Context Infrastructure 参考实现
为 AI 编码智能体提供持久记忆、个人规则与定时观察的上下文基础设施蓝图，让助手真正了解你。
证据显示：README 清楚描述数据如何流动（三层记忆、observations、定时任务），并配有 .env.example 模板，数据流透明度尚可。但扣分点明显：observer.py/reflector.py 需配置 cron、share_report 涉及对外发布、VLM OCR 会把 PDF 内容（可能含敏感信息）以 base64 发往外部 API，均未见最小权限设计、用户确认机制或脱敏说明；未提供任何回滚或恢复手段；对外部 skill repo 和 .env 中密钥的依赖安全只有模板，无锁定或审计说明。来源归属方面有 MIT 许可和作者背景链接，可给到中等分。
证据显示：测试文件中存在 CliError 异常路径、doctor 命令检查依赖（requests/docling/lmstudio），说明作者有意识地处理失败与依赖可用性，README 与目录结构、测试与 skill 命名相互一致。扣分点：仅见一个 skill 的测试，observer/reflector 等核心脚本无测试证据；cron 触发下的失败如何上报未见说明。
证据显示：README 明确目标用户（想自建 context 系统的开发者）、明确定位为 reference implementation 而非开箱即用工具，能力边界陈述诚实（展示层不可复制、需自行采集数据）。支持 Claude Code/OpenCode/Cursor 多环境。扣分点：定时任务的触发精度只有 CRONTAB.md 一个文档指引，跨平台（非 macOS/Linux）适配未见证据。
证据显示：目录结构清晰、分层（展示/可复用/不可复用）逻辑自洽，安装指引（Quick Start + setup_guide.md）完整，已知局限（不能复制他人公理、需从头采集数据）写得诚实，MIT 许可明确。扣分点：无 CHANGELOG 或版本标记；维护责任仅有'运行一年'的叙述，无维护承诺或更新路径；展示层 43 条公理和 25+ skills 的具体内容在本次评审文件中不可见，examples 得分保守。
证据显示：产出物是结构化 markdown 上下文 + 可运行脚本，'有 context vs 没有 context'的即时光对比 Quick Start 设计合理，对成本的坦白（没有捷径、需自己积累）是加分项。扣分点：核心价值依赖用户持续投入，实际收益在静态评审中无法验证；对外部 API（VLM OCR）的成本无提示。
证据显示：README 中的声明大多可追溯到具体文件（目录结构、license、setup 指南），且明确区分了'可直接用'与'仅供参考'，事实与推断分离良好。扣分点：外部链接的 skill repo（semantic-search-skill 等）在本仓库内不可核实；'运行了一年''43 条公理'等数字性声明无独立佐证，只能采信 README 自述。
- VLM OCR 会将 PDF 内容（可能含敏感信息）以 base64 发送至外部 API，使用前请确认数据边界并自建 API endpoint。
- observer/reflector 通过 cron 长期运行并写入个人记忆文件，部署前请审查脚本权限与磁盘占用，仓库未提供回滚方案。
- 核心价值需用户自行持续采集数据，不要期待开箱即用；外部 skill repo 未在本仓库内核实，安装前请单独审查。
- share_report 涉及对外发布报告，请确认发布内容的敏感性后再启用。
这个 Agent 能做什么，适合哪些场景？
这是作者运行了一年的 context infrastructure 系统的完整结构，定位为参考实现而非开箱即用工具。仓库以文件和 Markdown 为核心：AGENTS.md 作为每次会话的路由起点，rules/ 目录提供身份（SOUL.md）、用户画像（USER.md）、沟通风格（COMMUNICATION.md）等模板，contexts/memory/OBSERVATIONS.md 承载三层记忆系统。periodic_jobs/ai_heartbeat/ 内含 observer.py（每日观察）和 reflector.py（每周反思）两个 Python 脚本，通过 crontab 定时执行来积累记忆。展示层的 43 条决策公理和 25+ 个 skills 是作者个人积累，只能参考不能照搬；可复用层如 USER.md、COMMUNICATION.md 和记忆系统代码可直接使用。部署边界是本地仓库加定时任务，完整能力（搜索、邮件、文档等）通过独立的 public skill repo 按需安装，主仓库保持轻量。
