Nate Herk · 30:59 · 发布 2026-06-17 · 15.9万次观看(截至抓取) · 观看原视频
🔥 观众最高回放 8:03 — Level 1 的 CLAUDE.md 路由演示刚收尾、视频接入中段 Skool 社区赞助口播前的过渡段。
主旨
用一个五级递增的框架,把 Claude Code 上的「第二大脑」从最简单的 CLAUDE.md 文件夹路由器一直讲到常驻自治系统,主张目标不是爬到 Level 5,而是先找到当前痛点卡在哪一级、再针对性地升级那一级。
核心论点
- 第二大脑的合理形态由痛点决定,而非由炫技决定——Nate 明确反对把 Level 5 当默认目标,主张先识别痛点(「再也找不到东西」「语义相关但词面不匹配」「需要追关系链」)再升档,否则「没痛点就别创造痛点」。(→ 详解1)
- Level 1 的
CLAUDE.md路由器是大多数人的起点也是终点——一个被路由规则填满的CLAUDE.md+ 文件夹树就能解决 80% 的「反复重述 / agent 找不到东西」问题,不需要 wiki、不需要向量库,工具无关(agents.md给 Codex 也能照搬)。(→ 详解2) - Level 2 的 wiki 不是知识图谱,这是最常被混淆的一对——wiki 的反向链只是「see also」型导航,而 Level 4 的图谱会记
endorsed_by/competes_with这类有语义的边。同一份数据,Obsidian 视觉上看着是网、但只代表边存在、不代表边有含义。(→ 详解3) - 向量检索( Level 3 )不是 markdown 全文读取的升级,而是另一种分工——向量检索适合「一千条规则里查某一条」这类短而具体的查询;一旦问的是「3 月 5 日会议的整体结论」,向量库分块会把全上下文撕碎,反而 markdown 全文读取更准。整个 vault 不必统一一种形态,按数据类型混搭才合理。(→ 详解4)
- Level 4/5 对独立创作者通常是过度配置——除非你的工作天然跨大量客户/实体的关系链,否则真正的瓶颈不是架构,而是「先把脑子里的东西抓到系统里」。Nate 自己在用的 Herk 2 项目「整套仍停在 Level 2」,这是比任何框架都有说服力的自我背书。(→ 详解5)
知识点详解
1. 五级框架与 Pain-driven 选级总览 03:27
Nate 一开场就把第二大脑的工作拆成两条紧扣的判断题。第一条是功能性测试:Level 1 问「能凭精确词或文件名找到吗」、Level 2 问「能按某个主题一次性拉全吗」、Level 3 问「搜索用词与我写入用词不同时还能命中吗」(语义检索)、Level 4 问「能从主题 X 一路追关系链回到主题 A 吗」、Level 5 问「能否让它全程不需要我操心」。这条逐级递进的链条,本质是在回答同一个元问题——第二大脑 是否真的能反映你脑中的关联结构,还是只反映了你键入时的字面结构。03:27
第二条是反向工程思维:在把数据放进系统之前,先想清楚将来会怎么读它、用它。Nate 用篮球架和篮球做类比——「你不会把球设计成巨型方块,那就过不去那个圆环」,所以选什么字段、拆什么 chunk、存什么关系,都应从「要被怎么问」倒推出来,02:29 而不是先搭好结构再硬塞数据。
最关键的一条主张:Level 5 不是目标,是误判。Nate 直接点名「数字高不等于对」,并把「如果不存在痛点,为什么要造一个新架构」作为默认立场立在前——这一点把整个视频从「教学五级架构」拉成了「教学如何拒绝五级架构」。04:06
2. Level 1:CLAUDE.md 路由器 + 文件夹树 04:23
Level 1 的物理形态极简:一份会被会话开头自动读取的 CLAUDE.md + 几个文件夹。CLAUDE.md 不只是「自我介绍 + 工作风格」那种纯静态说明,它真正发挥作用的角色是路由器——里面逐条写着「个人信息在 context/」「季度重点在 projects/Q*」「大决策追加到 decisions/」。于是当你的 agent 接到一句「帮我找 X」时,它不需要浪费时间扫遍整个工程根目录,而是按路由规则先去那个文件夹再 grep,从而把「让 agent 找得到」「让人自己也找得到」这两件事统一到同一套目录约定。 02:16
停下来后最直接的收益是不再反复重述:同一个项目,你和 agent 谈三次,你不再需要第三次起就把背景再说一遍——它已经知道在哪能拿到。Nate 把这条结果作为 Level 1 是否「成立」的验收线。05:18
