[!IMPORTANT] PAI v4.0.3发布 — 自v4.0.0以来已发布3个补丁更新，包含30多项社区贡献的修复：Linux兼容性、JSON解析、安装程序改进、可移植性以及升级迁移。

发布说明 → | 所有版本 →

项目的宗旨

PAI的存在旨在解决我认为世界上存在的P0问题：

地球上只有极小一部分人类的创造潜力被激发出来。

大多数人并不相信自己能够做出有价值的贡献。他们认为世界上有“特殊”的人——而自己并不是其中之一。他们从未真正问过自己是谁、想要什么，也从未将这些思考清晰地表达或记录下来。这使得他们在面对AI带来的冲击时显得格外脆弱。如果没有自我激活，就无法拥有高度的自主能动性。

因此，我们通过PAI的目标就是帮助人们实现自我激活。

PAI的使命是双重的：

1. 尽可能多地激活人们 — 借助AI增强的自我发现能力，帮助人们识别、表达并追求自己的人生目标。
2. 让世界上最好的AI技术惠及所有人 — 确保这种高质量的AI基础设施不会仅仅局限于富人或技术精英群体。

这就是为什么这是一个开源项目，而非私有项目。

---

新手入门？从这里开始

你可能已经用过ChatGPT或Claude。输入一个问题，就能得到答案。很简单。

你可以把AI系统看作是三个层次：

聊天机器人

ChatGPT、Claude、Gemini——你提出一个问题，它会回答，然后就把之前的一切都忘记了。下一次对话又会从头开始。它对你、你的偏好，或者昨天聊过的内容一无所知。

模式： 提问 → 回答 → 忘记

主体型平台

像Claude Code这样的工具。AI可以真正“做”事情——编写代码、浏览网页、编辑文件、执行命令。

模式： 提问 → 使用工具 → 得到结果

虽然功能更强大了，但它仍然不了解“你”——你的目标、偏好和过往经历。

PAI（个人AI基础设施）

现在，你的DA会不断学习和改进：

• 捕捉每一个信号 — 评分、情感反馈、验证结果
• 从错误中学习 — 失败会被分析并修正
• 随着时间推移变得更好 — 成功的模式会被强化
• 自我升级 — 技能、工作流程，甚至核心行为都会进化

此外，它还了解：

• 你的目标 — 你在努力实现什么
• 你的偏好 — 你喜欢怎样的方式
• 你的历史 — 过去的决策和经验

模式： 观察 → 思考 → 计划 → 执行 → 验证 → 学习 → 改进

关键区别在于：PAI会根据反馈不断学习。每一次互动都会让它更好地为你提供帮助。

---

什么是 PAI？

PAI 是一个个性化 AI 平台，旨在放大您的能力。

它首先也是最重要的是为个人设计的，但同样适用于希望成为更好版本的自己的人团队、公司，甚至是星际联邦。

无论规模大小，PAI 都是一个系统：它利用功能齐全的代理式 AI 平台，帮助用户理解、明确并实现自己的目标。

PAI 适合哪些人？

所有人，仅此而已。 它是一个反对准入门槛的 AI 项目。

• 非技术背景的小企业主，希望借助 AI 处理开票、日程安排、客户跟进和市场营销等事务。
• 企业，希望更好地理解自身数据、优化运营并做出更明智的决策。
• 管理者，希望更高效地管理团队——跟踪项目进展、准备绩效评估并清晰沟通。
• 艺术家和创意工作者，希望找到本地活动、画廊以及展示作品的机会。
• 普通大众，希望改善生活——制定更好的健身计划、建立更牢固的人际关系、管理个人财务，或只是让自己更有条理。
• 开发者，使用 AI 编码助手时，需要持久记忆和自定义工作流。
• 高级用户，希望自己的 AI 能够了解他们的目标、偏好和上下文。
• 团队，构建具备一致能力的共享 AI 基础设施。
• 对 AI 系统设计和个人化 AI 模式感兴趣的实验者。

PAI 有何不同？

人们最常问的问题是：

这与 Claude Code 或其他代理式系统有什么不同？

大多数代理式系统都是围绕工具构建的，而用户往往被放在次要位置。此外，这些系统大多以任务为导向，而非基于目标，并且很少充分利用所有可用的上下文信息。而 PAI 则恰恰相反。

