--- title: 'Claude 第二大脑的五个层级详解' video_id: DTCyvo6cC54 url: https://youtu.be/DTCyvo6cC54 title_en: "Every Level of a Claude Second Brain Explained" channel: Nate Herk published: 2026-06-17 duration: "30:59" topics: [RAG 与知识系统, Claude Code 工作流] noted: 2026-07-07 value: A views: '15.9万' --- [![封面](https://i.ytimg.com/vi/DTCyvo6cC54/maxresdefault.jpg)](https://youtu.be/DTCyvo6cC54) > Nate Herk · 30:59 · 发布 2026-06-17 · 15.9万次观看(截至抓取) · [观看原视频](https://youtu.be/DTCyvo6cC54) > 🔥 观众最高回放 [8:03](https://youtu.be/DTCyvo6cC54?t=483) — 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 1. **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」。([[#1-五级框架与-pain-driven-选级总览-0327|→ 详解1]]) 2. **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)。([[#2-level-1claudemd-路由器--文件夹树-0423|→ 详解2]]) 3. **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。([[#3-level-2llm-wiki反向链--知识图谱-0814|→ 详解3]]) 4. **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。([[#4-level-3语义检索与不需要全-vault-都同一种形态-1346|→ 详解4]]) 5. **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。([[#5-level-4知识图谱以及大多数人其实到不了这里-2038|→ 详解5]]) ## 知识点详解 ### 1. 五级框架与 Pain-driven 选级总览 [03:27](https://youtu.be/DTCyvo6cC54?t=207) 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](https://youtu.be/DTCyvo6cC54?t=207) 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](https://youtu.be/DTCyvo6cC54?t=149) 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](https://youtu.be/DTCyvo6cC54?t=246) ### 2. Level 1:`CLAUDE.md` 路由器 + 文件夹树 [04:23](https://youtu.be/DTCyvo6cC54?t=263) 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](https://youtu.be/DTCyvo6cC54?t=136) 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](https://youtu.be/DTCyvo6cC54?t=318) 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](https://youtu.be/DTCyvo6cC54?t=417) 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](https://youtu.be/DTCyvo6cC54?t=318) 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](https://youtu.be/DTCyvo6cC54?t=494) 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](https://youtu.be/DTCyvo6cC54?t=494) 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](https://youtu.be/DTCyvo6cC54?t=583) 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](https://youtu.be/DTCyvo6cC54?t=763) 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](https://youtu.be/DTCyvo6cC54?t=752) 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](https://youtu.be/DTCyvo6cC54?t=826) 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](https://youtu.be/DTCyvo6cC54?t=900) 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](https://youtu.be/DTCyvo6cC54?t=998) 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](https://youtu.be/DTCyvo6cC54?t=1144) 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](https://youtu.be/DTCyvo6cC54?t=1038) ### 5. Level 4:知识图谱,以及大多数人其实到不了这里 [20:38](https://youtu.be/DTCyvo6cC54?t=1238) 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](https://youtu.be/DTCyvo6cC54?t=1414) 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](https://youtu.be/DTCyvo6cC54?t=1492) 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](https://youtu.be/DTCyvo6cC54?t=1434) 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](https://youtu.be/DTCyvo6cC54?t=1238) 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](https://youtu.be/DTCyvo6cC54?t=1289) ### 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](https://youtu.be/DTCyvo6cC54?t=1525) 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](https://youtu.be/DTCyvo6cC54?t=1545) 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](https://youtu.be/DTCyvo6cC54?t=1606) 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](https://youtu.be/DTCyvo6cC54?t=1363) ### 7. 选级原则:同一项目不同子目录可以停在不同 level [28:51](https://youtu.be/DTCyvo6cC54?t=1731) 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](https://youtu.be/DTCyvo6cC54?t=1743) 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](https://youtu.be/DTCyvo6cC54?t=1819) ## 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:[[2026-07-03-Fable5加Karpathy的LLM Wiki基本等于作弊|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|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:[[2026-04-01-用LightRAG给Claude Code接上Graph RAG知识库|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:[[2026-07-02-给LLM Wiki定的开放标准OKF来了|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 1. 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](https://youtu.be/DTCyvo6cC54?t=60) 2. 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](https://youtu.be/DTCyvo6cC54?t=763) 3. 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](https://youtu.be/DTCyvo6cC54?t=998) 4. 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](https://youtu.be/DTCyvo6cC54?t=1238) 5. 「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](https://youtu.be/DTCyvo6cC54?t=1606)