Nate 也特别警告**「不要把别人怎么排当唯一正确答案」**。他自己有 context/、stack/conversations、decisions/、projects/ 四个一级目录,但视频里直接点明「还没有任何被证明最优的搭建方法」,标准只有两条:对你和对你的 agent 都「说得通」。 06:57
工具可移植性是 Level 1 另一个被低估的好处:同一份 CLAUDE.md 拷一份存为 agents.md,Codex 就能读——Claude Code 唯一额外的「超能力」是自动维护 memory.md(用 /memory 命令开关),这件事手工一行指令 把记忆写到我们的 memory.md 就能让 Codex 接力。整套不锁定任何 agent harness,这是视频里反复点的一个锚——「整套就是文件夹 + markdown」。 05:18
Level 1 的天花板和代价也讲得明确:当文件夹越来越多,纯路由会开始显得乱和被忽略;它的查找本质是「精确词匹配」,所以搜得到的永远是字面像的,语义相关的不一定能撞上。这正是为 Level 2/3 留的口子。
3. Level 2:LLM Wiki,反向链 ≠ 知识图谱 08:14
Level 2 保持 Level 1 的全部骨架,只是在 CLAUDE.md 的路由表里额外指向一个 wiki 文件夹——通常是结构化的LLM wiki:首页 index、每次摄取留下的 log、AI 增量编译出的概念 / 实体 / 来源 / 工具等分类页,以及 Entity document 之间的反向链接。Nate 实测里把 YouTube 字幕整批吃进 wiki 后,会自然长出 concepts、comparisons、techniques、sources、tools 几层结构,且这一切都是「AI 看着数据自己决定的,不是人预先设计的模板」。 08:14
Level 2 的最常用用例是「研究某主题一次性拿全」。Nate 演示中两个 wiki 并行:YouTube 字幕 wiki 与会议记录 wiki(后者结构扁平,因为全是一个类型),两层都靠 Obsidian 提供图形视图——他反复强调「Obsidian 只是 markdown 的可视化器,你不一定需要它」,自己「几乎从不打开 Obsidian」,因为 markdown 本身就能被 agent 找到。 09:43
Level 2 与 Level 4 的关键分界比想象中更细。Nate 专门用一段口播来堵一个常见误判:「wiki 有链接,这就是知识图谱吧?」——不算。差别在语义密度:wiki 的反向链只是「参见另见」型导航,不告诉你 A 加盟 B、B 被 C 背书、C 与 D 存在竞争关系;后者是 Level 4 知识图谱才有的「有类型、有方向的边」。12:43
Nate 自己交底:他在跑的整个 Herk 2 项目仍完整停在 Level 2,「没遇到足够大的痛点去换到 Level 3」——这不是谦虚,是他用来支撑「pain-driven」主张的最有力证据:即便看过 Level 3/4/5 怎么搭,他依然没动,这说明 Level 2 在他那种「项目型、内容驱动」的场景下确实够用。 12:32
Level 2 的退化迹象:Nate 点了一个不常被讲的事——当 wiki 文件变大,agent「会被迫读完整个文件才能回答一个局部问题」。他举了个具体场景:用户只想知道 ElevenLabs,但 wiki 描述 AI 视频制作的页可能长达数页,agent 仍得读完。这恰恰是 Level 3/4 想去掉的成本。
4. Level 3:语义检索与「不需要全 vault 都同一种形态」 13:46
Level 3 的核心动作是引入向量检索——把文档切片、过 embedding 模型、在多维空间里按意义聚簇。Nate 拿出 Quadrant 工具做了「在向量空间里用意义而不是关键词找相似图片」的演示:owl 风格画作自动归到一起,这是「不是同一个对象但风格类似」的查询标准,与关键词匹配根本不在同一个维度。 15:00
Level 3 的真正价值藏在「向量检索是另一种分工,而不是 markdown 全文的升级」这句区分里。Nate 给两个对照场景:适用——「一千条规则里问第 17 条是什么」,向量库直接吐回对应切片,无须让 agent 通读全部;不适配——「请总结 3 月 5 日那场会议的整体决策」,会议纪要切成 20 个 chunk 后,向量库只能召回语义相似的几个,真正起决定作用的 chunk 可能根本没命中,agent 拿到的就是一份「缺了关键信息的总结」。16:38 这个区分等同于视频里另一篇LightRAG笔记给出的「500-2000 页是切到向量库的临界线」的零阶版——但视角不同:这边从「查询类型」切,那边从「语料规模」切。
