以前一轮开发结束，仓库里多出来的东西很清楚：diff、测试，运气好还有一份设计说明。现在 Agent 也能交差，而且通常更快。真正麻烦的是另一面：会话一关，贵的判断跟着蒸发。为什么这么改、踩过什么坑、哪条红线不能碰、验收到底跑过哪些命令，聊天里都说过，仓库里常常没有。

代码还在。上下文没了。

Anthropic 后来把这个尴尬说透了。长任务要跨好几个上下文窗口，每个新窗口都像换班工程师，对上一班毫无记忆。他们不指望把聊天记全，而是要求每一班结束时留下下一位能立刻上手的东西：清楚的 commit、进度文件、能拉起环境的脚本、带状态的功能清单。

我现在看一个仓库，也不再只问「这波功能交了没」。更想问：Agent 跑完一轮后，有没有留下下一轮还能用的东西。

下面按这个标准，把官方文档、开源仓库和我自己踩过的坑收一收。

仓库续航资产分层：知识记忆决策技能按需加载，规则与验收每次会话必留

知识记忆决策技能按需加载，规则与验收每次会话必留

一、大家其实在说同一件事

名字五花八门，指向差不多：会话会断，仓库得接得住。

Anthropic 那篇《Effective harnesses for long-running agents》写得很具体。coding agent 要做增量，结束时工作区要接近可合主线：描述清楚的 git commit、进度文件、init.sh，再加一份带passes字段的功能清单。半成品丢给下一班去猜，不行；没做端到端验证就把功能标绿，也不行。配套例子在anthropics/claude-quickstarts。

OpenAI Codex 拆得更直白：AGENTS.md管规则，Memories 管学到的上下文，Skills 管可复用流程。你纠正 Agent 一次，最好当场让它写回AGENTS.md。反馈环进仓库，别只活在对话里。

Claude Code 的记忆文档则分两层。你写的CLAUDE.md是指令；auto memory 是它根据纠正自己攒的偏好。多步流程别塞常驻文件，该进 Skill；真想拦住某类操作，用 Hook，别指望「它记住了就会听话」。

开源这边，AGENTS.md已经像默认约定（agents.md）：README 给人看，AGENTS.md 给 Agent 看，内容通常是构建命令、怎么测、项目约定、安全注意事项。GitHub 扫了 2500 多个仓库，好用的文件几乎同款：命令靠前，给真实代码示例，写清边界和技术栈；常见六块是 commands、testing、structure、style、git、boundaries。Taiizor/agents-md-cookbook和vltansky/agents-md-evals更狠一点：写短，只写代码里读不出来的；规则最好用 eval 验一下是不是真改变行为，别越写越长。

Agent Skills 标准（agentskills.io）则把「怎么做」拆成可加载包：SKILL.md，外加可选的scripts/、references/、assets/。用到再读，省得每次会话都吞一本手册。

我自己判断要不要沉淀，只剩一个问题：

关掉当前会话，换个模型，换个人接手。哪些信息还成立，而且还能约束下一次改动？

答得上，再写进仓库。答不上，归档就行，别占常驻上下文。

二、八类资产，比「知识 + 记忆 + E2E」多出来的那些

很多人已经会留三类：知识、记忆、端到端测试。这三类对，但还不够。Agent 最容易弄丢的，是中间那些「为什么」和「怎么验」。

几条细则我反复撞上，也在上述材料里反复出现。

规则要短，而且尽量写「代码读不出来」的东西。ETH Zurich 的 AGENTbench 和不少 AGENTS 实践都警告过：LLM 自动生成的超长指令，可能把成功率打下去，还抬成本。栈和风格代码里看得见，就少写；耦合关系、工作流硬要求、领域红线，才值得占位置。

验收别靠自称完成。Anthropic 观察到，单元测试或curl绿了，端到端照样可能坏。做 Web 时，他们甚至要求浏览器自动化像真人一样点一遍。开源 eval 仓库把同一逻辑用到规则本身：这条AGENTS.md有没有改变行为，要测，不要猜。

Skill 和规则别混。每次都要遵守的，放常驻文件；多步、局部、能脚本化的，进 Skill。OpenAI、Anthropic、agentskills.io 在这点上差不多。

