Persistent Lifelong Intelligence Kernel
人生系统 / 长期人格与认知成长系统 / 一个持续连接、持续沉淀、持续进化的长期智能核心
What is openLifeOS · Before / After · Lifelong Loop · Kernel Structure · Core Skills · Infra Foundation · Quick Start
每个人都在持续产生自己。
一次判断、一次复盘、一段飞书消息、一篇读后感、一个项目里的 tradeoff、一次失败后的 lesson、某个深夜突然出现的 insight，都会慢慢构成一个人的人格、技能、审美和认知结构。
但现实里，这些东西通常不会进入一个长期系统。它们散落在聊天记录、文档、博客、任务、公众号、书摘和脑子里。人走得越快，碎片越多；碎片越多，越难看清自己真正形成了什么。
openLifeOS 要做的不是再造一个聊天机器人。
它要做的是：
把人的人格、技能、审美与经历，沉淀为一个会持续成长、持续连接、持续进化的长期智能核心。
它是一个人的长期认知与人格操作系统。
openLifeOS uses a root LIFEOS_STATUS.yml file as the global machine-readable state flag.
development: authoring/upload state. Meta skills may be connected as submodules or editable working sources so they can be iterated and pushed upstream.delivery: consumable release state. Meta skills should be pulled from latest approved release archives as ordinary vendored directories with source manifests.
DELIVERY.md is the human-facing delivery explanation; LIFEOS_STATUS.yml is the source of truth for tools and agents.
今天的人并不缺信息。
真正缺的是一个长期系统，能把信息变成：
- 可回看的经历。
- 可复盘的判断。
- 可继承的方法论。
- 可进化的技能体系。
- 可被理解的人格核心。
- 可长期对齐的认知网络。
传统 AI 擅长回答眼前的问题，但很少真正理解一个人长期如何变化。它记得一次对话，却不一定能理解一个人十年里的判断迁移；它能总结一份文档，却不一定能发现一个人正在形成新的能力；它能模仿语气，却不一定能对齐人的价值排序、风险偏好和成长方向。
openLifeOS 从这里出发：
人不是一段 prompt。人是一个长期演化的系统。
很多 agent runtime、自动化框架和个人 AI 工具，刚装上的时候很惊艳，几天之后就变成玩具。
不是因为它们没有功能，而是因为它们没有形成长期进化能力：
- agent 不够强，无法覆盖真实工作流。
- agent 不够全面，只能完成单点 demo。
- agent 不会从人的反馈、项目和失败里进化。
- 进化之后没有稳定产出，无法证明自己真的变强。
- 最后工具越装越多，信息越来越散，人的熵继续增加。
openLifeOS 的判断是：
Moat 是动态的进化势能，不是静态的 feature，也不是某个 release。
真正有价值的不是“又多了一个 agent”，而是一个数字分身开始持续变强，并且真实地产出结果。
| Before | After |
|---|---|
| 装完 OpenClaw、Hermes 或某个 agent 后，只跑 demo。 | agent 被放进长期人格、技能、记忆和复盘循环里。 |
| 工具有能力，但不知道你是谁、要什么、怎么判断。 | 系统沉淀 SOUL.md、skill system、memory network 和 evidence pipeline。 |
| 每次启动都像第一次见你。 | 每次工作都会继承过去的判断、经验、偏好和边界。 |
| 产出停留在回答、摘要、自动化片段。 | 产出变成真实工作、关键决策、统筹推进、复盘升级和方向澄清。 |
| 信息越积越多，人越来越乱。 | 认知碎片被结构化，完成从熵增到熵减的闭环。 |
openLifeOS 提供的不是一个静态工具包。
它提供的是一个会进化的数字分身：可以帮你做真实工作，也可以帮你做决策、做统筹、做复盘，或者在你迷茫时把碎片重新连接成方向。
openLifeOS 会把一个人的长期材料沉淀成一个 Persistent Lifelong Intelligence Kernel。
这个 kernel 不是静态档案，而是持续运转的生命系统：
- 现实行为持续产生 Cognitive Fragments。
- Cognitive Fragments 被收集、索引、归档和证据化。
- Dream Loop 在周期性复盘中进行反思、重组、打标和链接。
- Persona、Skills、Aesthetics、Experiences 被持续更新。
- 系统主动发现新方向、新能力、新兴趣和新模式。
- 人与系统持续对齐，形成更完整的自己。
openLifeOS 的目标不是“替你活着”。
