AI Native 如何构建「AI 决策驾驶舱」—— 基于 Obsidian + Codex + Skills 的完整架构与实战指南
一只阿木木约 13 分钟AI Native 如何构建「AI 决策驾驶舱」
—— 基于 Obsidian + Codex + Skills 的完整架构与实战指南
一、什么是 AI Native 的"决策驾驶舱"？
先纠正一个误区：它不是仪表盘（Dashboard）
传统仪表盘是向后看的——展示"发生了什么"。传统仪表盘是孤立的、静态的、向后看的。 而 AI Native 的决策驾驶舱是向前看的——通过 AI 驱动的洞察，你的仪表盘可以成为一个统一的执行驾驶舱，预测今天的优先事项、标记风险、浮现洞察，并在你喝完咖啡之前指引你的下一步行动。
核心定义
AI 决策驾驶舱 = 私有化上下文记忆 × AI Agent 自动化 × 实时决策支持
学术界已提出 AI Cockpit 的理论架构：一种监督控制接口，采用混合智能方法，AI 系统与人类操作者作为 AI 团队协作以优化决策，实现自动化水平的动态调整，在自动化效率和人类监督之间保持平衡。
翻译成你的语境：
text
┌─────────────────────────────────────────────────┐
│ AI 决策驾驶舱 (DecisionCockpit) │
│ │
│ ┌───────────┐ ┌───────────┐ ┌───────────┐ │
│ │ 感知层 │ │ 分析层 │ │ 行动层 │ │
│ │ Perception │ │ Analysis │ │ Action │ │
│ │ │ │ │ │ │ │
│ │ 信息采集 │→│ AI 推理 │→│ 决策执行 │ │
│ │ 数据汇聚 │ │ 模式识别 │ │ 工作流触发 │ │
│ │ 上下文注入 │ │ 风险预警 │ │ 反馈回路 │ │
│ └───────────┘ └───────────┘ └───────────┘ │
│ │
│ 底层：ObsidianVault（本地、私有、可溯源） │
└─────────────────────────────────────────────────┘
二、AI Native 架构的五层模型
受 Mercury 提出的 AI Native 技术栈启发，编排层就像 AI 原生技术栈的神经系统，这里是推理、决策和协调发生的地方。这一层不再被动响应人类输入，而是让系统能够"思考"。它可以包括自主和半自主 AI agent、链、上下文记忆和路由，帮助系统将问题分解为多个步骤并决定下一步的行动。
🧠 五层决策驾驶舱架构
text
Layer5 ─ 界面层 (Interface) │ 你与系统交互的入口
Layer4 ─ 编排层 (Orchestration) │ AIAgent 的"大脑"
Layer 3 ─ 工作流层 (Workflow) │ 自动化的"肌肉"
Layer 2 ─ 工具层 (Tooling) │ 对外执行的"手"
Layer1 ─ 记忆层 (Memory/Vault) │ 一切的基础——ObsidianVault
下面逐层拆解，用你的技能栈（Obsidian + Codex + Skills）映射到每一层：
🔵 Layer 1：记忆层 —— Obsidian Vault 作为"私有大脑"
这是整个系统的地基。AI 是读写这些文件的工具，而不是持有它们的房东。这就是对 PKM 和第二大脑人群的核心卖点：拥有数据，只租用智能。
为什么 Obsidian Vault 是最佳记忆层？
2026 年的 Obsidian 是构建 AI 驱动第二大脑的最佳基础。其本地优先的架构意味着你不会被锁定在任何单一的 AI 提供商——你可以使用 Claude、GPT、Gemini 或完全本地的模型。
记忆层的 Vault 结构设计：
text
📁 Decision-Cockpit-Vault/
│
├── 📁 00-Inbox/ ← 所有信息的入口
│ ├── web-clips/ ← WebClipper 自动抓取
│ ├── meeting-raw/ ← 会议录音转写
│ └── ideas/ ← 闪念捕捉
│
├── 📁 01-Context/ ← 决策上下文层
│ ├── CLAUDE.md ← AIAgent 的"宪法文件"
│ ├── memory.md ← AI 持续更新的工作记忆
│ ├── decision-log.md ← 历史决策日志
│ └── active-priorities.md ← 当前优先事项
│
├── 📁 02-Intelligence/ ← 情报与研究
