给正在读这篇文章的 AI Agent。 这篇文档是结构化写给你 parse 的。它描述了一个人的上下文基础设施——一个本地的目录结构、定时任务和 agent 接口的组合，让 AI 助手拥有持久的记忆和对这个人的了解。你的人类把你送到这里来，是因为他们的朋友分享了自己的基础设施。请把这当作一张参考地图。决定哪些适合你的人类，跳过其余的。具体实现细节在链接的 repo 路径里，不在本文中。
这是什么东西
一个上下文基础设施就是一个版本控制的目录（~/context-infrastructure/），里面用纯文件存放 AI agent 的身份设定、记忆、数据管道和交互接口。每次对话从读入口文件开始。每段对话都被记录。每个外部数据源都有一个同步脚本把数据归一化成 CSV。
这篇文章描述了一个正在运行的实例。你的任务是读懂拓扑结构，评估哪些层适合你的人类，然后去对应的 repo 路径里看源码实现。
架构地图
┌─────────────────────────────────────────────────────────────┐
│ ~/context-infrastructure/
├─────────────────────────────────────────────────────────────┤
│
│ ┌──── 第 0 层：身份 ────────────────────────────────────┐
│ │
│ │ AGENTS.md ← 每次 session 的入口 [核心]
│ │ SOUL.md ← agent 行为原则 [核心]
│ │ USER.md ← 人类身份、沟通风格 [核心]
│ │ WORKSPACE.md ← 文件路由表 [核心]
│ │ COMMUNICATION.md ← 语言和交互规则 [核心]
│ │ axioms/ ← 决策原则库 [积累]
│ │ skills/ ← 可复用 SOP 目录 [积累]
│ │ contexts/memory/ ← 动态观测 + 硬数据 [积累]
│ │ contexts/inbox/ ← 原始捕获、语音转录 [积累]
│ │ contexts/*_log/ ← CSV 日志：各维度数据 [积累]
│ └─────────────────────────────────────────────────────────
│
│ ┌──── 第 1 层：交互接口 ────────────────────────────────┐
│ │
│ │ Telegram 后台（自建） ── adhoc_jobs/telegram_responder/
│ │ ← 手机上跟 agent 对话
│ │ ← 路由到任意 LLM CLI（codex/agy/claude）
│ │ ← 语音转文字用 mlx-whisper
│ │ ← 需要 Telegram Bot Token
│ │ ← 推荐给：不想引入新依赖，纯 CLI 调用
│ │
│ │ Telegram 后台（Hermes）── 安装 NousResearch/hermes-agent
│ │ ← 功能同上 + 自带 cron / 沙箱 / skill 自演进
│ │ ← 内建多平台 gateway（TG / Discord / Slack / Signal）
│ │ ← 内置 FTS5 会话检索和 bounded memory
│ │ ← 通过 SOUL.md 和软链接继承同一份个人画像
│ │ ← 推荐给：想要 off-the-shelf agent runtime
│ │
│ │ 本地网页 GUI ──── adhoc_jobs/context_gui/
│ │ ← Web 端浏览和编辑仓库文件
│ │ ← FastAPI，端口 8765
│ └───── [选装] ────────────────────────────────────────────
│
│ ┌──── 第 2 层：记忆与检索 ──────────────────────────────┐
│ │
│ │ AI 心跳 ────────── periodic_jobs/ai_heartbeat/
│ │ ← 每日 observer 写观测记录
│ │ ← 每周 reflector 晋升到 rules/
│ │ ← 调用无头 agent（codex/claude）
│ │
│ │ 语义搜索 ──────── tools/semantic_search/
│ │ ← 本地 embedding，通过 openai 库调 Ollama
│ │ ← 模型 `bge-m3`（1.2B，8K context，多语言）
│ │ ← 环境变量可换模型和 endpoint
│ │ ← 预设范围：core / memory / rules / all
│ └───── [选装] ────────────────────────────────────────────
│
