新闻详情

新闻详情

首页 / 资讯中心 / 详情

Codex CLI用户专属:My-Brain-Is-Full-Crew在Windows/WSL环境部署实战指南

发布时间:2026/11/13 2:46:44来源:尧图网络
Codex CLI用户专属:My-Brain-Is-Full-Crew在Windows/WSL环境部署实战指南
Codex CLI用户专属My-Brain-Is-Full-Crew在Windows/WSL环境部署实战指南【免费下载链接】My-Brain-Is-Full-CrewBuilt by a PhD whose memory was failing, whose diet was a mess, and whose anxiety had its own agenda. Most second brain tools ignore the fact that your brain doesnt work in isolation: your body and your mental health are part of the system too. This crew handles all three: knowledge, nutrition, and mental wellness.项目地址: https://gitcode.com/gh_mirrors/my/My-Brain-Is-Full-CrewMy-Brain-Is-Full-Crew是一个由 AI 智能体团队8 个 Agent、14 个技能驱动的 Obsidian 第二大脑管理系统负责帮你归档、整理、检索笔记和处理邮件。本文专为 Codex CLI 用户实战讲解如何在 Windows 上通过 WSLWindows 子系统 Linux完成一键式部署避开 Windows 原生支持的已知坑。为什么 Windows 用户要选 WSLCodex CLI 官方文档明确指出Codex CLI 对 Windows 原生支持仍处于实验阶段在 WSL 中运行是官方强烈推荐的方案见 docs/codex-cli.md 开头的 Windows 说明。运行方式体验Windows 原生实验性支持稳定性无保证WSL推荐走标准 Linux 安装路径与 macOS/Linux 完全一致好处很直接整个安装脚本 scripts/launchme.sh 是 Bash 编写的在 WSL 里天然可运行无需任何转换。安装前需要准备什么10 分钟清单在 WSL 里跑一次命令即可检查环境依赖用途安装方式WSL 内Ubuntu 等 WSL 发行版运行环境Windows 应用商店 /wsl --installNode.js npm安装 Codex CLI 的前提sudo apt install nodejs npm或官方源Git拉取项目代码sudo apt install gitCodex CLIAgent 运行平台npm i -g openai/codexlatestObsidianWindows 侧笔记库载体官网下载安装 小技巧把 Obsidian 笔记库Vault建在 WSL 文件系统内如~/vault这样 Agent 读写的就是和 Obsidian 同一套文件路径无需任何映射。最快部署路径4 条命令完成安装全部在 WSL 终端中执行 第 1 步进入你的 Obsidian 笔记库目录cd ~/vault第 2 步把仓库克隆进笔记库git clone https://gitcode.com/gh_mirrors/my/My-Brain-Is-Full-Crew第 3 步运行安装器并指定 Codex CLI 平台cd My-Brain-Is-Full-Crew bash scripts/launchme.sh --platform codex-cli安装器会依次询问两个问题选平台、确认 Vault 路径然后自动构建并安装8 个核心 AgentTOML 格式位于.codex/agents/14 个专项技能位于.agents/skills/MCP 服务器配置.codex/config.toml由 mcp/servers.yaml 自动翻译生成含 Gmail / Google Calendar调度器文件AGENTS.md第 4 步在 Vault 里启动 Codex CLIcodex -C ~/vault装完之后长什么样Codex CLI 专属目录布局与其他平台不同Codex CLI 采用双目录拆分布局由 adapters/codex-cli/adapter.sh 负责翻译生成~/vault/ ├── .codex/ │ ├── agents/ ← 8 个核心 Agent.toml 格式 │ ├── references/ ← Agent 共享文档 │ └── config.toml ← MCP 服务器 模型配置 沙箱策略 ├── .agents/ │ └── skills/ ← 14 个专项技能 ├── Meta/ │ └── scripts/ ← orchestra 免权限脚本 ├── AGENTS.md ← 调度器Codex 的主指令文件 └── My-Brain-Is-Full-Crew/ ← 仓库本体用于日后更新 三个容易混淆的点详见 references/codex-cli-compat.mdAgent 是TOML 格式而非 Markdown存放在.codex/agents/技能放在共享路径.agents/skills/不是.codex/skills/MCP 配置在.codex/config.tomlTOML不是.mcp.json。