三大核心差异：

1. 目标导向 — PAI 的首要关注点是运行它的用户及其在现实世界中想要达成的目标，而不是技术本身。这一点贯穿于系统的每一个执行环节。

2. 追求最优输出 — 系统的外层循环以及所有操作，都致力于根据当前情境及周边环境，生成完全符合需求的输出结果。

3. 持续学习 — 系统会不断记录每次请求的执行情况、所做的调整、产生的结果，以及您对这些结果的反馈（满意或不满意），从而持续优化自身表现。

---

PAI 原则

这些原则指导着 PAI 系统的设计与构建。完整解读 →

序号	原则	概述
1	以用户为中心	PAI 是围绕您构建的，而非围绕工具。您的目标、偏好和上下文始终放在首位——基础设施的存在是为了服务于它们。
2	基础算法	科学方法作为通用的问题解决循环：观察 → 思考 → 计划 → 构建 → 执行 → 验证 → 学习。明确理想状态，反复迭代直至达成。
3	清晰思考优先	优质的提示词源于清晰的思考。在编写提示词之前，先明确问题。
4	架构优先于模型	系统架构的重要性远胜于所使用的具体模型。
5	确定性基础设施	AI 具有概率性；而您的基础设施不应如此。应使用模板和模式。
6	代码优先于提示词	如果可以用 Bash 脚本解决的问题，就不要使用 AI。
7	先规范、再测试、后评估	在构建之前先编写规范和测试用例。通过测量来判断系统是否有效。
8	UNIX 哲学	一件事做到最好。让工具可组合。使用文本界面。
9	软件工程与 SRE 原则	将 AI 基础设施视为生产级软件：版本控制、自动化、监控。
10	命令行界面优先	命令行界面比图形用户界面更快、更易脚本化且更可靠。
11	目标 → 代码 → CLI → 提示词 → 代理	决策层次：先明确目标，再写代码，然后使用命令行，接着是提示词，最后才是代理。
12	技能管理	模块化的功能可根据上下文智能路由。
13	记忆系统	所有值得记住的信息都会被记录下来。历史会为未来的上下文提供支持。
14	代理人格	不同的工作需求需要不同的处理方式。专门化的代理拥有独特的“声音”。
15	科学作为元循环	假设 → 实验 → 测量 → 迭代。
16	允许失败的权利	明确允许说“我不知道”，可以有效防止幻觉现象的发生。

---

PAI 基本组件

如果说原则描述的是 PAI 的哲学，那么基本组件就是其架构——支撑一切运转的核心系统。

这些基本组件协同工作，为您带来一种与真正理解并熟悉您的系统互动的体验，而不是仅仅执行指令的工具集合。

---

助理与代理式 AI 交互

PAI 将 AI 视为一位持久的助理、朋友、教练和导师，而非只负责执行任务的无状态代理。助理会了解您的目标、记住您的偏好，并随着时间推移不断改进；而代理则只是执行命令后便遗忘一切。

---

TELOS（深度目标理解）

10 个文件记录了您的身份与目标：MISSION.md、GOALS.md、PROJECTS.md、BELIEFS.md、MODELS.md、STRATEGIES.md、NARRATIVES.md、LEARNED.md、CHALLENGES.md 和 IDEAS.md。您的 DA 清楚您正在努力的方向，因为这一切都被详细记录了下来。

---

用户/系统分离

您的个性化设置存储在 USER/ 目录下。而 PAI 的基础设施则位于 SYSTEM/ 目录中。当 PAI 升级时，您的文件不会受到影响。实现身份可移植、升级安全。

---

精细化定制

六层定制选项：身份（姓名、语气、个性）、偏好（技术栈、工具）、工作流程（技能如何执行）、技能（具备哪些能力）、钩子（事件如何处理）以及记忆（记录哪些内容）。您可以从默认设置开始，按需进行个性化调整。

---

技能系统

高度注重持续稳定的结果。其结构以确定性结果优先，按照 CODE -> 命令行工具 -> 提示词 -> 技能 的顺序进行，而非随意的架构。

---

记忆系统

专注于持续学习。每次交互都会产生信号——评分、情感、成功或失败——这些信号会反馈回系统，用于不断优化。采用三层架构（热/温/冷），并配备基于阶段的学习目录。

---

钩子系统

响应生命周期事件——会话开始、工具使用、任务完成等。8种事件类型支持语音通知、自动加载上下文、会话捕获、安全验证和可观性等功能。

---

安全系统

默认定义了系统级和用户级的安全策略。您无需使用 --dangerously-skip-permissions 参数即可获得顺畅的体验。PAI 的安全钩子会在命令执行前进行验证，阻止危险操作，同时确保正常工作流程顺利进行。