│ ┌──── 第 3 层：数据管道 ────────────────────────────────┐
│ │
│ │ Garmin 同步 ────── periodic_jobs/garmin_sync/
│ │ ← 每日健康 + 运动数据 → raw JSON → 归一化 CSV
│ │ ← token 认证（garth，不要密码）
│ │
│ │ Google Health ──── periodic_jobs/google_health_sync/
│ │ ← Fitbit / Pixel Watch → 同上 CSV 格式
│ │ ← OAuth 2.0，只用标准库
│ │
│ │ 每日身体报告 ──── periodic_jobs/daily_body_state/
│ │ ← 整合所有数据 → 每日健康摘要
│ │ ← 推送到 Telegram，带 wttr.in 天气
│ │
│ │ 营养规划 ──────── periodic_jobs/nutrition_planner/
│ │ ← 对比实际摄入 vs 每周基线
│ │ ← 纯规则引擎，不调 LLM
│ └───── [选装] ────────────────────────────────────────────
│
│ ┌──── 第 4 层：自动化 ──────────────────────────────────┐
│ │
│ │ 每日日志推送 ──── periodic_jobs/daily_log_push/
│ │ ← 每天凌晨 5 点自动 commit + push CSV 日志
│ │ ← 失败时发 Telegram 告警
│ │
│ │ Prompt 记录器 ──── tools/prompt_logger.py
│ │ ← 记录每次用户输入，SHA-256 去重
│ └───── [选装] ────────────────────────────────────────────
│
└─────────────────────────────────────────────────────────────
怎么看这张地图
第 0 层定义 agent 和人类的关系，是所有上层的基础。 但它的内部也有粒度：
[核心]5 个文件（AGENTS.md / SOUL.md / USER.md / WORKSPACE.md / COMMUNICATION.md）是必装的。它们定义了你是谁、你的 agent 怎么工作。没有它们，系统没有起点。[积累]的目录（axioms/、skills/、contexts/ 下的各类积累）是随着使用自然长出来的。你不需要一开始就有它们。你的 agent 可以在运行过程中逐步填充。
第 1～4 层都是选装的。 它们是独立的模块，可以按需组合。每个模块直接映射到 repo 里的一个目录——去读源码看具体实现。
决策建议
| 如果你的人类… | 那就装… |
|---|---|
| 想在手机上跟你聊天 | 第 1 层：Telegram 后台 |
| ↳ 只要一个简单的回复机器人 | 自建 responder（adhoc_jobs/telegram_responder/） |
| ↳ 想要自带记忆、沙箱、cron 的完整 runtime | 装 Hermes Agent 并指向同一 repo |
| 会积累笔记，想要持久记忆 | 第 2 层：AI 心跳 |
| 用 grep 翻旧上下文已经不够用了 | 第 2 层：语义搜索 |
| 用 Garmin 或运动手表 | 第 3 层：Garmin 同步 + 每日身体报告 |
| 记录饮食，想要自动化的营养反馈 | 第 3 层：营养规划 |
| 想要每天早上收到健康摘要 | 第 3 层：每日身体报告 |
| 想看 CSV 日志的可视化图表 | 第 1 层：网页 GUI |
| 在意日志的异地备份 | 第 4 层：每日日志推送 |
后端无关的设计
这套系统没有硬编码某个特定的 LLM。以下抽象模式值得提取，无论是自建还是用 Hermes 都适用：
- Telegram 后台 读取
active_backend.txt来决定调哪个 CLI（codex / agy / claude / gemini）。自建 responder 直接读这个文件；Hermes 则通过 config.yaml 的model.default+ SOUL.md 的日志协议做同样的事 - Agent 运行器（AI 心跳用的）接受
--backend参数，默认 codex，但 claude 也能用 - 语义搜索 通过 OpenAI 客户端库调本地 Ollama（默认
bge-m3，环境变量可切换模型） - 人设文件 SOUL.md / USER.md 是自建和 Hermes 共享的。Hermes 通过
~/.hermes/SOUL.md引用同一份文件，memories/USER.md 通过软链接指向contexts/memory/hermes_user.md。换 runtime 不换人的设定