启动流程是：clone 仓库后用 Claude Code、OpenCode 或 Cursor 打开目录，AI 读取 AGENTS.md 路由表进入 session；用户在 rules/USER.md 填写个人偏好和背景，AI 行为立刻个性化。运行层面，配置 crontab 后 observer.py 每日执行观察写入 OBSERVATIONS.md（L1/L2 记忆层），reflector.py 每周执行反思，SOP 见 periodic_jobs/ai_heartbeat/docs/KNOWLEDGE_BASE.md，记忆系统设计见同目录 PRD.md。rules/skills/ 提供 25+ 个可复用 skill，rules/axioms/ 提供 43 条决策公理作为展示样例。定时任务配置参考 docs/CRONTAB.md；扩展能力（Web 搜索、Google Docs、邮件/newsletter、支付分析等）通过 docs/SKILL_ECOSYSTEM.md 列出的独立 skill repo 安装，语义搜索已迁移至 grapeot/semantic-search-skill。
- 长期使用 Claude Code 的开发者，希望助手跨 session 记住自己的技术偏好、项目背景和沟通习惯，而不是每次重新解释
- 想建立个人知识沉淀系统的用户，需要每日自动观察和每周反思的定时流水线（observer.py + reflector.py + crontab）
- 刚开始使用 AI 编码工具的新手，想通过填写 rules/USER.md 模板在 5 分钟内体验「有 context vs 没有 context」的个性化差异
- 想为自己搭建 context 系统的工程师，需要一个可对照的目录结构、数据流和记忆分层设计的参考实现
- 需要扩展 AI 工作流的进阶用户，可从 docs/SKILL_ECOSYSTEM.md 中按需安装搜索、文档、邮件、PPTX、社交媒体等独立 skill repo
这个 Agent 有哪些优点和局限？
- 经过一年真实运行的完整参考实现，目录结构、数据流和记忆分层都有实物可对照，而非概念设计
- 三层结构清晰划分：模板层（USER.md、SOUL.md、COMMUNICATION.md）可直接填写使用，记忆系统代码（observer.py/reflector.py）可复用，个人公理仅作参考
- 保持轻量主仓库，重能力（搜索、邮件、文档、支付分析等）通过独立 skill repo 按需安装，避免臃肿
- 提供 setup_guide.md、CRONTAB.md、PRD.md、KNOWLEDGE_BASE.md 等完整文档链，从配置到记忆 SOP 均有指引
- 核心价值依赖长期采集个人行为数据，README 明言没有捷径，冷启动成本高
- 开箱即用体验有限：43 条公理和 25+ skills 是原作者视角，不能照搬替代自己的积累
- 记忆系统需自行配置 crontab 定时任务，且 .env.example 中所需的环境变量细节在 README 中未完整说明
- License 字段在仓库元数据中为 unknown，仅 README 末尾标注 MIT，采用前需自行确认
- 部分文档和评论以中文为主，英文用户需依赖单独的英文版仓库 context-infrastructure-en
如何安装或部署这个 Agent？
- Clone 仓库：git clone https://github.com/grapeot/context-infrastructure && cd context-infrastructure
- 用 Claude Code / OpenCode / Cursor 打开该目录
- 参考 .env.example 配置环境变量（具体变量列表 README 未详述）
- 打开 rules/USER.md 填写个人基本信息——这是 ROI 最高的一步
- 详细步骤见仓库内 setup_guide.md；若要启用记忆系统，按 docs/CRONTAB.md 为 observer.py（每日）和 reflector.py（每周）配置 crontab
如何使用这个 Agent？
- 每次 session 由 AI 读取根目录 AGENTS.md 路由表开始工作
- 在 rules/USER.md 维护你的偏好和背景，在 rules/SOUL.md 定制 AI 身份基调
- 让观察脚本按 cron 运行，记忆积累在 contexts/memory/OBSERVATIONS.md
- 调研报告、日常记录、思考复盘分别存放在 contexts/survey_sessions/、daily_records/、thought_review/
- 需要更多能力时，按 docs/SKILL_ECOSYSTEM.md 安装独立 skill repo（Web 搜索、Google Docs、Google Maps、邮件/newsletter、PPTX、支付分析等）
- 注意：要让 AI 真正个性化，需要从头采集自己的行为数据，展示层的公理和 skills 仅供参考
这个 Agent 与同类方案有什么区别？
README 将语义搜索拆分为独立的 grapeot/semantic-search-skill 仓库，并说明完整能力通过 SKILL_ECOSYSTEM.md 列出的多个 public skill repo 组合实现；除此之外源材料未点名具体竞品，不宜虚构对比。