AI 操作系统的 Four Cs 框架——如何用 Fable 搭一套工具无关的第二大脑

Nate Herk 是一个 AI 自动化创业者，过去几个月一直在搭建自己的「AI 操作系统」。Claude Fable 上线当天，他没有急着冲进去，而是花了一整天把 Fable 接进已有的系统里，看它能在多大程度上替代、补充、补强他已经在用的能力。

这篇不是 Fable 评测，是一份已经跑通数月的 AI OS 搭建实录，骨架是 Four Cs 框架。

先说 Fable 是什么

Fable 本质上是 Claude Mythos 5.0 的加强版——底层还是 Mythos，但额外加了一层网络安全护栏。

Mythos 是 Anthropic 一直在打磨的下一代模型，强到目前没有对外公开，只对 Project Glasswing 的网络安全和基础设施合作方开放。Fable 等于是把它从受限渠道释放出来，但多了一层 cyber safeguard。

两件事需要提前知道：

第一，Fable 只在 6 月 9 日到 6 月 22 日之间走订阅制，过了这个窗口就改成按 usage credits 结算。两周内想试就趁早。

第二，价格是 Opus 的两倍。输入 $10 / 百万 tokens，输出$ 50 / 百万 tokens，吃订阅配额的速度明显比 Opus 快——这一点会在后续使用体验里反复出现。

操作系统从默认值开始，不从架构开始

很多人刚开始搭建 AI OS 会想先画架构图：选什么模型、用什么 harness、怎么拆 agent。Nate 的顺序恰好相反。

第一步是关掉所有其他 AI 工具。不同的订阅、不同的 Custom GPT、不同的 project 全部关掉，强制自己只用一个 harness——Claude Code、Codex、或者任何你愿意长期用的那个。

关掉之后做一件事：在那个唯一的 harness 里把所有事情都做一遍。一周下来，你会发现 context、memory、preferences 已经在累积了。

操作系统不是从架构开始的，是从默认值开始的。

然后才是分层思考。第二大脑是第一层，没有它就没有操作系统。第二大脑回答的问题是：这个工具知不知道我的生意、生活、客户、YouTube 频道在发生什么？我能不能直接问它这些问题？

有了第二大脑之后，再在它上面建操作系统：skills、automations、真正从这个系统出发工作，而不是从 Apple 或 Windows 出发。

Four Cs：搭建顺序

搭建和维护 AI OS 用的是 Four Cs 框架，顺序不能颠倒：

Context——你是谁，你的业务是谁
Connections——第二大脑能不能拿到活的实时数据，不只是静态笔记
Capabilities——你构建的 skills、agents、automations、pipelines
Cadence——让上面的能力自己跑起来，你睡觉时它也在工作

前两层是第二大脑。后两层才是操作系统。

这个顺序本身就是教学内容。即使你已经搭好了自己的系统，你仍然要按这个顺序去教团队，或者去给企业客户做 OS 交付——它是标准框架。

Context：你的路由树

Context 的本质是一棵路由树。在 Claude Code 里，这棵树通常以 CLAUDE.md（或等价的 claude.md）作为入口。

这个文件里会有少量目标和流程的定义，但主体是路由——告诉 agent 规则在哪、参考在哪、skills 在哪、其他 project 在哪、wiki 在哪。对知识库来说，给它精确的 wiki 路径、热缓存、主索引，以及遍历方式。

常被问到的问题：context 多少算太多？什么时候该拆？

目前 Nate 的答案：还没到上限，因为找东西很快。他在盯着一个简单信号——如果他问一个他自己知道在哪的文件，agent 花了五分钟去找，那就是架构需要更新的信号。

Nate 提出一个概念叫 architecture engineering——继 context engineering、prompt engineering、harness engineering 之后的下一个手艺。没有标准答案，他的体检方法是：对我来说是不是直觉？手动能钻进文件夹找到东西吗？agent 也能吗？

有一个最近的小调整被很多人问到：他建了一个叫「Other Worlds」的文件夹，把以前在完全独立 repo 里打开的其他 Claude Code 项目都搬进来。所有频繁使用的东西都合并进主项目 Herk-2：

同步：主项目推到 GitHub，拉到笔记本，所有东西跟着走，不需要切换机器前推六个 project
可达性：主操作系统能拿到 book project、website、video edits、token dashboard 的 context，可以 CD 进去找需要的东西

合并的体量不算小。光是 YouTube OS 就有 projects、references、transcripts 三层，带深度钻取。

即便如此，在主目录跑 /context，启动时也只有大约 40,000 tokens——大部分是系统工具和少量 memory。Markdown 文件短期内不会是瓶颈。

没有标准答案，但有两个预警信号：烧 token、agent 找东西找 20 分钟。否则你可以按自己的偏好编排架构，只要路径直觉、agent 不浪费 token 就行。

Connections：静态数据 vs 实时数据

有些数据是静态的：背景信息、会议记录、去年的进展和成绩。Connections 指的是持续变化的数据：ClickUp 上的团队消息、邮件、QuickBooks 上的 P&L。

