How to Build Your Own Agent Operating System

从碎片化工具到统一操作系统的范式转移

视频的核心主题是如何构建一个名为 Agent OS 的自主代理操作系统。作者强调，传统的AI使用方式极其低效，表现为“14个分散的标签页”，用户需要在ChatGPT、Claude、编码工具等不同平台间频繁切换。这种旧模式导致上下文丢失、文件管理混乱，且用户必须反复向每个新工具解释自己的业务背景和客户信息。相比之下，Agent OS将所有模型和代理整合在一个屏幕上，实现了“一年期单一记忆”（One Year One Memory），使得代理在启动时即能理解业务全貌。作者指出，这种架构让系统能够每天持续改进，最终形成一个比市面上任何现有方案都更强大的自动化系统。

“我过去把AI当作14个不同的标签页来运行……现在，我停止收集工具，开始堆叠层级。”

五层架构的核心组成与底层逻辑

构建Agent OS采用五层系统架构，分别是：基础层（Foundation）、记忆层（Memory）、路由层（Routers）、代理层（Agents）和循环层（Loop）。作者强调，这一系统主要利用用户已有的工具构建，例如使用 Claude Code 进行开发，集成 Lambda 和 Obsidian 笔记软件，并接入 GLM 5.2 等模型。其中，路由层负责决定哪个模型赢得任务分配，而记忆层则通过链接所有代理，确保它们共享上下文。这种分层设计使得用户无需具备SaaS开发经验，作者自称在8周前开始该项目时毫无相关背景，但通过这种模块化方式，成功构建了一个能够24/7全天候运行的自动化工作流。

实际案例验证与社区反馈数据

该系统已在拥有 3,900名成员 的“AI Profit Board”社区中分享，并积累了 194页 的用户成功案例和证言。这些案例证明了系统的可定制性和高效性。例如，用户 Shin 表示该系统远超其他学校频道的价值；Hawky 称赞其安装后的系统效果惊人；Rick 声称在加入群组后仅用 30分钟 就获得了“超能力”并完成了构建。此外，用户 Sheena 利用Agent OS构建了一个自运行的潜在客户生成机器。这些案例表明，通过自定义构建，用户可以创建针对视频代理、SEO甚至音乐生成的特定工具，从而将AI从分散的工具转变为统一的自动化引擎。

“在我加入的所有学校频道中，Agent OS系统提供的价值远远超过其他任何系统。”

成本控制与长期维护策略

在成本方面，作者指出该系统可以几乎免费构建。由于作者已订阅 Claude Code，因此无需为构建过程支付额外费用，只需使用计划内包含的令牌（tokens）。这种低成本启动策略降低了尝试门槛。作者建议用户避免陷入“闪亮物体综合征”（shiny object syndrome），即不要追逐每一个新模型或新工具，而是专注于构建和维护自己的系统。通过隐藏复杂的设置并共享给社区，用户可以专注于改进系统本身而非管理工具碎片。这种策略不仅减少了混乱，还使得系统能够随着时间推移不断进化，最终成为用户业务中不可或缺的核心基础设施。

“如果你追逐每一个模型、每一次更新、每一个新工具，那将会非常混乱和令人不知所措。”

统一仪表盘：构建Agent OS的基石

构建自主智能体操作系统（Agent OS）的第一步是建立统一的控制界面，将所有使用的模型和工具整合到一个侧边栏中，而非分散在多个浏览器标签页中。这种架构的核心在于效率与成本的双重优化：用户只需维护一个仪表盘，即可同时调用本地免费模型、免费API以及已付费的高级模型（如Claude）。通过这种方式，系统避免了重复付费，实现了资源的最大化利用。

"The system is the glue. It's not you just juggle a million different tabs of AI tools all together."

在实施层面，用户应首先筛选出实际高频使用的工具，将其接入Agent部分。无论是日常工作的本地模型，还是处理复杂任务的高级模型，都应在同一界面就绪。这种集中化管理不仅简化了操作流程，还确保了所有智能体共享同一业务上下文，从而让系统随着使用时间的推移而不断变强，形成复利效应。用户只需向系统下达指令，系统便会自动调度相应的模型，无需手动切换工具。

共享记忆库：消除重复解释的痛点

Agent OS的第二层架构是共享记忆系统，旨在解决AI模型缺乏长期记忆的问题。作者推荐使用Obsidian作为底层存储，构建一个统一的“记忆银河”（Memory Galaxy）。在这个系统中，所有智能体（如视频编辑Agent、SEO Agent、Claude等）都连接至同一个Obsidian库，这意味着每个模型在回答之前都能读取用户的业务背景、客户信息和沟通风格。

这种架构带来的直接效益是显著降低提示词（Prompt）的冗余度。传统模式下，用户每次对话都需要重新解释身份和背景，浪费约20%的提示词空间；而在Agent OS中，智能体预先知晓用户信息，无需重复输入。用户只需维护一个包含Markdown文件的本地文件夹，记录工作进展、AI新闻及个人偏好。若担心隐私，Obsidian支持完全本地运行，配合本地模型使用，确保数据永不上传至云端。这种设计不仅提升了效率，还保障了数据主权。