│ ├── market/ ← 市场情报
│ ├── competitors/ ← 竞品追踪
│ ├── industry/ ← 行业趋势
│ └── people/ ← 关键人物档案
│
├── 📁 03-Projects/ ← 项目与决策
│ ├── project-alpha/
│ │ ├── brief.md
│ │ ├── decisions.md
│ │ ├── risks.md
│ │ └── metrics.md
│ └── project-beta/
│
├── 📁 04-Decisions/ ← 决策专区
│ ├── pending/ ← 待决策
│ ├── active/ ← 执行中
│ └── archived/ ← 已归档（含结果复盘）
│
├── 📁 05-Wiki/ ← AI 自动编译的知识维基
│ ├── concepts/
│ ├── entities/
│ └── models/ ← 心智模型库
│
├── 📁 06-Dashboards/ ← 驾驶舱视图
│ ├── daily-brief.md ← 每日简报（AI 自动生成）
│ ├── weekly-review.md ← 周复盘
│ └── decision-radar.canvas ← JSONCanvas 决策雷达
│
└── 📁 .claude/ 或 .codex/skills/ ← AgentSkills 配置
└── skills/
├── daily-brief/
├── decision-analysis/
├── research-digest/
└── risk-scanner/
关键设计原则：
知识库的价值与其链接密度成正比，而非笔记数量。一个有 100 条笔记和 500 个交叉引用的库，胜过一个有 1000 条笔记但只有 50 个链接的库。AI 第二大脑值得构建，正是因为机器足够耐心，每次都能建立每一个链接。
🟢 Layer 2：工具层 —— Skills 让 AI 具备"手脚"
Agent Skills 可以被任何兼容 Skills 规范的 agent 使用，包括 Claude Code、Codex 和 Open Code。
决策驾驶舱需要的 6 大核心 Skills：
Skill 的技术实现方式：
将 Skills 放在 LLMS/skills/ 中。每个 Skill 有自己的子目录和 SKILL.md 文件。例如 Linear-to-Obsidian 工作流，任何时候要求 Codex 运行该 Skill，只需输入 sync linear todo，它就会更新 vault 中的 Tasks.md 文件。
🟡 Layer 3：工作流层 —— 自动化"闭环"
这是决策驾驶舱的"肌肉"——它将任务插入可重复的工作流，将决策转化为行动，无需人类输入即可运行。工作流层中的自动化存在于业务的不同领域。异步流程在后台运行，确保工作在你睡觉时也能完成。
🔄 核心决策工作流 #1：每日决策简报（Daily Decision Brief）
text
[定时触发: 每日 07:00]
│
▼
┌─ Skill: daily-brief ──────────────────────────┐
│ │
│ 1. 读取 active-priorities.md │
│ 2. 扫描 04-Decisions/pending/ 待决事项 │
│ 3. 检查 03-Projects/ 各项目 metrics.md 变化 │
│ 4. 抓取 00-Inbox/ 过夜新增信息 │
│ 5. 查询 memory.md 近期上下文 │
│ 6. 综合生成 → 06-Dashboards/daily-brief.md │
│ ├── 🔴 紧急决策事项 (需今日处理) │
│ ├── 🟡 关注事项 (趋势/风险预警) │
│ ├── 🟢 进展顺利的项目 │
│ ├── 📊 关键指标变化 │
│ └── 💡 基于历史模式的建议 │
│ │
└─────────────────────────────────────────────────┘
│
▼
[推送通知 → 手机 ObsidianSync 或飞书机器人]
🔄 核心决策工作流 #2：结构化决策分析（Decision Analysis）
当面对重大决策时，手动触发：
text
用户输入:"/decision 是否应该进入东南亚市场？"
│
▼
┌─ Skill: decision-analysis ─────────────────────┐
│ │
│ Step1: 上下文收集 │
│ ├── 从 02-Intelligence/ 调取相关行业/市场笔记 │
