Every Level of a Claude Second Brain Explained

• 1

  1. 「向下設計」原則：先想怎麼用，再決定怎麼存

• 2

  你未來會問 AI 什麼樣的問題，決定了現在該用什麼格式儲存資料。就像球不可能通過比它小的框架，資料結構必須符合查詢形狀，否則代理人根本找不到答案。

• 3

  2. 每一層解決不同痛點，最低夠用層才是最佳選擇

• 4

  作者本人大量使用自己的 Herc2 專案，但仍停留在第二層，因為 Wiki + 路由已滿足需求。升層的動力應來自具體痛點，而不是「看起來更厲害」的衝動。

• 5

  3. 向量搜索是語意搜索，不是萬能摘要機

• 6

  Vector Retrieval 適合在大量規則文件中精確找到「第 17 條規則」，但若你要 AI 總結上週五整場會議，分塊嵌入後只能搜到片段，完整性仍需依賴原始完整文件，兩者不可混淆。

• 7

  4. 第二大腦只儲存「不會刪除的資料」，雜訊比知識更傷害系統

• 8

  Slack 訊息、電子郵件、每週變動的客戶數據不應進入第二大腦，因為一個月後就得清除。真正值得存入的是「一年後我還需要記得這件事嗎？」答案為是的那些決策、關係、與專案記錄。

• 9

  --

• 五層架構總覽：
• 第一層：CLAUDE.md / agents.md 純文字路由，關鍵字精確查詢
• 第二層：Wiki + memory.md，主題式組織，CLAUDE.md 自動更新記憶
• 第三層：Vector / 語意搜索（Pinecone、Supabase、Obsidian Smart Search）
• 第四層：知識圖 / 關係圖（LightRAG、Graphify、Obsidian 關係視圖）
• 第五層：G-Brain 模式（Gary Tan / Y Combinator CEO 開發），常駐自動清理更新記憶
• 具體工具與名稱：
• Claude Code、Codex、Hermes（自建代理專案）
• Obsidian（視覺化知識圖，作者本人幾乎不開啟）
• Pinecone、Supabase（向量資料庫）
• LightRAG、Graphify（知識圖解決方案）
• G-Brain（第五層代表性工具）
• 技術細節：
• 向量搜索流程：Chunking → Embedding → Search → Hybrid Reranking
• CLAUDE.md 可設定 `auto memory on/off`，讓 AI 自動更新 memory.md
• Codex 使用 agents.md，Claude Code 使用 CLAUDE.md，內容幾乎相同
• 「grillme」提示技巧（來源：Matt Pocock，作者改良版）：AI 對某主題連續提問直到掌握所有資訊，用於快速建立訓練資料與知識圖輸入
• 決策判斷標準：
• 用關鍵字能找到 → 第一層
• 有 30+ 個文件常忘記位置 → 第二層
• 路由靠關鍵字但查詢是語意 → 第三層
• 需要追蹤「A 導致 B」類型關係 → 第四層
• 需要多業務 / 多客戶常駐更新記憶 → 第五層
• 資料分類框架（4C 中的兩個核心）：
• 語言（Language）：決策、季度 OTA、鎖定的計劃 → 適合放入第二大腦
• 連接（Connection）：Slack、Email、客戶即時資料 → 不放入，避免雜訊
• --

“第二大腦的層次不是越高越好，而是要用最低夠用的架構解決你當下真實的痛點，並始終從「未來會怎麼查詢」反推「現在應該怎麼儲存」。”