智能路由与基准测试：模型选择的实证数据

Agent OS的第三层是智能路由机制，其核心逻辑是根据任务类型自动选择最优模型。系统不再让用户纠结于“哪个模型最好”，而是将任务分配给在该领域表现最佳的模型。例如，基础文本生成可使用本地免费模型或低成本模型（如GLM-5.2），而需要创造性或复杂逻辑的任务则路由至Claude或Fable 5等前沿模型。

为了科学地选择模型，作者建立了包含42个测试案例的评估体系，并通过Goldy Bench等基准测试对模型进行分类。以下是部分模型的基准测试表现及适用场景对比：

作者通过侧面对比（Side-by-Side Comparison）展示了不同模型构建相同项目（如游戏）的效果差异。例如，使用Claude Fable 5构建的游戏不仅图形精美，且交互体验流畅，被形容为“感觉像Skyrim”。这种基于实证数据的路由策略，确保了每个任务都能由最合适的智能体完成，从而最大化系统整体产出质量。

多智能体并行协作与自动化编排机制

在构建智能体操作系统时，核心逻辑在于将工作分解并分发给不同的智能体，由系统层（Layer 4）负责执行具体任务。这种架构允许规划、构建、写作或研究等不同类型的智能体在后台并行工作，而用户只需关注最终结果的整合。例如，通过引入 Hermes 混合智能体，系统可以将多个智能体对同一任务的处理结果通过聚合器进行融合，从而生成更优的输出。这种并行处理机制极大地释放了用户的时间，使其能够在智能体工作时处理其他事务。

"All I do is I tell my main agent what I want doing, and then that goes off and orchestrates everyone else."

为了避免手动管理每个智能体导致的混乱，作者强烈建议采用主智能体编排模式。用户只需向主智能体下达指令，由它自动分发给各个子智能体，无需再进行繁琐的提示词工程或手动反馈。这种去中心化的任务分发方式，类似于 Kanban 看板的工作流，任务一旦分配，便会自动扇出到不同的智能体配置中，实现了真正的无人值守自动化。

行业定制化工作流与记忆系统

智能体操作系统的最大优势在于其行业通用性与高度可定制性。无论用户身处何种行业，都可以通过构建自定义工作流来适配特定需求。以作者自身为例，他针对 SEO（搜索引擎优化） 和 视频制作 领域建立了专门的工作流模块，确保系统能够处理垂直领域的复杂任务。这种定制化不仅体现在工作流上，还依赖于独特的记忆系统，使得系统能够根据用户的历史行为和偏好进行个性化调整。

"With an agent operating system, it'll work for any industry. The reason for that is because you customize all the workflows to your industry."

通过这种定制化工作流与独特记忆系统的结合，每个部分的流程都完全贴合用户的个人需求。这种设计确保了系统不仅仅是通用的工具，而是能够随着用户的使用习惯不断进化的专属助手。无论是内容创作、数据分析还是客户管理，用户都可以通过模块化配置，将通用的智能体能力转化为解决特定行业痛点的专业解决方案。

循环工程与系统的自我进化

智能体操作系统的最高层级是循环工程（Loop Engineering），这是将普通工具转化为真正操作系统的核心。在这一层，系统不再依赖静态的提示词，而是通过命令驱动和记忆增长实现自我优化。每一次成功的操作（Wins）都会被记录到记忆中，新的模型会被测试并整合进基准测试（Golden Bench），新的工具作为智能体插件接入。这种机制确保了系统无需重建，只需在现有基础上扩展，从而在半年后变得比今天更强大。

"The memory grows, the operating system gets smarter, and that just runs round in a loop."

这种自我进化的特性使得系统具有极强的抗迭代能力。即使底层大模型在下周、下月或明年发生变化，操作系统的架构依然保持稳定且有效。用户投入的时间（如作者每天约3小时）主要用于完善这一循环，构建新模块并优化现有流程。这种持续迭代的策略确保了系统始终处于最新状态，能够适应快速变化的技术环境，为用户提供长期稳定的价值。

社区资源与落地实施路径

对于希望快速搭建智能体操作系统的用户，作者提供了两种路径：一是自行构建，这需要每日投入时间进行优化；二是通过 AI Profit Boardroom 社区直接获取全套解决方案。该社区提供了包含所有层级（基础层、记忆层、智能体层、循环层、本地引擎）的完整系统，以及令牌效率指南，帮助用户降低API成本。

社区成员每周可获得四次辅导通话，直接提问并获得解答。此外，每日更新部分提供最新的视频教程、安装压缩包及新工具教程。社区还设有课堂用于系统培训，加拿大区域（注：原文为Canada，可能指代特定区域或拼写误差，此处保留原意）用于线下交流，以及地图功能帮助用户找到本地同行。这种全方位的生态支持，旨在帮助用户节省时间、学习AI自动化并实现业务增长。

"Inside this community, uh you get all the layers that we talked about... token efficiency playbooks as well so you can reduce the amount of tokens you use."

通过加入该社区，用户不仅能获得技术工具，还能融入一个专注于AI自动化增长的互助网络。无论是通过每日答疑、实时屏幕共享会议，还是本地人脉连接，社区都致力于提供从技术落地到商业变现的全链路支持，确保用户能够充分利用智能体操作系统带来的效率红利。