定位自己的 connections 从第一梯队开始——每周都会打开的 app、Chrome 里的书签、跟人沟通的渠道（内部或外部）。这些高频的东西先拉进来。

如果想不出，可以按这个分类自查：revenue、customers、calendar、comms、tasks、meetings、knowledge。每个分类对应哪个工具？

对 Nate 来说，Skool 是 revenue 和 customers，YouTube 也是 customer 渠道，Stripe 和 QuickBooks 是 revenue，Google Workspace 是 calendar 和 comms，ClickUp 和 Slack 是 comms。

这些连接大多走 API key 和 endpoint。

这一层的体感检验很简单：如果现在打开 Claude Code 问它关于你和你的业务，回答听起来像一个陌生人，还是像一个队友？

Fable 已经知道的——两个例子

第一个例子：跑 /goal，让 agent 看完 project，搞清楚它对 Nate 本人、YouTube 频道、生意知道多少，然后做一个视频，用 hyperframes 形式讲他走过的路。

它给出来的画像是准确的：Nate Herk、AI 自动化、芝加哥创业者、creator、dog dad。教普通人用 AI 搭建东西。2024 年发了 41 个视频，2025 年 261 个。免费 8 小时课程播放量超 150 万。YouTube → AIS free → AIS paid → 高客单教练的飞轮。Uppit AI 是核心公司，13 人团队，覆盖所有 ventures。今年从 n8n 转向 Claude Code，任务不变，工具更锐利。

有一个细节错了——它说 62 万订阅，实际接近 80 万。这是静态数据问题，它用的是最近一次刷新的数字。如果让 agent 实时拉 YouTube 数据，会立刻更新到正确值。这一点值得说清楚：静态 vs 实时连接之间是真实存在的权衡。

整个视频从一个 prompt 来。

代价是 Fable 不便宜。第一次压力测试时，他 $200/月的 max plan 五小时配额，在一个多小时里烧完了。它吃配额的速度明显快于 Opus，小心使用。

第二个例子，同样是 /goal 的一次性 prompt，跑了 21 分钟。任务是：把所有 transcripts 和它们之间的关联整理成一个清爽的、任何人都能点击浏览的界面。

它真的搭了一个前端出来，分类包含 ideas、tools and harnesses、techniques。点进去能看到真实的关联：Agentic Workflows 接进 Context Windows，Claude Code 连到 Codex、Open Claw、Hermes Agent，几乎所有东西都能找到。甚至标出了每个概念出现在哪些视频里。顶部加了「我是新手」「我搭东西」「我做生意」三个入口档位。

要做到这些，agent 必须自己构建 UI、读真实 transcripts、绘制真实关联、考虑用户旅程。一个 prompt 做到这些，相当惊人。

绝大部分情况下 Nate 不用数据库，是 markdown 文件加上 Karpathy 的 LLM wiki 思路，用 Obsidian 管理。

关于模型本身：benchmark 不是最好的评判方式，harness 和使用方式更关键，很大程度上是体感。Karpathy 的评价很准确——可以给 Fable 远超你以往习惯的任务，模型「get it」。这跟 Nate 的体验一致：Fable 更能理解他想做什么。

但 Fable 也有粗糙的地方。有时候慢，有时候 cyber safeguard 该响不该响，跟你说这个做不了。护栏在发布期过于敏感是正常的，社区反馈多了会调。

Capabilities：Skills、Agents、装配线

Context 和 Connections 有了，Capabilities 才是真正能做的事。

这是另一个 adoption test：你能默认在 AI OS 里完成工作，而不是打开一个 Chrome 标签？发那封邮件、拉那个报告之前，能不能先打开 VS Code？

接入一个工具的时候，先检查有没有 API endpoint——有就抓住它。CLI？也抓住。Nate 偏好 CLI 和 API 而非 MCP server，因为控制更多、通常更便宜，但 MCP 也行。

Skills 不一定要是十步怪兽。一个 skill 可以就是一个 prompt。每周一早上、每周五晚上写同样的东西，就把它做成 skill。在 Claude Code 里头脑风暴出好东西，告诉它把这个变成 skill，下周就更快。

Skill 第一次不会完美，这是重点。每用一次就是一次数据。告诉它哪里好、哪里不好、更新它、再跑。Nate 有 20 多个本地 skill 加一堆全局 skill，每次用都反馈，告诉它更新 skill。一个四个月前做的 generate-image skill 还在改——因为偏好、模型、endpoint 都变。没有 finished product。

Nate 用装配线思维，回到 n8n 时代就是一个 AI 做一件事做到位。一个做轮子，一个做车轴，一个做车壳，最后拼起来。

所有事塞进一个 session 会模糊、会撞上 context rot。Nate 的做法是分阶段：起一个 agent 去研究 X，拿到输出，/clear，引入 draft，再走一轮精修。把产出链通过专用 agent 串起来。

并行任务委托出去。Fable 价格高，并行任务推给 Sonnet 或 Haiku 这些便宜 worker，最后拿一个干净的汇总回来——这就是 dynamic workflow 的核心模式。