---

基于AI的安装

GUI 安装程序负责处理所有内容——包括先决条件、配置和设置。无需手动配置，也无需猜测。

---

通知系统

在不打扰您的情况下保持信息畅通。通过 ntfy 发送移动设备提醒，集成 Discord 进行团队更新，并根据任务持续时间智能路由，对于长时间运行的任务会自动升级通知级别。一次性触发的设计意味着通知绝不会阻塞您的工作流。

---

语音系统

由 ElevenLabs TTS 提供支持。您可以听到任务完成、会话摘要以及重要更新的语音播报。韵律增强功能使语音听起来更加自然。您的 AI 现在有了声音。

---

终端界面

丰富的标签标题和窗格管理功能。动态状态栏显示学习信号、上下文使用情况以及当前任务状态。您的终端现在就是一个指挥中心。

---

🚀 安装

[!CAUTION] 项目处于积极开发中 — PAI 正在快速演进。请预期会出现破坏性变更、结构调整以及频繁的更新。我们正在维护稳定分支和开发分支，但目前两者尚未分离。

全新安装

# 克隆仓库
git clone https://github.com/danielmiessler/Personal_AI_Infrastructure.git
cd Personal_AI_Infrastructure/Releases/v4.0.3

# 复制发布版本并运行安装程序
cp -r .claude ~/ && cd ~/.claude && bash install.sh

安装程序将：

• 检测您的系统并安装先决条件（Bun、Git、Claude Code）
• 询问您的姓名、AI 助手名称、时区及温度单位偏好
• 将 PAI 仓库克隆并配置到 ~/.claude/
• 设置 ElevenLabs 语音功能（可选）
• 配置您的 shell 别名并验证安装

安装完成后： 运行 source ~/.zshrc && pai 启动 PAI。

从旧版本升级

# 1. 备份当前安装
cp -r ~/.claude ~/.claude-backup-$(date +%Y%m%d)

# 2. 克隆并覆盖现有安装
git clone https://github.com/danielmiessler/Personal_AI_Infrastructure.git
cd Personal_AI_Infrastructure/Releases/v4.0.3
cp -r .claude ~/

# 3. 运行安装程序（检测现有安装，保留您的数据）
cd ~/.claude && bash install.sh

# 4. 重新构建 CLAUDE.md
bun ~/.claude/PAI/Tools/BuildCLAUDE.ts

[!TIP] 安装程序会自动检测现有安装。它会保留您的 USER/ 文件，合并 settings.json（仅更新安装程序管理的字段，如身份和版本），并且绝不会覆盖您的钩子、状态栏或自定义配置。

升级后检查清单：

• 在 settings.json 中确认您的身份信息（姓名、AI 名称、时区）
• 确认状态栏显示正确
• 测试语音通知（如果已启用）
• 运行一个简单提示，确认 PAI 响应正常

---

📦 PAI 套件

不想安装整个 PAI？套件是可独立安装的 AI 能力模块，您可以一次添加一个。每个套件都是自包含的——您的 AI 会读取安装指南并为您完成所有设置。无需安装完整的 PAI 系统。

只需让您的 AI 指向任意套件并说“安装这个”：

“从 PAI/Packs/Research/ 安装 Research 套件”

您的 AI 会引导您完成一个五阶段向导：系统分析、用户提问、备份、安装和验证。

可用套件

套件	功能描述
ContextSearch	/context-search 和 /cs — 快速调用之前的工作会话
Agents	根据特质、声音和个性定制代理
ContentAnalysis	从视频、播客、文章和 YouTube 中提取智慧
Investigation	OSINT 和调查——公司情报、人员搜索、域名查询
Media	AI 图像生成、图表、信息图以及 Remotion 视频
Research	多代理研究——快速、标准、广泛和深度模式
Scraping	使用 Bright Data 代理和 Apify 社交媒体机器人进行网页抓取
Security	情报收集、Web 应用测试、提示注入测试以及安全新闻
Telos	生活操作系统——目标、信念、智慧、项目仪表盘和麦肯锡报告
Thinking	第一原理、议会辩论、红队演练、头脑风暴和科学研究
USMetrics	来自 FRED、EIA、美国财政部、BLS 和人口普查局的 68 个美国经济指标
Utilities	CLI 生成、技能搭建、Fabric 模式、Cloudflare 以及浏览器自动化

