直播内容与Agent OS核心功能介绍
本次直播的核心主题是构建Claude Agent Operating System（代理操作系统）。主播在开场时与观众互动，提到了正在进行的多项测试工作，包括对Sakana Fugu模型的基准测试，以及探索新的Grock语音功能。此外，直播还涵盖了Hermes与Unreal Engine的新MCP集成测试，以及关于Claude AIO和Clawude Obsidian的讨论。一个重要的技术分享点是如何免费将Claude代码Token消耗降低80%的方法。
对于观众关于Agent OS定义的提问，主播详细解释了其本质：这是一个集成自定义工作流和自动化的系统。该系统具备完整的记忆模块，能够连接所有代理，使得日常需要自动化的任务可以转化为定制工作流。系统内部预置了本地模型和免费模型，支持构建Infusion模型，并实现了Hermes、Anti-gravity、Claw等代理的协同工作。通过群组聊天、创意管道、Paperclip工具以及目标列表，用户可以在一个界面内管理所有事务，无需在多个标签页或应用间切换，极大提升了管理效率。主播还提到，其团队模板已在AI Profit Boardroom更新，包含最新的Z文件安装教程。
模型选择：Claude vs Codeex的深度对比
在模型选择方面，主播明确表达了偏好Claude而非Codeex的理由。他认为Fable 5模型是构建Agent OS时最容易上手的工具。相比之下，Codeex存在明显的短板：首先，它极易耗尽Token，导致构建过程中断；其次，其易用性不如Claude桌面应用。主播强调，在构建复杂的代理操作系统时，Fable 5是最佳模型选择，因为它能提供更稳定的开发体验和更低的资源消耗。这一观点得到了部分观众的认同，但也引发了关于不同模型适用场景的讨论。
用户案例与系统稳定性保障
Agent OS在实际应用中展现了巨大的潜力，多位用户分享了他们的成功体验。Andrea将其设置为Mission Control OS，称其为改变游戏规则（game changer）的工具，让她能够利用Tail Scale随时随地访问系统。Kurt也表示Agent OS彻底改变了他的工作流。这些案例证明了该系统在提升AI前沿应用效率方面的价值。为了确保系统的高可用性，主播强调Agent OS是始终在本地运行的，因此不会像云端服务那样出现宕机或错误。他本人每天投入4小时进行严格的代码测试和优化，确保系统的稳定性和可靠性。这种持续迭代和测试的策略是保证用户获得无缝体验的关键。
技术实施细节与安装指南
在技术实施层面，主播提供了一些关键的配置建议。首先，关于语音转文字功能，用户需要在安装过程中确保安装语音系统，并将ChatGPT Realtime API添加为API接口，以便代理能够进行语音交互。其次，在文件管理上，主播指出一个常见错误：在Sakana Fugu的工作区中，不应随意添加X标记，而应仅保留视觉构建（visual builds），并确保所有1.1版本的构建文件存放在名为1.1的文件夹中，以保持工作区的整洁和逻辑清晰。此外，对于系统错误问题，主播重申了本地运行的优势，并建议用户参考官方提供的音乐播放列表等资源，以丰富使用体验。这些细节指导有助于用户避免常见陷阱，更高效地部署和使用Agent OS。
音乐生成与多平台部署可行性
在Agent OS中集成音乐代理（Music Agent）允许用户通过自然语言描述需求，结合Suno API生成背景音乐，从而提升工作效率和沉浸感。这种一体化工作流避免了在多个应用间切换的繁琐。关于本地部署，虽然作者表示已多年未使用Windows，对Windows本地运行Hermes持保留态度，但明确指出VPS（虚拟专用服务器）是可行的替代方案。对于不追求前沿模型的用户，Omniroot提供的免费本地大模型（Local LLMs）被评价为“ decent（尚可）”，足以完成基础任务，尽管其能力不及Claude等前沿模型。这种分层模型策略让用户可以根据预算和需求灵活选择。
“I haven't used it for about probably 10 years... But you could have it running on a VPS otherwise.”
模型选择与Profile切换机制
Agent OS的核心优势在于其多模型配置文件（Profiles）管理。作者强调，用户无需安装所有模型，而是应根据具体任务类型选择最合适的模型。例如，对于语音代理任务，推荐使用ChatGPT Realtime；对于图像或视频生成，Grok可能是更好的选择；而在日常对话中，GPT-5.6 Turbo（注：字幕原文如此，可能指代特定版本或口误）因其速度被作者列为当前最爱。这种按需切换的机制极大地提高了系统的适应性和效率。通过Hermes接口，用户可以轻松在不同API和模型间切换，从而在性能与成本之间找到最佳平衡点。
“I have many different profiles inside the agent OS. So I just switch between different APIs and that sort of thing, which is quite useful.”
竞品对比与SEO内容自动化策略
在与Buzz等独立AI代理应用的对比中，作者认为虽然Buzz在用户友好性和团队协作方面表现良好，但“将所有功能集中在一处”的Agent OS在时间效率和控制便利性上更具优势。在SEO领域，作者提出了利用Google Search Console数据驱动内容分发的策略：首先通过Search Console发现排名关键词，然后利用Agent OS生成针对Twitter、Instagram等不同平台的适配内容。这种跨平台内容复用策略，结合Hermes Oracle系统和视频代理，实现了从关键词发现到多形式内容产出的自动化闭环。此外，还提到了“寄生SEO”（Parasite SEO）作为潜在的功能扩展方向。
“Having everything in one place is much easier and much more uh time efficient.”
本地开发工具集成与推理模型评估
在开发工具方面，作者演示了Agent OS对Obsidian等本地应用的实时控制能力，包括打开软件、浏览器操作及语音交互。对于视觉化需求，推荐通过Hermy's Apollo获取视觉版本，并强调无需iPhone即可在电脑上使用。在推理模型的选择上，作者明确不推荐Gemma 4等轻量级本地模型用于复杂分析，认为其过于基础。相反，Fable 5被推荐为逻辑性和分析能力更强的选择。然而，作者最终指出，AI在决策制定（Decision-making）方面仍不如人类，因此在分析过程中必须结合人类自身的判断力，AI仅作为辅助工具。
“I think that when you're doing analysis, you always have to use your own brain really because that's all about decision making.”
本地模型局限性与前沿模型优势
在构建智能体操作系统（Agent OS）时，模型的选择直接决定了系统的上限。主播明确指出，本地运行的大模型目前表现不佳，不仅速度慢，而且输出质量难以令人满意。虽然本地模型可以处理基础的编码任务，但在需要前沿级别（Frontier-level）的输出时，它们往往显得力不从心，甚至产生令人困惑的无效内容。相比之下，使用云端的前沿模型能确保智能体获得高质量、高逻辑性的响应，这是构建复杂自动化工作流的基石。
"Local models just aren't that good. Like not that powerful. They struggle. They're slow."
Agent OS 架构与多智能体协作
主播展示的 Agent OS 并非单一的 Claude 接口，而是一个集成了多个专业智能体的完整生态系统。该系统以 Hermes 为核心框架，通过不同的配置文件（Profiles）驱动各类专用智能体。例如，Apollo 负责实时语音交互，Oracle 监控新闻并抓取 X (Twitter) 数据以辅助内容创作与发布，而 Astros 则专注于竞争对手监控。这种架构将 Claude 仅视为底层能力的一部分（约占 1%），其余部分由自定义的智能体逻辑、API 调用和数据处理流程构成，实现了高度定制化的自动化操作。
"This is the agent operating system, which is totally different from Claude. Claude is just like one tiny little 1% of it."