Nate 反复敲桌子的另一点是混合形态。同一个 vault 不必全向量库也不必全 markdown:context、decisions、projects 继续 markdown,只有那种「大量同质文本、查询又属于短而具体」的子集(典型例子:你家那几千条规则说明)才上向量索引。 19:04 他甚至建议直接问 Claude「我这份数据,xxx 用途下,我该用 markdown 还是向量」,并强调检索背后的「分块+embed+混合+重排」模型可以很复杂、但入门不需要一开始就全套。
底线结论:别把向量库当可以找回任何东西的银弹。视频对此的定性是「那种假设非常错误」,这是一句通常不会在 GitHub README 里看到、但应该被放在文档第一段的告诫。17:18
5. Level 4:知识图谱,以及大多数人其实到不了这里 20:38
Level 4 在 Level 3 之上再加一层有语义的实体-关系图——节点是实体(人物、公司、产品),边是带类型的关系(works_at / endorsed_by / competes_with)。Nate 在视频里打开自己的 LightRAG 实例,展示一组真实业务数据:Jordan works at Acme、Acme is endorsed by Postpilot、Postpilot is a competitor of Cadently——这种 X 关系 Y 形式的链正是 wiki 反向链没有能力表达的。23:34
Level 4 的另一个核心动作是数据补全。一个品牌如果信息不全,纯 wiki 路线只能让你「看到有这个实体,但看不到它和谁竞合」;图谱路线则会把这种边主动算出来。Nate 演示中,7-day AI challenge、onboarding 流程、Aiden 这些看似分散的节点,被图谱串成「挑战来自 YouTube→连接 AIS Plus 入职流程→由 Aiden 搭建」这种活动链路,沿图谱一条链追下去能拿到「这件事从何起源、谁在接手、影响到了哪一环」的整张图。 24:52
但 Nate 也直接挑明他对 Level 4 的真实态度——「我玩过很多次,但日常工作不用,因为我有别的办法(纯路由 + wiki)能用」。他自我归类说,自己的工作是「项目驱动、内容密集、CRM 不重」,这类场景关系链型问题出现得少,所以图谱属于过度配置;一旦工作跨大量客户/供应商/竞品,图谱会迅速从 overkill 变成必备。23:54
Level 4 的搭建有一个意外点:填数据比搭系统更难。Nate 给的现成做法是用一个叫 Grill Me 的 skill(出自 Matt Pocock,被他改过)对自己疯狂追问某主题,把脑子里的上下文榨干,**直到 agent 自己判断「已经掌握」**才停。这套方法本质是把「数据填不满」这个图谱路线最大的瓶颈,用人机对话强行摊平。 20:38
另外 Nate 在这一段插播了一段坦诚的安全提醒——「你要是把所有客户数据喂给 Claude,数据就到 Anthropic 去了;不想这样就走开源/本地模型路线」。这是他对自己正在演示的整套方法的一个值得被记住的边界声明。 21:29
6. Level 5:常驻自治 / Gbrain,与「持久上下文是负债还是资产」的警告 25:25
Level 5 是把 Level 4 的图谱套上「永远在线、自动刷新」的外壳——代表性项目是 Y Combinator CEO Garry Tan 出的GStack 体系里的Gbrain子系统:它会像后台 daemon 一样不断同步、追加记忆、刷新关系。核心差异不在存储,而在「自治程度」,这与 Level 1-4 的差异是「存储和检索多深」属于完全不同的轴。25:45
虽然 Gbrain 能接 Claude Code,但定时刷新、cron 之类的活要自己接——Nate 自己选择不运行 Gbrain,而是把它配到 Hermes Agent 这类已经常驻的 agent harness 里。
这一节的真正主张是:Level 5 的天花板不是技术,而是「你要不要让 agent 长期替你累积」。Nate 举了他之所以「停在 Level 2」的另一个理由:长期累积的上下文,会变成「你删不起又不能用」的负债——增加 noise 比增加 value 更常见。配套的判断标准是「一年后这条记录还对当下决策有用吗」,没用就不该被 ingest 进第二大脑,而是让 agent 在需要时能临时去拉(典型例子:不在第二大脑留 Slack 邮件,但 agent 在搜时能按需去 ClickUp 拉)。