每个套件都可以独立使用——您可以只安装一个，也可以全部安装。它们旨在为您提供 PAI 级别的能力，无论您是否运行完整的 PAI 系统。

浏览所有套件 →

---

❓ 常见问题

PAI 与单纯使用 Claude Code 有何不同？

PAI 原生构建于 Claude Code 之上，并且设计初衷就是保持这种关系。我们选择 Claude Code，是因为它的钩子系统、上下文管理和智能体架构，为个人 AI 基础设施提供了最佳的底层支持。

PAI 并不是 Claude Code 的替代品——它是位于 Claude Code 之上的那一层，让 Claude Code 真正“属于你”：

• 持久化记忆——你的 DA 能够记住过去的会话、决策和学习成果。
• 自定义技能——针对你最常做的事情，提供专业化的功能。
• 你的上下文——目标、联系人、偏好等信息，无需重复说明即可随时调用。
• 智能路由——只需说一句“研究一下这个”，相应的流程就会自动触发。
• 自我改进——系统会根据自身学到的内容不断优化。

可以这样理解：Claude Code 是引擎，而 PAI 则是让这台“车”真正成为“你的车”的其他所有部件。

PAI 与 Claude Code 自带功能有何区别？

Claude Code 提供了强大的基础组件——钩子、斜杠命令、MCP 服务器、上下文文件等。这些都只是独立的构建模块。

而 PAI 是基于这些基础组件构建的完整系统。它将所有部分有机地连接起来：你的目标指导技能的选择，技能生成记忆，记忆又反过来提升未来的响应质量。PAI 把 Claude Code 的各个构建模块整合成一个连贯的个人 AI 平台。

PAI 是否仅适用于 Claude Code？

PAI 是 Claude Code 的原生应用。我们认为，Claude Code 的钩子系统、上下文管理和智能体能力使其成为构建个人 AI 基础设施的最佳平台，而 PAI 正是充分利用这些特性的产物。

不过，PAI 的核心概念（技能、记忆、算法）具有普适性，其代码采用 TypeScript 和 Bash 编写，因此欢迎社区成员将其移植到其他平台上。

这与 Fabric 有何不同？

Fabric 是一系列用于特定任务的 AI 提示词（模式），专注于“应该向 AI 提出什么问题”。

而 PAI 则是关于“你的 DA 如何运作”的基础设施——包括记忆、技能、路由、上下文和自我改进机制。两者相辅相成。许多 PAI 用户会将 Fabric 的模式集成到自己的技能中。

如果我弄坏了怎么办？

恢复过程非常简单：

• 先备份——在任何升级之前，请执行：cp -r ~/.claude ~/.claude-backup-$(date +%Y%m%d)
• USER/ 目录安全——你在 USER/ 中的自定义配置不会被安装程序或升级所触及。
• 设置合并而非覆盖——安装程序只会更新身份和版本字段，你的钩子、状态栏以及自定义配置都会保留。
• Git 版本控制——对所有内容进行版本管理，必要时可回滚。
• 历史记录保留——即使出现错误，你的 DA 的记忆也不会丢失。
• DA 可以修复——既然你的 DA 参与了构建过程，它同样可以帮助修复问题。
• 重新安装——再次运行安装程序；它会检测现有安装并智能合并。

---

🎯 路线图

功能	描述
本地模型支持	使用本地模型（Ollama、llama.cpp）运行 PAI，以保障隐私并控制成本
精细化模型路由	根据任务复杂度，将不同任务分配给不同的模型处理
远程访问	从任何地方访问你的 PAI——手机、网页或其他设备
外呼电话功能	支持语音外呼的能力
外部通知	强大的通知系统，支持邮件、Discord、Telegram 和 Slack