它的目标是帮助你看见自己，沉淀自己，进化自己，并把这种成长变成长期基础设施。
openLifeOS 的核心不是某个模型，而是一个长期成长循环。
人在现实世界中持续工作、阅读、学习、沟通、思考和创作。
这些行为会留下大量认知碎片：
- 飞书消息里的判断。
- 某个任务中的真实思考。
- 公众号文章中的触发点。
- 读书时被划下来的句子。
- 博客片段里的阶段性表达。
- 项目失败后的 lesson。
- 反复出现的 insight。
这些碎片不是噪音。它们是一个人正在形成自己的证据。
夜晚，openLifeOS 开始梦游。
它不只是归档昨天发生了什么，而是尝试理解这些碎片正在指向哪里：
| 阶段 | openLifeOS 做什么 |
|---|---|
| Reflection｜反思复盘 | 回顾行为，理解决策，总结经验，检查人格变化。 |
| Knowledge Relinking｜知识重组 | 发现隐藏关联，打新标签，建立新 link，形成新的认知结构。 |
| Skill Evolution｜技能进化 | 识别正在增长的 skill、方法论和长期重复行为。 |
| Identity Evolution｜人格进化 | 观察兴趣、决策、目标和人格核心是否发生变化。 |
| IPO Reverse｜IPO 逆向拆解 | 从已完成产出物反推证据、隐性认知任务、中间思考资产和可复现 IPO，是复盘和 Dream Loop 的核心 skill。 |
| Active Alignment｜主动对齐 | 主动提出变化信号，并邀请人重新确认方向。 |
例如：
- “你最近是否正在转向组织构建？”
- “Research Skill 使用频率正在下降。”
- “新的认知模式正在形成。”
- “这个项目里的失败，可能正在沉淀成一个新的判断原则。”
这就是 Lifelong Loop：
现实输入
-> 认知碎片
-> 证据沉淀
-> 深度复盘
-> 知识重组
-> 技能进化
-> 人格进化
-> 主动对齐
-> 回到现实
Dream Loop 不是把所有东西都写进长期记忆。openLifeOS 会先把短时材料变成候选经验，再根据对象类型晋升到正确位置。
典型路径是：
ephemeral_memory
-> working_lesson
-> long_term_memory / distilled_knowledge / runtime_skill proposal / distilled_meta_skill proposal
其中：
ephemeral_memory是当前任务/会话里的短时状态，不默认 durable。working_lesson是有价值但尚未稳定的候选经验。long_term_memory只保存稳定事实、偏好、决策和约束。distilled_knowledge保存多源 evidence 综合出来的 claim、freshness 和 contradiction。runtime_skill保存可重复执行的具体流程。distilled_meta_skill保存可复用判断、路由、方法论和 review gate。
openLifeOS 的长期智能核心由四个主要层构成。
这些层不是一个大杂烩。openLifeOS 会把 memory、skill、identity、policy 和 data source 分成不同认知对象，避免事实、流程、人格、权限和临时状态混在一起。
核心边界：
Memory 回答“什么是真的”；Skill 回答“应该怎么做”。如果同一段材料同时包含事实和流程，写入前必须拆分。
| Keyword | 解决的问题 | 默认落点 |
|---|---|---|
ephemeral_memory |
当前任务/会话中暂时有用的信息。 | session log 或外部运行时 |
working_lesson |
有价值但尚未稳定的候选经验。 | memory/working-lessons/ |
long_term_memory |
稳定事实、偏好、决策和约束。 | memory/long-term/ 或 private memory wiki |
distilled_knowledge |
多源 evidence 综合出的 claim、contradiction 和 digest。 | memory/distilled-knowledge/ |
runtime_skill |
可重复执行的具体流程、工具调用和验证步骤。 | docs/skill-system/runtime-skill-candidates.md |
distilled_meta_skill |
可复用判断、路由、方法论和 review gate。 | identity/wenxin/skill-summaries/ |
data_source |
外部数据源的 authority、visibility 和 allowed targets。 | integrations/data-sources.yml |
skill_binding |
Skill 需要读取哪些事实和数据源。 | cognition/skill-bindings/data-sources.yml |
完整对象契约见 references/cognition-object-taxonomy.md。
Persona 通过 PSP、问心、长期行为、决策模式、思维结构和价值观分析形成。
最终它会沉淀为：
SOUL.md
