把 AI Agent 当工作系统:从提示词转向知识层

这组帖子集中展示了一个共同转向:AI Agent 的生产力瓶颈,不再被视为“提示词是否足够巧妙”,而是能否被放进一套可长期运转的工作系统。作者们讨论的已不是演示型问答,而是能持续推进项目、在用户不在线时先完成准备工作的 agent。

从提示词转向知识层

PawelHuryn 认为,管理和委派 AI Agent 的核心不在单次提示词,而在系统化的知识层建设。他提出先用 OKR 为任务定义清晰目标和可量化结果,再维护类似 CLAUDE.md 的常驻上下文,写清产品战略、用户画像、约束和工作方式;并在面向 PM 和重度使用者的 Claude Code 指南里进一步强调,人不该“操纵” agent,而应管理 agent——知识层由人维护,agent 更像执行顾问。

实践案例:晨报、记忆与工具编排

kristianism 用 Hermes Agent 搭了一套能“把工作往前带”的系统,关键组件包括持续的身份与行为规则、选择性记忆、本地 Obsidian 归档、可复用技能,以及对 Linear、Xero 等工具的集成,晨间简报也是其中一环。AykutSek 则实现了一个更聚焦的工作流:每天早上在用户醒来前自动生成工作简报,整理待回复的 Slack 线程、GitHub 的新 issue 和 open PR,并回顾当天安排。

记忆即文件

一条转发帖补充了记忆管理的新范式:开发者的工作不应是手写海量规则,而应像“打理花园”一样培育提示词;并援引 Anthropic 工程师的判断,把 agent 记忆当作文件来管理将是下一阶段的重点——这与前述 CLAUDE.md、Obsidian 归档的思路一脉相承。

这组讨论说明了什么

这些帖子共同指向一种更工程化的 Agent 方法:把记忆、文件、技能和业务工具当作长期维护的资产,再让 agent 在其上持续执行。现有材料没有给出统一产品发布或性能数据,但一线使用者已经表现出明确共识——真正有用的 Agent,更像被运营的工作系统,而不是一次性的提示词技巧。

2026-07-18 ~ 2026-07-19 · 5 条相关