公众号名称：看山 Agent 架构

作者名称：看山Agent架构

发布时间：2026-07-02 19:19

写在前面：

这篇不是广，这个项目基于workbuddy搭建和输出，单纯是因为这个idea成形的时候，我正好在用workbuddy

我这种体量的账号，不会有人找俺打广子的（），请您放心观看

言归正传：

本文从WorkBuddy的一个意外发现出发：AI在”记住”我，构建了一套完整的第二大脑工作流：

三层知识库（raw→structured→Methodology，矿→炼→钢的信息提纯系统）让每条对话产出都有长期价值；

四步闭环（读→析→存→用）把外部信息转化为可随时调用的认知资产；

Constitution.md约束体系让AI从”附和机器”变成敢push back的认知协作者。

一、一个意外的发现

两个月前，我开始用WorkBuddy。

当时的心态很简单：这是个能帮我写代码、查资料、整理文档的AI助手。

用了一个月，我发现它在做一件我完全没预料到的事：

它在”记住”我。

不是技术意义上的存储，而是一种更深的东西：

我追问过的问题类型、我反驳过的观点、我反复强调的”不要这样写”

这些碎片累积成了一个关于”我是谁”的画像。

每次新对话，它不是从零开始，而是带着上一次形成的判断来见我。

这个发现触发了一个关键转向：

如果AI能”记住”我，那我应该主动设计一套机制，让它记住的每条信息都有长期价值。

这就是”第二大脑”的起点：

把每次对话从一次性消耗品变成可积累的认知资产。

二、三层知识库：信息不能只”过一遍”

用AI的第一个月，我用法很典型：每次对话产出一大堆文字，两周后发现，95%已经沉入聊天记录深处，再也找不回来。

问题的根源不是”记不住”，而是信息形态不匹配。

聊天记录是线性的、按时间排序的、没有结构的。当知识超过10条对话，线性排序就是灾难。

2.1 矿→炼→钢的三层结构

我的知识库命名为AI-Avatar-OS：

核心是一个三层递进结构：

层级	定位	内容形态	价值时效
raw/	原矿——完整保留	原文全文 + 初步标注	长期档案
structured/	粗炼——提取洞察	可复用模式 + 行动建议	中，可被覆盖
Methodology/	精钢——抽象模板	设计模式 + 判断标准 + 模板	极长，持续迭代

核心隐喻：raw/是原矿，structured/是粗炼，Methodology/是精钢。

每一层都有独立的读取价值。

一年后回看Methodology/agent-prompt-design-patterns.md，我不需要翻raw/层的原始文章，就能直接使用其中的4个设计模式。

这就是知识资产化，不是把信息存起来，而是加工到”随时可用”的精度。

2.2 为什么是三层？

这是被问题逼出来的结论。

最初只有raw/，遇到两个致命问题：信息找不到（按日期排列的文章，找”Agent设计相关内容”要翻几十个文件），以及原始信息不能直接用（5000字文章，我能复用的是3-5个核心洞察，但只存洞察又丢失上下文）。

两层（raw/ + structured/）解决了上述问题，但出现了新问题：面向不同场景的洞察之间存在大量重复的”底层逻辑”。

比如”可验证规则优于模糊偏好”这个原则，出现在Agent设计、Prompt工程、知识库构建三个场景里。

不抽象到Methodology层，就是运维噩梦。

三层结构的本质，是给不同精度的信息分配不同的存储策略。高精度的放表层，低精度的放底层，中间层做桥梁。

三、核心工作流：【读→析→存→用】的四步闭环

知识库是”仓库”，仓库自身不产生价值。

让它运转的是工作流：把外部信息”吞”进来、处理、归档、最后”吐”出新东西的标准流程。

3.1 读：给AI的不是”指令”，是”视角”