SOUL.md 不是 prompt。
它是从 PSP/person model 激活出来的处事方法和行为操作层：记录一个人如何判断、如何选择、如何承担风险、如何和世界发生关系。
PSP 是 person-model 源产物，保存价值排序、判断模型、行为边界、置信度和证据结构；SOUL.md 是当前可读、可被 agent 使用的 operating method。它们都必须有版本：PSP 的版本在 identity/psp/<person_id>/PSP-<timestamp>.md，Soul 的版本在 identity/psp/<person_id>/SOUL-<timestamp>.md。
Skills 不是简历技能列表。
openLifeOS 会从长期行为、工作流、重复动作和复盘材料中识别一个人真正擅长什么：
- 长期重复出现的能力。
- 隐性但稳定的判断模式。
- 可以被蒸馏的方法论。
- 正在形成但尚未命名的新 skill。
- 需要补齐的成长路径。
对于领域人才，它帮助沉淀方法论。
对于非领域人才，它推荐对应 skill 和成长路径。
openLifeOS 不只理解一个人会什么，也理解一个人喜欢什么。
审美系统会沉淀：
- 表达偏好。
- 设计偏好。
- 叙事节奏。
- 视觉倾向。
- 对“好作品”的判断标准。
最终它会形成类似：
DESIGN.md
这不是 UI 配置文件，而是一个人的表达方式与审美 DNA。
DESIGN.md 是全局审美入口，版本产物放在 design/DESIGN-<timestamp>.md，由 design/versions.yml 和 design/changelog.md 记录激活历史。具体项目的局部 UI 需求可以覆盖当前任务，但不会自动升级为长期审美偏好。
openLifeOS 的核心过程产物必须有清楚语义、版本和 latest 入口。
| Artifact | 语义 | Latest entrypoint | Versioned artifacts |
|---|---|---|---|
| Wenxin | identity、自我发现、定位、能力地图、gap 和路径 | identity/wenxin/WENXIN_REPORT.md |
identity/wenxin/WENXIN-<timestamp>.md |
| PSP | person model 源产物：价值排序、判断模型、行为边界、置信度 | identity/psp/<person_id>/PSP.md |
identity/psp/<person_id>/PSP-<timestamp>.md |
| Soul | PSP 激活出来的处事方法和行为操作层 | SOUL.md |
identity/psp/<person_id>/SOUL-<timestamp>.md |
| Design | 全局审美、表达偏好和设计判断 | DESIGN.md |
design/DESIGN-<timestamp>.md |
| Skill Recommendations | 问心产出的候选 Skill 建议 | identity/wenxin/skill-recommendations.yml |
git history 或 recommendations changelog |
| Evidence Maturity | 结构完成度和内容成熟度 | docs/evidence-sufficiency.md |
git history |
统一 latest registry 放在：
artifacts/current.yml
agent 或人类要看“现在最新是什么”，先读 artifacts/current.yml；要看 identity 内部激活状态，再读 identity/current.yml。更新规则是先写 timestamped artifact，再更新 current entrypoint、versions ledger、changelog 和 registry，不能静默覆盖 current 文件。
经历不是 CRM，也不是时间线。
openLifeOS 关心的是经历如何塑造一个人：
- 长期项目改变了什么判断。
- 工作行为暴露了什么优势。
- 学习记录形成了什么路径。
- 阅读内容触发了什么迁移。
- 任务碎片沉淀了什么 lesson。
- 人生经历改变了什么价值排序。
这些经历最终会进入长期认知网络，成为人格、技能和审美继续进化的证据。
openLifeOS 的复盘和 Dream Loop 不是只靠总结，而是由一组可迭代的核心 skill 驱动：
PSP / person model 与 IPO Reverse 的方法贡献者均标注为 @Neil。
Skill 分两层：runtime skills 负责执行具体任务、调用工具和沉淀 run lessons，例如 Hermes GitHub SnapAF-skills；distilled meta skills 负责沉淀可复用判断、路由、方法论和 review gate，例如 engineering-everything。runtime lessons 不能自动升级为 meta skill，必须先经过 IPO Reverse 复盘，再经过 owner alignment。
| Core Skill | 在 openLifeOS 中的作用 | Contributor |
|---|---|---|
