Agent-Native 开发框架设计

原文：Agent-Native 开发框架设计

第一层：模块化能力
- 登录，支付，存储，多语言，SEO，后台这些通用功能如何做成一个低耦合可插拔的模块
第二层：流程化工程
- 初始化项目，加模块，页面，CI/CD，部署等这些开发动作如何抽象成标准的流程（skills）
第三层：Agent工程
- tools，skills，context，memory，workflow怎么设计，怎么运转
第四层：平台化视角
- 如何让别人和agent都能够更高效的开发

离技术越近，离商业越远

原文：离技术越近，离商业越远

核心观点：在AI时代，怎么做出来不稀缺，怎么卖出去更稀缺

AI的真正价值不是在于帮你多做，而是在于帮你快速证伪
对赚钱闭环来说，技术不是起点，对高质量职业发展来说，技术依然是护城河
AI 时代真正稀缺的，不再只是把功能做出来，而是知道什么值得做，以及怎样低成本验证它。

与 AI 一起做产品的六条原则

原文：与 AI 一起做产品的六条原则

AI时代产品设计，如何做好人和AI的分工边界

AI 是放大器，人的判断依旧是核心
AI 擅长做加法，人要做减法
如果页面只能留一个按钮，是什么？
AI 擅长平均值，人要提供独特的品味
- 且要把品味沉淀成可复用的 context（skill，文档）
AI 擅长表面功夫，只有人才能共情
- 很炫酷的动画，页面，但也只是炫酷，无法打动人
AI 可以无限生成，但人要保证一致性
- 同一个按钮出现三次，要把用户适应的心智成本降到最低

传统时代的 PM 要求	AI 时代的 PM 要求
需求分析、原型设计、项目管理、数据分析	判断力、品味、共情力、一致性管理、提示词/skill 工程能力

ClaudeCode/Codex 节省80%Token

总费用 = input token（占60-90%）+ output token（占10-30%）
最大黑洞：项目文件自动读取

思路：

text

减少无效文件读取 → 压缩上下文 → 精简指令 → 选对模型
     ↓                 ↓              ↓            ↓
   省 60%           省 50%          省 40%       省 30%

1. .claudeignore

text

# .claudeignore
node_modules/
dist/
build/
.next/
__pycache__/
*.lock
package-lock.json
*.log
.git/
.idea/
.vscode/
*.png
*.jpg
*.svg
coverage/

2. 善用 /compact 和 /memory

3. 善用Plan Mode 弄清需求

记忆管理

参考：GitHub - TencentDB-Agent-Memory | 我用了这个工具，Token消耗量降了60%

模拟人脑的分层记忆：

text

├─ 短期记忆：任务地图（Mermaid）
│  └─ 只保留结构，细节存到外部文件
├─ 长期记忆：分层沉淀
│  ├─ L0：原始对话（兜底）
│  ├─ L1：事件/偏好/约束（原子记忆）
│  ├─ L2：场景聚合（同一话题）
│  └─ L3：用户画像（稳定偏好）
└─ 检索机制：需要时精准召回

两个核心设计：

1. 短期记忆：符号化压缩（解决长任务问题）

text

任务：调研 AI Infra 领域的最新进展

AI 的工作流程：
1. 搜索 "AI Infra 2024"，原文存到 file_001.txt
   ├─ 上下文只保留："搜索 AI Infra，发现 3 个关键趋势"
   └─ Mermaid 任务地图：[搜索] → [发现趋势]

2. 读文章1，原文存到 file_002.txt
   ├─ 上下文只保留："趋势 1：多模态向量检索"
   └─ 任务地图：[搜索] → [发现趋势] → [深挖趋势1]

3. 需要回顾文章1？→ 去 file_002.txt 读取原文
   └─ 而不是一直占据上下文

优势：
✓ 上下文始终保持轻量（只有任务地图）
✓ AI 能看到完整任务结构（不会迷路）
✓ 需要细节时可以随时找回原文（100% 可溯源）

2. 长期记忆：分层沉淀（解决跨会话问题）

text

第 1 天对话：
你："我在做简历优化工具，目标用户是大学生。
     核心功能：10 秒诊断简历问题，
     不做编辑器，只做诊断"

Agent Memory 自动沉淀：
├─ L1（原子记忆）：
│  ├─ 事实："项目是简历优化工具"
│  ├─ 事实："目标用户是大学生"
│  ├─ 约束："只做诊断，不做编辑"
│  └─ 偏好："强调 10 秒快速"
├─ L2（场景记忆）：
│  └─ 场景："简历优化项目"
│      ├─ 关联记忆：上述 4 条
│      └─ 时间线：2026-06-12 第 1 次讨论
└─ L3（用户画像）：
    └─ "用户偏好做减法、强调速度、注重用户体验"

第 2 天对话：
你："继续优化简历诊断功能"

AI 自动召回：
├─ 检索到场景："简历优化项目"
├─ 加载 L1 记忆：项目背景、核心约束
└─ 直接回答："好的，我们继续优化诊断功能。
    根据之前的讨论，核心是 10 秒内给出 3 条最致命问题..."

优势：
✓ 不用重复交代背景（省时间）
✓ 不用手动粘贴历史（省 Token）
✓ AI 能记住你的偏好和约束（保持一致性）
✓ 所有记忆可追溯到原始对话（100% 可验证）