Nate Jones 第二大脑

当智能资源充沛时，上下文反而成为稀缺资源。这项技能即为「上下文架构」——一个持久化、可检索的知识层，能将你的智能体（agent）转变为个人知识管家。

两个带有明确设计倾向的核心组件：

• Supabase —— 你的数据库，远不止于此。PostgreSQL + pgvector。以结构化数据形式存储想法、人物、项目、创意与任务，并为其生成向量嵌入（vector embeddings）。内置 REST API。你的数据，运行在你自己的基础设施之上。模型来来去去；而你的上下文恒久存在。一旦你拥有一个 Supabase 项目，你就已解锁了后续所有构建工作的基础——第二大脑，仅是起点。
• OpenRouter —— 你的 AI 网关。一个 API Key，接入全部模型。支持嵌入（embeddings）与大语言模型（LLM）调用，用于分类与路由。只需修改字符串即可切换模型，天生具备面向未来的设计韧性。

其余一切——你如何捕获想法、如何检索它们、以及在其之上构建何种应用——均属于应用层。本技能聚焦于底层基础架构。

若相关数据表尚不存在，请参阅 {baseDir}/references/setup.md

构建模块

这些是系统背后的核心运行概念。理解它们有助于你正确操作整个系统。

完整概念框架详见：{baseDir}/references/concepts.md

五张核心数据表

每张表均通过其专属的 match_* 函数支持语义搜索；跨表搜索则通过 search_all 函数实现。

路由规则

当一条想法被成功分类后：

若分类置信度 < 0.6，则不执行路由，保留在 thoughts 中，并通知用户。

快速入门

捕获一条想法（完整流水线）

# 1. 生成嵌入向量
EMBEDDING=$(curl -s -X POST "https://openrouter.ai/api/v1/embeddings" 
  -H "Authorization: Bearer $OPENROUTER_API_KEY" 
  -H "Content-Type: application/json" 
  -d '{"model": "openai/text-embedding-3-small", "input": "Sarah mentioned she is thinking about leaving her job to start consulting"}' 
  | jq -c '.data[0].embedding')

# 2. 分类（与步骤 1 并行执行）
METADATA=$(curl -s -X POST "https://openrouter.ai/api/v1/chat/completions" 
  -H "Authorization: Bearer $OPENROUTER_API_KEY" 
  -H "Content-Type: application/json" 
  -d '{"model": "openai/gpt-4o-mini", "response_format": {"type": "json_object"}, "messages": [{"role": "system", "content": "Extract metadata from the captured thought. Return JSON with: type (observation/task/idea/reference/person_note), topics (1-3 tags), people (array), action_items (array), dates_mentioned (array), confidence (0-1), suggested_route (people/projects/ideas/admin/null), extracted_fields (structured data for destination table)."}, {"role": "user", "content": "Sarah mentioned she is thinking about leaving her job to start consulting"}]}' 
  | jq -r '.choices[0].message.content')

# 3. 存入 thoughts 表（即 Receipt 回执）
curl -s -X POST "$SUPABASE_URL/rest/v1/thoughts" 
  -H "apikey: $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Authorization: Bearer $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Content-Type: application/json" 
  -H "Prefer: return=representation" 
  -d "[{"content": "Sarah mentioned she is thinking about leaving her job to start consulting", "embedding": $EMBEDDING, "metadata": $METADATA}]"

# 4. 基于分类结果进行路由（仅当 confidence >= 0.6 时执行）

含完整路由逻辑的流水线详情见：{baseDir}/references/ingest.md

语义搜索（单表）

QUERY_EMBEDDING=$(curl -s -X POST "https://openrouter.ai/api/v1/embeddings" 
  -H "Authorization: Bearer $OPENROUTER_API_KEY" 
  -H "Content-Type: application/json" 
  -d '{"model": "openai/text-embedding-3-small", "input": "career changes"}' 
  | jq -c '.data[0].embedding')

curl -s -X POST "$SUPABASE_URL/rest/v1/rpc/match_thoughts" 
  -H "apikey: $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Authorization: Bearer $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Content-Type: application/json" 
  -d "{"query_embedding": $QUERY_EMBEDDING, "match_threshold": 0.5, "match_count": 10, "filter": {}}"

跨表搜索

curl -s -X POST "$SUPABASE_URL/rest/v1/rpc/search_all" 
  -H "apikey: $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Authorization: Bearer $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Content-Type: application/json" 
  -d "{"query_embedding": $QUERY_EMBEDDING, "match_threshold": 0.5, "match_count": 20}"

返回结果包含所有表中的 table_name、record_id、label、detail、similarity 与 created_at 字段。

列出当前活跃项目

curl -s "$SUPABASE_URL/rest/v1/projects?status=eq.active&select=name,next_action,notes&order=updated_at.desc" 
  -H "apikey: $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Authorization: Bearer $SUPABASE_SERVICE_ROLE_KEY"

列出待办任务

curl -s "$SUPABASE_URL/rest/v1/admin?status=eq.pending&select=name,due_date,notes&order=due_date.asc" 
  -H "apikey: $SUPABASE_SERVICE_ROLE_KEY" 
  -H "Authorization: Bearer $SUPABASE_SERVICE_ROLE_KEY"

数据摄入流水线（Ingest Pipeline）

当内容从任意来源抵达时，执行以下流程：

1. 嵌入（Embed）：通过 OpenRouter 将文本转换为 1536 维向量
2. 分类（Classify）：通过 OpenRouter 的 LLM 提取元数据（类型、主题、涉及人物、置信度、建议路由目标）
3. 记录（Log）：写入 thoughts 表（即 Receipt 回执 —— 此步必执行，无论是否路由）
4. 守门检查（Bounce check）：若置信度 < 0.6，则流程终止
5. 路由（Route）：依据分类结果（type），将记录写入对应结构化数据表（即 Sorter 模块）
6. 确认（Confirm）：向用户反馈已捕获内容及其归档位置

完整流水线细节见：{baseDir}/references/ingest.md

元数据 Schema

每条想法均会被分类并附加如下元数据字段：

参考资料

• 概念框架： {baseDir}/references/concepts.md
• 首次配置指南： {baseDir}/references/setup.md
• 数据库 Schema（SQL）： {baseDir}/references/schema.md
• 摄入流水线详情： {baseDir}/references/ingest.md
• 检索操作说明： {baseDir}/references/retrieval.md
• OpenRouter API 使用模式： {baseDir}/references/openrouter.md

环境变量

安全说明

为何使用 service_role 密钥？ Supabase 提供两类密钥：anon（公开密钥，受 RLS 行级安全策略约束）与 service_role（服务角色密钥，具备完全访问权限，绕过 RLS）。本技能采用 service_role 密钥，原因如下：

• 这是一个单用户个人知识库，而非多租户应用
• 你的智能体即为可信的服务端组件
• RLS 策略已严格限定仅允许 service_role 访问 —— 这是最严格的限制方案
• 若改用 anon 密钥，则需放宽 RLS 策略以允许匿名访问你的想法，安全性反而更差

发送至 OpenRouter 的数据： 所有捕获的文本内容（包括想法、人名、待办事项等）均会发送至 OpenRouter 进行嵌入生成与分类。这是本设计固有特性——必须依赖 AI 理解语义。除非你接受 OpenRouter 的数据处理政策，否则请勿捕获高度敏感信息。

密钥管理： 请安全存储 SUPABASE_SERVICE_ROLE_KEY 与 OPENROUTER_API_KEY。切勿将其提交至公开代码仓库。建议定期轮换密钥。在 OpenClaw 中，可将密钥存于 openclaw.json 的 skills.entries 下，或作为环境变量设置。

作者：Limited Edition Jonathan • natebjones.com