---

🌐 社区

GitHub 讨论区： 加入讨论

社区 Discord： PAI 与其他 AI 项目一同在 社区 Discord 中讨论。

Twitter/X： @danielmiessler

博客： danielmiessler.com

星标历史

---

🤝 贡献

我们欢迎任何形式的贡献！请查看我们的 GitHub Issues 获取当前开放的任务。

1. Fork 仓库
2. 进行修改——修复 bug、新增技能、改进文档
3. 充分测试——在全新系统上安装并验证
4. 提交 PR，附上示例和测试证据

---

📜 许可证

MIT 许可证——详情请参阅 LICENSE 文件。

---

🙏 致谢

Anthropic 和 Claude Code 团队——首先也是最重要的感谢对象。你们正在以无人能及的速度推动 AI 的发展。Claude Code 是这一切得以实现的基础。

IndyDevDan——他关于元提示和自定义智能体的精彩视频，启发了 PAI 的部分设计思路。

贡献者

fayerman-source——为语音系统集成了 Google Cloud TTS 提供商，并添加了 Linux 音频支持。

Matt Espinoza——对 PAI 2.3 版本进行了大量测试、提出了许多创意和反馈，并参与了路线图的制定。

---

💜 支持本项目

---

📚 相关阅读

• 真正的物联网 — PAI 背后的愿景
• AI 的可预测路径：7 大组件 — AI 发展方向的可视化解读
• 构建个人 AI 基础设施 — 包含示例的完整 PAI 操作指南

---

📜 更新历史

v4.0.3 (2026-03-01) — 社区 PR 修复

• 修复了 Inference.ts 中的 JSON 数组解析问题
• 从 CONTEXT_ROUTING.md 中移除了 29 处无效引用
• 提升了 WorldThreatModelHarness 的 PAI_DIR 可移植性
• 为 v2.5 和 v3.0 用户提供了用户上下文迁移功能
• 发布说明

v4.0.2 (2026-03-01) — 错误修复补丁

• 进行了 13 处针对性修复：包括 Linux 兼容性、安装程序、状态栏及钩子等方面的改进
• 实现了跨平台 OAuth 令牌提取，并修复了 GNU coreutils 中的 tr 命令问题
• 优化了推理保护机制（节省约 15 秒），增强了 lineage 追踪功能，同时移除了冗余代码
• 发布说明

v4.0.1 (2026-02-28) — 升级路径与偏好设置

• 更新了升级文档，增加了备份、合并及升级后检查清单
• 在状态栏和安装程序中新增了可配置的温度单位切换功能（华氏/摄氏）
• 修复了常见问题解答中的过时 Python 引用，并优化了故障恢复指导
• 发布说明

v4.0.0 (2026-02-27) — 精简高效

• 将 38 个扁平化的技能目录整合为 12 个层级化类别（顶级目录减少 68%）
• 移除了已废弃的系统模块：Components/、DocRebuild 和 RebuildSkill
• 引入了基于 CLAUDE.md 的模板系统，配合 BuildCLAUDE.ts 和 SessionStart 钩子
• 算法版本升级至 v3.5.0（原为 v1.4.0）
• 进行了全面的安全清理工作（共清理 33 余份文件）
• 更新了所有版本引用，并修复了 Electron 应用崩溃问题
• 当前包含 63 个技能、21 个钩子、180 条工作流和 14 个智能体
• 发布说明

v3.0.0 (2026-02-15) — 算法逐步成熟

• 算法版本升级至 v1.4.0，新增约束提取与构建漂移预防功能
• 支持持久化 PRD 和并行循环执行
• 完整的图形化安装向导
• 新增 10 个技能、代理团队/蜂群模式以及语音个性系统
• 总计 38 个技能、20 个钩子和 162 条工作流
• 发布说明

v2.5.0 (2026-01-30) — 思考更深入，执行更快

• 两步能力选择流程：在 THINK 阶段根据 ISC 验证钩子提示
• 引入思考工具 Justify-Exclusion：对于 Council、RedTeam、FirstPrinciples 等采用 opt-OUT 而非 opt-IN 方式
• 默认启用并行执行：通过并行启动多个智能体来同时处理独立任务
• 包含 28 个技能、17 个钩子和 356 条工作流
• 发布说明

v2.4.0 (2026-01-23) — 算法系统

• 构建了通用问题解决系统，支持 ISC（理想状态标准）追踪
• 包含 29 个技能、15 个钩子和 331 条工作流
• 以“欣快感”作为结果评估指标
• 加强了安全防护，引入 AllowList 强制执行机制
• 发布说明

v2.3.0 (2026-01-15) — 完整发布回归

• 恢复了完整的 .claude/ 目录发布方式，并支持持续学习
• 明确记录显性和隐性评分
• 优化了钩子系统，新增 14 个生产级钩子
• 在状态栏中增加了学习信号显示
• 发布说明