Fable 5 与 Opus 5 的性能对比
在模型选择上，主播强烈建议优先使用 Fable 5 而非 Opus 5。尽管 Opus 5 在发布初期表现尚可，但主播认为其近期表现有所下滑，容易在任务中分心，导致执行效率降低。相反，Fable 5 在速度和专注度上表现更佳，能够更稳定地完成任务，减少因模型“走神”而产生的错误。此外，系统内部集成了 Token Minimization Playbooks（令牌最小化剧本），进一步优化了成本与效率。对于追求高效执行的用户来说，Fable 5 是更务实的选择，而 Opus 5 则因不可预测性而被降级使用。
"Fable 5 could just stay really focused. Opus 5 just seems to get distracted. It's nowhere near as good."
系统配置与使用建议
为了保持系统的简洁与高效，主播坚持单一操作系统的原则，避免多系统切换带来的混乱。在工具链上，推荐使用 Free Code 进行本地文件编辑，通过切换 API 接口即可灵活调用不同模型，无需直接依赖 Claude 应用界面。这种架构不仅降低了 Token 消耗，还提高了操作的自主性。同时，系统支持多种免费模型选项，如 Omniroot 和 Noot，为不同场景提供了灵活的替代方案。主播强调，简化流程是提升生产力的关键，任何复杂的配置都应服务于最终的高效执行，而非增加维护负担。
"I use only one operating system for everything. There's no point in having multiple operating systems, otherwise it's just going to get confusing."
技能执行偏差与内容质量审查
在构建 Agent 操作系统（Agent OS）的过程中，AI 技能（Skills）的执行准确性是核心痛点。演讲者指出，当前生成的指南存在严重的逻辑错误和格式缺陷，例如句子缺乏语法连贯性，导致读者无法理解其含义。这种错误不仅影响用户体验，更暴露了 AI 在遵循指令时的上下文理解偏差。演讲者强调，必须确保生成的内容具有高度的相关性，避免重复或无意义的陈述，这要求系统能够深入阅读并理解指南的核心要求，而非仅仅进行表面化的文本生成。
"This bit doesn't make any sense... You need to update that so it's more relevant. And then also you need to make sure that you don't repeat stuff like that in future cuz it seems like it's not relevant like you've not even read the guide or something."
此外，视觉呈现与结构化信息的缺失也是主要问题。生成的指南未能展示 Obsidian 的新功能或提供具体示例，反而堆砌了大量文本和无关的终端窗口截图，导致内容显得杂乱无章。演讲者指出，指南应当通过美观的视觉设计来教学，包括展示新技能、新命令、工作流以及精美的图表，而不是简单地罗列文字。同时，指南必须包含问题分解（Problem Breakdown）和新旧方法对比（New Way vs Old Way），以清晰展示改进的价值。如果 AI 未能遵循这些结构要求，系统需要自动更新其技能库，以防止未来再次出现此类遗漏。
关键词驱动的内容自动化工作流
针对博客文章的端到端 AI 自动化工作流，演讲者展示了一套基于SEO 工作流的高效系统。该系统的核心在于利用 Google Search Console 的数据来驱动内容创作，从而实现从关键词发现到文章发布的闭环。首先，系统通过分析 Google Search Console 中的性能数据，自动识别出具有高排名潜力的新关键词。例如，通过观察 "Hermes workspace" 的排名情况，系统可以确定这是一个值得深入撰写的主题。
一旦确定了关键词，用户只需将该主题和所需的案例研究（Case Study）输入到系统中，点击生成按钮，AI 即可自动生成五篇相关文章。这些文章随后会被自动部署，并记录在历史生成记录中，供用户随时查看和管理。这种工作流极大地简化了内容创作过程，将原本需要大量手动研究和撰写的任务转化为自动化的批量生产。演讲者提到，这种基于数据驱动的关键词选择策略，确保了内容创作始终围绕用户实际搜索意图展开，从而提高了内容的自然流量获取能力。
多模型集成与语音控制功能评估
在模型集成方面，Hermes Agent OS 已经内置了对 Grok 的支持，包括 Grok 4.5 版本。用户可以通过预设的配置文件直接调用 Grok 模型，并利用其进行自定义工作流（如 Hermes Oracle）以及通过 Studio 系统生成语音、视频和图像。这种深度集成使得用户可以在一个统一的界面中管理多种 AI 模型的能力，而无需频繁切换平台。
然而，对于近期发布的 Grok 语音控制功能，演讲者持保留态度。尽管 Grok 推出了新的语音功能，但演讲者表示并未看到实质性的创新或显著的质量提升。现有的 Studio 系统已经支持语音笔记等功能，因此新的语音控制特性并未带来额外的独特价值。相比之下，ChatGPT Live 的语音功能被认为更具潜力，尽管目前仍处于早期阶段，存在不稳定的情况，但其未来的发展方向值得关注。演讲者指出，对于大多数用户而言，当前的语音技术尚未达到完全实用和完美的程度，因此在实际应用中仍需权衡其稳定性与实用性。
"I think that chat cheapy voice is pretty cool. Uh but when I've tested out personally I think like it's still early days. You know, it still breaks a lot. It's not perfect. And I think for most people, they just wouldn't find it useful."
社区协作与系统迭代机制
Hermes Agent OS 不仅仅是一个工具，更是一个社区协作平台。通过 "AR Profit Boardroom" 社区，用户可以在共享的应用中共同使用 Agent OS，这种协作模式促进了知识的共享和技能的迭代。社区成员通过实际使用系统，发现并反馈问题，从而推动 AI 技能的持续优化。例如，当 AI 未能正确添加 "Hook"（引导语）时，系统会发出警告，并要求更新技能以纠正这一错误。这种自我修正机制确保了系统能够随着使用场景的变化而不断进化。
"Have you thought about coding an app that motivates people to come together? Yeah, that's basically the agent operating system that we've created."
