leverage-os 不是效率工具。
它不会帮你更快地回复邮件、不会帮你写更多文案、不会帮你把一天的日程排得更满。它做一件更基础的事：帮助你维持长期的认知连续性。
在 AI 工具爆炸的时代，我们每天被无数 App、通知、聊天窗口和自动化流程包围。信息进来了，又被忘记了。想法产生了，又丢失了。阅读完成了，又没有任何痕迹。 leverage-os 试图解决的不是"更快"，而是"不遗忘"。
$cat ./philosophy.md
$cat ./principles.md
AI should be infrastructure, not interruption
AI 不应该只是一个聊天框或通知系统。
当你每次都需要打开一个 App、输入一个问题、等待回答、然后关闭窗口时，AI 只是你生活中的临时访客。它来了又走，不留下任何痕迹，也不与你的生活建立持续的关系。
AI 应该成为基础设施：安静地在后台运行，在你需要时被调用，在你不需要时不打扰你。它不追求你的注意力，它追求你的连续性。
Local-first before cloud-first
你的日记、阅读记录、生活档案、长期知识——这些最私人的数据不应该依赖你无法控制的服务器。
云服务的商业模式是锁定。你的数据被存放在别人的硬盘上，用别人的格式编码，受别人的政策约束。服务可能涨价、可能关停、可能改变隐私条款。而你的记忆，不应该被商业决策左右。
本地优先意味着：数据在你自己的设备上，用开放的格式存储，随时可以导出和迁移。即使没有网络，你的档案仍然完整。
Memory requires selection
不是记录一切，就能记住一切。
不加筛选的归档只是囤积。当你保存每一条聊天记录、每一个网页链接、每一个临时想法时，你得到的不是记忆，而是一个巨大的噪音仓库。三个月后，你无法在其中找到任何有价值的东西。
真正的记忆需要选择：什么值得保留？什么值得压缩？什么应该被遗忘？选择是痛苦的，因为它意味着放弃。但没有放弃，就没有结构。没有结构，就没有记忆。
Agents need boundaries
Agent 不应该无限自动化。
每个 Agent 应该有明确的任务边界：它负责什么、不负责什么。它应该有权限边界：能读取什么、不能读取什么。它应该有发布边界：能生成草稿、不能自行发布。它应该有退场机制：当任务完成或失效时，能够安静地退出活跃索引。
没有边界的 Agent 不是助手，是隐患。你不知道它在做什么、不知道它做了什么、不知道它错在哪里。
Human judgment is the final gate
AI 可以整理、生成、检查、建议。但它不能替你决定。
什么值得记录、什么值得深挖、什么值得公开、什么应该被遗忘——这些判断涉及你的价值观、你的品味、你对风险的容忍度。AI 没有这些。它有的只是训练数据中的统计模式。
因此，系统的设计把执行和判断分开。AI 负责执行层：提取、归档、格式化、检查。人负责决策层：判断、策展、发布、删除。
Public output creates responsibility
从私人系统进入公共页面，不是一个技术动作，而是一个责任动作。
当你把判断和方法公开时，你必须对它们负责。读者会引用你、挑战你、指出你的错误。这意味着你的公开内容必须经过事实检查、隐私审计和逻辑梳理。
不是所有记录都应该公开。发布是一种筛选：只有那些你愿意为之承担责任的判断，才值得进入公共空间。
$cat ./closing.md
leverage-os 的目标不是让人更像机器。
它的目标是让机器帮助人保留时间、记忆和判断。让 AI 做它擅长的事——整理、归档、检查、格式化。让人做人擅长的事——选择、判断、策展、创造意义。
这是一个关于分工的设计。不是人服从机器，也不是机器取代人。而是两者在各自擅长的领域协作，产出比任何一方单独工作都更好的结果。
FULL TEXT →
Manifesto / 完整宣言