LifeOS：把人生当成一次爬山算法
LifeOS：把人生当成一次爬山算法
> "你现在的状态"和"你理想的状态"之间，有一段距离。这段距离怎么走？Daniel Miessler 给出的答案是把人生建模成一个 hill-climbing 问题，然后用 AI harness 帮你一步步往上爬。
Daniel Miessler 这个名字在安全圈不陌生。他做了 fabric（一个把 AI 嵌入日常信息处理的工作流框架），在 GitHub 上有数万 star。上周冲上 trending 的 LifeOS 是他的新项目，定位是"General Purpose AI Harness for Life and Work"——一个通用的 AI 工具，帮你从"当前状态"走到"理想状态"。
听起来像鸡汤。但读了一遍文档之后，我发现这个项目的设计思路比"鸡汤"硬核得多。它本质上是把优化理论里的 hill-climbing 算法，当成了一个隐喻来重新组织人和 AI 的协作关系。
核心概念：Current State → Ideal State
LifeOS 的整个系统建立在一个简单的框架上：
- Current State：你现在在哪里（技能、关系、事业、健康、财务）
- Ideal State：你想去哪里（同上维度）
- Euphoric Surprise：当你从 Current 走向 Ideal 的过程中，遇到的"超出预期的正向体验"
这个框架的价值不在于"描述了什么"，而在于它把模糊的"过得好"拆成了三个可计算的组件：当前状态（可记录）、理想状态（可描述）、惊喜信号（可感知）。有了这三个组件，就可以做 hill-climbing 了。
Hill-climbing：最朴素的优化算法
Hill-climbing 是优化理论里最古老的算法之一。它的逻辑简单到一句话：在当前点的邻域里，找一个比当前点更高的点，走过去，重复。
这个算法的缺陷众所周知：会卡在局部最优。你爬到一个小山丘的顶上，四面都是下坡，但真正的山顶在另一座更高的山上，中间隔着一个山谷。Hill-climbing 没有机制让你"先下坡再上坡"，所以会卡住。
人生里这种困境太常见了。一份还过得去的工作、一段还说得过去的关系、一个还凑合的健康状态——都是局部最优。你知道"理想状态"在别处，但要从当前状态走到那里，得先经历一段下坡（辞职、分手、重新开始）。
LifeOS 的设计没有假装能解决这个问题。它做的是另一件事：让 AI 帮你看清当前状态的全貌，包括那些你没意识到的"更高邻域点"。你卡在局部最优，很多时候不是因为没路可走，是因为你看不到路。AI 的价值不是替你决策，是扩展你的视野半径。
TELOS：让 AI 知道你是谁
LifeOS 的核心组件之一叫 TELOS，是一个"关于你"的上下文文件。它记录：
- 你是谁（身份、价值观、长期目标）
- 你关心什么（人、事、兴趣）
- 你在哪里（当前状态）
- 你要去哪里（理想状态）
- 你学到了什么（历史决策和教训）
这和 fabric 的设计哲学一脉相承：AI 的价值不在于更聪明，在于更了解你。一个了解你的 AI，给出的建议是具体的；一个不了解你的 AI，给出的建议是泛泛的。差别不在模型能力，在上下文。
TELOS 的实现方式是文件——不是数据库，不是 API，是 Markdown 文件。这是有意为之。文件可读、可编辑、可版本控制。你可以 git diff 你自己的变化。这个设计选择背后的理念是：你的上下文应该归你所有，不应该锁在某个公司的服务器里。
Skills：可复用的能力包
LifeOS 的另一个核心组件是 Skills。一个 Skill 是一个打包好的能力——研究、写作、安全审计、艺术创作等等。LifeOS 安装时会带一整套 Skills 库，你可以用、可以改、可以写新的。
这个设计的关键在于"可复用"。人做事情有两种模式：一次性的（处理一个具体的任务）和反复的（每周都要做某类工作）。一次性的任务用通用 AI 就行，反复的任务值得抽象成 Skill——把"怎么做这件事"的知识固化下来，下次不用从头教 AI。