| PSP / person model | 建模人格内核、价值排序、判断风格和行为边界，是 Persona 与 Soul 演化的关键方法。 | @Neil |
| IPO Reverse | 从已完成产出物反推专家认知任务、方法论选择、中间资产和最终 IPO，是复盘、做梦、SOP 沉淀和 Skill 蒸馏的关键方法。 | @Neil |
| 传统 AI | openLifeOS |
|---|---|
| 回答问题 | 长期成长 |
| 临时上下文 | Lifelong Memory |
| Workflow | Identity Evolution |
| Prompt | SOUL.md |
| 静态知识库 | 活的认知网络 |
| 工具 | 长期智能核心 |
| 被动响应 | 主动对齐 |
| AI 助手 | 长期人格系统 |
openLifeOS 的底层不是单一应用，而是一组可持续运行的基础设施。
| Layer | Foundation |
|---|---|
| Knowledge | llm-wiki、个人 memory wiki |
| Memory | ephemeral memory collection、lifelong memory、evidence pipeline |
| Storage | PostgreSQL、Nebula Graph |
| Agent Workers | Codex、Claude Code、Hermes、OpenClaw |
| Integrations | Feishu、GitHub、文档、阅读系统、博客、公众号、碎片化任务系统 |
这些基础设施共同服务于一件事：
让一个人的长期认知网络持续活着，而不是被一次性总结杀死。
Memory 存储不是一个单桶知识库。openLifeOS 默认把 memory 分成三层：可开源的 public surface、可信协同的 private memory/wiki、保存原始敏感材料的 local/server authority。public 层只能承载派生产物；private 层用于协同；原始正文留在权威私有源中。完整规则见 references/memory-isolation-model.md。
外部数据源进入 LifeOS 前必须声明 authority、visibility、token policy 和 allowed targets。Skill 需要事实时，通过 cognition/skill-bindings/data-sources.yml 绑定当前真源，而不是把用户事实写死进 SKILL.md。
这个仓库的定位是一个 openLifeOS factory：它不直接等于某个具体数字分身，而是保存协议、模板、配置向导、校验脚本和公开叙事，用来生产一个个具体的 LifeOS / 数字分身 repo。
默认产物放在本仓库内的 output/meta/。这个目录是本地输出区，生成出来的分身实例默认不入仓，避免把私人材料、实例状态或二级 repo 混进 factory 本体。
当前仍保留一部分历史脚手架命名，例如 replicateme.yml 和 scripts/*avatar*。它们是兼容性接口，语义上已经用于 openLifeOS 的长期智能核心初始化。
| Path | Purpose |
|---|---|
SKILL.md |
openLifeOS 的 agent 入口，定义人格、技能、审美、经历、记忆和安全边界的路由方式。 |
matrix.yml |
仓库层级、root skill、脚本和生成层的结构说明。 |
agents/openai.yaml |
OpenAI/Codex 侧的展示名、默认入口和隐式调用策略。 |
artifacts/ |
生成实例内核心过程产物的 latest registry 模板。 |
scripts/ |
初始化、配置、校验和 agent 内部进度判断脚本。 |
assets/avatar-skill-template/ |
默认中文长期智能核心骨架模板。 |
assets/avatar-skill-template-en/ |
英文骨架模板。 |
references/ |
cognition taxonomy、memory isolation、skill promotion、配置顺序、YAML 字段和 repo blueprint。 |
docs/assets/ |
README 和公开展示图。 |
output/meta/ |
本地 factory output，存放生成出来的具体数字分身 repo，默认 gitignored。 |
生成出来的目标 repo 会包含：
Target.LifeOS/
├── artifacts/
├── SOUL.md
├── DESIGN.md
├── design/
├── cognition/
├── identity/
├── memory/
│ ├── working-lessons/
│ ├── long-term/
│ └── distilled-knowledge/
├── skills/
│ ├── runtime/
│ ├── meta/
│ └── bindings/
├── integrations/
├── security/
└── docs/
用户不需要手动跑一串脚本。
直接把目标交给 agent：
Use $openlifeos to initialize my LifeOS.
