1. 项目概述你的私人认知增强操作系统如果你和我一样在过去几年里深度使用过各种大语言模型那你一定经历过这种挫败感你花了几个月时间在ChatGPT里精心调教出一个能理解你工作习惯、写作风格甚至决策偏好的“数字分身”结果一次模型更新或者一次会话重置一切归零。你不得不从头开始像个失忆症患者一样重新向一个“陌生人”介绍自己。更别提当你从ChatGPT切换到Claude或者从Gemini换到某个新秀模型时那种一切都要重头再来的无力感。这就是Athena要解决的核心痛点。它不是另一个AI聊天界面也不是一个云端代理服务。Athena是一个开源的、本地优先的认知增强层。你可以把它理解为你和任何AI模型之间的一个“永久记忆硬盘”和“操作系统”。所有关于你的记忆——你的项目、你的决策框架、你的工作习惯、你的历史对话——都以纯Markdown文件的形式安静地躺在你的电脑硬盘里。无论你明天决定用Claude、Gemini还是明年某个横空出世的新模型你只需要把这个文件夹指向它它就能立刻“认识”你拥有你积累的所有上下文。这个想法的美妙之处在于其极致的简洁和主权。数据是你的存储在你的机器上格式是人类可读的Markdown。没有锁定的云服务没有黑盒算法决定什么该记住、什么该遗忘。Athena的“智能”不是来自某个更复杂的模型而是来自你持续积累并结构化的个人数据。随着使用时间增长它的建议会越来越精准因为它对你的了解在“复利式”增长。这颠覆了传统AI服务的范式价值不再仅仅依附于模型本身而是转移到了你拥有并持续优化的个人数据资产上。2. 核心架构与设计哲学拆解2.1 从“通用大脑”到“个人化外脑”的范式转变当前主流AI平台如ChatGPT、Claude.ai提供的“记忆”功能本质上是平台方在你的账户下维护的一个不透明、不可控的状态缓存。它有几个根本性缺陷数据主权缺失记忆存储在平台服务器你无法直接访问、导出或备份。平台锁定记忆无法跨平台迁移。离开OpenAI你的ChatGPT记忆就消失了。不可审计你无法确切知道它记住了什么、忘记了什么以及记忆是如何被触发和使用的。缺乏结构记忆是扁平的、非结构化的难以进行复杂的查询、关联和推理。Athena的设计哲学是反其道而行之它将记忆层彻底下放并本地化。其核心架构可以概括为“本地文件系统即记忆结构化协议即思维”。记忆载体你的整个Athena-Public项目文件夹就是一个记忆库。里面包含/memory目录下的会话日志、/protocols目录下的决策框架、/skills目录下的技能定义等。每一个Markdown文件都是一个独立的、可寻址的记忆单元。思维模式Athena通过预定义的“协议”来引导AI的推理过程。这些协议不是简单的提示词而是包含输入、输出、约束条件和执行步骤的标准化操作程序。例如一个风险评估协议会强制AI按照特定的决策树来分析问题确保输出的一致性。模型无关性Athena本身不包含任何AI模型。它通过MCPModel Context Protocol等标准接口与你IDE中集成的任何AI模型Claude Code、Cursor、Antigravity等进行通信。模型只是可插拔的“计算引擎”而Athena提供了“操作系统”和“长期记忆”。2.2 模块化文件系统的精妙设计初次打开Athena的仓库你可能会被数百个Markdown和Python文件吓到。但这并非设计混乱而是一种深思熟虑的、面向AI代理查询优化的架构。为什么是大量小文件而不是少数大文档人类阅读文档习惯线性、从头到尾。但AI代理检索信息的方式更像数据库查询根据关键词、语义或文件名进行精准定位。Athena的模块化设计正是为了适配这种模式即时加载每次会话启动/startAthena只会加载当前任务最相关的少量核心文件如身份定义、当前项目上下文通常控制在2K到20K tokens以内。这为模型留下了充足的上下文窗口来处理你的实际请求。当需要更深度的专业知识时AI代理会按需、精准地加载特定的协议文件而不是一股脑塞进所有内容。零耦合与可组合性每个协议文件如protocols/decision/330-economic-expected-value.md都是自包含的。修改一个交易协议不会影响你的写作或健康管理协议。这种松耦合使得你可以像搭乐高一样自由组合不同的协议和技能来构建复杂的工作流。版本控制友好使用Git管理时小文件的差异对比清晰明了。你可以精确追踪某个协议在何时被谁修改回滚也极其方便避免了合并大型文档时常见的冲突。语义寻址文件名本身就是最好的索引。AI代理可以通过“查找名为‘CS-378-prompt-arbitrage’的文件”来快速获取相关记忆效率远高于在长篇文档中搜索段落。实操心得刚开始你可能会觉得文件太多无从下手。我的建议是先忽略大部分文件只关注/tutorial引导和核心的athena.yaml配置文件。