部署验证2 个冒烟测试确认一切就绪官方提供了运行时冒烟测试矩阵见 docs/codex-cli.md 的 Runtime smoke matrix 章节最省事的两条验证命令① 非交互式发现测试—— 检查调度器、Agent、技能是否都被识别codex exec -C ~/vault List the project custom agents under .codex/agents, the repo skills under .agents/skills, and the dispatcher file used in this workspace.期望输出中应出现AGENTS.md、.codex/agents、.agents/skills三处路径。② MCP 可见性测试—— 检查 Gmail / Calendar 服务器是否配置成功codex -C ~/vault mcp list能列出Gmail、Google Calendar即代表集成就绪。初始化说一句 Initialize my vault验证通过后在 Codex CLI 里直接说Initialize my vault/onboarding技能会启动一段引导式对话定义于 skills/onboarding/SKILL.mdArchitect 智能体将完成了解你的称呼、语言、角色选择启用哪些 Agent 和生活管理领域配置 Gmail / 日历集成可选生成完整的 PARA Zettelkasten 文件夹结构并留下欢迎笔记整个过程用任何语言都可以进行中文交流完全没问题。日常更新与维护一条命令搞定拉到新代码后运行更新器scripts/updateme.sh它会自动检测已安装的平台只更新有变化的文件绝不动你的笔记也绝不覆盖自定义 Agentcd ~/vault/My-Brain-Is-Full-Crew git pull bash scripts/updateme.sh --platform codex-cli⚠️ 区分两个脚本launchme.sh用于首次安装/修复可安全重复执行updateme.sh用于git pull 后的增量更新。常见问题速查表症状排查方法Agent 没被识别确认.codex/agents/里有.toml文件且用codex -C ~/vault在 Vault 内启动见 docs/codex-cli.md Troubleshooting 章节技能不可用技能必须在 Vault 根级.agents/skills/技能名/下MCP 连不上Codex 用.codex/config.toml运行codex -C ~/vault mcp list查看状态子 Agent 链式任务不返回这是 Codexagents.max_depth 1的限制调度器已通过根上下文编排自动适配属正常机制想从 Claude Code 等迁移过来参考 docs/codex-migration.md旧平台文件可共存无需删除核心文件导航安装器scripts/launchme.sh更新器scripts/updateme.shCodex CLI 完整指南含冒烟测试矩阵docs/codex-cli.md平台迁移指南docs/codex-migration.md新手分步入门docs/getting-started.mdCodex 兼容对照表references/codex-cli-compat.mdMCP 服务器源定义mcp/servers.yaml总结Windows 上用 Codex CLI 部署 My-Brain-Is-Full-Crew 的全部关键动作就是——WSL 里装好 Node.js 和 Git →git clone进笔记库 →bash scripts/launchme.sh --platform codex-cli→codex -C ~/vault里说 Initialize my vault。装好后8 个 Agent 与 14 个技能即刻就位你只需要用自然语言对话剩下的整理工作交给这支第二大脑小队即可。【免费下载链接】My-Brain-Is-Full-CrewBuilt by a PhD whose memory was failing, whose diet was a mess, and whose anxiety had its own agenda. Most second brain tools ignore the fact that your brain doesnt work in isolation: your body and your mental health are part of the system too. This crew handles all three: knowledge, nutrition, and mental wellness.项目地址: https://gitcode.com/gh_mirrors/my/My-Brain-Is-Full-Crew创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/13 0:43:49

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/12 9:50:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/12 9:25:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/12 15:57:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/13 0:02:27

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