或者更具体一点：
Use $openlifeos to build my long-term intelligence kernel from my repo, wiki, docs, and recent work.
之后 agent 会自己驱动初始化：
- 先确认公开/私密边界和目标产物。
- 生成或更新
output/meta/<Target.LifeOS>/里的 LifeOS repo 骨架。 - 收集授权材料，沉淀 Persona、Soul、Skills、Aesthetics、Experiences 和 Memory。
- 运行内置进度判断脚本，判断当前完成度和下一步缺口。
- 继续迭代，直到形成可持续产出的长期智能核心。
内部进度门禁由 agent 调用：
python3 scripts/openlifeos_progress.py <target-lifeos-repo>这不是用户操作手册，而是初始化 Skill 的自检机制。每完成一个阶段，agent 都应该用它判断：现在完成了什么、还缺什么、下一步应该推进哪一层。
注意：进度门禁的 100% 只代表结构、协议和必需文件通过，不代表 LifeOS 内容已经成熟。每个实例必须维护 docs/evidence-sufficiency.md，用 scaffold、evidence-limited-v0、public-v0、research-grade、avatar-grade 标记内容成熟度，并在输出时披露资料缺口、失败来源、未完成区域，以及候选 Skill 是否只是实例内文件。
Wenxin、PSP、Soul、Design 和 IPO Reverse 还有单独的标准产物门禁：docs/self-evolution-output-standards.md。资料足够时，标准产物必须填出关键字段；资料不足时，必须标记 evidence_sufficiency: insufficient 并列出缺什么和如何补，不允许用泛化总结伪装成完成。
openLifeOS 不是私人原始资料仓库。
它应该保存公开事实、授权证据、摘要索引和抽象后的结构化结论，而不是无边界地复制一个人的生活。
不要提交：
- GitHub token、Feishu app_secret、tenant token、user token。
- cookie、refresh token、私钥、密码。
- 原始会议转写、私人聊天记录、客户资料、合同、财务和证件。
- 未授权的 wiki 正文、私人文档和敏感原始材料。
真实凭证应放在本地环境变量、密码管理器、平台密钥系统或官方授权流程中。
对个人而言，openLifeOS 帮助一个人更长期地理解自己：
- 看见自己的长处。
- 理解自己的思维结构。
- 沉淀自己的方法论。
- 形成持续进化的技能体系。
- 建立更稳定的个人表达和影响力。
对未来而言，openLifeOS 代表一种判断：
AI 不应该只停留在 Chatbot、Workflow 或工具层。
它应该成为长期陪伴人成长的智能系统。
openLifeOS 是一个帮助人长期理解自己、沉淀自己、连接自己、进化自己的长期智能核心系统。
openLifeOS is source-available software for non-commercial use only.
This repository is licensed under the PolyForm Noncommercial License 1.0.0. You may use, copy, modify, and distribute the software for non-commercial purposes, subject to the license terms. Commercial use, resale, hosted commercial services, or use inside paid products requires explicit written permission from MetaInFlow.
See LICENSE for the full terms.