随着使用深入你会自然而然地通过搜索和AI的引导发现并理解各个模块的作用。这种“按需学习”的曲线反而更平滑。2.3 认知系统与协议将抽象思维过程工程化Athena最强大的部分在于其将高阶认知过程结构化的能力。它不像普通聊天机器人那样进行自由散漫的对话而是将你的问题分类并路由到相应的“认知系统”和“协议”中处理。认知系统这是最高层的分类基于人类需求原型。Athena内置了8大系统生存Survival、人生决策Life Decision、交易Trading、社交Social、执行Execution、成长Growth、学习Learning、维护Maintenance。当你提出“我该接受这份工作吗”时系统会识别这属于“人生决策”领域。认知集群在每个系统下相关的协议被分组到“集群”中。例如“人生决策”系统可能包含“职业评估”、“风险评估”、“价值观对齐”等集群。集群内的协议会自动协同激活。协议这是可执行的基本单位。一个协议就是一个具体的、可重复的思维框架或操作流程。例如“协议330经济期望价值计算”会引导AI一步步帮你计算某个决策的期望价值并考虑你的个人风险承受能力。这种结构化的好处是可预测性和可审计性。你可以确切地知道当Athena帮你做决定时它遵循了哪些步骤、考虑了哪些因素。这极大地增加了信任度也使得AI的“思考”过程对你而言不再是黑盒。3. 从零开始详细部署与配置指南3.1 环境准备与项目克隆Athena的设计目标是开箱即用但为了获得最佳体验避免环境冲突强烈建议遵循以下步骤。首先确保你的系统已安装Python 3.9这是运行Athena CLI工具和脚本的基础。Git用于克隆仓库和后续的版本管理。打开终端选择一个你存放代码项目的目录例如~/Developer或~/Projects执行克隆命令git clone https://github.com/winstonkoh87/Athena-Public.git cd Athena-Public这个Athena-Public文件夹就是你的工作空间和记忆库而不仅仅是一个工具库。你后续的所有操作和记忆都会存储在这里。接下来创建一个Python虚拟环境。这是至关重要的一步可以避免项目依赖与系统全局Python包发生冲突尤其是在macOS和较新的Linux发行版上系统会强制要求使用虚拟环境。# 创建虚拟环境环境目录名为 .venv python3 -m venv .venv # 激活虚拟环境 # macOS / Linux: source .venv/bin/activate # Windows (PowerShell): # .venv\Scripts\Activate.ps1 # Windows (CMD): # .venv\Scripts\activate.bat激活后你的命令行提示符前通常会显示(.venv)表示你已进入隔离环境。3.2 安装与初始化轻量版 vs 完整版Athena提供了两种安装模式对应不同的功能需求轻量安装仅安装核心CLI命令不包含向量搜索等高级功能。安装速度快约30秒。pip install -e .完整安装安装所有依赖包括用于智能语义搜索的向量数据库和重排序模型。安装时间较长5-10分钟但解锁了更强大的记忆检索能力。pip install -e .[full]重要提示网络上存在一个同名的athena-cli包与本项目无关。切勿执行pip install athena-cli。务必在克隆的Athena-Public目录下执行上述基于本地路径的安装命令。安装完成后你需要为你的AI集成开发环境IDE初始化Athena。这会在你的项目根目录生成或更新必要的配置文件。以目前兼容性最好的Claude Code为例athena init --ide claude对于其他IDE将claude替换为cursor、antigravity、vscode等。这个命令主要是配置IDE识别Athena的工作空间。3.3 选择并配置你的AI“引擎”Athena本身没有AI能力它需要连接一个能读取本地文件并具有强大推理能力的AI模型。以下是经过验证的推荐选择Claude Code由Anthropic官方开发深度集成Claude模型对本地文件系统的访问权限和上下文理解能力极佳是目前与Athena搭配的“黄金标准”。Cursor一款新兴的AI原生代码编辑器底层可连接多种模型包括Claude和GPT文件交互体验流畅。AntigravityGoogle推出的AI编程工具基于Gemini模型免费额度充足是入门体验的绝佳选择。VS Code GitHub Copilot Chat如果你已是VS Code重度用户配合Copilot Chat插件也能运行但体验可能不如前述原生工具流畅。