KeyFrame內部研究專用

Daniel Miessler - Anatomy of an Agentic Personal AI Infrastructure | [un]prompted 2026

unprompted·3月26日週四·23 min英文

三句話摘要

演講者Daniel分享個人AI堆棧架構,並闡述AI時代公司從人力運作轉向流程與演算法導向的未來趨勢。 將所有工作轉化為清晰的流程與離散標準,整合到統一AI系統,才能在AI時代掌握自主權。 公司API化與演算法化——未來企業不能要求使用者進入UI手動操作,而是必須提供API介面讓AI代理調用。同時,公司內部將演進為清晰的演算法圖,讓AI能理解、監管、更新組織流程。

重點整理

重點
  • 1

    公司API化與演算法化——未來企業不能要求使用者進入UI手動操作,而是必須提供API介面讓AI代理調用。同時,公司內部將演進為清晰的演算法圖,讓AI能理解、監管、更新組織流程。

  • 2

    多頭辯論代理系統(Council)——在決策時刻生成2-16位該領域專家代理進行激烈辯論,由主代理觀察辯論過程並形成建議,這比單一AI生成更具有對抗性檢驗與創意撞擊。

  • 3

    理想狀態反向工程——系統透過理解使用者背景與意圖,將模糊需求反向轉譯為離散、可測試的「理想狀態準則」,同時這些準則也成為最終驗證標準,貫穿整個七階段科學方法流程。

  • 4

    統一人工智慧基礎設施(Pi)——將所有AI工具、自訂技能、代理放入單一系統,讓使用者每次建構新功能後自動成為系統一部分,而非重複勞動;同時自動追蹤Anthropic與OpenAI的最新技術更新建議升級項目。

實用技巧與重點

乾貨
  • 系統與工具名稱:
  • Pi (Personal AI Infrastructure) — 開源個人AI基礎設施專案
  • Council — 多代理辯論系統,參數可設定辯論回合數
  • Arbol — 離散行動容器,可在CLI、Cloudflare Workers等環境運行並組成管道
  • Pi upgrade skill — 監控Anthropic、OpenAI工程部落格、GitHub發布、版本說明
  • Surface — 個人內容聚合系統,整合4000個RSS/YouTube/OSINT源,具質量評級
  • 核心觀點:
  • Writer's blindness(作家盲點)— 使用者腦中想法與表達不一致,AI需反向工程出真實需求
  • 七階段科學方法流程 — 理想狀態準則與驗證準則相同
  • 公司內SOPs(標準作業程序)自動化 — 取代人力決策的審核環節
  • 建築工地類比 — 摩天樓無人負責「建築不掉下來」,安全內建於設計;軟體應比照
  • 成本考量:
  • 不如未訂閱Max的成本
  • 理論上可多個帳戶

結論

結論

將所有工作轉化為清晰的流程與離散標準,整合到統一AI系統,才能在AI時代掌握自主權。

完整解析

詳細

Daniel在這場演講中介紹了他對AI時代企業與個人工作方式的三層思考:未來趨勢、系統架構、與具體實現工具。

他從「公司如何存在」的根本問題開始。當他看到Excalidraw推出AI文字生成圖表功能時,發現它仍要求使用者登入UI手動操作——這對一個依賴AI代理的世界來說已是過時。未來公司必須作為API而非UI存在。他預測軟體評級將如同IMDb,AI會自動選擇最適合的服務。進一步延伸,公司內部也要變成演算法圖:清晰、可測試、透明的流程網絡,不能再是模糊的人力推薦。最終,整個商業模式會從「人力運作」轉向「流程運作」——就像大型能源公司處理故障時不問「誰出錯」,只問「是否遵循流程」,然後修改流程。這套思維將普遍化,特別是透過AI執行。

在個人AI堆棧層面,Daniel強調人應該置於系統中心,而非程式碼。他的系統包含多個創新組件:Pi upgrade skill會持續掃描Anthropic、OpenAI的技術更新,自動推薦升級;Council在面對決策時刻會生成2-16位專家代理進行辯論,而非單一答案;最核心的是一個基於科學方法的理想狀態反向工程演算法——當他說「幫我建造完整RPG系統包含歷史、語言、地形、戰鬥」時,系統會反向推敲他的完整需求背景,將模糊意圖轉譯為離散、可測試的準則,這些準則同時成為驗證標準。為了實現可組合的靈活性,他開發了Arbol系統,讓每個功能都是獨立容器(可在CLI或Cloudflare Workers運行),可任意連接成管道。他實際應用這套工具建造了Surface——整合4000個內容源(RSS、YouTube、OSINT、Blue Sky等),透過質量評級過濾,使得Marc Andreessen的劣作不會出現,而來自愛荷華州的天才小孩會被推薦。

最重要的是整體心態:不要讓任何重要工作成為「模糊一團」,因為那是McKinsey之類的顧問公司可以摘取、轉化為流程而將你邊緣化的破口。應該搶先把自己的工作流程清晰化、演算法化、整合到統一系統——企業和對手都在這麼做,早一步就能掌控主導權。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。