如何用 Sylph 搭建 AI 驱动的团队大脑：开源公司知识库实战

背景

现代 AI 编码工具（Claude Code、Codex、Cursor）已经非常强大，但大多数团队面临一个核心问题：每个 AI 会话都是独立的，缺乏公司级上下文的连续性。 今天我问 AI “我们的产品定位是什么” 它不知道，明天又问一遍它还是不知道。每次都要手动粘贴上下文，效率低下且容易遗漏。

来自 YC X25 孵化器 nao Labs 的团队也遇到了同样的问题。他们决定开源自己的解决方案——Sylph，一个把公司知识、业务流程和 AI Agent 全部放进 Git 仓库的 “公司大脑”。

Sylph 的核心思想

Sylph 的理念其实很简单：把公司运营知识结构化地存进 Git 仓库，让 AI Agent 在上下文中工作，并通过自改进循环不断优化。 它不依赖任何特定的 AI 模型或平台，兼容 Claude Code、Codex、Cursor 等主流编码 Agent。

它的核心概念包括：

• AGENTS.md — 所有 Agent 的工作指导文档，每个 Agent 知道自己的职责范围
• CONTEXT.md — 公司的全局上下文：做什么、服务谁、产品如何运作
• 领域文件夹 — 每个业务领域（产品、营销、销售、HR、法律等）有独立的文件夹存放领域知识
• 技能文件 — 可执行的流程模板，存储在 .claude/skills/ 下，通过 / 斜杠命令调用
• Agent 角色 — 预设了首席参谋官（Chief of Staff）、CMO、产品经理、客户成功、销售主管等 AI “员工”

关键设计亮点

1. 自改进循环（Self-Learning Loop）

这可能是 Sylph 最巧妙的设计。当你审批 AI 的输出后，技能文件会自动对比它起草的内容和你最终保留的内容，然后重写自己的规则来匹配你的编辑偏好。每次使用都在进步，而不是每次都从零开始。

2. 纯 Markdown + Git

Sylph 没有数据库、没有后端服务、没有遥测。它只是一堆 Markdown 文件和一个目录结构。这意味着：

• 你可以用 git diff 查看每次 AI 操作的变更
• 代码审查变得自然——你审阅的不是 AI 输出，而是 Git 的 PR
• 没有 Vendor Lock-in，随时可以换 Agent
• 安全透明，不向任何第三方发送数据

3. 领域化的知识管理

传统的知识管理（Wiki、Notion）的问题是知识散落在各个页面，AI Agent 难以系统性地访问。Sylph 把知识按业务领域组织成文件夹：

brand/            — 品牌资产、设计规范、语气风格
content/          — 各渠道的内容策略
sales/            — 外呼序列、提案、客户管理系统
product/          — 路线图、Issue
finance/          — 投资者更新
hr/               — 招聘、筛选
legal/            — 合同、合规
events/           — 线上/线下活动管理

快速上手

起步只需要四步：

1. Fork 仓库

gh repo fork getnao/sylph --clone
cd sylph

2. 运行初始化

在你的 AI Agent 中运行：

/sylph-setup

这会将 Sylph 个性化到你的公司和团队上下文。

3. 配置技能

每个技能都可以独立配置。例如配置 LinkedIn 内容创作技能：

/sylph-setup-skill linkedin

4. 尝试运行

配置完成后，直接通过斜杠命令让 Agent 执行任务：

/linkedin-writer 写一篇关于 AI Agent 趋势的文章
/create-campaign 针对 Series A 数据团队做外呼
/hr-screening 筛选高级工程师申请
/investor-update 起草本月投资者更新

实际使用场景

场景一：创业公司的日常运营

创始人可以每天早上得到一个完整的简报——客户反馈汇总、产品发布进度、销售 Pipeline 状态。Agent 在后台自动完成信息收集和整理工作。

场景二：内容团队的自动化创作

CMO Agent 可以按照品牌规范自动生成 LinkedIn 帖子、博客文章和 Newsletter 草稿，然后由人工审核后发布。自改进机制保证了输出风格越来越贴合团队的偏好。

场景三：产品团队的需求管理

产品经理 Agent 从客户反馈和 Slack 对话中提取需求，自动创建 GitHub Issue，每周形成产品进展报告。你只需要在 PR 层面审批。

与同类方案的对比

Sylph 最大的区别在于它不只是知识库，更是一个可执行的运营系统。技能文件不仅仅是文档——它们是 Agent 可以执行的流程模板，而且每次执行后都会自动改进。

局限性

• 学习曲线：需要习惯 Git 驱动的 Agent 工作流，团队成员需要适应
• 实时性有限：纯文件系统不适合高实时性需求（如客服即时响应）
• 规模挑战：随着领域增多，仓库可能变得庞大，需要良好的目录规划
• 角色设计成本：预设 Agent 角色需要根据公司实际情况调整

总结

Sylph 代表了 AI 辅助团队运营的一种新范式——不再是把 AI 当作独立的问答工具，而是让 AI Agent 成为内嵌在团队工作流中的协作伙伴。对于 5-50 人的技术团队，特别是已经有了 AI 编码工具使用习惯的团队，Sylph 提供了一条低成本、高透明度的公司知识管理路径。

GitHub: github.com/getnao/sylph（127 stars | MIT 协议）