此外，用户对于 Perplexity 等新工具的使用情况也被纳入讨论。虽然演讲者本人更倾向于使用 Agent OS 作为主要的计算环境，因为其操作更为简便（"way more chill"），但团队其他成员对 Perplexity 的更新版本进行了测试。这种多元化的工具使用反馈，为 Agent OS 的功能改进提供了宝贵的参考。最终，系统的目标是通过简化的三层架构，让用户能够轻松理解并掌握 AI 自动化的各个层面，从而实现从复杂技术到日常应用的平滑过渡。
构建自主代理工作流的必要性
视频主讲人指出，当前主流的 Open Claw 等开源代理系统在推出初期虽然雄心勃勃，但随后引入了大量安全护栏（guardrails），导致其 自主性大幅降低。相比之下，通过构建自定义的 Agent OS（代理操作系统），用户可以创建如 Memory Galaxy、Hermes Oracle 和 Hermes Asteros 等高度自主的工作流，这些是标准核心系统无法提供的。主讲人强调，“你需要构建自己的系统”，因为内置系统不够自主，而自定义工作流能让代理真正发挥编排能力。这种架构允许用户通过特定的技能指南（Skill Guide）来优化提示词，例如创建更具吸引力的内容钩子（Hook），并明确指出不应添加过多钩子，而应专注于单一、有效的提示词策略。
Sakana Fugu Ultra 1.1 模型特性与基准测试
本节重点介绍新发布的日本模型 Sakana Fugu Ultra 1.1。该模型的核心创新在于其 多专家协作机制：用户输入一个提示词后，系统会路由给 1 到 3 个 AI 专家模型，这些专家并行工作，最终将结果融合为一个最终答案。这种机制旨在解决 “单脑天花板”问题，即单个模型在处理复杂任务（如游戏开发）时，因上下文限制可能导致物理引擎正常但图形崩坏，或反之。主讲人表示，Sakana 通过这种 专家委员会（Council of Models） 的方式，在基准测试中表现优异。根据主讲人的测试，Sakana Fugu 1.1 在基准测试中击败了 Fable 5，并且在第一次尝试时就达到了全球最佳模型的水平。其工作流程包括：输入提示词 -> 专家路由 -> 并行生成 -> 结果融合 -> 输出至工作区。
游戏构建案例与性能数据对比
为了验证模型能力，主讲人使用 Sakana Fugu 1.1 进行了多项游戏构建测试，包括 3D 游戏、开放世界游戏（类似 Skyrim 风格）以及飞行模拟器。这些测试不仅展示了模型的代码能力，还验证了其逻辑规划和 UI 设计能力。所有构建均在 单次提示（One-shot） 下完成，无需迭代修正。然而，该模型存在显著缺点：生成单次构建需要约 15 分钟，且无法进行回溯修改。尽管如此，其首次生成的成功率极高，细节丰富，如“降落伞游戏”的物理细节和飞行模拟器的完整性。主讲人将这些构建结果保存在 Agent OS 的工作区中，以便后续复用。这种一次性生成但高质量输出的特性，使其在需要快速原型验证的场景中具有独特优势，尽管其时间成本较高。
系统集成与未来展望
主讲人展示了如何将 Sakana Fugu 集成到 Agent Operating System 中。用户可以在系统中直接询问“模型委员会”，所有生成的构建都会自动落入工作区。这种集成方式使得用户可以利用 Hermes Oracle 等工具拉取相关推文（如当天关于该模型的 10 条相关推文）来丰富上下文。主讲人强调，虽然 Sakana 在单次生成上表现卓越，但其 15 分钟的生成时间 和 不可逆的一次性输出 是主要限制。相比之下，其他模型可能支持多轮迭代，但 Sakana 通过多专家融合在单次尝试中实现了高复杂度任务的完成。这种架构适合那些需要高质量、一次性交付复杂代码或设计的项目，而不适合需要频繁微调的场景。主讲人建议用户根据具体需求选择是否采用这种高度自主但耗时的工作流。
Sakana Fugu 1.1 的核心机制与性能权衡
Sakana Fugu 1.1（特别是其 Ultra 模型）代表了一种从“单一大脑”向“专家团队”协作模式的转变。传统的构建过程往往出现 90% 正确但 10% 出错的情况，而 Fugu 1.1 通过路由任务给专家团队并合并结果来显著提升输出质量。这种多智能体协作机制虽然带来了更高的准确性，但也伴随着显著的性能代价。用户需要接受其较慢的响应速度，因为协调思考过程可能需要长达 25 分钟。然而，对于追求超越 Claude Opus 5 等前沿模型最高质量输出的场景，这种时间投入是值得的。该模型特别适用于需要极高精度和复杂逻辑处理的后台任务，用户可以在等待期间处理其他工作，从而最大化时间利用率。
"It takes about 25 minutes of orchestrated thinking, but if you need like the best quality outputs and you need something better than Fable 5, this is well worth looking into."
区域限制与替代方案：OpenRouter 的 Fusion
在使用 Sakana Fugu 时，地理区域限制是一个关键考量因素。目前，该服务在欧洲（EU）和英国（UK）似乎被屏蔽或无法正常工作，这可能与当地监管政策或 AI 模型的地域限制有关。相比之下，在亚洲和美国地区，用户可以顺利运行请求并体验其功能。对于受限于地区的用户，OpenRouter 提供的 Fusion 服务是一个有效的替代方案。Fusion 同样基于 API，采用类似的“模型委员会”理念，通过组合不同模型的优势来获得更优的输出结果。这种替代方案保持了与 Sakana 相似的多模型协作逻辑，确保了即使在无法直接访问 Sakana 的情况下，用户依然能够利用多智能体技术提升工作流效率。
基准测试对比：Fugu Ultra 1.1 vs. Claude Opus 5
为了直观展示 Sakana Fugu 1.1 的性能优势，我们将其与 Claude Opus 5 进行了直接的基准测试对比。测试涵盖了游戏开发和飞行模拟器两个典型场景，重点评估图形质量、流畅度、控制响应及 Bug 数量。数据显示，Fugu Ultra 1.1 在多个维度上均优于 Opus 5，特别是在复杂逻辑处理和细节生成方面表现突出。以下是具体的对比数据：
| 测试项目 | Claude Opus 5 表现 | Sakana Fugu Ultra 1.1 表现 | 优势方 |
|---|---|---|---|
| 游戏开发 | 部分区域卡顿，控制响应滞后，存在明显 Bug | 图形更优，非线性设计，运行流畅，控制易用，Bug 极少 | Fugu Ultra |
| 飞行模拟器 | 细节较少，趣味性低，交互体验平淡 | 细节丰富，交互流畅，控制手感好，趣味性高 | Fugu Ultra |
| 整体输出质量 | 线性较强，缺乏深度 | 非线性，结构更优，逻辑更严密 | Fugu Ultra |
此外，Hermes 提供的“专家混合”（Mixture of Experts）模式也是另一种有效的多模型组合方式，可作为补充方案使用。所有测试结果均在 GoldieBench 平台上公开，用户可在其 Compare 部分亲自体验生成的内容。
系统集成策略：Agent OS 与多模型路由哲学
将 Sakana Fugu 集成到 Agent OS 中最大的优势在于工作流的无缝衔接。用户无需额外抓取 API 或配置外部工具（如 Claw），所有功能均集成在单一标签页中，与工作区和聊天历史深度绑定，极大节省了配置时间。针对“是否应只使用单一模型”的争议，作者指出，GoldieBench 上的每个模型都有胜负之分，因此最佳策略是构建一个包含多种模型的栈，并根据任务类型智能路由。例如，对于日常编码任务可能无需使用 Fugu，但对于大型、高复杂度的项目，Fugu 能提供更超越单一前沿模型的效果。作者强调，不要只选一条“鱼”，而要拥有整个“水族馆”，通过让多个模型像“智囊团”一样协作，相互弥补错误，从而获得最可靠的输出。
"Don't pick your favorite fish. Own the whole aquarium and route the job."
获取途径与商业价值评估
用户可以通过访问 console.sakana.ai 获取 Sakana Fugu 的直接访问权限，或在受限制地区通过 OpenRouter 的 API 接入。尽管该服务成本较高，但作者认为，对于需要一次性、超前沿质量的关键任务，其性价比是合理的。对于常规任务，可使用更经济的模型；而对于高价值项目，Fugu 提供的超越单一前沿模型的质量使其物有所值。最终，完整的系统（包括记忆系统、Hermes 专家混合、Fusion 及 Sakana Fugu 1.1）均可在 AI Profit Boardroom 中获取。用户既可以选择按照教程自行搭建，也可以直接购买已集成好所有编排工具的完整 Agent OS 系统，以实现即插即用的多智能体工作流。
"If you want the best model in the world, it's probably worth it for those one-off jobs where you need something super frontier."
