原文タイトル：メタメタプロンプティング：AI エージェントを機能させる秘訣
原著者：Garry Tan
翻訳：Peggy

Editor's Note: While most people are still thinking of AI as a smarter chat window, Y Combinator's current CEO Garry Tan is already trying to transform it into a personal operating system.

The underlying structure of personal productivity in the AI era is changing: models are just the engines, and what truly compounds are a whole set of systems built around personal knowledge, workflows, context, and judgment.

In this system, every meeting, every book, every email, every relationship is no longer isolated information but is continually written into a structured "second brain"; every recurring task is no longer reliant on ad hoc prompts but is abstracted into reusable skills and iterated upon in subsequent work. In other words, AI is not just helping people complete tasks but is helping individuals productize, systemize, and infrastructure their work.

Of particular note is the author's proposal for a personal path different from centralized AI tools: future competitiveness may not only belong to those who can use AI but to those who can train a compounding AI system around their real-life and work. Chatbots provide answers, search engines provide information, but a true personal AI system will remember your background, understand your context, inherit your judgment, and grow stronger with every use.

This is also the most inspiring part of this article: the value of AI lies not in what it generates at any one time but in whether it can become a continually accumulating, connecting, and improving neural system. For individuals, this may be the true starting point of the "AI-native work style."

The following is the original text:

People often ask me why I spend my evenings coding, staying up until 2 a.m. I have a job, and it's a heavy job—I am the CEO of Y Combinator. We help thousands of entrepreneurs every year realize their dreams: founding truly revenue-generating, fast-growing startups.

For the past 5 months, AI has turned me back into a builder. At the end of last year, the tools were good enough to get me back to building. Not toy projects, but systems that can truly grow with compound interest. I want to tell you with specific examples what it looks like when you no longer see personal AI as a chat window but as an operating system. I have open-sourced these things and written this article because I want you to speed up with me.

これはシリーズの一部です：「Fat Skills、Fat Code、Thin Harness」はコアアーキテクチャについて説明しており、「Resolvers」はスマートなルーティングテーブルについて述べています。「The LOC Controversy」は、技術者が自身を100倍から1000倍に拡大する方法について議論しており、「Naked models are stupider」は、モデルはエンジンであり、車全体ではないという点を提起しています。「skillify manifesto」は、LangChainが16億ドルの資金調達を行いながら、スクワットラックとダンベルを提供し、トレーニングプランを提供しなかった理由を説明しており、この記事では本当に必要なトレーニングプランが提供されています。

「バックワード・リーディング・ミー」

先月、私はPema Chödrönの「When Things Fall Apart」を読んでいました。この本は全体で162ページ、22章あり、苦しみ、無根性、そして手放しについて仏教がどのように考えるかを説明しています。ある友人が、私が困難な時期を経験しているときにこの本を私に勧めてくれました。

私はAIに「ブックミラー」を作らせました。

具体的には、これは次のことを意味します：システムがこの本の全22章の内容を抽出し、それぞれの章に対してサブエージェントを実行し、著者の考えを要約し、それを私の実生活にマッピングしました。

これは、単なる「これはリーダーにも当てはまる」といった漠然とした話ではなく、非常に具体的なマッピングでした。それは私の家族の背景を知っていました：移民の両親、父は香港とシンガポール出身、母はミャンマー出身です。それは私の職業的な文脈を知っていました：YCのマネジメント、オープンソースツールの構築、何千人もの創業者の指導をしています。それは最近何を読んだか、夜中の2時に何を考えているか、私がセラピストとどんな問題を扱っているかを知っていました。

最終的な出力は、3万語の「ブレインページ」でした。各章は、Pemaが何を言っているかと、これらの内容が私が実際に経験していることにどのようにマッピングされるかの2列で表示されました。「無根性」について語られた章は、先週私とある創業者との具体的な会話にリンクしました。「恐れ」について語られた章は、私のセラピストが指摘した行動パターンにマッピングされました。「手放し」についての章は、今年私が見つけた創作の自由についての内容を引用しました。

全プロセスには約40分かかりました。時給300ドルのセラピストは、この本を読み、私の人生に適用することができても、私の職業的文脈、読書歴、会議のノート、創業者との関係網を完全に読み込んで相互参照することはできませんでした。彼らはそれを40時間で達成することはできませんでした。