v2.1.1 (2026-01-09) — MEMORY 系统迁移

• 将历史系统合并至核心模块，更名为 MEMORY 系统

v2.1.0 (2025-12-31) — 模块化架构

• 源代码从嵌入式 Markdown 中分离出来，存放在实际文件中

v2.0.0 (2025-12-28) — PAI v2 正式发布

• 采用模块化架构，各技能相互独立
• Claude Code 原生设计

---

Personal AI Infrastructure (PAI) 快速上手指南

Personal AI Infrastructure (PAI) 是一个开源的个人 AI 平台，旨在通过以目标为导向、具备持续学习能力的代理系统，放大每个人的创造力。与传统的聊天机器人不同，PAI 会记忆你的偏好、目标和历史，并通过反馈循环不断进化。

环境准备

在开始之前，请确保你的系统满足以下要求：

• 操作系统：
  • 推荐：Linux (Ubuntu/Debian, Fedora, Arch 等) 或 macOS。
  • Windows 用户建议使用 WSL2 (Windows Subsystem for Linux) 以获得最佳兼容性。
• 核心运行时：
  • Bun: PAI 基于 Bun 构建（比 Node.js 更快）。
  • Git: 用于克隆代码仓库。
• AI 模型访问：
  • 你需要一个可用的 LLM API Key（如 Anthropic Claude, OpenAI 等），并在配置阶段填入。

前置依赖安装

macOS / Linux:

# 安装 Git (如果未安装)
# macOS
brew install git
# Ubuntu/Debian
sudo apt update && sudo apt install -y git

# 安装 Bun (官方一键脚本)
curl -fsSL https://bun.sh/install | bash

# 加载环境变量 (根据提示选择对应的 shell，通常是 bash 或 zsh)
source ~/.bashrc 
# 或
source ~/.zshrc

Windows (WSL2):

请在 WSL2 终端中执行上述 Linux 命令。

国内加速提示：如果 bun.sh 下载缓慢，可尝试使用国内镜像源安装 Bun：

export BUN_INSTALL="$HOME/.bun"
curl -fsSL https://mirrors.cloud.tencent.com/bun/install.sh | bash
# 或者手动下载二进制文件并配置 PATH

安装步骤

1. 克隆项目仓库

git clone https://github.com/danielmiessler/Personal_AI_Infrastructure.git
cd Personal_AI_Infrastructure

2. 安装依赖

使用 Bun 安装项目所需的 TypeScript 依赖：

bun install

3. 初始化配置

运行安装/设置脚本。该脚本将引导你创建配置文件并设置 API Key。

bun run setup

• 按照提示输入你的 LLM Provider (例如 anthropic)。
• 输入你的 API Key。
• 设置你的个人基本信息（用于 PAI 建立初始用户画像）。

注意：配置文件通常保存在 .env 或 config/ 目录下，请勿将包含 API Key 的文件上传至公共仓库。

4. 验证安装

运行版本检查或帮助命令以确保一切正常：

bun run pai --version
# 或
bun run pai --help

基本使用

PAI 的核心在于通过命令行界面 (CLI) 与具有“记忆”和“目标导向”的 AI 代理交互。

启动交互式会话

最简单的使用方式是启动主代理进行对话。PAI 会自动加载你的上下文、目标和历史记忆。

bun run pai chat

示例场景： 你可以直接询问涉及你个人目标的问题，例如：

"根据我上周设定的健身目标，帮我规划今天的训练计划，并回顾我昨天的饮食记录。"

PAI 不仅会生成计划，还会引用你之前的输入（如果已记录），并根据反馈机制调整建议。

执行特定任务 (Agentic Mode)

PAI 可以调用工具执行实际操作（如文件操作、网络搜索等，取决于具体安装的 Packs）。

bun run pai execute "分析当前目录下的日志文件，总结错误模式并生成修复建议文档"

查看与管理系统状态

查看当前的技能包 (Packs) 或系统状态：

# 列出已激活的功能包
bun run pai packs list

# 查看系统记忆摘要
bun run pai memory summary

---

下一步建议：

• 阅读 Packs/ 目录了解可扩展的功能模块。
• 查阅 Releases/ 获取最新版本的更新日志。
• 加入社区讨论以分享你的自定义工作流。