│ ├── 从 decision-log.md 查找历史类似决策 │
│ └── 从 memory.md 提取当前公司阶段/资源限制 │
│ │
│ Step2: 多维分析框架 │
│ ├── 机会成本分析 │
│ ├── 风险评估矩阵 │
│ ├── 逆向思维（为什么不应该做？） │
│ ├── 类比分析（谁做过类似决策？结果如何？） │
│ └── 时间窗口分析（现在做 vs 6个月后做的差异） │
│ │
│ Step3: 输出 │
│ ├── 生成 04-Decisions/pending/东南亚市场.md │
│ ├── 创建 JSONCanvas 决策树可视化 │
│ ├── 列出需要补充调研的信息缺口 │
│ └── 建议的决策时间线 │
│ │
└──────────────────────────────────────────────────┘
🔄 核心决策工作流 #3：投资/竞品情报自动化
text
[WebClipper 自动抓取 /RSS 源 /API]
│
▼
┌─ 00-Inbox/web-clips/ ──┐
│ article_2026_07_20.md │
│ report_q2_2026.md │
└────────┬────────────────┘
│
[Codex 定时处理]
│
▼
┌─ Skill: research-digest ──────────────────────┐
│ │
│ 1. 读取 /raw 中所有未处理文件 │
│ 2. 提取关键信息：核心论点、数据点、信号 │
│ 3. 匹配到已有知识图谱 │
│ ├── 已有实体 → 更新对应 Wiki 页面 │
│ └── 新实体 → 创建新 Wiki 页面 │
│ 4. 判断是否触发风险预警 │
│ 5. 移动原文到 /raw/processed │
│ 6. 提交 Git 备份 │
│ │
└─────────────────────────────────────────────────┘
🔴 Layer 4：编排层 —— CLAUDE.md 是"操作系统的宪法"
Claude Code 在项目根目录寻找 CLAUDE.md 文件。这是你 agent 的常驻指令——它每个会话都会读取。把它想象成你第二大脑的宪法。
这是最关键的一层。你的 CLAUDE.md 决定了整个驾驶舱的"智商"。
决策驾驶舱版 CLAUDE.md 模板：
Markdown
# AI 决策驾驶舱 — Agent 操作手册
## 关于我
我是 [角色]，管理 [业务范围]。
当前核心目标：[1-3个]
当前阶段：[创业期/增长期/成熟期]
决策风格偏好：[数据驱动 / 直觉+验证 / 保守型]
## Vault 结构
[粘贴上方的文件夹结构说明]
## 会话协议
### 开始会话时：
1. 读取 01-Context/memory.md 恢复上下文
2. 检查 01-Context/active-priorities.md
3. 扫描 04-Decisions/pending/ 是否有紧急事项
4. 报告："当前有 X 项待决策，Y 项今日截止"
### 结束会话时：
1. 更新 memory.md（本次讨论了什么、做了什么决策）
2. 更新 decision-log.md（如果有新决策）
3. 更新相关 Wiki 页面（如果有新信息）
## 决策分析规则
- 每个重大决策必须包含：反面论证(Devil's Advocate)
- 引用历史类似决策时，附上当时的结果
- 标注信息置信度（高/中/低）
- 明确区分事实与推测
- 不要给出模糊的"这取决于..."，要给出有条件的明确建议
## 输出格式偏好
- 用 Obsidian 双向链接 [[]] 连接相关笔记
- 关键指标用 Callout 高亮
- 决策用 Mermaid 流程图可视化
- 每个分析结尾附上"信息缺口"列表
## 禁止行为
- 不得在没有读取历史上下文的情况下给出建议
- 不得删除或覆盖 decision-log.md 中的历史记录
- 不得在未经确认的情况下修改 active-priorities.md
为什么这个文件如此重要？
使用 Claude Code 一次，它就知道你的文件夹结构。使用五次，它就知道你的项目、当前重心和你的声音。使用二十次，它就变成你的个性化操作系统。它对你知识库的了解，超过你在任何时刻能有意识记住的内容。
🟣 Layer 5：界面层 —— 如何"驾驶"这个驾驶舱
界面层是系统的"脸面"。人类通过聊天界面、仪表盘和触发器（如按钮）与 agentic AI 技术栈交互。越来越多地，这一层变得更加对话化，使人类更容易表达意图而不是具体指令。
