我的AI原生工作流实践记录

现在每次打开电脑，我都得同时启动四个不同的Agent工具，多的时候每个工具还开着三五个对话框并行跑任务。这套让我又依赖又头疼的工作流，是怎么一步步长出来的？大概从去年十二月开始，我开始尝试各种Agent工具。随着国内外企业加速布局Agent赛道，腾讯WorkBuddy、阿里悟空、字节Trae Work、OpenAI Codex等新产品层出不穷。为了找到最适合自己工作场景的工具组合，我开始逐一试用，并将它们逐步融入日常工作。目前我的日常办公主要用Hermes，写代码偏好Codex，而WorkBuddy经过几次迭代后也进入了常用列表。

记忆同步：从碎片化到系统化

同时使用多个Agent工具，我遇到的第一个问题就是记忆同步。每个Agent留下的记忆只能在其自身框架内读取，上下文是割裂的。你在这边跟它聊了一个小时的项目背景，切换到另一个工具，它完全不知道你刚才做了什么、你的偏好是什么。我试过好几个开源的Agent记忆框架，发现处理这个问题时总是各有各的不足。于是我给自己写了一个记忆工具，叫KeyMemory。现在所有使用的工具，最终都会往这个工具里回写一份记忆。Agent在工作过程中，也会到这个记忆库里去读取我的习惯偏好、过往工作上下文等等。

Loop工程与秘书Agent架构

记忆多了以后，我给它加了一个"梦境"功能。配置了一个大模型的API Key后，它会每晚定时分析新增记忆与旧记忆的关联，看看是否有进化、补强、桥接或迭代等关系，寻找各个观点、想法、做法之间的联系，并把它们串联起来，包括去重合并。如果有些记忆只是同一件事的不同说法，细节略有差异，它就会被重新合并。但光把记忆一条条堆进去还不够，实际命中效果还是不理想。于是我又做了一个以项目为核心的整理功能，当系统发现一批碎片化记忆其实指向同一个项目时，就自动建个文件夹把它们收进去。底层支持多级文件夹，可以一层层往上套。

上下文完整性的重要性

最近，Loop工程非常热门。我第一次认识到Loop的价值，是在使用Codex的时候。Codex有一个目标模式，你只需要给它一个明确的目标，之后就不用再干预了，模型会一直运行，直到达成目标为止。我跑过最长的一个项目持续了三十个小时，消耗了大约九亿多Token。这次经历让我真正理解了Loop工程的价值——效率的关键不在于每个Agent有多卖力，而在于那个协调者知道什么时候该派谁上场。基于这个认识，我开始搭建一个多Agent协作框架：设置了一个默认的秘书Agent，下面配置了日常工作中经常用到的各种专用Agent，比如负责研究、计划、写代码、写文章、审阅合同或提供法律建议的。秘书Agent会先读取记忆库来理解意图，确认共识后开始编排各个专用Agent，并为每个Agent配置好对应的技能。

在实际使用中，我意识到上下文完整性是Loop工程的关键。在循环过程中，哪怕某一步只偏差百分之五，这个偏移也会在后续每一步中被不断放大——这与气象学中的"蝴蝶效应"如出一辙。因此，我在日常工作中特别注重上下文的采集。超过百分之五十的上下文都是碎片化的，比如会议间隙的讨论、同事展示的竞品图片等。为此，我高频使用AI录音卡来记录碎片化想法，并让Agent定期检索，提取相关文本存储到指定位置，总结关键洞见，存入记忆库，同时提取待办事项同步到日程管理工具。

如有侵权，请联系删除。