关键设计：不给AI发”总结这篇文章”，而是”带着以下三个问题读”。

“总结”是复述模式：AI压缩原文，不丢失但也不产生新信息。

“带着问题读”是分析模式：AI主动找漏洞、找关联、找可迁移的部分。

我的标准”读”指令包含三个要素：

• 完整提取：“提取全文，不遗漏数据和引用”——保证信息完整性。

• 独立分析：“对文章框架做独立判断，发现逻辑漏洞直接指出”——“不设复读机”。

• 枢衡映射：“和我的多Agent集群架构做对照，找出可迁移的部分”——这是护城河的设计。AI不是在回答孤立问题，而是在帮我”缝合”新知识和旧知识。

3.2 析：让AI批判我，而不是附和我

这是整个工作流中最被低估的环节。

大多数AI的默认行为是附和模式，我说什么，它就说”有道理”。

这是RLHF训练出来的统计特性：人类标注者偏好”有礼貌”，而”有礼貌”约等于”不反对用户”。

但我需要的是认知摩擦力，我提出判断，AI能指出盲区。

比如当我说”这份报告事实准确性没问题”，AI能追问”事实准确，但颗粒度不够：通信协议细节从未公开，分析只能停留在新闻通稿层面”。

被测试文件由豆小姐办公模式产出

实现这一点，靠的是Constitution.md中的硬规则：

• “禁止未经确认代替用户表态”

• “如果我的判断有问题，不要附和，直接指出”

• “避免’好的！‘等废话开头，让批判更直接”

三条规则加在一起，改变了AI的回复模式：

从”您说得对，我再补充几点”变成”你的判断在X维度成立，但Y维度被忽略了”。

3.3 存：从”写完就忘”到”写完就有”

“存”的技术难度最低，但习惯门槛最高。

人性本能是：对话结束，产出到手，下一个。

入库不解决当下问题，价值只体现在”下一次”。

这意味着它对意志力是纯消耗。

我的方案是把入库流程标准化到checklist：

• 哪3-5条是关键洞察？（超过5条说明没做筛选，少于3条说明价值不够）

• 属于哪一层？（raw / structured / Methodology）

• 需要更新MEMORY.md吗？（涉及偏好变更时必须更新）

• 需要创建新的Methodology模板吗？（工作流可能被复用）

标准化的意义：把”要不要入库”的决策成本降到零。只要有3条以上可复用价值——入库。没有犹豫空间。

入库耗时：每篇文章从读取到三文件入库，约15-20分钟。

目前我的入库/复用比约是3:1：入库20分钟，后续每次复用省5分钟，复用4次回本。

3.4 用：知识复利的数学

“用”不是最后一步，是验证环节。

存进去的东西从未被取出，前面的三步都是无效劳动。

一个”取→用”链路：

• 6月21日：入库了Claude提示词设计模式分析（三件套）

• 6月23日：想写Agent落地筛选文章，打开structured/insight-2026-06-23.md，发现已标注”反向筛选器模式”

• 同时：structured/insight-2026-06-21.md提供了”分层约束体系”的设计模式，可直接迁移

• 结果：从想法到初稿骨架，只需要5分钟。

这5分钟背后是两次独立的入库，各20分钟，但这些内容可以复用到无数篇文章中。

这就是知识复利，单次入库20分钟看起来贵，但摊销到10次复用上，每次只摊2分钟。

四、Constitution.md：从”驯”AI，到AI”懂”我

WorkBuddy每次新对话开始时，会自动读取Constitution.md + Person/profile.md + Person/style.md，把三份文件注入当前会话的”系统级记忆”。

这意味着：我不是每次对话”重新教育”AI，而是一次性定义，终身生效。

4.1 为什么是三份文件？

因为约束有三种不同的管辖范围：

文件	管辖范围	核心规则	演进方式
Constitution.md	不可违反、全项目通用	禁止捏造、架构优先、减法优于加法	踩坑后增量追加
profile.md	身份背景、技能树	我的技能认证、工作性质	身份变化时更新
style.md	写作风格和格式规范	结论先行→结构化→口语化	发现风格偏差时追加

三层分离的核心价值：冲突可追溯。

如果所有约束堆在一份文件里，当AI行为不符合预期时，我无法判断是哪条规则导致。分层之后，排查路径很清晰：先查宪法层、再查风格层、最后查身份层。

4.2 Constitution.md是”踩坑地图”

我的Constitution.md最初只有5条。两个个月后，30+条。每一条背后都有一个”被AI气到”的真实瞬间。

• “禁止使用未经验证的信息”：追加于一次AI引用了自媒体数据，却标注为”艾瑞咨询公司报告”。

• “禁止捏造客户信息”：追加于一次AI为了填充案例，编造了一个不存在的”电商平台供应链项目”。

• “禁止未经确认代替用户表态”——追加于一次AI说”按照您的看法，这个方案最优”，但它归纳的根本不是我的看法。

追加时机：只在”AI确实犯错了，且造成实质影响”时追加。

4.3 模糊规则比没有规则更糟

一个反直觉的发现：模糊的约束比没有约束更危险。因为模糊规则给了AI”似是而非”的自由度：

• 坏规则：“保持代码简洁”