三种交互模式：
三、实战场景详解：投资人的 AI 决策驾驶舱
这是一个完整的高净值用户场景：
场景背景
一位天使投资人，每周看 20+ 个项目，管理 15 个已投公司，需要快速做出高质量决策。
当前痛点（行业真实状况）：
基金正在将资本大量投入 AI 作为投资主题，同时用电子表格和收件箱分类来运营自己的业务。表面层的 AI 现在在基金中几乎是普遍的：这里一个笔记摘要器，那里一个 CRM 数据丰富源。但几乎没有人将 AI 推入了核心决策流——即项目发掘、筛选、尽调和投后支持实际发生决策的地方。
驾驶舱工作流
text
┌─ 周一 07:00 自动执行 ─────────────────────────────────┐
│ │
│ Skill: weekly-deal-radar │
│ ├── 抓取本周新收到的 BP/推荐（从邮件/微信→Inbox） │
│ ├── 对每个项目自动生成结构化简评 │
│ │ ├── 赛道匹配度（vs 你的投资图谱 02-Intelligence/） │
│ │ ├── 团队评分（历史类似背景创始人表现如何？） │
│ │ ├── 时机判断（市场窗口期分析） │
│ │ └── 红旗警告（自动检测常见失败模式） │
│ ├── 优先级排序：Pass/Watch/Deep-Dive │
│ └── 输出到 06-Dashboards/deal-radar.canvas │
│ │
└────────────────────────────────────────────────────────┘┌─ 每日 08:00 自动执行 ─────────────────────────────────┐
│ │
│ Skill: portfolio-pulse │
│ ├── 检查已投公司最近动态（从剪辑+笔记） │
│ ├── 对比 metrics.md 中的里程碑 vs 实际进展 │
│ ├── 标记需要介入的公司（如指标连续下降） │
│ └── 输出到 daily-brief.md 的"投后关注"部分 │
│ │
└────────────────────────────────────────────────────────┘
┌─ 手动触发：投决前分析 ────────────────────────────────┐
│ │
│ "/decision 是否投资 [项目名] Pre-A 轮 200万美元？" │
│ │
│ Skill: investment-decision │
│ ├── 调取该公司所有笔记 & 会议记录 │
│ ├── 从 Wiki 中提取赛道知识图谱 │
│ ├── 从 decision-log 中查找类似赛道/阶段的历史投决 │
│ │ └── "你在 2024.03 投的 [类似项目] 当时看中X， │
│ │ 但 Y 成为了实际瓶颈，当前这个项目的 Y 是..."
│
│ ├── 生成投资备忘录（带可追溯的论据链） │
│ ├── Devil's Advocate 分析（主动找反面论证） │
│ └── 输出：结构化投决报告.md + 决策树.canvas │
│ │
└────────────────────────────────────────────────────────┘四、关键实现技术细节
4.1 Hot Cache：解决 AI 失忆问题
每一次新的 AI 对话都从完全失忆开始，这种成本是真实的。每个会话中的一大块时间都被用来重新向忘了你上次说到哪里的模型解释上下文。热缓存解决了这个问题：一个包含大约 500 字最近上下文的文件。当你开始新对话时，插件首先读取它并恢复 AI 的工作记忆。
4.2 Codex 定时任务：让系统在你睡觉时运行
Codex 以无头模式运行，读取 vault 文件树，应用规则，然后退出。核心区别在于每个工具的分工：Claude 处理推理——写作、综合、分析。
实现方式：
Bash
# crontab 示例
# 每日 7:00 生成每日简报
07*** cd ~/vault && codex run daily-brief
# 每小时处理 Inbox
0**** cd ~/vault && codex run research-digest
# 每日 22:00 风险扫描
022*** cd ~/vault && codex run risk-scanner
# 每周一 06:00 周报
06**1 cd ~/vault && codex run weekly-review
4.3 Skills 的可组合性
