在開始之前，你需要建立一個專案，包含兩個部分：知識庫（Knowledge Base） 與 技能（Skills）。

知識庫參考 Andrej Karpathy 的 LLM 知識庫概念：一個 raw 資料夾存放原始資源（如通話逐字稿），一個 wiki 資料夾作為目錄索引，讓 AI 知道去哪裡找資訊，而不必讀完整本書。

技能則是針對重複性任務的標準化流程。第一個建議建立的技能是「add new resource」，它會將原始檔案匯入 raw 資料夾，再由 Claude 分析並更新 wiki 條目。這些工具技能（Utility Skills）後續可組合成更大的編排技能（Orchestration Skills）。

在建立自我改進系統之前，你需要先匯入所有已經存在的歷史資料。Austin 建議從三個方向著手：

第一：AI 輸入資料。這是你使用 AI 時產生的對話記錄，Claude 會在本機儲存所有 session 歷史。你可以用一個 prompt 分析這些記錄，從中提煉學習點和技能建議。關鍵句是：「suggest ways we can improve my system」。

第二：個人生態系資料。用 Claude Code 掃描你的電腦找出有價值的檔案；用 Google Takeout 或 Outlook Export 匯出 Email 歷史，讓 Claude 分析你的寫作風格。

第三：人生故事與專案目標。錄下自己談論人生、專案目標和想達成的事，上傳給 Claude 分析並面試你補足遺漏，最後加入專案作為訓練資料。

把系統想像成一個湖泊：第二步把湖填滿了水，但如果沒有新水源持續流入，湖水終究會蒸發。這一步就是要建立四條「河流」——自動化的資料管線。

管線一：自身輸入同步。建立「sync Claude sessions」技能，定期將你的對話歷史匯入專案的 process 資料夾。

管線二：個人生態系資料。根據你日常產生資料的地方設定連線：Austin 用 Grainola 記錄會議、用 Slack 直接連線拉取聊天記錄、用 YouTube 公開影片的逐字稿。

管線三：精選內容。來自外部資源的資料，Austin 最推薦的是電子報——用 Email alias（如 brad+newsletter@gmail.com）過濾訂閱內容，只匯入高訊號比的資源。

管線四：定期資料傾倒。每天或每週結束時，用語音轉文字工具（Hex 或 Whisper Flow）把學到的教訓錄下來，再用 add new resource 技能匯入系統。

這是大部分人搞錯「自我改進」的地方。Austin 用健身比喻來說明：完全自動化的系統可能只練胸肌不練腿，六個月後你的胸肌很大但腿像牙籤。

他的解法是分桶策略（Bucketing），將改進建議分為三類：

第一類：自動核准。低風險項目如資料膨脹、遺漏的連結、明顯的修正——Claude 自動套用並記錄在 changelog 中，你不需要看到。

第二類：需簽核。高風險項目如編輯 skill 或建立新 skill——寫入 output/review 資料夾，附上 approve / reject / approve and don't ask again 三個選項。

第三類：需更多資訊。系統無法自行判斷的項目，需要你提供更多背景。

Austin 用 Claude Code Desktop 的 Routines 功能排程自動化：建立 data ingestion routine（每週二、五早上 9 點執行）、system improvements routine（同一天稍晚執行）、以及 human review routine（你的人工審查流程）。

最後一步是心態層面。Austin 分享四個策略：

1. 慢即是順，順即是快。不要一次做所有事，一步一步來。

2. 你是領導者，系統服務於你。如果某個環節沒有讓系統變得更好，就刪掉它。你不需要等誰的許可。

3. 壓縮回饋迴圈。自我改進系統的價值在於壓縮回饋時間，但迴圈只在你真正使用工具時才會學習。如果 skill 不如預期，直接對 Claude 說：「Based on this conversation, improve this skill。」

4. 沒那麼嚴重，行動勝於分析。人們常糾結於「該用 raw/inputs 還是 raw/sessions 資料夾？」——這些小事真的不重要。唯一錯誤的選擇是過度思考。引用 Coinbase CEO Brian Armstrong 的名言：「Action produces information。」