一、引入

拿到一份新AI工具清单，你现在的反应是什么？

“又来了。”

不是说工具不好——Claude 写长文确实强，whisper 转录确实准，n8n 自动化确实省事。但问题是：你有十份工具清单，有一套系统吗？

工具解决的是单点问题。系统解决的是端到端的认知链路——素材怎么进来、谁来加工、存在哪、怎么用、用什么决策。

我从今年4月开始搭建自己的AI延伸系统。到8月，这套系统管理着34个自动化技能、每天自动处理视频转录、文献归档、思想卡片、成长日记……而且这些认知活动跑在一个物理基础之上：身体状态管理。

下面是我的系统完整拆解，以及你可以怎么为自己搭一套。

二、一个核心认知：认知引擎需要一台稳定的主机

多数人搭建"AI工作流"时，只关注工具链。他们忽略了一个事实：所有认知活动跑在一个物理载体上。

前额叶皮层的决策效率、注意力持续时长、精力曲线的斜率——这些物理上限决定了你的认知系统能跑多快。没有身体管理，就像一个超频的CPU没有散热系统。

我的系统最核心的设计就是基于这个认知：双层架构——身体系统（主机）+ 认知引擎（操作系统）。

┌─────────────────────────────────────┐
│  身体系统（主机）                   │
│  身体锚点 · 收尾回路 · 注意力管理   │
│  HEARTBEAT 巡检 · 触发机制          │
├─────────────────────────────────────┤
│  认知引擎（六层）                   │
│  素材输入 → 加工 → 沉淀 → 输出 → 决策 │
└─────────────────────────────────────┘

这两层是平行运行、相互依存的。身体锚点执行得好，认知效率就高；收尾回路的数据，会流入成长日记。它们不是主从关系，是主机与操作系统。

身体管理不需要复杂。我的做法就三件事：每天固定时段20-30分钟规律活动、睡前3分钟简单回顾、起床后30分钟不刷手机。

三、六层认知引擎

Layer 1：基础设施——一次建设，全栈共享

地基决定上限。我的地基有两个关键选择：

浏览器底座。 一个常驻 Chrome 实例，所有自动化工具共用。视频获取用它登录B站，文档抓取用它访问飞书，自动登录用它填表单。单实例复用，不掉登录，不用每个工具各开一个浏览器。

公共函数库。 语音生成、长文本发送、会话管理……12个公共模块，所有技能共享。

自动化巡检。 每15分钟检查硬盘、内存、浏览器健康状态。发现异常自动尝试恢复。

这一层的原则：花时间建设一次，然后忘掉它。

Layer 2：素材输入——让信息自己流过来

不看新闻、不刷信息流。素材通过自动化流入。

四个核心场景：

  1. 视频。 丢链接过来，脚本自动选择最优引擎下载、whisper 转录全文。多引擎择优确保稳定性。
  2. 录音。 Plaud 录音笔记录日常对话和会议。定时脚本自动导出、下载、转写、说话人分离。
  3. 网页和文档。 飞书文档、微信公众号、PDF……统一提取到参考目录，标记处理状态。
  4. 内容创作者追踪。 好的创作者，系统自动跟踪新作品，发布后自动获取。

这一层的原则：把"我去找"变成"它来送"。

Layer 3：素材加工——加工不是压缩，是结构化

原始素材不能直接用。需要加工。

关键区别：加工不是摘要，是结构化。 一段90分钟的视频，精要输出约2000字的结构化笔记——保留论证逻辑和案例细节，丢失的是水词和废话。

三种加工形态：

  • 视频精要： 核心论点 → 论证过程 → 案例 → 延伸思考
  • 文献标准化： OCR → 结构化标注管线 → 统一格式
  • 创作者评估： 不只是获取新内容，还自动判断是否值得持续跟踪

Layer 4：认知沉淀——建你的思想库

这是最核心的一层。素材加工完，归宿不是"存档"，而是可检索、可关联的思想库。

三个关键机制：

思想卡片。 每一条认知——一个概念、一个案例、一个洞见——被抽象为一张卡片。卡片有编号、标签、关联链接。不是笔记，是反复提炼过的认知单元。我现在有40张这样的卡片，分布在"制度弹性"“AI认知"“组织与人性"等主题下。

这些卡片之间还有一个额外的价值：关联网络。 当卡片数量足够多，你看到的不是散落的笔记，而是一张认知地图——“质疑的力量"跟"工具即思考"之间的关联，在写作时会被自动发现。

学习捕获。 经验教训被提炼为可复用的方法论。每次踩坑，产出的是"下次遇到类似场景怎么办"的操作指南。不是备忘录里的零散记录，是抽象后的决策原则。

知识召回。 当新问题出现，系统自动搜索已沉淀的知识。不是"你收藏过什么"的全文搜索，是"当前问题可能相关的认知"的意图匹配。它在背后工作，你只管问问题。

这一层的好处：生成过的思考，不会再重想一遍。

Layer 5：反思输出——写下来

没有输出，沉淀就是死库。

三个输出层次：

  • 每日。 系统每天凌晨自动整理对话记忆、会议信息、翻牌记录，生成日记初稿。连续34天，没断过。
  • 持续。 每次对话中的偏好、习惯、决策模式被自动提取入库。“不喜欢冗长的解释”、“偏好对比分析”——这些元认知被积累下来，越用越准。
  • 内容。 本站的所有文章，来源于这套系统。AI做初稿，人做审核。

“写下来"是你和AI分界线的核心动作。 AI可以帮你加工、沉淀、召回，但"这是我认为对的"这个判断，只能你来做。

Layer 6：决策应用

最后，所有沉淀服务于实际决策。

工具套件：五力模型测评（战略诊断，从粗筛到精测到断裂诊断）、周报自动生成、会议管理、本地任务体系。

这一层目前还在建设——系统搭建至今不到半年，决策应用层是最薄的一环。

四、如何搭建你自己的延伸系统

你不必复制我这套。以下是一个精简框架：

Step 1：画你的认知链路。 从最左到最右，列出你日常的信息处理全链路。比如一个产品经理可能是"用户反馈/数据看板 → 分类整理 → 需求池 → 优先级排序 → 产品方案”。

Step 2：找最痛的一个点。 整条链路中，哪个环节最耗费精力？输入太碎就建自动收集管道，加工太慢就建结构化模板，沉淀无体系就建卡片盒，输出太弱就建定期节奏。一次只打通一个环节。

Step 3：选工具，不追新。 浏览器自动化选 Playwright，知识管理选纯文本（Obsidian或本地Markdown），音频转录选 whisper.cpp（本地运行），任务调度选 cron + 脚本。90%的自动化不需要kubernetes。

Step 4：别忘了主机。 以上所有工具，跑在你身体的硬件上。身体管理比工具选择更能决定系统上限。

五、一点反思

搭建这套系统的过程，让我对"延伸"有了新的理解。

AI不是在替代思考，而是在接管那些你不擅长或不想做的环节。获取、加工、检索、初步整理——这些AI干得比人好。判断、决策、反思、创造——这些得人来做。

人和AI的分界线不在于"哪个行业”，而在于哪个环节。

延伸工具的价值，是让你的认知焦距更清晰。不是让你跑得更快，是让你看清往哪跑。