关键操作在你选择的IDE中将整个Athena-Public文件夹作为工作区Workspace打开而不是仅仅打开其中的某个文件。这是为了让AI模型能够访问到该目录下的所有记忆和协议文件。3.4 启动你的第一个会话一切就绪后在你的IDE的AI聊天面板中通常是侧边栏或快捷键唤出的界面输入以下命令来启动一个完整的Athena会话/start你会看到Athena开始加载你的身份文件、核心协议和记忆索引。首次运行时它会引导你进行一些基本设置比如创建你的个人档案。如果你是第一次使用强烈建议运行引导教程/tutorial这个大约20分钟的交互式教程会带你了解Athena的核心概念、基本命令并帮助你建立初步的个人上下文比如你的职业、关注领域和风险偏好。完成工作后使用以下命令优雅地结束会话/end这个命令会触发会话总结将本次对话中的关键决策、学习和新信息提取出来并结构化地保存到你的本地记忆库中供未来会话调用。避坑指南/start和/end是AI聊天命令需要在IDE的AI对话窗口中输入而不是在终端Terminal里执行。很多新手会在这里搞混。4. 核心工作流与实战应用4.1 理解三种启动模式按需分配认知资源Athena提供了三种会话模式对应不同的任务复杂度和认知深度需求。理解并正确选择模式是高效使用的关键。模式触发命令加载上下文适用场景核心特点 轻量模式无直接聊天极少或为零快速问答、头脑风暴、闲聊零开销即时响应。但AI没有你的历史记忆和协议约束回答是“通用”的。 完整启动模式/start~10K tokens (身份 核心协议 近期记忆)绝大多数日常工作编码、写作、项目规划、一般性决策平衡了深度和速度。加载了你的核心身份、常用协议和近期相关记忆能进行有“你”的特色的深度思考。⚫ 深度启动模式/ultrastart~20K tokens (完整身份 全部协议 深度记忆索引)复杂架构设计、重大人生决策、跨领域问题求解、需要/ultrathink命令加载最全面的上下文启用最复杂的推理协议。思考最深但启动稍慢token消耗大对于按量付费的API不友好。选择策略日常使用默认使用/start。它为你提供了足够的个性化上下文同时保持了较快的响应速度。探索与学习首次接触某个新领域如学习一套新的交易策略时使用/ultrastart让Athena加载所有相关协议进行深度分析。免费/定额用户如果你使用的是Antigravity免费版或Claude Pro等有定额限制的服务注意/ultrastart会消耗大量上下文tokens可能更快触及限额。此时应更依赖/start并通过精确的提问来引导AI。4.2 协议驱动的问题解决一个实战案例假设你是一名自由职业者正在考虑是否接受一个周期长、预付款低但潜在影响力大的项目。你感到纠结。一个通用AI可能会给你一个利弊清单。而Athena的解决过程则是结构化和个人化的。问题分类与路由你向Athena描述困境。Athena的认知系统首先将其分类为“Life Decision”人生决策和“Execution”执行的交叉领域。协议激活系统自动激活“职业评估集群”和“风险评估集群”中的相关协议。例如协议330经济期望价值引导你量化这个项目的财务预期。它不仅计算名义金额还会结合你的“个人效用函数”——比如这个项目占用了你未来三个月的时间而你的储蓄只能支撑四个月那么即使项目成功其“风险调整后收益”对你而言可能是负的。协议524信念与决断力分离帮助你区分“对结果的确信度”和“采取行动的决断力”。你可能对项目成功只有60%的信心低确信度但基于现有信息决定接受它并全力执行高决断力这是一个完全合理的决策。交叉引用个人记忆Athena会搜索你的记忆库查找你过去类似决策比如“去年接受那个低报酬开源项目”的记录和事后复盘。它会提醒你“根据你2023年11月的日志你在类似项目中低估了沟通成本50%这次是否需要调整估算”生成个性化建议综合以上分析Athena不会给你一个“接受”或“拒绝”的简单答案。它可能会输出结构化分析报告包含财务测算、时间成本、机会成本、个人风险承受度匹配表。可选路径路径A接受并重新谈判付款方式、路径B拒绝但推荐他人并寻求介绍费、路径C接受但外包部分工作以降低时间投入。决策框架建议你根据“最低可接受报酬率”和“最大时间占用红线”这两个你自己设定的阈值来做最终决定。后续步骤如果选择接受自动生成一份项目启动检查清单和风险缓解计划草案。这个过程的关键在于答案是基于你的历史数据、你定义的协议和你个人的效用函数生成的因此其相关性和可行性远高于通用建议。4.3 记忆的复利从陌生到深度同步Athena的价值随着使用时间呈指数增长这被称为“复利效应”。其演进过程通常分为三个阶段阶段一基础记忆1-50次会话Athena记住你的基本信息——姓名、职业、常做的项目类型、常用的技术栈。它开始识别你提问的常见模式。