用 TypeScript 构建个人 AI 超级助手：PAI 的模块化编排与记忆系统

在 AI 模型能力飞速提升的今天，如何让通用大模型真正服务于个人的工作与生活目标，而非停留在「对话玩具」的层面？Daniel Miessler 给出的答案是将 AI 从工具层提升到系统层 —— 构建一个完整的个人 AI 基础设施（Personal AI Infrastructure，简称 PAI）。这个开源项目自 2022 年启动以来已演进至 v5.0.0 版本，核心是一个基于 TypeScript 的「生命操作系统」（Life Operating System），它不仅管理 AI 工具，更管理你的人生目标、当前状态与理想状态之间的差距。

核心理念：从聊天机器人到数字助手

PAI 的设计哲学建立在三个核心原则之上。首先是「人类优先，技术第二」—— 整个系统的出发点是提升个人能力，而非展示技术复杂性。其次是「生命操作系统而非代理工具箱」—— 系统需要理解你关心什么（目标、工作、健康、人际关系、财务），并持续帮助你朝着理想状态前进。第三是「理想状态驱动一切」——PAI 放弃了传统 AI 系统中模糊的「完成」定义，转而使用 ISA（Ideal State Artifact，理想状态产物）来明确界定每项工作的目标与验收标准。

这种设计思路的起点是 Daniel Miessler 在 2016 年提出的 TRIOT 框架：单一数字助手将成为每个人与所有 AI 交互的入口；万物皆可 API 化；你的数字助手动态创建你的界面；你定义理想状态，AI 帮助你达成。PAI v5.0.0 正是这一愿景的完整实现。

架构解析：三层结构与统一守护进程

PAI 的技术架构分为三个核心层次。基础层是引擎层，由 Claude Code、OpenCode、Pi 等 AI 引擎构成，负责实际的任务执行与推理。第二层是 PAI 操作系统层，包含记忆系统、技能系统、钩子系统、代理系统、语音系统、学习系统、安全系统与状态栏 —— 这是整个架构的核心编排层。第三层是用户层，代表个人的工作、健康、目标、人际关系、创意、财务、学习与整体生活。

值得注意的是 v5.0.0 版本引入的 Pulse 统一守护进程。这是一个运行在本地 31337 端口的 Bun 进程，取代了之前分散的语音、监控与钩子脚本。Pulse 同时托管 Life Dashboard（一个提供 22 条路由的 Next.js 应用），并提供语音通知、钩子执行、可观测性监控、性能监控、Syslog 捕获、Cron 调度与 Wiki API 等功能。这种统一守护进程的设计使得整个系统的状态监控与故障排查都变得极为简洁。

七阶段 Algorithm：从当前状态到理想状态

PAI 的执行核心是 Algorithm v6.3.0，这是一个受科学方法启发的七阶段循环：OBSERVE（观察当前状态）、THINK（分析问题本质）、PLAN（制定行动计划）、BUILD（构建解决方案）、EXECUTE（执行计划）、VERIFY（验证结果）、LEARN（总结学习）。每次非平凡任务都会经过这个完整循环，系统通过跟踪每个阶段的状态来确保任务按预期推进。

Algorithm v6.3.0 引入了一个关键组件 —— 模式分类器（Mode Classifier）。这是一个由 Sonnet 驱动的 UserPromptSubmit 钩子，它对每个用户提示进行分类，确定应该使用 MINIMAL（极简模式，耗时少于 90 秒）、NATIVE（原生模式）或 ALGORITHM（完整七阶段模式）中的哪一种，同时还会划分难度等级 E1 至 E5。这种分类机制确保了简单任务不会被过度工程化，而复杂问题则得到应有的深度处理。

Algorithm 还强制使用封闭列表的思考能力。系统预定义了 18 种思考工具，包括 IterativeDepth（迭代深化）、ApertureOscillation（光圈振荡）、FirstPrinciples（第一性原理）、SystemsThinking（系统思维）、RootCauseAnalysis（根因分析）、Council（委员会决策）、RedTeam（红队测试）等。任何超出这个封闭列表的「幻影能力」都被视为严重失败。这一设计避免了 AI 系统在复杂推理时的不确定性，保证了思维过程的可预测性与可复现性。

ISA：统一的任务定义原语

PAI v5.0.0 最重要的架构变更之一是将传统的 PRD（产品需求文档）替换为 ISA（Ideal State Artifact）。ISA 是一个包含 12 个固定章节的文档模板：Problem（问题定义）、Vision（愿景）、Out of Scope（不在范围内）、Principles（原则）、Constraints（约束条件）、Goal（目标）、Criteria（验收标准）、Test Strategy（测试策略）、Features（功能特性）、Decisions（决策记录）、Changelog（变更日志）与 Verification（验证结果）。

ISA 的核心创新在于它的五个身份同时存在：它既是理想状态的表述，又是测试框架，还是构建验证工具、完成条件与系统记录。以往分散在多个文档中的信息现在统一在 ISA 一个文档中，验收标准直接作为测试用例存在。例如，Criteria 章节中的每个条目都对应一个具体的验证工具探针，而当所有验收标准都通过时，任务即宣告完成。

ISA 系统还维护了严格的身份稳定性规则：ISCs（Ideal State Criteria）编号永不改变，已完成的 ISC 不会被重新编号，删除的 ISC 保留墓碑而非回收编号。这确保了跨版本的任务追踪与审计能力。