AI Profit Boardroom 社区与 Agent OS 支持体系
进入 AI Profit Boardroom 社区后，用户可以在 Classroom 模块的 "New Daily Updates" 页面获取最新的 Agent OS 系统，包括视频教程、安装压缩包（zip file）以及基于实际有用性每日更新的新教程。社区不仅提供资源下载，还建立了完善的互动机制：用户可以在社区内提问，作者 Julian Goldie 每天都会通过视频教程亲自解答；日历功能支持每周的 Coaching Calls，允许用户共享屏幕、提问并结识其他使用者；地图功能则帮助用户找到 本地附近 同样在使用 AI Agent 进行构建的伙伴。
针对非技术背景用户的顾虑，社区展示了超过 205 页 的用户证言和成功案例，证明该系统易于上手。例如，用户 Andrea 表示："> Thank you. My mission control has been a game changer. I love being ahead of the AI curve." 她甚至通过 Tailscale 实现了 随时随地访问 Agent OS。另一位用户 Rich 也评价道："> Is anyone else blown away from the air profitable boardroom? I've been working through the training and I'm genuinely impressed with how everything is organized." 这些反馈证实了 非技术人员 也能通过该系统获得显著成果。
降低 Token 成本与免费使用策略
许多用户担心使用 Agent OS 会消耗大量 Token 或依赖昂贵的模型（如 Sakana）。对此，作者提供了明确的解决方案：建议将高成本模型仅用于 超级前沿（super frontier） 的关键任务，而在其他场景下优化使用。更重要的是，AI Profit Boardroom 的 Classroom 中包含了完整的系统教程，教导用户如何 免费使用 Agent 操作系统。对于预算有限或 Token 额度受限的用户，这套系统提供了 节省 Token 的具体方法，确保无论预算如何，用户都能通过该系统获益。
Google 搜索控制台新增社交媒体关联功能
Google 近期在全球范围内推出了一项新功能，允许用户将 社交媒体账号 直接添加到 Google Search Console（GSC）中。作者以 Twitter 账号为例，展示了如何在 GSC 中成功添加新的社交媒体平台。这一更新的核心价值在于：它允许 SEO 从业者直接查看 Instagram、TikTok、X 等所有渠道在 Google 中 已经排名 的关键词。这意味着用户不再需要猜测发布内容，而是可以直接利用 Google 自身数据提供的 已验证流量来源，找出那些已经为社交媒体带来流量的关键词，并将其作为内容创作的基础。
构建 "Claude AI SEO 关键词帝国" 策略
基于 GSC 的新功能，作者提出了一种称为 "Claude AI SEO Keyword Empire" 的策略。其核心逻辑是：在 GSC 中找到一个已验证的关键词，然后利用 Claude AI 生成 X 线程、Instagram 帖子、TikTok 短视频等多种格式的内容，实现 同一关键词在多个平台上的多次排名。这种策略不仅能增加排名关键词的数量，还能显著提升 SEO 流量。作者以 "Hermes Agent OS" 为例，展示在 Google 搜索结果中，该关键词不仅在 AI 概览中出现，还在网站内容、Reddit 帖子中多次出现，证明了 多平台重复排名 的有效性。
实操演示：从 GSC 到 Agent OS 的内容闭环
在 Agent OS 的 Parasite SEO 模块 中，用户可以连接 GSC 以追踪结果并扫描排名关键词。添加社交媒体属性后，系统需要约 48 小时 进行数据传播。一旦数据就绪，用户可以看到如 "Buzz Slack alternative" 等具体关键词。作者演示了如何将此类关键词输入 Agent OS，并创建一个 新案例研究（Case Study）。添加案例研究的目的不仅是生成内容，更是为了增加 信息增益（Information Gain），避免使用空洞的 AI 生成文本。通过结合用户自己的真实经验和独特视角，内容更具 独特性，从而更有可能在搜索结果中获得更高排名。
从单一关键词到多平台内容帝国的自动化闭环
该系统的核心逻辑在于构建一个正向反馈循环，即通过一个已验证的关键词，生成多种格式的内容，从而在多个平台上实现多次排名。传统模式下，每个平台的内容创作都是独立的猜测游戏，创作者往往不清楚哪些帖子真正带来了Google流量。而新系统通过整合Search Console数据，能够精准识别带来流量的查询词，并利用Agent OS系统自动扫描这些关键词，进而生成博客文章、视频脚本等多样化内容。这种机制将SEO关键词帝国的概念具体化，即“一个已证明的关键词等于多个社交媒体帖子等于多次排名”。
“你可以找到一个已经在某个关键词上排名的平台，然后将其重新制作成其他所有平台原生格式的内容。”
这一过程不仅限于单一平台，而是通过AI SEO系统实现内容的自动化部署。例如，当确定一个热门话题（如“Buzz Slack替代方案”）后，系统可以自动生成五篇不同的文章，同时利用视频代理创建社交媒体内容。这种策略利用了不同平台对同一关键词的搜索需求，通过多格式覆盖来最大化搜索可见性，从而在不增加额外人工研究成本的情况下，显著提升内容在搜索引擎中的存在感。
平台原生化与反垃圾内容的质量控制
针对“跨平台重复发布是否构成垃圾内容”的质疑，系统强调内容差异化与平台原生化的重要性。虽然核心主题相同，但系统会根据不同平台的特性生成独特版本：在Instagram上生成视频，在X上生成推文线程，在Reddit上生成文章。这种策略避免了简单的复制粘贴，而是通过重新创作来适应各平台的用户习惯和算法偏好。系统目前的更新支持四个平台，并计划扩展更多平台，旨在实现“一次排名，全网收割”的效果。
“ reposting是垃圾行为，但我们做的是为特定主题创建独特的平台原生内容。”
为了确保内容质量，系统引入了记忆系统（Memory System），将用户的个人目标、品牌声音和工作细节融入内容生成过程中。这意味着生成的内容不仅基于关键词数据，还融入了用户的个性化信息和品牌语调。这种个性化使得内容更具独特性，从而更有可能被搜索引擎识别为高质量内容并排名。通过这种方式，系统解决了传统SEO中内容同质化的问题，同时通过自动化手段降低了多平台内容创作的时间成本，实现了规模化与个性化的平衡。
搜索控制台驱动的内容生成与自动化工作流
整个工作流分为三个关键步骤：首先从Search Console获取带来流量的查询词，其次在Agent OS的寄生SEO标签页中将这些查询词转化为内容主题，最后由代理自动创建内容并排名。这一流程极大地简化了内容创作过程，用户无需手动为每个关键词创作四篇不同格式的内容，而是由系统自动完成。例如，用户只需输入主题，视频代理即可撰写脚本，甚至生成AI头像和配音视频，整个过程实现了高度自动化。
“搜索控制台命名每个平台的查询，寄生SEO标签页将其转化为排名内容。”
这种自动化不仅限于文本内容，还涵盖了视频和社交媒体帖子。系统通过代理操作系统（Agent OS）实现了内容的快速生成和部署，使得非技术用户也能轻松构建内容帝国。此外，系统还强调了数据驱动的重要性，通过实时分析Search Console数据，用户可以清楚地看到哪些查询词带来了流量，从而针对性地优化内容策略。这种基于数据的反馈机制，使得内容创作不再是盲目的尝试，而是精准打击，从而提高了内容营销的效率和回报率。
社交媒体与SEO的融合及未来趋势
传统观点认为社交媒体和SEO是独立的领域，但该系统展示了两者之间的深度融合。Google不仅排名网站内容，还排名Twitter帖子、Reddit讨论和LinkedIn文章。因此，通过优化社交媒体内容，同样可以获得搜索引擎流量。系统通过展示多个关键词在不同平台上的排名情况，证明了这一策略的有效性。这种跨平台排名能力，使得用户可以在不增加额外关键词研究成本的情况下，通过现有内容获得更广泛的搜索覆盖。
“Google之所以给你这些数据，是因为它知道社交媒体在Google内部的排名效果。”
这一趋势被视为2026年的新SEO形式，即利用社交媒体内容来增强搜索引擎可见性。系统通过整合多平台数据，打破了传统SEO仅限于网站的局限，为用户提供了一种全新的内容分发策略。此外，系统的易用性也得到了验证，许多非技术用户通过AI Profit Boardroom成功部署了Agent OS，并获得了大量成功案例。这表明，低门槛和高回报是该系统的核心优势，使得更多人能够参与到这一新的SEO范式中，实现内容价值的最大化。
推广AI自动化社区与Agent OS系统
