出品 | CSDN（ID：CSDNnews）
- 新会话开启后，AI 遗忘项目既定的技术栈与代码规范；
- 长对话后期，因上下文污染和注意力漂移，AI 逻辑混乱甚至原地打转；
- 自动生成代码存在隐藏逻辑缺陷或依赖问题，导致 PR 多次被退回。
核心共识：Agent = Model + Harness
Agent=Model+Harness
第一关：如何让 AI 读懂巨型代码库？
痛点：AI 记不住项目规范，大库读不完
解法：五层记忆体系 + 上下文分诊
1. 建立分层的记忆架构
- Enterprise 级：企业全局 CLAUDE.md，写入不可绕过的安全与合规策略（如严禁代码外发、禁止硬编码密钥）。
- User 级：存放个人编码偏好（如交流语言、快捷指令映射）。
- Project 级：团队共享的项目级规范（如规定使用 Fastify 框架和 pnpm 包管理）。Anthropic 官方建议该文件控制在 200~300 行以内，作为始终在线的 P0 槽，每行皆为关键规则。
- Rules 级：将细分领域规范（如前端组件、数据库迁移、测试策略）拆解为独立文件。利用 YAML Frontmatter 的 paths 字段声明 Glob 模式进行条件化加载，实现按需取用。
- Local 级：存放个人临时备忘，自动纳入.gitignore，不提交至代码库。
2. 上下文分诊：类比操作系统调度
第二关：如何控制 AI 的幻觉？
痛点：AI 给出看起来对、实际是错的代码
解法：结构化上下文 + Hooks 质量门禁
1. 结构化输入，注入而非生成
- 反例：帮我优化这个函数。
- 正例：优化 src/utils/parser.ts 的 parseConfig 函数，瓶颈在第 42 行的循环。
2. Stop Hook 作为契约：将控制交回确定性工程
{
"hooks": {
"Stop": [
{
"matcher": "All",
"command": "pnpm lint && pnpm test",
"blocking": true
}
]
}
}
第三关：如何实现经验复用？
痛点：好 Prompt 锁在个人脑子里，无法团队共享
解法：从 Prompt 到声明式 Skill
- 启动阶段：仅加载每个 Skill 顶部的 name 和 description（约 100 tokens 元数据）。
- 匹配阶段：当用户输入命中 Skill 语义（如提到“审查代码”），系统才展开完整的 SKILL.md 主文件。
- 执行阶段：仅在需要动作时，动态调用挂载的 bundled 脚本或外部资源。
第四关：算力贵、用量不透明？探寻 Token 经济学
痛点：一次任务烧了多少钱说不清，长对话越到后面越贵
解法：反向选型、多层路由与 Talker-Reasoner 架构
1. 建立模型选择矩阵
2. 反向选型：在受限模型下选择“模式”
- 单次调用 Opus：价格高昂，面对边缘 case 仍可能出错。
- Haiku 便宜模型 + 迭代自愈：让 Haiku 写代码，另一个 Haiku 做 Code Review，循环迭代 2 轮。其综合算力成本远低于单次调用顶级模型，但最终产出质量反而实现反超。
3. Talker-Reasoner 双系统
- Talker：采用 200ms 的极速便宜模型（如 Haiku），负责立即回复用户、边聊边等；
- Reasoner：采用慢速但聪明的模型（如 Opus/reasoning），在后台进行深度推理，将推理出的信念状态（belief state）源源不断供给 Talker。
第五关：约束与放手
痛点：AI 改对了 Bug，却顺手改了三处不该改的安全逻辑
解法：约束行动而不是约束思考，引入 HITL 人工审核
- 只读/低爆炸半径操作：（如查代码、看文档）自动放行，不中断流程。
- 可写/中等影响操作：留痕放行，记录全链路 Keyed log，事后支持完整 replay 溯源。
- 高爆炸半径/不可逆操作：强制触发阻断，并在控制台弹出 HITL 人工审核面板，需人工确认后方可继续执行。
第六关：复杂的编排载体该如何抉择？
痛点：SubAgent、Skill、Workflow、Agent Team 概念混淆，不知道怎么组织
解法：一张四方图厘清边界
- Skill = 岗位操作手册：静态的、跨任务复用的知识包与 SOP 模板，代表 Agent 的职业能力。
- SubAgent = 专职员工：具备独立的、被隔离的上下文空间，执行完特定任务后即刻销毁，实现防污染。
- Workflow = SOP 流程图：将控制流显式、确定性地冻结在代码或脚本中，适用于多步、有明确目标的长期自动化流程。
- Agent Team = 持续协作的虚拟团队：维持长期的、多人的对话交互，各个 Mate 角色拥有持久化 Session。
第七关：如何防止长任务状态漂移？
痛点：复杂的长任务跑着跑着就偏离了目标
解法：三平面分立架构 + 草稿纸看板
- 执行调度平面：采用 DAG 结构，只记录任务状态与执行流，不掺杂自然语言叙事与业务参数。
- 机械参数平面：严格键值的结构化字典，是业务 API 入参的唯一可审计来源。
- 叙事对齐平面：采用自然语言记录“目标与进展”，作为防漂移的“防波堤”，包含三个核心：
- 锚（Anchor）：锁定用户的原始最终目标，无论中间跳转多少轮，均以此校准。
- 账（Ledger）：里程碑台账，结构化纪要“做到了哪一步”、“确认了什么”。
- 集（Collection）：投影工作集。每一步只给 AI 投影当前该看的、最小的上下文集合，降低检索开销。
第八关：从 Demo 到产线，如何合规治理？
痛点：能写代码不等于能交付系统，谁来对 AI 的生产出错负责？
解法：可观测性 + 来源坐标 + 团队的两条纪律
- 纪律一：角色规则前置，别等出事再通过 Prompt 去补，必须写进 Skill 或 agent.md。
- 纪律二：实行 Pre-task gating。在 AI 动手写代码前，强迫其先进行评估，说出“要做好这件事，还需要补充什么信息、明确哪些问题”。不评估，不准写代码。