これまでに、私はすでにこの方法で 20 冊以上の本を処理しました：《Amplified》（Dion Lim）、《ラッセル自伝》、《Designing Your Life》、《天才児の悲劇》、《有限と無限のゲーム》、《海の贈り物》（リンドバーグ）、《シッダールタ》（ヘッセ）、《荒原狼》（ヘッセ）、《The Art of Doing Science and Engineering》（ハミング）、《The Dream Machine》、《The Book on the Taboo Against Knowing Who You Are》（アラン・ワッツ）、《What Do You Care What Other People Think?》（ファインマン）、《When Things Fall Apart》（ペマ・チョドロン）、《A Brief History of Everything》（ケン・ウィルバー）など。

各本の本はこの「ブレイン」を豊かにしています。2 回目のミラーリングでは 1 回目の内容を知り、20 回目のミラーリングでは最初の 19 回の全内容を知るようになります。

Book-Mirror が反復的にどのように改善されたか

Book mirror を初めて行ったとき、効果は非常に悪かったです。

最初のバージョンでは、私の家族に関する 3 つの事実の誤りがありました。両親が離婚したとされていましたが、実際にはそうではありませんでした。また、香港で育ったとされていましたが、実際にはカナダで生まれました。これらは基本的な誤りであり、結果を共有した場合、信頼が損なわれる可能性が高いです。

そのため、強制的な事実チェック手順を導入しました。現在、各ミラーリングは納品される前に、既知の事実を対象にクロスモーダル評価が行われます。Opus 4.7 1M は正確性の誤りを把握し、GPT-5.5 は欠落している文脈を見つけ、DeepSeek V4-Pro は特定の内容があまりにも広すぎるかどうかを判断します。

その後、私は GBrain ツール呼び出しに基づく深い検索にアップグレードしました。最初のバージョンは総合的に優れていましたが、具体性が不足していました。第 3 版から、セクションごとのブレイン検索が開始されました。右側の各セクションには、実際のブレインページへの言及があります。

本が困難な対話の処理方法について触れるとき、一般的な原則をまとめるだけではありません。代わりに、私が共同創業者と困難な対話をしている創業者からの実際のミーティングノートや、ある木曜日に兄のジェームスとおしゃべりしているときに浮かんだ考え、または私が 19 歳のときに大学のルームメイトとのインスタントメッセージのやり取りなどが引き出されます。その感覚は非常に奇妙です。

これが実践における「スキル化」（skillification、GBrain内の/skillifyを使用）の意味です。最初の手動試行を再利用可能なパターンにまとめ、テスト済みのスキルファイルとして記述しました。このファイルにはトリガー条件と境界条件が含まれています。その後、修正ごとにすべての将来のブックミラーで複利が採用されます。

スキルを作成できるスキル

本当の再帰的な部分が現れ、これがその中で最大の洞察の1つだと考えています。

私の日常生活を支えるシステムは、巨大な単一体の形で現れるのではありません。それは1つずつのスキルが組み立てられることによって構築されます。そして、これらのスキル自体も、別のスキルによって作成されます。

Skillifyは「メタスキル」です――新しいスキルを作成するためのスキルです。将来何度も実行される作業フローに直面するたびに、「このスキル化してください」と言います。その後、何が起こったのかを振り返り、そこから再利用可能なパターンを抽出し、トリガー条件と境界条件が含まれているテスト済みのスキルファイルを作成し、それをリゾルバに登録します。

先ほど言及したbook-mirrorパイプラインは、このプロセスを最初に手動で完了した後にスキル化されました。meeting-prepワークフローも同様です。通話の前に毎回同じ手順を実行していることに気付いたとき、それをスキル化しました。

スキルは組み合わせることができます。Book-mirrorはbrain-opsを呼び出してストレージを行い、enrichを呼び出してコンテキストを補足し、cross-modal-evalを呼び出して品質評価を行い、pdf-generationを呼び出して結果を出力します。各スキルは1つのことに焦点を当てていますが、それらは連鎖して複雑なワークフローを形成することができます。