视频开头首先介绍了作者提供的AI自动化社区（AI Profit Boardroom）及其核心价值。作者指出，虽然用户可以自行构建完整的Agent OS系统和Claude AI SEO关键词帝国，但这需要每天投入约四小时的时间成本。为了节省时间并加速学习，用户可以直接获取该系统。社区内提供了AI SEO自动化教程、完整的Agent OS系统安装包（含指南和ZIP文件），以及基于最新AI SEO动态更新的新指南。此外，社区还设有每周辅导电话会议，支持屏幕共享和提问，不仅限于AI SEO，涵盖更广泛的AI自动化领域。用户还可以通过社区地图本地连接其他AI Agent开发者。对于需要深度定制的用户，作者提供了通过Goldie Agency预约的免费一对一SEO策略会议，旨在制定个性化的排名计划并分享高效的链接构建策略。
核心痛点：Claude Token浪费的四大“泄漏”
视频的核心议题是解决Claude代码使用Token过高的问题。作者指出，当前用户在使用Claude时往往缺乏智能，导致Token被大量浪费。主要存在四个“泄漏”点：首先是工具输出冗余，Claude回复过于礼貌，包含大量填充词；其次是代码过度构建，生成的代码包含不必要的修饰和变量重命名；第三是上下文洪水，工具输出未经过滤直接涌入对话，占用大量Token；最后是免费模型可完成的工作被高价调用，导致资源错配。这些问题使得Claude被不需要阅读的大型测试日志淹没，或收到冗长的回答。作者强调，通过优化这些环节，可以显著降低Token消耗，使AI Agent运行更快，避免触发使用限制，从而在现有配置下获得更好的效果。
解决方案一：RTK过滤工具输出与Caveman压缩回复
作者介绍了两个用于减少Token使用的开源GitHub仓库。第一个是RTK，它作为代理和Shell之间的过滤器，专门处理Claude运行Shell命令时的原始输出。RTK能够过滤掉进度条、重复警告等机械噪音，保留实际内容，从而减少60%至90%的Token消耗，在常见命令上甚至能减少82%。第二个工具是Caveman，它通过压缩回复长度来减少输出Token。在作者的Agent OS中，Caveman作为会话钩子运行，使Claude像“穴居人”一样简短回复。数据显示，正常回复可能使用69个Token，而使用Caveman后仅需19个Token，减少了约69%的输出Token，同时提升了回复速度。这两个工具均免费开源，安装简便，能显著优化Agent的输出效率。
解决方案二：Ponytail精简代码与Omni Root路由模型
除了前两个工具，作者还介绍了另外两个关键组件以完成Token最小化栈。第三个工具是Ponytail，它专注于代码生成环节，促使Claude在编码时减少代码量，通过去除冗余逻辑和结构，可将代码Token消耗降低54%。第四个工具是Omni Root，它具备智能路由功能，能够将不同任务分配给三个不同的模型处理，从而优化成本和性能。作者强调，这套由RTK、Caveman、Ponytail和Omni Root组成的完整栈，可以在约15分钟内通过每条命令一键安装完成。安装后，系统自动运行，无需重复配置。作者实测表明，这套组合拳能使单个命令的输出减少92%，整体Token使用效率提升五倍，让用户的Token计划更加耐用，AI Agent运行更加流畅高效。
RTK：通过压缩 Shell 命令输出降低 Token 消耗
RTK（Reduce Token Kit）是 Token 最小化策略中的第一部分，其核心功能是在代理（Agent）与 Shell 命令之间充当中间层，通过重写命令、过滤输出、去重和剔除噪音，仅保留关键信号。这一机制旨在解决 Shell 命令（如 git diff）输出杂乱导致 Token 消耗过大的问题。RTK 的处理过程几乎不增加延迟，仅增加约 14 毫秒，用户无法感知其工作过程，但能显著减少 Token 使用量。作者亲自测试验证了其效果，发现其实际减少的 Token 使用量为 82.9%，这与官方声称的 90% 减少量非常接近，证明了其高效性。RTK 是一个免费的开源项目，目前已集成在 Agent OS 系统中，所有代理均通过它来减少 Token 消耗。值得注意的是，RTK 仅过滤机械噪音，不会破坏代理的功能。
| 指标 | 数据/描述 |
|---|---|
| 官方声称减少量 | 90% |
| 作者实测减少量 | 82.9% |
| 额外延迟 | 约 14 毫秒 |
| 过滤对象 | 机械噪音、Shell 命令输出中的无用部分 |
| 项目性质 | 免费开源 |
Caveman：精简代理回复中的冗余填充
Caveman 是系统的第二部分，专注于减少代理在生成回复时使用的 Token 数量。它通过去除礼貌性的填充词和冗余内容，使回复更加直接和简洁。在正常模式下，代理的一次输出可能使用约 69 个 Token，而使用 Caveman 后，这一数字降至 19 个 Token。作者在对 Fable 5 的测试中显示，Caveman 使输出 Token 减少了 69%，从而将整体 Token 使用量降低了 37%。关键在于，这种精简并未牺牲回答的技术准确性，只是去除了“废话”。Caveman 同样是一个免费仓库，已集成在 Agent OS 2 中，确保每次回复都保持紧凑。
| 场景 | 正常代理输出 Token 数 | Caveman 处理后 Token 数 | 减少比例 |
|---|---|---|---|
| 单次输出示例 | 69 | 19 | 约 72.5% |
| Fable 5 测试整体影响 | - | - | 输出 Token 减少 69%，总 Token 减少 37% |
| 质量影响 | - | 技术准确性保持不变 | - |
Ponytail：像资深开发者一样精简代码生成
Ponytail 是第三个工具，旨在减少代码编写量，其设计理念类似于“懒惰的开发者”，即在保证功能完成的前提下，通过消除推测性代码和过度抽象来简化代码。使用 Ponytail 可以减少约 54% 的代码量，使成本降低 20%，速度提升 27%。作者强调，Ponytail 不会触碰安全性、输入验证或错误处理等关键逻辑，仅简化不必要的代码结构。这种策略让用户在 Claude 订阅中通过生成更少的代码来获得同等价值，相当于雇佣了一位“懒惰的资深开发者”。
| 性能指标 | 数据/描述 |
|---|---|
| 代码量减少 | 约 54% |
| 成本降低 | 20% |
| 速度提升 | 27% |
| 保留的关键逻辑 | 安全性、输入验证、错误处理 |
| 简化对象 | 推测性代码、过度抽象、不必要代码 |
Omniroot 与系统整合：利用免费模型与上下文管理
Omniroot 是一个免费的代码代理，允许将不需要前沿模型（如 Claude）的繁琐任务委托给它。它作为一个本地网关运行，内置了 93 个模型，并集成了 RTK 和 Caveman 压缩技术，能从每个请求中进一步挤出 15% 到 95% 的 Token。虽然 Omniroot 不能覆盖 80% 的任务，但与其他工具结合使用时，系统整体 Token 节省可能超过 80%。此外，作者还分享了其他优化技巧：使用 /clear 清除已完成任务的上下文，使用 /compact 总结长任务历史，以及精简 claude.md 指令文件（可减少 50% 内容而不影响质量）。Agent OS 还包含一个记忆库，避免重复解释上下文，进一步减少 Token 消耗。
| 组件/功能 | 主要作用/效果 |
|---|---|
| Omniroot 网关 | 运行 93 个免费模型，集成 RTK/Caveman，额外压缩 15%-95% |
| RTK 单独作用 | 减少 82.9% 的总输出 |
| Ponytail 单独作用 | 减少 15%-20% 的代码体积 |
| Caveman 单独作用 | 减少 69% 的回复 Token |
| 上下文管理 | /clear 清除旧上下文，/compact 总结历史，记忆库避免重复解释 |
降低 Token 消耗的四项核心策略
在构建高效的 AI 代理系统时，Token 不再是稀缺资源，而是需要优化流程的对象。传统的做法是将 Token 视为有限资源，导致用户在每次任务前都感到焦虑，且容易快速触及限制。新的系统通过修复底层管道（Plumbing）来彻底改变这一局面，具体包括四个关键步骤：过滤噪音、缩短回复、精简代码以及将基础工作路由到免费模型。
首先，按难度路由任务是降低成本的关键。简单的任务可以分配给本地模型或 OmniRoot 等低成本模型，而复杂任务则交由前沿模型处理。其次，预先规划与批量请求能显著减少 Token 使用。通过批量处理请求而非逐个发送，可以避免重复使用相同的上下文，从而节省大量资源。此外，引入子代理（Sub-agent）机制也是一种高效手段。例如，使用“侦察兵”代理在代码库中搜索信息，它消耗自己的上下文并仅向主会话报告结论，从而大幅减少主会话的 Token 消耗。
"The old way is that you treat tokens like a a scarce resource... The new way with this system is that you fix the plumbing."
