来源
- 原始链接：https://www.youtube.com/watch?v=ZRM_TfEZcIo
- 来源类型：视频逐字稿
- 来源标题：把 10,994 条笔记变成记忆
文本来源是 AI Engineer 频道视频《把 10,994 条笔记变成记忆》的修复版中文稿。下面按汉松兴趣画像优先保留机制解释、反常识判断和可复用工作流，而不是做普通摘要。
开头可以先抓住一句：这是一场来自 AI Engineer 频道的演讲或访谈，主题围绕“把 10,994 条笔记变成记忆”。下方保留完整字幕转写，并按约 5 分钟粒度建立回看章节。
一、第 1 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
让我们深入看一下。首先，我们需要弄清楚什么时候该用哪种工具，因为我们构建的这套研究系统并不适合每一次查询。如果你只是需要一个快速答案，比如几个简单问题，或者只是平时会 Google 一下的内容，那显然直接 Google，或者问 ChatGPT、Cloud，或任何你想用的系统就可以了。但问题在于，如果你有很多后续问题，或者这是一个需要持续推进的大项目，基本上就需要很长的上下文，或需要共享大量信息。这时依赖 ChatGPT 并不理想，也意味着你完全依赖 OpenAI 或 ChatGPT 团队构建的架构。
兴趣匹配度很高。这直接落在上下文工程上：关键不是塞更多材料，而是让系统在正确边界内拿到可维护、可审计、可复用的材料。
二、第 5 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
项目就是工作，你的第二大脑就是研究。现在我想给你展示一些演示。你需要去 AI Research OS Workshop 代码仓库，在那里可以找到运行本次演讲中展示内容所需的所有技能。一切都打包成 Cloud Code 插件，但你可以很容易地调整它，并用任何其他运行框架安装。在 README 中，你也可以找到如何安装其他依赖项的详细信息，因为这个系统依赖 Obsidian、Readwise、NotebookLM 等工具。所以你需要设置特定 CLI，或者处理身份验证问题。但我不想把时间浪费在设置上，我想直接进入示例。我准备了三个示例。第一个是关于我之前一篇 Agent 化 AI 工程文章的研究。
兴趣匹配度很高。这直接落在上下文工程上：关键不是塞更多材料，而是让系统在正确边界内拿到可维护、可审计、可复用的材料。
三、第 6 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
我们有比较、概念、实体和来源。来源里包含原始来源的执行摘要。所以 LLM 每次读取它们时，不需要再读取原始来源，只需要读取执行摘要即可；这些摘要在摄取期间只计算一次。比如在比较部分，它会自动理解需要比较哪些内容，可能是 Agent 化 RAG 与文件系统，或者上下文压缩与递归语言模型，也可能是基于来源推导出的任何有趣比较。真正最有意思的部分是概念。它会自动提取我们需要从这堆资源中理解的所有概念。例如，如果打开 Agent 循环资源，我们可以直接看到一份漂亮的摘要，里面包含图表、标签，并解释这个主题上需要理解的一切。对 wiki 中所有概念、所有实体等内容，我们都可以做同样的事。
兴趣匹配度很高。这直接落在上下文工程上：关键不是塞更多材料，而是让系统在正确边界内拿到可维护、可审计、可复用的材料。
四、第 7 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
首先，它在某些地方仍然比较粗糙。比如你也看到了，它需要更多连接器。我们需要添加 Google Drive、Notion、Slack，以及很多其他可能对你有用的连接器。但说实话，它们对我当前的工作流或 Paul 的工作流并没有真正帮助。所以我们还没有添加，因为这个项目的核心是先对我们有用，然后让你接手并添加自己需要的任何东西。这个项目的另一个主要目标，是教授记忆和上下文管理。因此，所有这些额外功能对这个教学目标并不是真的有用。它还有一些其他弱点，比如和我们构建过的其他系统相比，现在很难知道哪些来源已经过时，哪些来源较弱，哪些来源较强。我们知道这些地方可以改进，但它们同样不是当前优先事项。
兴趣匹配度很高。这直接落在上下文工程上：关键不是塞更多材料，而是让系统在正确边界内拿到可维护、可审计、可复用的材料。
五、第 8 段
背景
本段为按时间切分的阅读章节，用于快速定位原文。
我们还会做其他后续改进，但那些主要是优化项，属于未来工作。关键是，我们其实已经把这些内容构建进了另一个产品里，而且你也可以自己构建它。我们创建了一门名为 Agent Engineering 的课程，会在其中构建一个类似的深度研究系统，包含写作与研究 Agent，目标同样是学习最好的 AI 工程实践。这是一门非常深入的课程，我预计完整学完大约需要 60 小时。最终项目就是我刚才描述的多 Agent 系统，你会亲手把它构建出来。
兴趣匹配度很高。这直接落在上下文工程上：关键不是塞更多材料，而是让系统在正确边界内拿到可维护、可审计、可复用的材料。
整体判断
这篇最值得保留的不是某个单点技巧，而是它把「把 10,994 条笔记变成记忆」放进了更完整的工程框架里：第 1 段、第 5 段、第 6 段。这些内容可以作为汉松后续写 AI 工程、Agent 系统和团队工作流时的素材。
更重要的是，它提供了一种判断 AI 系统的方式：先看问题如何被拆成状态、动作、工具、评估和人的边界，再看模型能力如何嵌进去。只有这样，视频里的做法才会从一次演示变成可迁移的方法。