Codex CLI 代表了一种我一直想要的东西：在你文件已经存在的地方工作的 AI，而不是把所有东西都强制通过聊天窗口或代码编辑器。这里展示的工作流只是冰山一角。一旦你理解了 Skills 的工作原理，你就可以自动化几乎任何涉及读取、修改或创建文件的多步骤流程。
五、AI Native 的本质区别
哈佛商学院在 2026 年趋势报告中指出了关键洞察：
从流程优化转向流程设计。大多数 AI 实施旨在改进现有工作流。用 AI 从根本上重组决策过程的发生方式，才是新兴的前沿。
PwC 2026 年预测进一步明确：与其只是削减几个步骤，不如重新思考整个工作流——AI 优先的方法可能将其变成单一步骤。这通常始于不问 AI 如何适配工作流，而是问它如何创造一个新的。
这正是 AI Native 决策驾驶舱与"传统 AI 工具"的根本区别：
Deloitte 2026 年全球人力资本趋势研究发现，60% 的高管定期使用 AI 来支持决策，但只有 5% 表示他们能很好地管理这种使用。换句话说，AI 影响领导力判断的速度，已经快于大多数领导者建立相应纪律来善用它的速度。
这就是你的巨大机会：
McKinsey 2025 年 AI 现状研究发现，重新设计工作流对组织是否从生成式 AI 中看到 EBIT 影响具有最大效果。然而只有 21% 的受访者表示其组织已经从根本上重新设计了至少某些工作流。这是一个你可以填补的重要市场缺口。
六、从零搭建的实操清单
Phase 1：基础搭建
text
☐ 安装 Obsidian，创建决策驾驶舱 Vault
☐ 按上方结构创建文件夹
☐ 编写你的 CLAUDE.md（至少 500 字的上下文）
☐ 安装 obsidian-skills 插件
└── 方式一：Obsidian 社区插件市场搜索安装
└── 方式二：ClaudeCode → 将 skills/ 放入 /.claude
└── 方式三：CodexCLI → 放入 ~/.codex/skills
☐ 在终端中 cd 到 vault 目录，启动 ClaudeCode
☐ 验证：输入一个问题，确认 Agent 能读取你的 vault
Phase 2：核心工作流
text
☐ 创建第一个 Skill: daily-brief
└── 在 skills/daily-brief/ 下创建 SKILL.md
└── 定义输入/输出/步骤
☐ 配置 WebClipper → Inbox 自动化
☐ 写入你的前 10 个决策到 decision-log.md
☐ 跑通第一次完整的"早晨简报"工作流
☐ 设置 memory.md 的会话更新协议
Phase 3：自动化升级
text
☐ 配置 cron 定时任务（daily-brief + research-digest）
☐ 创建 decision-analysis Skill
☐ 建设 Wiki 自动编译系统
☐ 构建 JSONCanvas 决策可视化模板
☐ 打通外部数据源（API/RSS/ 邮件解析）
☐ 迭代 CLAUDE.md（基于两周使用经验）
Phase 4：飞轮启动
text
☐ 积累 50+ 决策日志条目
☐ AI 开始能基于历史模式给出有深度的建议
☐ 系统开始产生"意想不到的洞察"
☐ 将成功模式打包为可交付给客户的模板
七、这套系统的最终价值
蓬勃发展的团队不是那些拥有更多数据和文档的团队，而是那些拥有清晰度的团队。清晰度意味着知道机会在哪里、什么需要关注、瓶颈在哪里、以及决策是如何做出的。
2026 年将不再是关于拥有更多信息，而是关于在正确的时间拥有正确的可见性，以一种支持更快、更明智决策的格式呈现。
总结：
你的 AI 决策驾驶舱不是一个产品，而是一个活的系统。它的核心竞争力不在于任何单一工具，而在于：
1. 私有化上下文 → 你的 vault 是别人无法复制的竞争壁垒
2. 累积式智能 → 用得越久，AI 对你的理解越深
3. 自动化闭环 → 信息采集 → 分析 → 决策支持 → 执行 → 复盘，全链路覆盖
4. 本地优先 → 敏感的商业决策数据，永远在你的掌控之中
🎯 一句话：AI Native 的决策驾驶舱，就是让 AI 成为你"永远在线、永不遗忘、不断进化"的决策伙伴——而它的所有记忆，都存在你自己的硬盘上。
普通人如何用 AI 搭建自己的知识操作系统？
一个程序员出身的知识工作者，公开记录自己如何用 AI 工具搭建个人知识系统、把读过的书和做过的项目变成可复用资产的全过程。
我是【一只阿木木】——公开建造我的 AI 第二大脑。
欢迎加入行动营👇获取更多Obsidian + AI数字大脑实践
我相信：在 AI 时代，每个普通人都该拥有一个自动生长的知识系统
欢迎关注【一只阿木木】🌊