Executive Second Brain — Ryan Wiggins 的 Claude Code 实战

来源：Peter Yang 采访 Ryan Wiggins（Mercury VP of Product），2026-04-22

系统架构

Ryan 将其系统称为 "second brain" 或 "mission control"，核心是一个五层架构：

Knowledge Base (5M words)
    ↓
QMD Local Indexing
    ↓
Claude Hooks (Context Injection)
    ↓
Skills + MCP Integrations
    ↓
Multi-Agent Workflows

1. 知识库层（Context Layer）

• 规模：近 500 万字，覆盖 Ryan 在 Mercury 5 年的全部工作
• 内容：公司战略文档、每个产品 spec、每个运行过的 query
• 存储：本地文件系统
• 来源：任何与 Ryan 工作相关的信息

2. 索引层（QMD）

使用 Toby's QMD（本地向量索引）对知识库做语义索引。

关键特性：搜索的不是关键词，而是概念。输入 "MCP product traction growth" 时，QMD 返回的是与这些概念语义相近的内容，而非字面匹配。

3. 上下文注入层（Claude Hooks）

• 每天更新 memory
• 每次提问时，hooks 自动将相关知识库内容注入请求
• 结果：问 "how's activation trending" 时，实际上是在问 "基于 Mercury 过去 5 年所有相关知识和历史，activation 趋势如何"

4. 技能层（Skills）

预定义的工作流模式：

• 数据分析
• 构建小应用
• 学习新知识并反馈到记忆系统

5. 多 Agent 工作流

复杂任务拆分为多 agent 协作：

• 理解数据 → 思考问题 → 运行分析 → 讨论 → 生成报告

日常工作流

晨间与晚间简报

Ryan 将系统嵌入到每天的起点和终点：

核心理念：让 Ryan 能更专注于会议本身，而不是记录和整理。

AI Meeting Coach

Ryan 认为最惊喜的用例是 AI 作为个人教练。

运作方式

1. Notion 转录会议
2. 每天结束时，Claude Code 拉取 Slack、Linear、Notion 转录、其他文档
3. 进行 15 分钟的对话式复盘
4. 关键问题："今天有没有遗留事项？" "今天有什么我应该为绩效考虑的？"

效果

Ryan 的绩效 review 中有一条反馈："太快跳到解决方案，没有充分探询问题或与团队充分协作。" AI 教练在每次会议后检测这一行为模式，并实时提醒。

"在会议中，它告诉我：'你在做这件正好写在你绩效 review 里的事。'它能以比其他任何系统都更快的频率让我保持诚实。"

结果：行为真正发生了改变。Ryan 知道有一个系统会让他为此负责。他的经理和 HR 伙伴对此"非常高兴"。

内部 AI Data Analyst

基于 Ryan 本地 prototyped 的系统，Mercury 内部构建了一个 AI data analyst。

能力范围

• 回答 Mercury 内部约 80-90% 的跨职能团队常见问题
• 示例：growth 趋势、昨日申请人数、某产品的销售线索转化率

从个人工具到内部产品

1. Ryan 在本地用 Claude Code 原型验证
2. 建立对准确性的信心
3. "剥离"为内部产品，推向全公司

"它真正解锁了大量的速度和产能。"

关键设计决策

本地优先

所有敏感数据存储在本地，查询在本地索引上运行，速度极快。

安全模式

演示时 Ryan 明确启用 "safe mode"，避免泄露敏感信息。

多工具集成

• Metabase 和 Omni（BI 工具）：用于数据查询和分析
• Notion：会议转录
• Linear / GitHub / Slack：工作流数据源

关联

• claude-code/claude-obsidian-integration — Claude + Obsidian 第二大脑集成
• harness-engineering/memory-as-trajectories — 轨迹记忆范式
• harness-engineering/agent-harness-engineering-addy-osmani — Harness Engineering 框架
• product-trends/mercury-mcp-case-study — Mercury MCP 产品策略