核心观点

Agent 不稳定往往因为只给了目标没给解法。把个人解决问题的流程记录下来、抽象成模式并作为上下文给 AI，相当于提供经验上下文，可写成 Skill 复用。

来源

核心论述

1. Agent Coding 的缺失：只有目标，没有方法

传统 prompt 只给 AI 一个目标（如「实现用户注册 API」），描述的是结果而非过程。这导致 AI 行为不稳定。

2. 解法：提供解决问题的方式

同时给 AI 目标和路径：

实现用户注册接口。
请遵循以下开发流程：
1. 定义数据结构
2. 实现最小 API
3. 添加输入校验
4. 添加错误处理
5. 编写测试

这相当于提供了一种 problem-solving pattern，给 Agent 添加经验上下文。

3. 构建个人经验库（Experience Library）

三个步骤：

  1. 记录过程 — 记录思考路径，不只是答案
  2. 抽象模式 — 总结稳定的解决问题模式
  3. 封装为 Skill — 作为 AI 可调用的上下文

4. Skill 是经验库的最终形式

将经验写成 Skill，加到 Coding 编辑器里，让 AI 自行调用。大大提高开发效率。

关键模式

Debug 模式：复现问题 → 查看日志 → 缩小问题范围 → 验证假设 → 修复问题

新功能开发模式：明确需求 → 设计 → 实现最小版本 → 添加测试 → 优化

延伸思考

  1. 经验上下文 vs 目标上下文：传统 prompt 只给目标，加上经验模式才完整
  2. 大模型有训练素材上限：AI 只会已经出现过的东西，私有经验需要外部存储
  3. Skill 是最小可复用的经验单元：可以跨项目、跨工具使用

相关概念