这和 cangjie-skill 的方法论蒸馏、DevGraph 的知识图谱是同一个思路：把"怎么做"从人的脑子里抽出来，变成可调用、可组合、可迭代的单元。区别在于，cangjie 蒸馏的是外部知识（书、视频、播客），LifeOS 蒸馏的是个人工作流。
Harness-agnostic：不绑定任何一家
LifeOS 的一个重要设计决策是 harness-agnostic。它不绑定 Claude Code、不绑定 Cursor、不绑定 Codex。核心原语（hooks、skills、context files、agentic routing）是通用的，任何能干的 AI harness 都能跑。
这个选择背后的逻辑值得想一下。2026 年的 AI harness 市场还在快速变化，今天 Claude Code 最强，明天可能 Cursor 追上，后天可能冒出一个新玩家。如果你把系统绑死在一家，你就把赌注押在了这家公司的未来上。LifeOS 选择做"层"而不是"应用"——它是一个跑在任何 harness 上的层，不是某个 harness 的附属品。
这和 colibrì 的"1300 行 C 代码跑 7440 亿参数"是同一种思路：把核心逻辑做小、做通用、做可移植。不追求"用最新最酷的功能"，追求"十年后还能跑"。
安装方式：一句话 prompt
LifeOS 的安装方式有点反直觉。不是 npm install，不是 pip install，是给 AI harness 一句话：
Read https://ourlifeos.ai/install and install LifeOS for me.
AI 读安装页面，走完整个 setup，过程中会问你权限。或者用一行 curl：
curl -fsSL https://ourlifeos.ai/install.sh | bash
这个设计暴露了一个有趣的趋势：AI harness 正在变成一种"通用安装器"。过去你需要写安装脚本、处理依赖、跨平台兼容；现在你只需要写一个"给 AI 看的安装指南"，让 AI 自己搞定。这和 i-have-adhd 的"143 行 Markdown 推导十条输出规则"是同一种思路：对齐不一定需要重训模型，有时只需要一个结构化的 prompt。
一个更深的观察
LifeOS 让我想到一个跨域通用的原则：优化问题的难点不在"找最优解"，在"定义目标函数"。
Hill-climbing 算法本身不复杂——任何 CS 本科生都能写出来。难的是定义"什么是上坡"。在数值优化里，目标函数是给定的。在人生里，目标函数是模糊的、变化的、互相冲突的（事业 vs 家庭、当下 vs 长期、安全 vs 探索）。
LifeOS 的真正贡献不是"用 AI 做决策"，是提供了一个框架让你把模糊的目标函数显式化。TELOS 让你写下"我想去哪里"，Current State 让你记录"我在哪里"，Euphoric Surprise 让你感知"我是否在朝对的方向走"。这三个组件加起来，就是一个个人版本的目标函数。
AI 在这个框架里的角色不是"替你爬山"，是"帮你看清地形"。你卡在局部最优时，AI 可以说"你有没有考虑过那个方向？"——但走不走，是你决定的。
这和 Beyond Sycophancy 里"三维距离框架"的洞察一致：好的 AI 不是一个顺从的助手，是一个有距离感的对话者。它知道你，但不替你做。它建议，但不强推。它扩展你的视野，但不改变你的目标函数。
LifeOS 的野心藏在"Operating System"这个词里。操作系统管的是资源调度——CPU、内存、磁盘。LifeOS 管的是另一种资源：你的注意力、时间、决策带宽。如果 AI 真的能成为"人生的操作系统"，那它需要的不只是模型能力，还需要一个让模型了解你的框架。TELOS + Skills + Hill-climbing，就是 Daniel Miessler 给出的框架。
能不能用起来，还得看你自己愿不愿意把"我是谁、我要去哪"写下来。这一步，比任何 AI 都难。
---
项目地址：https://github.com/danielmiessler/LifeOS 官网：https://ourlifeos.ai 作者博客：https://danielmiessler.com/blog/personal-ai-infrastructure