Agent OS 的架构与生态系统
Agent OS（代理操作系统）不仅仅是一个聊天窗口，而是一个24/7 运行的自动化系统。大多数用户在使用 Claude 或 Hermes 等代理时，面临的最大问题是每次会话从零开始，且一旦关闭电脑，工作便停止。Agent OS 通过整合多个代理和自定义工作流，解决了这一痛点。它包含三个核心层级：蓝图（Blueprint）、大脑（Brain）、控制中心（Mission Control）和记忆系统（Memory System）。
该系统集成了多种工具，如 Gemini Notebook、Obsidian（记忆星系）以及视频代理和 SEO 代理等自定义工作流。通过将这些工具与 Hermes 和 Claude 结合，并添加上述三层架构，代理转变为了解你的业务、永不遗忘的 AI 员工。即使你已经设置了 Hermes，添加这些层级也能将其转化为全天候工作的系统。
"An agent alone forgets everything... The agent OS system remembers everything about you, your brand, your business, your goals."
非技术用户的适用性与支持体系
对于担心技术门槛的用户，Agent OS 的设计完全兼容非技术背景人群。在 AI Profit Boardroom 社区中，已有 205 页的用户证言证明，即使是不懂技术的用户也能通过正确的系统获得惊人成果。系统提供了完整的教程和每日视频指导，包括一个 1 小时的深度教程，专门教用户如何构建代理操作系统。
此外，社区提供每周辅导课程和Token 最小化 playbook，帮助用户进一步优化系统。用户可以在社区中提问，并由创始人亲自回答。对于使用 Python 而非 Rust 的开发者，系统同样兼容，可以通过 Ponytail、Caveman 等工具减少 Token 消耗，并支持将 CodeEx 等插件接入 Agent OS。
"I'm non-technical, they're non-technical, but you can still get amazing results for this stuff if you have the right systems."
常见问题与系统对比
针对用户关于RTK 是否仅适用于 Rust的疑问，回答是肯定的，但 Python 用户可以使用其他 Token 减少系统如 Ponytail。关于GPT 兼容性，虽然并非所有工具都完全兼容 GPT，但编码相关的功能可以灵活接入，例如 CodeEx 已集成到 Agent OS 中。对于Agent OS 的具体用途，它旨在自动化一切，通过三层架构（蓝图、大脑、记忆）将智能代理转化为持久化的业务助手。
与传统代理相比，Agent OS 的核心优势在于持久性和自动化。传统代理需要用户“保姆式”看护，而 Agent OS 则能自主运行，记录所有业务细节，并在用户离线时继续工作。这种系统化的方法确保了 AI 代理不再是临时的聊天工具，而是企业级的自动化基础设施。
"If you skip them, your Hermes is basically just a smart chat window. But the good news is... turns it into a 24/7 AI employee that knows your business and never forgets a thing."
统一Agent OS架构与模型无关性
构建一个统一的Agent操作系统（Agent OS）的核心优势在于消除碎片化，将分散在不同平台（如Buzz、Claude、ChatGPT、CodeX）的操作整合到一个系统中。这种架构允许用户可视化记忆星系（Memory Galaxy），将所有代理（Agent）的记忆和上下文无缝连接。例如，当接入Claude Hermes等代理时，其上下文已预先配置就绪，无需在多个标签页间切换。这种设计的最大亮点是模型无关性：无论底层模型如何更新（如GPT 5.6或Claude Fable 6发布），用户只需将其接入现有系统即可，无需重新学习或恐慌。系统通过集中控制确保所有代理协同工作，且随着新模型的加入，系统能力每日增强，避免了追逐“闪亮新物体”的焦虑。
"Instead you want to plug them all into one system where they all work together."
自定义工作流与自动化案例
该系统支持构建高度自定义的工作流，以自动化日常任务。以视频代理为例，用户只需输入提示词，系统即可自动生成包含配音、完整编辑及AI头像的视频。更复杂的案例展示了Hermes Oracle代理的24/7自动运行能力：它能自动监测竞争对手数据、发现最新新闻（如Grok 4.6即将发布），并据此起草社交媒体内容，直接发布至WordPress网站。这种自动化不仅节省了手动监控和发布的时间，还通过数据驱动的内容创意提升了效率。用户无需亲自组织，代理会自动整理Obsidian笔记库，确保每次会话都有完整的上下文记忆，从而将基础聊天工具升级为具备长期记忆和自主执行能力的操作系统。
"It's automating all of the things that I used to do manually myself."
三层架构与免费本地化部署
Hermes Agent OS采用三层架构设计：第一层是“大脑”（Brain），即代理及其使用的模型，支持包括Omniroot在内的免费模型；第二层是“任务控制”（Mission Control），提供统一仪表板，将聊天、语音、代理团队和工作区整合，避免终端操作的混乱；第三层是“记忆层”（Memory Layer），利用Obsidian等工具记录业务上下文、决策和日志，确保代理永不“冷启动”。对于非技术用户，系统提供了本地引擎选项，可完全免费运行，结合Omniroot和N Router等工具，无需付费API即可构建智能系统。这种架构降低了技术门槛，使得非技术人员也能通过 testimonial 中提到的成功案例，轻松搭建并享受Agent OS带来的效率提升。
"You don't need to be technical to use something like this."
交互界面与无代码构建路径
系统的交互界面包括聊天、语音、代理团队和工作区四大模块。语音模块允许用户通过对话启动构建（如“打开Obsidian”），代理团队模块支持通过看板分配任务给多个AI代理协同处理，而工作区则集中保存所有构建成果，确保数据不丢失。对于担心代码复杂性的用户，系统提供了无代码构建路径：初学者可直接通过Claude或Hermes Agent请求构建仪表板，无需手动编码。记忆库（Vault）由代理自动维护，确保知识沉淀。这种设计使得用户能够专注于任务逻辑而非技术实现，通过自然语言交互和自动化记忆管理，实现从手动操作到智能代理系统的平滑过渡，最终达成“一切就绪，随时可用”的状态。
"Everything is saved in one place. So we don't lose anything."