他用「四 C」把这层抽象收口:context(业务快照——季度 OTA、决策状态)与 connections(会变动的活数据——客户邮件、Slack 线程),前者在第二大脑里、后者不进。26:46 这个二分法比「一切皆 ingest」式的盲目累积更接近成熟的用户心智。
视频里另一句值得贴出来的话是:「先把脑子里的东西搬到系统里」,是比升级架构更紧迫的瓶颈。「你怪 AI 之前,先看你的文件夹——它真的全吗?」 22:43
7. 选级原则:同一项目不同子目录可以停在不同 level 28:51
结尾的「Finding Your Level」把视频全部结论压成一张选级清单,核心启发是**「整个项目不必塞进同一级」**——可能你这个 vault 里 YouTube 字幕在 Level 2,客户研究在 Level 4,会议抓要在 Level 1。
按痛点反推动作:如果反复跟 agent 重述同一件事、且每次只能精确词命中——直接看 Level 1。如果你有 30+ 笔记、且常忘哪条里有什么——看 Level 2(上 wiki)。如果 router 失效、agent 总找不到你确定存在的内容——看 Level 3(语义检索)。29:03 如果你要沿主题链追起因/影响——看 Level 4。如果你有大量离线 agent、要让它们互相同步——看 Level 5。
视频最后留了一段虽未展开但方向明确的话:团队版第二大脑的真正难题不是技术、而是采纳与变更管理——谁来持续更新、各自数据怎么同步、大家会不会还是回到「直接 ping 谁」的路子。Nate 的次序建议是先把自己的跑稳、跑出固定流程,再去解团队版。30:19
可执行步骤
- 建一个空 vault/项目,放一份
CLAUDE.md,在文末写三条「某类信息去哪找」的路由规则,逐类对应当下最常用的三个文件夹。 - 拷一份
CLAUDE.md命名为agents.md,确认 Codex 等其它 harness 能直接读同一份路由(并提示它们去读memory.md)。 - 跑一周观察:哪些 prompt 你仍然要重述?哪类查询总撞词失败?把这两个信号记下来,再去判断要不要继续往上。
- 如果决定试 Level 2:把 Karpathy gist + 你已有的某一类同质语料(字幕/会议记录)交给 Claude,跑一次摄取,先看 AI 自动长出来的目录形态再决定要不要人工调。
- 严格按「一年后这条还在不在用」筛选 ingest 项——常变的数据只让 agent 在被问时临时去拉源系统,别塞进第二大脑。
- 任何要喂全 vault 的 LLM 处理,先想清楚数据是不是要上传到云端;如果有顾虑,先评估本地模型/开源路线再上。
关联
- 印证:Nate·LLM Wiki 实操 的核心主张——wiki 与 CLAUDE.md 路由搭配、整套不锁定 Claude Code——本片把这条放进五级框架的 Level 2,并把自己的 Herk 2 项目归到 Level 2,形成更强的自我背书。
- 印证:外脑三条路线 把 LLM wiki 放在路线一的位置,本片和它共享「路由器必须存在、摄取与加工是两件事」这两条共识;本片新增对 Level 3/4/5 按数据类型的「同一 vault 内混搭」原则,是路线框架的自然延伸。
- 印证:LightRAG 笔记 给出「500-2000 页是切向量库临界线」的语料规模视角;本片从查询类型这一另一只轴给出同样的取舍观——「查单条短事实 vs 查整体结论」决定走向量还是 markdown,这两种视角互为补全而非冲突。
- 印证:OKF 笔记 把 Karpathy 原始 wiki 升一层标准(只动组织与 metadata);本片对 Level 2 的描述与 OKF 默认形态一致,印证 wiki 在加标准前后的可读性、互操作性均不依赖特定 agent。
术语
- 第二大脑——沉淀个人/业务长期价值数据的可检索系统,既是人脑外挂,也是CLAUDE.md 类 agent 的事实来源
- pain-driven 选级——按当下痛点决定系统层级的思路,不预设高层级必胜
- 路由器(router)
CLAUDE.md——用规则把查询路由到具体文件夹的轻量索引,而不是真去全文扫 - 工具无关——同一份 markdown + 文件夹不绑定某一家 agent,Claude Code / Codex / Hermes Agent 都能接管