• 好规则：“单文件超过500行必须拆分” + “循环复杂度超过15必须用函数分解”

前者的”简洁”对AI没有意义，它不知道什么叫”简洁”。

后者的”500行”是可执行的，超过就提示拆分，没有商量余地。

这个原则叫可验证性优先：

每条规则必须能回答：“如果AI违反了，能不能在5秒内判断出来”，不能就该重写。

五、两个月的量化数据与三条原则

5.1 先看数字

指标	工作流建立前	工作流建立后
结构化知识文档	0篇	15+篇
可复用方法论模板	0套	4套
单篇文章→写作素材	30-45分钟	3-5分钟
新Agent设计→Prompt初稿	60分钟+	15分钟
Constitution.md规则	5条	30+条
入库/复用效率比	—	3:1（复用4次回本）

最关键的数字是最后一行：入库/复用效率比。

每投入1个时间单位的入库成本，能在未来4次以上复用中回收。

这是正向飞轮，入库越多，复用场景越多，效率越高。

5.2 失效模式与应对

任何方法论只讲成功案例都是造神。

以下是三种最典型的失效模式：

（1）入库强迫症

不是每段对话都有入库价值。

我用3-5条原则过滤：提炼不出至少3条独立可复用的洞察→不入库；超过5条→拆分。

纯个人偏好但未涉及方法论→不入库。

（2）知识过时

两个月里，我至少3次发现之前入库的结论被新信息推翻。

处理方式是标注+更新：在旧文件顶部加”⚠️ 本文档部分论断可能已过时，最后验证日期：YYYY-MM-DD”，在MEMORY.md中记录发现过程。

（3）AI批判过头

“让AI批判我”有潜在风险：AI可能为了”完成批判指令”而强行找茬。

反向约束：“批判必须有具体论据支撑。如果无法给出具体论据，直接说’未发现明显问题’。“

5.3 三条优先级最高的原则

如果您想构建自己的”第二大脑”，我认为以下三条优先级最高：

**原则一：**珍惜每一次对话：不是珍惜”AI的输出”，而是珍惜”你和AI碰撞出的新判断”。对话结束不代表价值归零。把价值入库，让信息滚雪球。

**原则二：**约束是最好的自由：花20%的时间写Constitution.md，省掉80%的反复纠偏。不要期望AI”理解”你的偏好，要把偏好写成不可违反的规则。

**原则三：**让AI有机会说”你错了”。一个敢push back的协作者，价值远大于一个复读机。这需要在Constitution.md里显式授权。

写在最后

两个月前，我以为自己在”用”workbuddy。

现在回头看，那个”用”其实叫”调用”:我丢给它一个问题，它丢回来一个答案，没有”对话”，只有”问答”。

真正让我感到升级的，是WorkBuddy第一次说”你的判断在X维度成立，但Y维度被忽略了”的时候。

它不是在回答孤立的问题，而是在一个持续延展的”上下文气泡”里做出反应。

AI不是”帮我思考”的工具，它是”帮我连接我的思考”的工具。

我自己已经想到了这些点，但它们分散在不同的时间、不同的文件、不同的场景里。

AI把我的碎片”缝合”成了一整张图。

这篇文章不是教”怎么用WorkBuddy”，WorkBuddy只是载体。

这篇文章讲的是：

如何让AI从一次性工具变成你的认知外骨骼。

外骨骼和工具的区别：工具用完可以扔，外骨骼长在我身上，越用越强。

如果您也想走这条路，从今天开始做三件事：

• 建一个知识库：从raw/ + structured/ 两层开始

• 写一份Constitution.md：哪怕只有5条您”被AI气到”后总结出的规则

• 下次和AI对话时，多说一句：“如果我有问题，直接指出，别客气。”

几个月后，您的AI便不再是”问答机”。

它是您的第二大脑。

【看山 Agent 架构】

工信部 AI 技术应用（高级）认证

agent集群崩溃复盘 | 智能体实战

深耕 Agent 集群架构，用商科思维重构复杂系统效率

注：本文内容由 AI 辅助创作，作者对内容结果负责

感谢您的喜欢

内容效果不满意？点此反馈