1つのスキルを改善すると、そのスキルを使用するすべてのワークフローが自動的に向上します。もはや「プロンプトでその境界条件を忘れた」という問題はありません。スキルがそれを覚えています。

自分が準備作業を完了した会議

Demis HassabisがYCでファイヤーサイドチャットを行いました。Sebastian Mallabyの伝記がちょうど出版されました。

私はシステムに準備を手伝ってもらいました。

2分もかからず、次の情報が出力されました：Demisの完全なbrainページ――このページの内容は、記事、ポッドキャストのトランスクリプト、私自身のノートから数か月間にわたって蓄積されてきました。彼が公に述べたAGIのタイムラインに関する意見、「規模の拡大に50％、革新に50％依存」など、およびAGIにはさらに5〜10年かかると考える理由；Mallabyの伝記での重要な部分；彼が明確に述べた研究優先度、持続的学習、世界モデル、長期記憶；私と彼が公に話したAIの観点との間の相互参照；この「大脳」の多段階推論能力を示すための3つのデモスクリプト；および、私たちの世界観の重なりと相違に基づいて設計された対話のエントリーポイント。

これは単なるより良い Google 検索ではありません。コンテクストに基づいた準備です：システムはデミスについて私が長年に渡り蓄積してきた情報だけでなく、私自身の立場やこの会話の戦略的目標も活用しています。

それが準備するのは事実だけでなく、視点です。

10 万ページの脳とは

私は約 10 万ページの構造化された知識ベースを維持しています。

私が出会うすべての人には、タイムライン、ステータスバー（つまり現在の現実と未解決の手掛かり）、評価が記載されたページがあります。各会議にはトランスクリプト、構造化された要約、および「実体伝播」と呼んでいるプロセスがあります。会議後、システムは議論された各人物や企業を確認し、その内容を使って彼らの対応する脳のページを更新します。

読んだすべての本には、章ごとの書籍のミラーが付きます。接触したすべての記事、ポッドキャスト、ビデオは、取り込まれ、タグ付けされ、相互参照が作成されます。

このスキーマは非常にシンプルです。各ページには三つの部分があります：上部には「編集済みの真実」があります—つまり、現時点での最良の理解です；下部には、時間順にイベントが記録された追加のみのタイムラインがあります；横には、ソース素材を格納するための原始データサイドカーがあります。

これを個人用のウィキペディアのようなものと考えることができます。各ページは AI によって継続的に更新され、この AI は会議に参加し、メールを読み、スピーチを聞き、PDF を消化します。

このシステムがどのように複利するかを説明する例があります。

オフィスアワーで創業者と会いました。システムは彼の個人ページ、企業ページを作成または更新し、会議ノートを相互参照し、以前彼に会ったかどうかを確認します—会った場合は、前回の会話内容が浮かび上がります。それは彼の申請情報をチェックし、最新のメトリクスを取得し、私の投資ポートフォリオ企業やコンタクトに彼が抱えている問題を解決できる人物がいるかどうかを特定します。

次に彼との会議に入るとき、システムはコンテキストパッケージ全体を用意しています。

これが「ファイルキャビネット」と「神経系」の違いです。ファイルキャビネットはただものを保管するだけです；神経系はそれらをつなぎ合わせ、何が変化したかをマークし、最も関連性の高い情報を瞬時に提示します。

アーキテクチャ

その動作は次のようになっています。個人のAIを構築する正しい方法だと考えているため、私は全体をオープンソース化しました。自分でも構築することができます。

Harnessは非常にシンプルです。OpenClawはランタイムです。私のメッセージを受け取り、どのスキルが適用されるかを判断し、その後ディスパッチします。数千行のルーティングロジックのみです。それは本や会議、または創設者については理解していません。彼は単にルーティングに責任を持っています。