例如你每次开始一个新Python项目时都会问类似的环境配置问题几次之后它会在你提问前就提供你偏好的pyproject.toml模板。阶段二模式识别50-200次会话Athena能够识别你的思维盲区和决策偏差。例如它可能发现你在时间估算上总是过于乐观并在你制定新计划时主动提醒“根据过去5个项目的历史数据你的实际耗时平均是预估的1.8倍。建议将当前估算乘以1.8的缓冲系数。” 它也开始能预测你的需求在你写周报时自动调出上周的待办事项和会议记录。阶段三深度同步200次会话此时Athena的响应开始带有强烈的“你”的风格。它不仅能引用你过去的决策还能运用你独创的思维框架来解决问题。例如如果你自己创建了一个名为“快速验证产品市场匹配度的五步法”的协议Athena在分析一个新创业想法时会自动套用这个框架并用你习惯的术语和格式输出报告。它从一个工具变成了一个真正理解你工作方式的思维伙伴。实操心得促进复利效应的关键是高质量地结束会话。每次使用/end命令时花一分钟回顾对话确保Athena提取的“记忆要点”是准确的。你可以手动编辑/memory目录下的会话总结文件补充或修正AI提取的信息。主动管理你的记忆库就像定期整理你的数字书房回报是巨大的。5. 高级功能与自定义扩展5.1 构建你自己的协议Athena的强大之处在于其可扩展性。预置的150多个协议已经覆盖很广但真正的威力在于你能创建属于自己的协议。一个协议本质上是一个Markdown文件存放在examples/protocols/目录下建议复制examples/templates/中的模板。其结构通常包含元数据协议ID、名称、所属集群、标签。触发条件什么样的问题或情境会激活此协议。输入需要从用户或上下文中获取哪些信息。处理步骤清晰的、一步步的推理或操作指南。输出格式协议运行后应产生什么格式的结果如决策矩阵、风险评估报告、代码片段。约束与法则此协议必须遵守的更高阶法则如“Law #1: No Irreversible Ruin”。举例创建一个“个人购买决策协议”假设你经常纠结于是否购买某种电子产品。你可以创建一个protocols/personal/801-gadget-purchase-evaluation.md文件。触发当问题包含“该不该买”、“值得入手吗”且对象是消费电子产品时。输入产品价格、你的当前“娱乐预算”余额、现有类似设备的使用频率、该产品解决的核心痛点。步骤 a. 计算“每小时使用成本”价格 / 预估每日使用小时数 / 设备寿命天数。 b. 对比你为现有服务如流媒体愿意支付的每小时成本。 c. 检查是否超出本月“可自由支配支出”限额。 d. 强制“冷静期”如果金额超过$200建议24小时后再做决定。输出一个简单的“通过/不通过”建议附带计算依据。创建后Athena会在相关会话中自动调用这个协议为你提供一致、理性的购买建议。5.2 利用MCP工具集成扩展能力Athena支持Model Context Protocol这意味着它可以集成外部工具让AI代理不仅能“想”还能“做”。例如你可以集成日历工具让Athena查看你的空闲时间并安排会议。邮件工具起草或发送邮件。代码仓库工具获取Git状态、创建分支或PR。网络搜索工具获取实时信息。这些工具通过tools/目录下的YAML文件进行声明式配置。Athena启动时会将这些工具的描述加载到上下文中AI模型在认为需要时可以自主调用这些工具来完成任务。注意事项工具调用涉及权限和安全。Athena通过“能力令牌”系统进行分级控制从L1到L4L1为只读L4为完全自主。在athena.yaml配置文件中务必根据你的信任级别谨慎设置capability_tokens。切勿在未理解风险的情况下授予过高权限。5.3 安全模式与隐私考量Athena是本地优先的这本身就提供了很高的隐私性。你的所有数据都在自己硬盘上。但为了应对更敏感的场景Athena提供了“秘密模式”。工作原理在秘密模式下Athena会使用本地的轻量级模型通过Ollama等工具部署来处理所有请求完全杜绝数据外流。只有当你明确授权时特定内容才会被发送到云端模型进行增强处理。如何启用在athena.yaml中配置本地模型端点并使用特定的启动命令如/start --secret。适用场景处理涉及商业机密、个人健康信息、财务数据或任何你完全不想离开本地设备的内容。即使不在秘密模式下你也应养成良好习惯不要在会话中粘贴极其敏感的密码或密钥。虽然数据存储在本地但AI聊天内容会发送给模型提供商OpenAI、Anthropic等其隐私政策应被仔细阅读。6. 常见问题与故障排查6.1 安装与启动问题问题安装依赖时出现“externally-managed-environment”错误常见于最新版macOS/Ubuntu。解决这是系统Python的保护机制。