真硬的约束进 Hook 或 CI。Claude 文档写得很清楚：memory 是上下文，不是强制配置。想做到「无论模型怎么想都不能碰」，靠 PreToolUse Hook 或流水线，别只写进 Markdown 自我安慰。

如果只能先补一类，我会补可执行规则和可重跑验收。官方材料里这两样出现最多，也最容易在聊天里说完就丢。

一轮结束后的留痕闭环：纠正写入规则，补验收，更新进度，留给下一班

纠正写入规则，补验收，更新进度，留给下一班

三、一轮结束，至少留下这个最小包

八类不用一次建齐。更接近 Anthropic 实验的做法是：有价值的会话结束时，强制留下一个最小包。

进度和 git 先写清楚。progress 文件加描述性 commit，下一班先读这两样，别猜半成品。

口头纠正过、而且还会再发生的，写进最近的AGENTS.md，或目录级覆盖。Codex 的说法很实用：同一类 PR 反馈出现第二次，就该成文。

再留至少一条机器能判定的验收。测试、脚本、类型检查、浏览器 E2E 都行。换会话后还能重跑，对错不靠嘴辩。

未完成项也要看得见。哪些功能还是passes: false，哪些假设没验证，哪些 workaround 有过期日。Anthropic 用 JSON feature list，就是为了压「过早宣布胜利」。

最后看一眼工作区干不干净。他们说的 clean state，大致等于接近可合主线：没有明显烂尾，文档跟得上，下一个人能直接开新功能。这比生成一份很长的NOTES.md有用得多。

我现在会贴这么一张卡：

Agent 任务收工检查（最小包） □ Why：决策/取舍/不做项（短笔记即可） □ Rule：本次纠正是否写入 AGENTS.md / Hook □ Proof：至少一条可重跑验收（涉及 UI 就补 E2E） □ Scar：若翻车，失败样本或禁令已落盘 □ Next：progress / feature 状态 / 未验证假设 □ Clean：工作区接近可合入，不留半截工程

比例还是要克制。改一行文案不必写 ADR；动了共享模块却只留一句update，那是在欠下一位的债。

四、同样改完，仓库里差很多

先说糟糕的那种。Agent 改完packages/payment，PR 写着「支持新折扣字段」，测试全绿。第二天packages/checkout编译挂了。聊天里其实说过要同步改调用方，结束前还要跑跨包 typecheck。会话一关，这些话全没了。

再看留得住的那种。同一轮结束后多了几样不显眼的东西：短决策说明字段为什么放在 payment，以及明确不做顺手重构；AGENTS.md加一条，触及 payment 导出就要跑 payment 和 checkout 的 typecheck；一条契约测试锁住字段形状；若已经翻过车，Hook 在相关 diff 上强制检查。

下一班不必靠记性。它读规则，跑闸门，撞测试。人审 PR 时也能看见取舍，而不只看见一片绿色 diff。

还有一种空忙我见得最多：把整段对话摘要塞进常驻NOTES.md。文件很大，检索很吵，错总结还会被当成事实。更干净的拆法是：偏好进记忆，红线进规则，流程进 Skill，过程进可搜索历史。摘要若要留，得能指回 commit 或 issue，并且允许删。

别追求沉淀体积。密度够用就行。

五、今天就能动手的顺序

先写短AGENTS.md。命令、边界、测试怎么跑，对照 GitHub 说的那六块，百行量级差不多；只写代码读不出来的。

再加收工约定。Agent 声称完成前，对照上面的最小包勾选；勾不上就明说缺什么。

然后补验证。老模块至少写清验收命令；UI 路径补一条真人视角检查；有余力再拿agents-md-evals这类工具给规则瘦身。

Skill 放最后。同一条路径成功走通几次，再抽成SKILL.md。太早技能化，容易把偶然 workaround 焊成标准。

六、收工时多问一句就够

Agent coding 有没有做完，别只盯着「功能有了吗」。再问一句：

如果现在清空会话，只留这个仓库，下一个 Agent 还会不会再踩这次的坑？

会少踩，说明你留下了续航物。不会，多半只是把生产 diff 的速度加快了。

今天就能做的最小动作：翻开最近一个由 Agent 主导的 PR，补三行 Why，补一条验收命令，再往AGENTS.md里加一条禁令或必跑检查。八类资产不用一次建齐，先让教训离开聊天框。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。