AI / Agents
Meta-Meta-Prompting 的重點不是更會下 prompt,而是讓技能、資料與工作流產生複利
Garry Tan 的 Meta-Meta-Prompting / GBrain 長文可以濃縮成一句話:真正有用的個人 AI 不是聊天視窗,而是薄框架、厚技能、厚資料、可遞迴改進的工作流系統。這篇整理其 book mirror、Skillify、會議準備、知識圖譜與實務啟示。
2026年5月11日3 分鐘閱讀👁 5
AI agents / GBrain / skillification
Meta-Meta-Prompting 的重點不是 prompt,而是讓工作流產生複利
這則 Threads 轉譯了 Garry Tan 關於 Meta-Meta-Prompting、GBrain、OpenClaw / Hermes Agent 的長文。最值得留下來的不是「又一套第二大腦」,而是一個很硬的架構觀:框架要薄,技能要厚,資料要厚;每一次修正都應該被技能化,讓未來所有同類任務自動變好。
核心判斷:這篇的真正題目不是「如何下 prompt」,而是「如何把個人工作流程變成可重複、可測試、可遞迴改善的 AI 系統」。Prompt 是一次性指令;skill 是可複利的操作知識。
1. Book Mirror:把一本書映射到個人脈絡
Garry Tan 描述的 book mirror 不是一般摘要:系統讀完一本書的各章節後,讓子代理同時做兩件事:總結作者觀點,並把每個觀點映射到他的真實生活、工作、會議、家族史、近期思考與治療脈絡。結果是一份約 3 萬字的「大腦頁面」。
這個例子揭示了長期記憶的價值:不是把資料存起來,而是在新任務中把舊脈絡拿來用。第二十本書的鏡像會比第一本更好,因為它能引用前十九本書與更多人生資料。
2. Skillify:能創造技能的技能
Skillify 是後設技能:當某個流程反覆出現,系統會檢查剛剛發生的操作,提取可重複模式,寫成含觸發條件、步驟與邊界案例的技能,再註冊到 resolver。一次性工作因此變成可重用的基礎設施。
這個概念對 agent 系統很關鍵:真正的提升不是每次 prompt 寫更長,而是把犯過的錯、修過的流程、驗證過的做法固化成技能。
3. Meeting Prep:準備的不只是資料,而是切入點
文中舉 Demis Hassabis 來 YC fireside chat 的例子:系統在不到兩分鐘內整理人物頁、公開觀點、傳記摘要、研究方向、與 Garry 自己觀點的交叉比對,還產生展示腳本與對話 hooks。這不是比較快的搜尋,而是帶有使用者立場與戰略目標的準備工作。
4. 10 萬頁大腦:檔案櫃 vs 神經系統
Garry 描述的大腦不是資料夾,而是會自我更新的人物、公司、會議、書籍、文章與想法圖譜。每場會議後,系統把逐字稿整理成摘要,並把相關資訊回寫到被提到的人與公司頁面。價值不在「存很多」,而在「讓資料互相連結、更新、浮現」。
| 層次 | Garry 的說法 | 實務含義 |
|---|---|---|
| Harness | 薄框架 | 框架只負責路由、調度、工具執行;不要把 domain knowledge 寫死在框架裡。 |
| Skills | 厚技能 | 把可重複工作流程寫成 Markdown 技能,包含觸發條件、步驟、品質標準、邊界案例。 |
| Data | 厚資料 | 人、公司、會議、書籍、文章、想法都要可搜尋、可連結、可追溯。 |
| Code | 厚程式碼 | 轉錄、OCR、社群封存、日曆同步、API 整合等周邊程式是系統能自動攝取現實世界的入口。 |
| Models | 可替換引擎 | 模型不是系統本身;不同任務可以由技能決定要用哪個模型。 |
與 Allen KB / Hermes 的直接關聯:這套觀念其實已經貼近 Kate 目前的工作方式:裸 prompt 不可靠,所以需要 skills;單次記憶不夠,所以需要 KB;工具會變,所以流程要能被驗證、更新、沉澱。差別在於 Garry 把這件事更系統化地命名為「胖技能、胖程式碼、瘦框架」。