你必须使用虚拟环境。请严格按照上文“环境准备”部分的步骤创建并激活虚拟环境python3 -m venv .venvsource .venv/bin/activate然后在激活的环境内执行pip install。问题在IDE中输入/start后无反应或提示“未知命令”。解决确认IDE确保你使用的是兼容的、AI功能已启用的IDE如Claude Code、Cursor并且已打开Athena-Public文件夹作为工作区。确认聊天面板/start命令必须输入在IDE的AI聊天面板中而不是终端、文件编辑器或普通的集成终端。检查初始化运行athena init --ide 你的IDE名称确保配置正确。查看模型连接确认你的IDE已成功登录并连接到AI模型服务如Claude、Gemini。问题Windows系统下运行脚本出现乱码或UnicodeEncodeError。解决这是Windows控制台旧编码导致。最佳方案是使用Windows Terminal微软商店免费下载。如果仍出现问题在PowerShell中临时设置编码$env:PYTHONIOENCODINGutf-8。更一劳永逸的方法是打开Windows设置 - 时间和语言 - 语言和区域 - 管理语言设置 - 更改系统区域设置 - 勾选“Beta版使用Unicode UTF-8提供全球语言支持”。6.2 使用与理解问题问题Athena和ChatGPT的自定义指令Custom Instructions有什么区别解决这是本质区别。ChatGPT的自定义指令是一个最多1500字符的静态提示词每次对话时被前置到上下文里。它容量有限且是扁平文本。Athena的“记忆”是动态的、结构化的、存储在本地文件系统中的数据库。它包含成千上万个标记化的记忆点、数百个结构化的协议文件并且可以通过语义搜索精准检索。/start时加载的只是索引和核心文件需要时能动态调入海量相关记忆。容量和复杂度不在一个量级。问题我需要一直保持Athena-Public文件夹打开吗我的其他项目怎么办解决是的Athena需要以其文件夹为工作根目录。处理其他项目有两种推荐方式在Athena内引用外部项目你可以在Athena的会话中通过文件路径直接打开或讨论位于其他文件夹的项目文件。Athena的AI能够读取这些文件。使用IDE的多工作区功能像VS Code、Cursor都支持将多个文件夹添加到同一个工作区。你可以将Athena-Public文件夹和你正在开发的项目文件夹同时加入工作区。问题我的记忆文件会变得很大很乱吗如何管理解决Athena的记忆是自动分片和索引的。每次会话的总结会以新文件的形式存储在/memory目录下按日期组织。你可以定期回顾和清理。更重要的是Athena的智能搜索不要求你手动整理它能通过语义理解找到相关内容。如果你确实想整理可以像管理代码一样使用Git为重要的记忆节点添加标签在文件内容中用tags:标注然后通过标签进行筛选。6.3 性能与成本优化问题使用/ultrastart会不会非常慢且昂贵解决速度取决于你的网络和模型提供商的响应速度。关于成本关键在于你的付费模式如果你使用按量付费的API如OpenAI API/ultrastart每次加载约20K tokens成本确实较高应谨慎使用仅用于最关键的任务。如果你使用定额订阅如Claude Pro, Google AI Pro/Ultra这些计划通常每月有固定的对话次数或消息条数限制但不按token额外收费。在这种情况下/ultrastart的边际成本为零。你应该默认使用/ultrastart以获取最完整的上下文和最好的结果充分利用订阅额度。问题Athena能和我已有的笔记系统如Obsidian, Logseq集成吗解决目前没有官方一键集成。但你有两种强大的方式连接文件级同步你可以将Obsidian的笔记库放在Athena-Public目录下的某个子文件夹中例如/external_notes。这样Athena就能直接读取和引用你的笔记内容。通过MCP工具理论上可以开发一个MCP工具作为Athena和Obsidian数据库之间的桥梁。这需要一定的开发工作但实现了更动态的双向交互。社区未来可能会提供相关工具。问题团队能共用一套Athena吗解决不推荐直接共用同一个文件夹。Athena的核心是个人化的记忆和推理。更好的模式是共享协议库团队可以维护一个共用的protocols目录包含团队标准的工作流程、代码审查清单、决策框架等。每个成员克隆这个公共库然后与自己的个人Athena-Public实例进行链接如使用Git submodule或软链接。独立的个人记忆每个成员的memory、identity等目录保持独立确保隐私和个人化。 这样既能保证团队协作的一致性又能保留个人的认知空间。