Cadence：挣到自动化的权利

Cadence 是你睡觉时也在跑的东西，也是你必须挣到的步骤。

挣到的方式是证明 skills 已经 battle-tested，找到对的 use case。因为加更多 AI = 成本更高、风险更高、维护更多。自动化不等于甩手——仍然需要可见性，仍然要 check in，仍然要有人 owner。

触发方式分三类：

Manual——你主动调用，可以留在 AI OS 里
Event——新邮件、新客户预约电话，触发一个流程
Schedule——每周一、每周日晚上

部署方式全开放：Claude Code routines、loops、Modal 上的确定性脚本、让你的 Claude OS 自己搭一个 n8n 自动化再推回 n8n。选适合你的。

但有一个不能跳过的部分：prompt 永远不是 permission layer。

假设它能做到，它就会做。如果它能发邮件，它可能会。如果它能读那个数据库，它就会读。

Nate 团队在这件事上摔过一次。一个 agent 从任务列表里主动拿了一个任务，理解错了，决定需要写一个折扣码，然后把它发给了 15 万到 20 万人。一个本来不该发出去的码。后来只能发道歉信。

他没有怪搭这个流程的人。把它做成了 case study，让整个团队理解风险和如何安全工作。几乎需要这次教训才能真正学进去。

修复方式是 keys, not prompts。如果一个 agent 没有能进那个房间发邮件的 key，它物理上发不出去。这是可以真正信任的 permission layer。然后再修指令，确保不再发生，继续 loop。每一次滑倒都是数据，不是失败。

三个使用 tips

当思想伙伴用，但要带怀疑。不要问怎么做、拿答案、就说 go。跟它头脑风暴，让它做 devil's advocate，自己也做。起 sub-agents 给不同视角。Nate 喜欢让 sub-agents 或 agent 团队互相辩论，自己基于直觉做更 informed 的判断。这些模型仍然偏讨好，会想取悦你，记着这点。
让它采访你。Nate 用一个叫 Grill Me 的 skill——最初来自 Matt Pocock，他改了一下用来写 brainstorm 文档。它会问他 15、25、30 个问题，把脑子里的知识拉进 OS。可以直接告诉一个全新 setup：用 Grill Me 把关于我业务的所有东西都学会。Nate 今天跑了一次用来规划整个视频。
让它 verify 自己的工作。这是最重要的一点。在那个 relationship-map 构建里，Nate 告诉它这是 YouTube 的 demo，不需要 production ready，只要好懂，然后用一个 dynamic workflow 去验证所有东西准确、工作。让它视觉检查结果，测试新手、软件工程师、生意 owner 三类人能不能都点得通。打开 Playwright 浏览器点点看。你怎么 verify 实习生的工作，就给 Claude Code 同样的能力——这是 70% 一次过和 92% 一次过的区别。

它只是文件夹和文件

模型和 harness 只是引擎。系统是你在搭建的。

归根到底，这一切都是文件夹和文件。所以你明天切到 Codex、切回 Sonnet 4.5，无所谓。每个 coding agent 都能用它。

这就是为什么 Nate 同时维护 .claude、.codex、.agents，加上 claude.md 和 agents.md。他想让这件事尽可能 tool agnostic。同时也日常用 Codex 跑，看看哪个更好。

你不是学 Claude Code 或学 Codex——你是同时学一切，因为你搭的是自己的可复用 IP。Folders 和 markdown files、skills 和 routing logic、logs 和 wikis。不是 Claude Code 的 AI OS，是你自己的个人操作系统。

这应该能减轻追新模型的压力。某一天你可能跑自己的 harness 在开源模型上，不需要技术背景，它就这么发生了。

闪电问答

全天跑要花多少？ 看情况。Nate 做知识工作，不是重 coding，$200/月 plan。很少撞五小时上限，偶尔撞每周上限。
数据去哪？ Claude 模型是去 Anthropic。闭源，处理敏感数据多的话可能不想用闭源模型。
要会写代码吗？ 不需要。
第一天、空文件夹、第一步？ 用 Nate 在免费 Skool 社区里放的 AIS OS GitHub repo，跟着走一天就跑起来。
它自信地错了怎么办？ Check 工作，然后告诉它更新 CLAUDE.md 和 skills，确保下次不再发生。永远让它给你数据的精确信源。
实时连接怎么工作？ API 或 CLI。查工具的 API 文档，交给 Claude Code 或者让它自己研究，告诉它精确的 endpoint。用 scoped API key——一个 key 只能读会议记录，不能编辑或删除任何东西。Keys, not prompts。
如果我几周不管它？ 没什么大事。同步数据回去就行。
团队每个人都搭自己的吗？ 是的，但先自己学会再去教。决定共享知识住在哪（ClickUp、Slack、Notion、Drive），给所有人只读权限。最差情况是所有人重复造知识和活，真正的瓶颈永远是 adoption。

收尾

你不是搭一个 Claude Code AI OS。你是搭自己的第二大脑，在文件夹和文件里，任何模型都能插进去。