记忆层：从“初识”到“全知”的个性化基础
没有记忆的智能体交互如同每次都是“第一次约会”，用户不得不反复解释自己的偏好、项目和背景，这不仅令人厌烦，也是导致AI输出显得泛泛而谈的根本原因。为了解决这一问题，演讲者构建了一个极其简单却高效的记忆层：一个由纯文本笔记组成的文件夹，智能体在开始工作前读取这些笔记，并在完成后进行更新。这种架构使得智能体能够长期存储关于用户的详细信息、决策日志以及日常活动记录。
“没有记忆，每一次会话都像是一次初次约会。你得重新解释你自己、你的偏好、你的项目，一年要重复几百次。”
在实际应用中，演讲者使用免费的开源工具 Obsidian 来管理这些记忆数据，并通过可视化界面（如“记忆星系”）进行展示。当用户询问“针对SEO有哪些好的关键词”时，系统能够立即调取用户所有的网站信息、内容产出历史，从而给出高度个性化的建议。这种记忆机制不仅适用于SEO，还适用于任何需要自动化的场景，彻底改变了以往智能体“金鱼记忆”般的状态。
工作流重构：从“手动监视”到“24/7无人值守”
在引入智能体操作系统之前，工作流程是碎片化且低效的。不同智能体分散在不同的窗口中，用户每天早晨都需要重新向不同的模型（如ChatGPT或Claude）解释背景，这就像是在向金鱼重复解释一样。此外，当时的任务只能由用户坐在屏幕前实时监视运行，无法实现真正的自动化。这种模式导致用户无法摆脱对单个智能体的依赖，且一旦模型更新，之前的配置和上下文往往需要从头开始。
“以前我的智能体生活在不同的窗口里，每天早上我都要重新解释自己……而J jobs只能在我坐在那里看着它们的时候运行。”
现在的系统通过 Hermes 任务控制中心 实现了根本性的转变。用户不再需要关注单个智能体的运行细节，而是通过一个统一的界面进行操作。例如，创建视频只需在相应板块输入指令，进行SEO优化则直接部署内容。系统能够自动处理所有后台工作，甚至包括文章的格式化与发布，用户完全无需登录网站后台。这种转变使得任务可以 24/7 不间断运行，用户从“操作者”转变为“监督者”，极大地提升了效率。
架构优势：模型热插拔与系统复利效应
传统的AI使用方式是追逐每一个新模型发布，安装、试用、放弃，导致工具链混乱且无法积累。而智能体操作系统的核心优势在于其三层架构：模型、记忆层和任务控制层。在这种架构下，模型变成了机器中可互换的部件。当新模型发布时，用户只需通过下拉菜单进行切换，新模型即可继承现有的上下文、按钮配置、历史记录和运行中的任务。
“模型变成了机器中可互换的部件，它们保留你的上下文、你的按钮、你的历史。如果新模型发布，它只是一个下拉更改，并继承一切。”
以 Fusion 平台为例，当 Sakana Fugu Ultra 1.1 模型发布时，演讲者仅用了约 2分钟 就将其接入系统并投入使用。这种架构确保了系统的复利效应：随着时间推移，系统会越来越好，而不是每次模型更新都归零。等待模型“稳定”再构建系统的观点是错误的，因为操作系统本身是不变的，每一次模型升级都只是简单的配置调整，而非从头开始。这种设计让用户能够持续积累优势，而不是在追逐新工具中落后。
成本优化与生态支持：低门槛与高回报
针对“构建系统成本过高”或“仅适合科技公司”的质疑，演讲者指出，该系统适用于任何包含重复性任务的行业，包括代理商、教练、电商创始人乃至个人用户。在成本控制方面，系统支持集成 免费的AI编码工具 和本地智能体引擎，用户甚至可以接入 Omniroot 或 N Router 等免费API，从而避免高昂的Token费用。此外，系统支持用户接入自己已有的CLI订阅，无需额外付费。
“你不需要担心Token或成本问题……你可以使用免费的AI编码器和本地模型。”
为了降低使用门槛，演讲者提供了完整的 ZIP文件安装包，用户只需让智能体协助设置即可快速部署。通过加入 AI Profit Boardroom 社区，用户不仅能获得最新的系统更新和教程，还能获得 1小时深度课程、每周实时辅导以及本地社群支持。演讲者承诺每日亲自回答社区问题，确保用户从新手到专家的平滑过渡。这种生态支持使得用户能够专注于成为“操作员”，而非被新工具分散注意力的追逐者。
智能体系统的自主协作与商业应用
视频展示了基于 Claude 构建的多智能体操作系统，其核心在于通过提示词驱动实现高度自动化。用户只需在聊天界面输入指令，系统即可启动。该架构支持子智能体（Sub-agents）的层级管理，例如在“回形针”场景中，不同智能体相互协作，形成完全自主的运行系统。此外，系统还具备群聊功能，允许人类与智能体进行双向互动，智能体不仅能执行任务，还能主动向用户反馈想法。
"So if you go to the paperclip section here, you can have a full system with sub aents, different agents managing each other. So it's fully autonomous."
对于SEO 代理商等商业场景，该系统展现出极高的实用价值。通过内置的记忆系统，用户可以存储关于客户、公司内部流程、合作伙伴及项目的详细信息。例如，视频中提到的“Goldie agency”案例显示，系统能够自动关联并存储所有相关实体信息。这种结构使得 AI 不再是一次性工具，而是成为企业知识库的一部分，无论对于代理公司还是其他类型的企业，都能实现信息的长期沉淀与高效调用。
Claude Obsidian v2：构建永久记忆知识库
视频重点介绍了最新发布的 Claude Obsidian v2，这是一个免费的开源 GitHub 仓库更新。其核心突破在于为 Claude 赋予了完美的记忆系统。用户只需将文件放入指定文件夹，AI 读取器即可自动连接并永久记住这些信息。这意味着用户不再需要每次对话都重复背景信息，AI 的回答将直接基于用户自己的笔记和文档，从而让 AI 的实用性提升100倍。
"Your AI reader connects it and remembers it forever. Everything you can ask it anything about your business answers from your own notes."
Claude Obsidian 并非传统的聊天历史或笔记应用，而是一个基于纯 Markdown 文件的动态维基。用户可以将来源文件丢入“收件箱”文件夹，Claude 会自动读取链接并记住出处。视频中演示了通过 Obsidian 软件生成的“记忆星系”（Memory Galaxy）可视化界面，成千上万条记忆节点在图中相互连接。这一设置解决了 AI 常见的“金鱼记忆”问题，即每次会话都从零开始，导致知识碎片化且无法关联。现在，当用户提问时，AI 的回答会指向具体的笔记来源；若知识库中无相关信息，AI 会明确告知而非编造答案。
解决 AI 知识碎片化与设置流程
作者指出，当前 AI 使用中的最大痛点是知识分散。用户往往在 ChatGPT、Claude、Hermes 等不同平台间切换，导致生成的知识无法互通。每天产生的大量高价值信息（如上周的 brilliant answer 或上月的研究）往往被埋没在聊天记录或孤立的笔记中，缺乏来源链接和时效性验证。Claude Obsidian 通过建立一个本地化的知识仓库，将所有分散的信息整合起来，使 AI 能够基于连贯的上下文进行回答。
该系统的设置过程极其简便，作者强调“只需 10 分钟即可完成设置”。通过引入 Daniel Argaei 开发的这一插件，用户可以将 Obsidian 笔记库转化为 AI 的长期记忆存储。这种架构不仅保留了 Markdown 文件的灵活性，还赋予了 AI 理解复杂业务逻辑的能力。对于希望摆脱“每次重新解释业务”痛苦的用户来说，这是一个关键的效率杠杆。作者建议观众务必关注这一设置，因为它改变了 AI 从“一次性问答工具”向“个人智能助手”转变的基础设施。
社区资源与 SEO 业务整合
在视频结尾，作者回应了观众关于SEO 业务和 AI 学习的提问。对于希望学习 AI 的观众，作者推荐加入“Air Profit Boardroom”，那里提供丰富的 AI 培训课程。针对 SEO 代理商，作者分享了自己的实战经验：其代理公司已经实现了高度自动化运行，甚至可以通过运行广告来填充团队管道，并利用 2.5 Flash 模型进行测试和优化。
"We've got a full training on that. um on like offer building and that sort of thing. So you can grab it inside this."