记忆系统 v7.6：按用途分层的记忆架构

PAI 的记忆系统按用途而非时间顺序组织，这在传统的 RAG（检索增强生成）系统设计中是一个显著的反直觉决策。系统采用六层记忆结构：WORK 层存储活动与归档的任务 ISA；KNOWLEDGE 层管理类型化图谱，包含人物、公司、想法、研究与博客；LEARNING 层存储元模式（信号、投诉、智慧框架、反思）；RELATIONSHIP 层维护数字助手与本人之间的关系笔记（私有）；OBSERVABILITY 层记录每条工具调用、钩子触发与满意度信号（JSONL 格式）；STATE 层管理会话注册表。

这种按用途分层的设计避免了对向量嵌入的依赖。PAI 自 2025 年 6 月起就完全放弃了 RAG 架构，转而使用明文交叉引用配合 ripgrep 快速搜索。这种方案的优势在于：完全透明（任何工具都能读取）、无需维护嵌入管道、不存在检索质量损失、且保留了完整的上下文信息。文件系统本身就是索引。

37 个 Hook：生命周期钩子的编排网络

PAI 的编排能力很大程度上依赖于它的钩子系统。v5.0.0 版本提供了 37 个生产级钩子，分布在会话的各个关键节点：SessionStart（会话启动）、UserPromptSubmit（用户提示提交）、PreToolUse（工具调用前）、PostToolUse（工具调用后）、Stop（任务停止）、SubagentStop（子代理停止）、PreCompact（上下文压缩前）与 SessionEnd（会话结束）。

v5.0.0 新增的关键钩子包括：PromptProcessing.hook.ts（模式分类器）、ContainmentGuard.hook.ts（隐私区域强制执行，在 PreToolUse 阶段阻止跨区域写入）、SecurityPipeline.hook.ts（包含 5 个检查器：模式检查、出站检查、规则检查、提示检查、注入检查）、ISASync.hook.ts（将 ISA 阶段跟踪同步到仪表板）、CheckpointPerISC.hook.ts（自动提交 ISC 标准转换）与 DocIntegrity.hook.ts（在 Stop 时触发交叉引用审计）。

钩子系统采用了即插即用设计模式。每个钩子都是一个独立的 TypeScript 文件，通过标准化的接口暴露生命周期事件。开发者可以在不修改核心系统的情况下添加新钩子，这使得 PAI 的扩展变得极其灵活。

技能系统：171 个工作流的即插即用域单元

PAI v5.0.0 随附 45 个公开技能与 171 个工作流。技能是自激活的可组合域单元，数字助手在运行时根据意图选择激活。技能体系遵循严格的层次结构：代码层执行确定性逻辑；CLI 层调用代码；工作流层用提示调用 CLI；SKILL.md 文件作为路由层在工作流间选择。这种「代码封装提示，而非提示封装代码」的设计确保了技能的可靠性与可测试性。

技能目录涵盖了思考（Council、RedTeam、FirstPrinciples、SystemsThinking）、内容创作（Art、WriteStory、Fabric）、研究（Research、Knowledge、ArXiv）、代理（Interceptor、Browser、Agents）、构建（ISA、CreateSkill、Prompting）等多个领域。例如，Fabric 技能封装了 240 多个专业提示模式，Agents 技能支持从基础特质与声音组合生成自定义代理，Research 技能提供四种深度模式（快速、标准、广泛、深度调查）。

安全与隐私：结构化隔离与 12 道安全门

PAI v5.0.0 将隐私保护提升到结构化层面。containment-zones.ts 模块声明每个目录的隐私区域，ContainmentGuard 钩子在工具调用前阻止任何超出区域的写入操作。这将隐私保护从人工维护的允许清单转变为文件系统级别的强制执行。

ShadowRelease 工具为公开发布提供了 12 道安全门：G1 区域删除、G2 身份模式匹配、G3 Cloudflare ID 检测、G4 trufflehog 扫描、G5 .env 泄露检查、G6 私有令牌检测、G7 引用完整性验证、G8 私有技能引用检查、G9 用户名路径检测、G10 暂存引导验证、G11 仪表板泄露扫描、G12 仅模板化 USER/MEMORY。任何一道安全门失败都会导致构建失败，这种「默认失败」的设计确保了发布流程的绝对安全。

实践建议：构建你自己的 PAI

对于希望构建类似系统的开发者，PAI 的架构提供了几个关键启发。首先，从明确的 TELOS（目标、约束、预期结果）开始。没有对「理想状态」的清晰定义，任何 AI 系统都只能在黑暗中摸索。其次，投资于上下文工程而非模型选择。PAI 的核心洞察是：给强大的模型正确的上下文，比使用更强大的模型更重要。第三，采用文本优先的存储策略。放弃向量数据库与封闭存储，转而使用明文 Markdown 与交叉引用，可以获得完全的透明度与零维护成本。第四，建立自我改进循环。PAI 通过钩子系统自动捕获满意度信号与性能数据，用于持续优化系统行为。

PAI v5.0.0 的安装极为简洁 —— 一条命令即可完成：curl -sSL https://ourpai.ai/install.sh | bash。安装完成后，运行 /interview 让数字助手引导你完成 TELOS 定义、理想状态设定、偏好配置与身份调优。系统的真正价值在个人化配置完成后才会显现。

资料来源：GitHub - danielmiessler/Personal_AI_Infrastructure（https://github.com/danielmiessler/Personal_AI_Infrastructure）

mlops