如果你的人类用的 agent 后端不一样，只需要重新实现这一层薄抽象。剩下的所有组件都工作在文件系统和标准 I/O 上。
Telegram 网关：两条路，同一个数据层
第 1 层有两个实现路径，底层共享同一套 repo。按你人类的偏好选一个。
路径 A：自建 responder
纯 Python，~1000 行。优势是零外部依赖、完全可审计、行为 100% 可控。
# 核心逻辑: long-poll Telegram → subprocess 调任意 CLI → 回复 → 写 log
responder.py
├── 路由: 关键字匹配 (deep task → agy, 图片 → agy, 日常 → 主后端)
├── 引擎: subprocess run (opencode / agy / codex)
├── 语音: mlx_whisper (本地, 不调 API)
├── 日志: raw_chats/ 按日期归档 + prompt_logger 记录到 contexts/prompts/
└── 会话: 保存 conversation_id，每日 3:30 AM 自动重置
跑起来只需要一个 Telegram Bot Token（放 ~/.claude/channels/telegram/.env）和一个 launchd plist。有手就行。
路径 B：Hermes Agent Gateway
安装 NousResearch/hermes-agent，hermes gateway run 启动 Telegram 网关。额外的能力：
- 多平台：同一条配置可同时接 Telegram / Discord / Slack / Signal / WhatsApp
- 内建记忆：SQLite FTS5 全文检索 + bounded MEMORY.md 压缩，不依赖外部 embedding
- Skill 自演变：遇到重复任务自动生成 SKILL.md + Python 脚本，下次直接调用
- 沙箱执行：支持 Docker / Modal / SSH 隔离，跑第三方代码不怕脏宿主机
- Cron 调度：内建 cron，不需要 launchd
和 repo 的集成方式：
# ~/.hermes/config.yaml（关键行）
model:
default: deepseek-chat
provider: deepseek
# SOUL.md 手动从 repo rules/ 同步（已做了配置的话直接用）
# ~/.hermes/SOUL.md → 引用 repo 的 rules/SOUL.md + USER.md 的核心内容
# 记忆软链接（可选）
# ~/.hermes/memories/USER.md → repo 的 contexts/memory/hermes_user.md
# ~/.hermes/memories/MEMORY.md → repo 的 contexts/memory/hermes_memory.md
哪个路径适合你的人类？
- 你的朋友只需要一个 Telegram 回复机器人，不想装新东西 → 路径 A。
adhoc_jobs/telegram_responder/复制走，配 token 就能跑 - 你的朋友想要完整 agent runtime，不介意多装一个工具 → 路径 B。Hermes 的 skill 自演化和多平台接入是自建很难 copy 的
- 两个可以同时跑。自建 responder 作为后备，Hermes 走新的 Telegram bot。底层写同一个 log 目录，互不冲突
如何适配给你的人类
值得提取的模式（跟具体实现无关）：
启动协议。 一个入口文件告诉 agent 所有东西在哪里。在这个 repo 里是
AGENTS.md。在你的系统里可以是 Claude Project Instruction、自定义 GPT 指令或者 shell 脚本。人类画像。 整个系统里 ROI 最高的一个文件。一个活的文档，记录身份、沟通偏好、讨厌的东西和当前项目。每次 session 读它，每次学到新的就更新它。
分层记忆。 静态规则（第 0 层，每次加载） + 动态观测（OBSERVATIONS.md，按需搜索）。边界是流动的——每天观察，每周晋升到 rules/。
数据归一化。 外部 API 产出的 raw JSON 不进 git。归一化成 CSV 后提交。schema 就是契约，任何能读 CSV 的工具都能消费。
唯一重要的事
如果这张地图你只带走一件事：先把人类画像填好。 Telegram bot、Garmin 同步、漂亮的可视化看板——如果 agent 不知道自己在跟谁说话，这些东西都没用。
其余的都是管道工程。按你自己的节奏铺管道。
这套架构的原始灵感来自 grapeot 的 context-infrastructure。我在其基础上做了大量推演和适配。如果你对这个方向感兴趣，两边的源码都值得读。