关于如何创建 SEO 报价（Offers）和获取客户，作者指出在“Air Profit Boardroom”的代理课程（Agency Course）中有完整的六周大师班训练。课程内容涵盖报价构建、客户获取、线索生成以及客户管理等核心环节。作者强调，这些系统是基于其自身成功经验的总结，旨在帮助观众建立完整的代理业务闭环。对于担心 Token 消耗过高的用户，作者建议使用视频中展示的Token 最小化剧本（Playbooks）来节省成本。整个生态系统旨在通过工具、知识和社区支持，帮助用户将 AI 能力转化为实际的商业利润。
传统知识管理的痛点与“金鱼记忆”困境
传统的个人知识管理方式存在严重的效率低下问题，用户往往陷入一种“金鱼记忆”的循环中。每天早晨都需要重新向AI解释背景信息，这不仅消耗大量时间，更耗费精力，导致整个流程混乱不堪。这种低效的根源在于缺乏一个能够持续积累和进化的系统，使得每一次交互都从零开始，无法形成复利效应。
"So every morning you retach it um everything about you and that cost you time. It cost you energy. It's it's a real mess."
为了解决这一问题，作者提出了Claude Obsidian这一开源项目。该项目基于MIT许可证发布在GitHub上，旨在构建一个“复利金库”（Compounding Vault）。核心理念在于系统必须随着每次使用而不断自我改进，通过自动化和结构化手段，将分散的信息转化为可链接、可追溯的知识网络，从而彻底改变用户与AI交互的方式。
三层架构：从本地存储到智能代理操作系统
Claude Obsidian的核心由三个层层递进的层级构成，每一层都为下一层提供基础支持，形成正向反馈循环。
第一层是Vault（金库）。这是一个由Markdown文件组成的普通文件夹，包含一个收件箱（Inbox）。它是本地化、可移植的，并由Obsidian渲染为动态图谱（Living Graph）。这一层确保了数据的本地安全和基础结构化。
第二层是Librarian（图书管理员）。这是Claude Obsidian提供的15项技能集合，包括捕获（capture）、连接（connect）、回答（answer）、清理（clean）等。这些技能遵循一条核心规则：每一个主张（claim）都必须保留其来源。这一层负责将原始信息转化为有源可查的知识片段。
第三层是Mission Control（任务控制中心）。这是一个代理操作系统（Agent Operating System），插件会记录每一次Claude会话。通过“记忆星系”（Memory Galaxy）的可视化方式，将用户的整个第二大脑展示为相互连接的星体。记忆部分会自动更新，例如系统显示“19分钟前由AI代理自动更新”，实现了记忆之间的自动链接和系统内的高效协同。
工作流变革：从每周5小时到每周2分钟
该系统的引入带来了工作流的根本性变革，对比传统方式，效率提升显著。
| 维度 | 旧方式 (Old Way) | Claude Obsidian 新方式 |
|---|---|---|
| 时间成本 | 每周约5小时（用户充当图书管理员） | 每周约2分钟（或由代理自动完成） |
| 信息处理 | 复制粘贴答案到随机笔记中 | 将来源放入收件箱，AI自动归档 |
| 来源追溯 | 笔记堆积，无链接或来源 | 每个主张指向原始来源，未验证内容会被标记 |
| 查询体验 | 需在4个应用中搜索一个事实 | 一次提问，获得带引用的答案 |
| 长期效果 | 3个月后记忆分散在多应用中，无法链接 | 7天内即可建立美观的知识图谱，3个月后形成完整星系 |
在新工作流中，用户只需将来源放入一个收件箱文件夹，Claude便会自动读取链接和文件进行归档。系统确保“你问一次，得到带引用的答案”，从而不再需要重复解释背景。这种机制避免了AI的盲目自信，通过标记未验证内容来保证准确性。短短七天内，用户即可看到初步形成的知识图谱，而三个月后则能拥有一个能够自主回答问题的知识星系。
实战案例：个性化SEO与无限上下文引擎
通过实际案例展示，该系统如何赋予AI“无限上下文”能力。在Hermes部分的Agent OS中，用户无需重复提供背景，AI即可利用Vault中积累的记忆提供高度个性化的建议。
例如，当用户询问“基于你对我的了解，我可以围绕哪些惊人的个性化SEO关键词创建内容？”时，AI会直接扫描Obsidian金库中关于用户的所有记忆，生成完全定制化的SEO关键词建议。这一过程消除了上下文解释的繁琐，解决了AI“记不住”所有信息的挫败感。
此外，插件提供了多种预构建技能，如： * Front Door：检查金库健康状态并引导正确工作流。 * Librarian：将收件箱转化为链接页面。 * Honest Oracle：基于金库证据回答问题。 * Map Maker：基于Wiki构建可视化地图（Canvas Boards）。 * Historian：将数周的金库活动滚动为可追溯的摘要，生成知识库的变更日志。
作者将这套系统称为“无限上下文引擎”（Infinite Context Engine）。它不仅能吸收业务报价、SOP和客户笔记，还能整合研究、内容库和竞争对手情报。即使已有笔记系统，该工具也能通过采纳和组织现有笔记来提升其价值。正如作者所言，AI在组织Markdown文件方面比人类更擅长，能够高效处理如545条记忆等复杂数据，从而大幅减少行政管理工作。
核心系统架构与记忆复利
在构建AI Agent操作系统时，上下文（Context）不应是孤立存在的，而必须具备复利效应。作者强调，上下文应当每天积累并持续改进，如果用户未能实现这一目标，则意味着在技术演进中落后。为了实现这一愿景，作者提供了一套完整的系统配置方案，包括将记忆星系（Memory Galaxy）与Obsidian插件深度集成。这种架构设计旨在让Agent拥有持久的记忆能力，从而形成永不遗忘的记忆引擎（Infinite Contacts Engine）。通过这种系统化的设置，用户可以获得一个准备就绪、开箱即用的Agent操作系统，确保每一次交互都能为未来的智能表现奠定基础。
资源获取与社区支持体系
对于希望快速上手完整系统的用户，作者提供了明确的获取路径。用户可以通过评论区或描述中的链接访问Airpuff Boardroom，或直接前往官网airoff.com下载包含记忆星系和Obsidian插件的Agent OS包。此外，针对Claude Obsidian 2版本，作者展示了其内置的强大技能集，用户可直接通过Agents平台获取相关的ZIP文件。为了降低学习门槛，作者特别推出了无限联系引擎，这是一套完整的系统，旨在赋予Agent永不遗忘的记忆能力。这种资源分发方式不仅简化了部署流程，还确保了用户能够立即体验到上下文复利带来的实际效果。
教育生态与本地化连接
除了软件工具，作者还构建了一个全方位的教育与支持社区。用户可以在社区中提问，作者本人会亲自回答每一个问题，同时社区内也有大量在线成员随时提供帮助。为了进一步加速用户成长，系统内嵌入了日历功能，支持预约教练通话、屏幕共享及实时答疑。更重要的是，社区提供了从初学者到专家级别的完整课程，确保不同阶段的用户都能找到适合的学习路径。此外，通过地图功能，用户可以发现并连接本地正在构建AI Agent的同好，形成线下互助网络。这一切资源均整合在Airpuff Boardroom中，旨在打造一个全方位、高互动的AI Agent开发者生态。
互动回顾与未来展望
在视频的最后部分，作者对当天的直播互动进行了总结。他感谢所有参与者的提问，并确认每一个问题都已得到解答。作者重申了Airpuff Boardroom作为核心社区的价值，鼓励用户在此继续深入交流。通过这种高频次的互动和透明的问答机制，作者旨在建立用户与开发者之间的紧密连接。最后，作者预告了未来的内容更新，并再次感谢观众的参与，强调了持续学习与社区共建在AI Agent领域的重要性。这种闭环式的反馈机制不仅提升了用户体验，也为后续的系统迭代提供了宝贵的数据支持。