AI 提效实战：Loop 很火,我先把记忆维护这块做扎实

Loop 最近很火。讨论大多围着它能让一堆 agent 自己跑起来转：定好目标，挂上定时任务，睡一觉醒来，代码改完了、测试也跑过了。

从 prompt 到 loop

这几年用 AI 的方式，更新迭代越来越快，prompt、context、harness，现在是 loop。

最早是 prompt，你琢磨怎么把一句话说清楚，AI 就更懂你。

后来是 context，光说一句不够，你得把项目背景、相关资料一起喂进。

再后来是 harness，光给信息也不够，你得给它定规则、搭框架，圈出哪些能动、哪些不能动。

到了 loop，规则也立完了，你索性退到执行之外，只定义目标和验收条件，让整个系统自己一轮一轮跑。

每一轮都对应着AI的能力进阶，人干预减少，但是对人的组织管理、讲清楚目标的能力要求更高，。

五块积木

把一个 loop 拆开，大致是五块，再加一个文件。

定时触发是它的心跳，决定什么时候开工、什么时候收手、失败了怎么办。

工作树隔离，让同时跑的好几个 Agent 各有各的工作区，不会互相覆盖代码。

项目知识，把代码规范、命名习惯、踩过的坑写在外面，Agent 一启动就读到，不用每次重讲一遍。

连接器，让 Agent 不只是读文件，还能动 GitHub、数据库、Slack，真正接进你的工作环境。

子 Agent，写的人和查的人分开，一个负责做，一个负责验，自己不给自己打分。

最后那个文件，专门记状态：当前目标、已经确认的事实、还没解决的问题。模型每次开新对话都会忘，文件不会忘。

重点聊聊文件，我比较看重这个。

Addy Osmani 博客 Loop Engineering 拆解五块积木和状态文件

记忆维护skill

我自己早就写过一个维护记忆的 skill，叫 /remember。每次任务收尾用它，把值得长期记的东西写进记忆文件，一个索引管着，下次开对话自动加载。

image-20260615154129085

也会有一些问题，比如记忆只增不减，越堆越多。有些条目早就成了固定规则，却还躺在记忆里每次加载占位置。

Boris Cherny：我不再给 Claude 写提示词，我的工作是写 loop

看到一个开源 skill，解决的正是同一个问题：知识体系怎么避免臃肿过时。

那套是给代码仓库设计的，里面一大半是路由清单、集成文档、跨项目同步这些东西，我的场景是写作和知识库。

我的做法是参考思路，不照搬实现。把三条跟我场景对得上的，优化到 /remember 自己的流程里：

1. 动手前先量一下体积，超线了先清理再写新的；
2. 已经稳定、不会变的规则，从记忆升级成常驻配置，记忆里删掉换成一句指针；
3. 改完加一道自检，看索引有没有断链、有没有过期信息。

用新流程跑了一遍，把三条早该固定下来的写作规则，从记忆挪进了常驻配置。

自检那一步当场抓出一个问题：有条记忆引用了我刚删掉的另一条，留了个断掉的链接。这种东西，旧流程做完就走人，根本不会发现。

一个工具火的时候，最快的落地是先看自己手里已经有什么，是否可以优化，毕竟实际落地用到自己的业务上才是最重要的。