スキルは非常に包括的です。現在、100以上のスキルがあり、それぞれが個別のマークダウンファイルであり、特定のタスクについて詳細に説明されています。先ほどbook-mirrorとmeeting-prepを見ていただきましたが、以下はGBrainに含まれる他のいくつかのスキルです：

meeting-ingestion：各会議の終了後、それはトランスクリプトを取得し、構造化された要約を生成し、その後、会議で言及された各人および各企業を巡回し、議論の内容でそれらのbrain pageを更新します。会議ページ自体は最終製品ではなく、真の価値はこの情報を各人および各企業のページに伝達することにあります。

enrich：人物の名前を与えると、5つの異なるソースから情報を取得し、職歴、連絡先、会議履歴、関係コンテキストを含むすべてのコンテンツを1つのbrain pageに結合します。各推論にはソースの引用があります。

media-ingest：ビデオ、オーディオ、PDF、スクリーンショット、GitHubリポジトリを処理します。コンテンツをトランスクライブし、エンティティを抽出し、素材を適切なbrainの場所にアーカイブします。YouTubeビデオ、ポッドキャスト、ボイスメモの処理によく使用します。

perplexity-research：脳増強機能を備えたネットワークリサーチです。Perplexityを使用してウェブページを検索しますが、総合的に調査する前に、すでにbrainで知っていることを確認し、新しい情報と既に捉えた情報を区別します。

私は自分の仕事のためにいくつかのスキルを作成しましたが、おそらく将来的にはそれらもオープンソース化されるでしょう：email-triage、investor-update-ingest —— 私のメール内の投資家アップデートを識別し、指標を企業のページに抽出します；calendar-check —— スケジュールの競合や不可能な出張計画を検出するために使用します；そして私がパブリックアフェアーズの仕事に使用するニュースリサーチスタック全体もあります。

各スキルにはオペレーショナルな知識がコーディングされており、それらの知識を新人型アシスタントに渡すと数か月かかるかもしれません。誰かが私にAIを「プロンプト」する方法を尋ねたことがあります。答えは：私はプロンプトしません。スキルそのものがプロンプトです。

データは濃いです。Brain レポには 10 万ページの構造化された知識があります。私が出会ったすべての人、すべての企業、すべての会議、すべての本、すべての記事、すべての考えがつながり、検索可能であり、毎日成長しています。

コードも膨大です。それを供給するコードも重要です：トランスクリプト、OCR、ソーシャルメディアアーカイブ、カレンダー同期、API 統合のスクリプト。しかし、複利価値が本当に凝縮される場所はデータです。

私は毎日 100 個以上の cron タスクを実行して、フォローしているすべてのものをチェックしています：ソーシャルメディア、Slack、メール、および私が注意を払うすべての情報。また、私の OpenClaw/Hermes エージェントがこれらを私に代わって監視します。

モデルは交換可能です。正確性のために Opus 4.7 1M を使用します。リコールとエクソースタイルの回収のために GPT-5.5 を使用します。クリエイティブな作業や第三者の視点のために DeepSeek V4-Pro を使用します。スピードのために Groq と Llama を使用します。タスクごとにどのモデルを呼び出すかはスキルによって決まります。Harness は気にしません。

誰かが「どの AI モデルが一番良いか」と尋ねるとき、答えは次のとおりです：あなたは間違った質問をしています。モデルはエンジンに過ぎず、それ以外のすべてが車全体です。

夜中の 2 時になおビルダー、そして絶え間なく複利のシステム

人々は私に生産性について尋ねます。しかし、私はそのように考えていません。

私が考えているのは複利です。

私が参加するすべての会議は、このブレインにコンテンツを追加します。私の読むすべての本は、次の本に豊富なコンテキストを提供します。私が構築するすべてのスキルは、次のワークフローをより速くします。私が更新するすべての人物ページは、次回の会議準備をより鋭くします。

今日のこのシステムは、2 か月前の 10 倍です。さらに 2 か月したら、再び現在の 10 倍になります。

私が夜中の 2 時にコードを書いているとき--そして私は実際によくそうしています、なぜなら AI が私に建設の喜びを取り戻させてくれたからです--私はソフトウェアを書いているだけでなく、毎時改善されるシステムに能力を追加しています。

100 個の cronjob が常駐して実行されています。ミーティングのインテークは自動化されています。メールのトリアージは 10 分ごとに実行されます。ナレッジグラフは、会話ごとに自己充実します。システムは毎日のトランスクリプトを処理し、気づかなかったパターンをリアルタイムで取り出します。

