把 AI Agent 当成操作系统，而不是聊天工具

大多数人使用 AI，仍停留在“问一句、答一句”的阶段。这种方式适合快速获取答案，却无法积累稳定的工作能力：下一次对话要重新解释背景，做过的事情无法复用，复杂任务也很难验证。

可以把 Agent 看成一个轻量的操作系统。模型只是推理核心；真正让系统持续工作的，是外围的几个层次。

四层结构#

上下文不等于把所有资料塞进对话。有效的上下文应当包含：当前目标、必要约束、已有结论、可用工具和下一步的验证标准。

过量上下文会让重点稀释，过少又会导致反复解释。一个实用原则是：注入索引，不注入仓库；按需展开，不一次全读。

记忆最容易失控。把所有内容都写入长期记忆，最终只会得到一份过期、冗长、互相矛盾的说明书。

信息按生命周期可以这样划分：

这不是文档分类游戏，而是降低未来判断成本的机制。

一段说明文字并不会自动变成能力。一个可用的 Skill 至少需要回答：何时触发、需要什么输入、做哪些步骤、如何验证结果、哪些场景不适用。

例如“部署一个服务”太宽泛；“在 Windows 上以隔离 Python 虚拟环境部署某个服务，并在端口探测通过后验证首页”才是可操作的流程。

Agent 最危险的失败方式，是给出看起来合理但从未执行过的结果。因此，工具调用应该有边界，交付应该有证据。

实际交付时，一项工作至少应有一种可重复验证：构建日志、测试结果、接口响应、文件存在性、页面截图或可访问链接。没有验证的“完成”，只能算假设。

一个可以参考的工作顺序：

模型能力会继续进步，但这套结构不会很快过时。它解决的不是“怎么让 Agent 显得更聪明”，而是“怎么让它在多轮、多天、多项目之后仍然可靠”。