- context vs connections——第二大脑只沉淀长期稳定的事实(上下文中「这是业务今年 Q2 的重点」),不沉淀会变的对话流水(Slack/邮件,属 connections)
- Grill Me skill——Matt Pocock 出处、对某主题无限追问以榨干脑内上下文的 skill,Nate 改过用法
立场与利益
description 里的可证据化关系:两个 affiliate 链接(get.glaido.com/nate 的语音转文字工具 Glaido、hostinger.com/vps/claude-code-hosting 配折扣码 NATEHERK 的 10% off 年付 VPS 计划);自家产品双线(免费的 ai-automation-society Skool 社群与付费的 -plus 社群),视频中段两度类似赞助口播主动提及「链接在描述里」;两段业务引流(podcast.nateherk.com/apply、uppitai.com 接洽合作);另声明邮件接赞助。
工具强绑定 vs 通用共识的分界:通用——「工具无关的纯 markdown 路由」「pain-driven 选级」「router 与 wiki 不是同一件事」「向量库分块会丢全上下文」,这几条不依赖任何特定 SaaS;与产品强绑定——ai-automation-society 社群是视频反复推送的落点,且LightRAG演示里大量语境是「更好的第二大脑→加更多 agent→更多高级课程需求」的隐性漏斗。
值得单独记下来的诚实点:Nate 在 Level 4 段插播时主动提醒观众把客户数据喂 Claude 等于送到 Anthropic,并承诺会专门拍本地/开源 AI 系列——这是少见的、与自己模型用量强相关时仍选择公开边界声明的视频作者态度,可作为立场节一个平衡「纯推广 vs 真诚倡议」的参考。
价值定位
适合已经在用或准备搭建个人/小团队第二大脑的人——尤其在 Claude Code、Codex、Hermes 任一 harness 上已有「反复重述背景」「agent 找不到东西」「30+ 笔记忘里有什么」这三类痛点中任意一项的人。认知价值大于实操价值:实操上 Level 1 两小时就能跑起来、Level 2 一晚能 ingest;真正值钱的是把痛点 → level 的对应表背下来,以后每次撞问题能少绕一圈。不适合的人:数据积累只有几十条、还谈不上「找东西难」的人——这套框架对你来说属于远水。
自检问题
- 作者为什么不把 Level 5 当默认目标?他给出的判断准则是什么? 答案:Level 5 不是默认目标,因为「如果当前系统没痛点,继续升级就是创造新痛点」——判断准则是「你当下的痛点具体卡在哪一级」,对应升那一级即可。详见「核心论点1」与「详解1」。01:00
- Level 2 的 LLM wiki 反向链为什么不算知识图谱?二者的核心差别在哪?
答案:wiki 反向链只是「参见另见」型导航,不记录
endorsed_by/competes_with这类有类型、有语义的边;真正的知识图谱要记的是「谁加盟谁、谁背书谁、谁与谁竞争」这类有方向、有语义的关系,见「详解3」。12:43 - 为什么向量检索( Level 3 )对「3 月 5 日会议的整体总结」这种查询不一定比 markdown 全文读取更准? 答案:因为会议纪要被切成 20 个 chunk 向量化后,语义相似的几个 chunk 不一定覆盖起决定作用的内容,Agent 拿到的可能是一份「缺了关键信息的总结」——分块正是把全上下文撕碎的那一刀,见「详解4」。16:38
- 作者用什么方法填充 Level 4 知识图谱的「数据不足」这一最大瓶颈? 答案:用一个叫 Grill Me 的 skill(来自 Matt Pocock、Nate 改过)对自己疯狂追问某个主题,直到 agent 判断「已经掌握」才停——把脑内上下文通过人机对话榨干再灌进图谱,见「详解5」。20:38
- 「context」与「connections」的二分如何指导第二大脑的 ingest 决策? 答案:context 指长期稳定的事实(季度 OTA、决策状态),留在第二大脑里;connections 指会变的活数据(客户邮件、Slack 线程),不 ingest 进第二大脑、只在被问时由 agent 临时去源系统( ClickUp 等)拉,避免 noise 与「删不起」的负债,见「详解6」。26:46