これは執筆ツールでもなければ検索エンジンでもなく、チャットボットでもありません。

これは実行可能な第二の脳です。これは比喩ではなく、実行中のシステムです：10 万ページのコンテンツ、100 を超えるスキル、15 個の cron ジョブ、および過去1年間に私が関わったすべての職業関係、すべての会議、すべての書籍、およびすべての考えから蓄積されたコンテキストです。

私はフル・スタックの技術スタックをすべてオープンソース化しました。GStack はコーディングスキルのフレームワークで、すでに 8.7 万以上のスターが付いています。私はこのシステムを構築するために使っています。エージェントがコードを書く必要があるとき、私はそれを OpenClaw/Hermes Agent のスキルとして使用しています。すばらしいプログラマブルブラウザも内蔵されており、ヘッドモードとヘッドレスモードの両方をサポートしています。

GBrain は知識基盤です。OpenClaw と Hermes Agent はハーネスで、どちらかを選べますが、通常は両方を使用します。データリポもすべて GitHub にあります。

核心的な考え方は非常にシンプルです：将来は、中心化された企業が所有する AI ツールを使うだけでなく、複利効果のある AI システムを構築できる個人に属しています。

これら2つの違いは、日記を書くことと神経系を持つことの違いのようです。

はじめ方

あなたもこのようなシステムを構築したい場合：

まず、ハーネスを選択します。OpenClaw や Hermes Agent を使用することもでき、または Pi をベースにゼロから構築することもできます。軽量であることが重要です。ハーネスはただのルーターです。家にある余分なコンピューターにデプロイし、Tailscale を使用してアクセスすることもできます。また、Render や Railway などのクラウドサービスに配置することもできます。

そして、GBrain で「脳」を構築します。私は元々 Karpathy の LLM Wiki に触発され、それを OpenClaw で実装し、後にそれを GBrain に拡張しました。これは私がテストした中で最高の検索システムです：LongMemEval では 97.6% のリコール率を達成し、LLM を呼び出さずに MemPalace を上回りました。39 個のインストール可能なスキルが付属しており、本文で言及されているすべての内容を含んでいます。1つのコマンドでインストールできます。git リポジトリが提供され、そこには各個人、各会議、各記事、各アイデアごとにページが用意されています。

そして、本当に面白いことをやり始めてください。最初からスキルセットを計画しないでください。まず具体的なタスクを完了してください：レポートを書く、調査をする、NBAシーズンの試合結果をダウンロードしてスポーツベッティングの予測モデルを構築する、投資ポートフォリオを分析する、または本当に関心のあることを行う。Agentを使用して、継続的な反復を行い、十分な結果が得られるまで続け、その後、先ほど言及したスキルフィを実行し、その中のパターンを再利用可能なスキルとして抽出してください。次に、check_resolvableを実行し、新しいスキルがリゾルバに接続されていることを確認してください。このサイクルにより、一度限りの作業が継続的な複利基盤に変換されます。

それを引き続き使用し、出力を慎重に確認してください。このスキルは最初は普通であるはずです。それが重要なポイントです。使用し、生成されたコンテンツを読み込み、何かおかしいところがある場合は、クロスモーダル評価を実行してください：出力を複数のモデルに渡し、それらがあなたが関心を持つ次元に基づいて相互に採点を行います。これが私が最初にbook-mirrorの誤りを見つけた方法です。修正がスキルに書き込まれ、その後、それぞれのミラーがよりクリーンになりました。

半年後、あなたはどのチャットボットも複製できない何かを手に入れます。本当の価値はモデル自体にあるのではなく、システムにあなたの具体的な生活、仕事、および判断方法を理解するように教えたことにあります。

私がこのシステムを使って作った最初のものは非常にひどかったです。100個目になると、カレンダーや受信トレイ、会議の準備、読書リストを託す自信の持てるシステムになっています。システムは学び、私も学んでいます。複利曲線は実在します。

厚いスキル、厚いコード、薄いハーネス。LLM自体は単なるエンジンです。あなたは独自の車を作ることができます。

ここで説明したすべて—すべてのスキル、book mirror パイプライン、cross-modal eval フレームワーク、skillify サイクル、resolver アーキテクチャ、および30以上のインストール可能なskillpack—はすべてオープンソースであり、GitHub で無料で提供されています。

構築に取り掛かってください。

[Original Article Link]

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia