llm-wiki 理念：把你的知识库当作代码库来对待

Obsidian 是编辑器，模型是程序员，wiki 是代码

在梳理了人们公开运行的设置、仓库、病毒式模板、失败讨论之后，有四个部分反复出现：

raw/ - 你捕获的所有东西原封不动地放在这里：文章、转录稿、通话笔记、竞品页面……只读历史，代理从不重写它

entities/ - 每个具体事物一个页面：客户、竞品、工具、人物

concepts/ - 每个概念一个页面：策略、模式、经验教训

INDEX.md - 前门：每个页面列出一行描述，这样代理就知道有什么东西存在，而不需要打开所有文件

代理的工作是编译：它读取 raw/ 中的新素材，更新 entities 和 concepts 页面，并在过程中建立链接

写作规则简单到可以塞进四行：

每个文件只讲一个经验教训，顶部有一行摘要

更新已有页面，而不是创建重复页面

删除后来发现是错误的笔记

始终将 raw 源文件和编译后的页面分开

为什么 raw/ 保持不变：当同一个代理反复读取和重写相同的笔记时，细节会模糊，错误会累积

raw 文件夹是你的地面真相，wiki 在它之上不断变得更聪明

页面只占价值的一半……页面之间的链接才是真正隐藏优势的地方

知识图谱：为什么它会随着增长而变得更好

代理在两条页面之间写的每一个 [[链接]] 都是图中的一个边

这是区分一个仓库和一堆积文件的关键：一个基于搜索的知识库随着增长会变得更嘈杂，因为文件越多，每次搜索中出现的垃圾就越多

一个链接紧密的 wiki 随着增长会变得更强，因为每个新页面都连入网络，使周围的页面更有用

当代理需要回答某个问题时，它不会扫描所有文件……它沿着链接行走

从客户页面到活动概念页面，再到竞品页面，像你回忆自己的记忆那样沿着连接前进

Karpathy 自己的仓库大约有 100 篇文章和 40 万词，全部由模型编译，全部相互连接

这样操作两周后打开图谱视图，你会看到你的业务变成一张活地图……光是那幅画面就会改变你对自己已知信息的思考方式

那么，如何在不花一个月时间复制粘贴的情况下填满它呢？

用目标填充它

第一步是回填，而 Fable 的目标系统正是为这个任务设计的

Claude Code 中的 /goal 让你写下一行终点线，模型就会自主工作，同时第二个较小的模型作为裁判读取对话，并在终点线被越过时确认

关键在于裁判只能看到对话中的内容，所以目标必须要求它能读取的证据：

在你运行之前先用已有的东西喂养 raw/：旧的聊天记录、书签的讨论串、笔记应用导出的文件、客户文件夹、过去的研究

然后走开，回来时就会有一个编译好的大脑

两条规则确保回填诚实可靠：

每次变更都以差异（diff）形式呈现，精确的变更前后行，而不是声称……如果代理说它更新了某个页面，差异（diff）必须证明这一点

没有指向 raw/ 的源链接的页面会被标记，不被信任

回填让你得到一个编译好的大脑……保持它活着是另一项工作，也是所有人都跳过的

通过循环保持活力

一个只在你记得喂它时才会增长的第二大脑，三周内就会死亡

所以维护工作按计划运行，而不是靠记忆：

每次会话后：一个钩子，一个在会话结束时自动触发的小脚本，挖掘刚刚发生的事情……做出的决策、发现的错误、确认的模式，作为带日期的笔记写入仓库……你已经完成的工作变成记忆，无需你手动整理

每晚：在一个廉价模型上运行一次编译任务，读取当天的新 raw 素材并更新 wiki 页面……日常任务，日常级别

每周：一次清理任务，寻找矛盾、重复页面和死链接……这是保持图谱干净的循环，之所以存在是因为无人维护的 wiki 会腐烂

每周：在大模型上运行一次综合任务，读取整个仓库，写出本周发生了什么变化、什么正在偏移、什么值得关注

最后一个是唯一让高级模型发挥价值的环节

其他所有任务都在廉价级别上运行，因为更新笔记是日常任务，把日常任务交给 Fable 就是人们白白烧钱的原因

维护让仓库保持干净……但让它变得有价值的素材从哪里来？

喂养它的研究流程

这是仓库不再是存储、而变成优势的地方，也是垃圾通常会进入的步骤

默认的 AI 研究是向聊天机器人提出一个提示，答案就死在滚动历史中

更糟糕的是，它建立在过时的知识之上……在 AI 领域，六个月前的建议通常是错误的，而真正的实践者层面——人们现在正在运行什么、什么会崩溃、什么有效——存在于社交媒体上，而不是官方文档中

所以研究机器是这样运作的：

一个输入问题，它被拆分成 3-5 个子问题

并行代理分头行动，每个搜索不同的表面：社交媒体寻找实践者层面，网络寻找文档和定价，抓取工具提取所有值得阅读内容的完整文本

每个发现变成一张收据：主张、来源链接、日期

然后是通过验证的门槛：一个怀疑者代理攻击每个主张并试图杀死它……单来源的炒作被标记，矛盾被揭示，只有幸存者通过

经过验证的发现作为页面落入仓库，每个都带日期和链接，每个都带有到期日期，这样过时的知识会自动暴露出来

而我运行它的具体技术栈：

last30days 由 ScrapeCreators 提供（scrapecreators.com）：一项技能，扫描 Reddit、X、YouTube、Instagram 和 TikTok 上任何主题最近 30 天的实践者讨论

官方 X MCP（api.x.com/mcp）：直接从来源获取实时帖子、讨论串和书签

使用 yt-dlp 获取 YouTube 字幕（github.com/yt-dlp/yt-dlp）：任何教学或教程都变成代理可以挖掘的文本

通过 ScrapeCreators 获取 Instagram 和 TikTok 内容，因为短视频是新技术工作流最先出现的地方

Perplexity 深度研究（perplexity.ai）：跨网络的有引用来源的长文阅读通道

Firecrawl（firecrawl.dev）：提取每个值得保留页面的完整文本，以干净的 markdown 形式呈现

怀疑者是区分研究和谣言收集的关键：新鲜上下文的检查者比模型审查自己工作的效果更好，所以攻击总是来自一个没有参与研究的代理

每周在你关注的领域运行一次，仓库就会充满你的竞争对手没有的经过验证、带日期、有来源的智能情报

然而，如果读取仓库的成本大于其回报，所有这些都毫无价值

在不烧钱的情况下读取它

一个仓库只有在读取成本低廉的情况下才能长期运作，而这正是几乎所有设置中的漏洞

心理模型：上下文窗口是一个昂贵的房间，进入其中的每个东西都要支付 token 费用——AI 账单按字数计费

你的 CLAUDE.md，代理在每次会话开始时读取的指令文件，每次都会自动加载……这是永远要支付的税……保持它在 200 行以内，指向仓库，但绝不要包含仓库内容

其他所有东西都是按需付费：代理检查 INDEX.md，跟随链接，用 grep 搜索关键词，只打开路径指向的页面……全面扫描文件夹是永远不会发生的事

对于大型问题，派一个工作代理：一个子代理在自己的独立上下文中读取五十个页面，然后返回一段结论到你的会话中……昂贵的房间只用来做决策，不是当图书馆用

将其接入你构建的一切

一个只用来存储东西的仓库只是一种归档爱好……但这个仓库可以喂养你运行的每个项目

在任何项目的 CLAUDE.md 中用三行代码指向它：

## knowledge
- 开始之前，从 ~/vault/entities/ 和 ~/vault/concepts/ 读取相关页面
- 所有关于我们业务、客户或受众的主张都必须以仓库页面为基础

然后输出立刻改变：

营销：基于你实际的受众页面和竞品历史的活动简报，而不是通用人物画像

内容：引用你自己过去研究并匹配你声音档案的初稿

编码：代理在每个项目的仓库中保持实时的架构笔记，所以没有一个会话是盲目开始的

客户工作：每个交付物都以其身后的完整关系历史为开端

然后是第二部分：仓库本身变成产品

研究页面变成文章和指南，概念页面变成课程，客户页面变成案例研究……你不再是从白板创作，而是把机器已经验证过的东西打包成产品

能救你仓库的警告：同步是仓库死亡的地方

只运行一个同步系统……如果代理在 iCloud 同步的同时写入文件，你会得到冲突的副本和混乱的文件夹

Git，程序员使用的保存点系统，作为检查点层……它只在你告诉它时锁住一个版本，这样的设置才能存活

卡片（总结）

整个构建过程，按顺序……复制这份清单：

创建仓库：raw/、entities/、concepts/ 和一个 INDEX.md

将四条规则写入你的 CLAUDE.md：每个文件一个经验教训，更新而非重复，删除错误的，永远不要碰 raw/

把你拥有的所有东西倒入 raw/：转录稿、书签、笔记、客户文件夹

运行 /goal 回填，附上能证明的源和停止条件

设置循环：会话钩子、每晚在廉价级别上编译、每周清理、一次高级别综合任务

每周运行研究扫描：分头行动，让怀疑者攻击，将幸存者作为带日期的页面放入

在每个项目的 CLAUDE.md 中添加三行知识引用

驾驶座上的模型会再次更换……仓库会在每一次更换中存活下来，而写进仓库的反馈让它无论谁在驾驶都每周变得更聪明

最小版本只需一小时：一个文件夹、十条关于你业务的信息、一个被指示先读取它们的代理

你的输出会告诉你其余的一切

加入世界上最好的 AI 社区：weeklyaiops.com