ai对话，自动将问题转换成专业问题

根据ai提问的过程，自动整理问题，解答，然后记录

注释型 agent 自动开发

Harness：记录问题，如果xxx忘了，应该在xxx位置去找，重新读取。但是 AI 怎么知道自己是否忘记了…？还是得读取标题的形式。

AI 智能体，当谈论某个话题的时候，自动与历史记录建立关联。将历史记录蒸馏，然后建立索引，打标签。识别是否需要加载历史记录，然后更 AI 更加了解用户

文件更新时间。重新总结摘要。通过修改日志变更决定是否有必要重新生成摘要。

工作流+决策。动态决策。动态工作流。场景判断。

用一个配置文件，来选择是否读取提示词。 扩展skills功能。 skill太多了，分个类。然后选择性地读取工具说明书。 先选topic，再选工具 标签式管理提示词。不严格关键字，标签+配置文件，选择性读取提示词。 ai自行决策选择哪些prompt，哪些参考信息。

ai ide的原理是什么？只有内置提示词吗？agent什么机制？我要如何搭建自己的ai工作流？

skill可视化。ui管理。为什么skill不能可视化？像工程一样进行管理？分组。

skill-manager。搭建自己的工作流。

开一个与 ai 对话的窗口，然后自动将这个对话主题，通过ai自动总结为skill。

这个窗口是完成一个任务，多次对话，提取要求变更。 建一个任务主题，然后多个对话，每个对话多次交互。自动根据这个主题，提取对应的skill。

skill market太大了，难以检索对应的skill，找到合适的语言花太多的时间。

一个任务可能调用多个skill，怎么处理？skill多个执行，项目顺序，或者并行。执行的时机。

分组skill可能存在skill交叉的问题。一个skill属于多个场景。

交互式的 ai。查内容，要用户补齐了再执行。plan 模式。

不要手动配置。文件夹就是路径，就是配置，就是分组。

这里应该有一个习惯转化agent。根据习惯以及当前的任务，输出约束更强的任务提示词，二次加工。根据一句简单的话，自动构建提示词。

硬约束，软约束。软约束转换为硬约束。

记忆系统，将代码转换为自然语言。

自动压缩存储。结构化内容。

复杂任务不要执行完了才有响应，要分阶段响应，过程体现出来。

参考文献提取出来。固定字段，减少token输入，优化完提示词之后，再插入进去。

预测用户的下一步操作，预测用户的想法。

为用户自动创建快捷方式，目录，放到一个频繁使用的目录。

并发机制。

正反教学。对抗机制

日志系统。ai执行任务的日志系统。

英文大写，突出强调。

按需加载工具。工具使用频率，预加载频率高的

提示词分类，显示各个类型提示词的占用比例。系统提示词，工具提示词，记忆，历史记录，空余token

压缩机制，哪些可以被压缩，哪些不能被压缩。

指明哪些可以做，哪些不能做。内容分类，世界上的所有任务体系进行结构化内容。

预测用户行为模式，计划模式，推理模式

skill写得完整，有规范。输入，输出，停止条件，运用场景。副作用。

压缩skill的提示词空间。不要冗余的描述，只给关键描述。

同时，避免过短的描述。key_value写清楚，避免范式匹配。噪声污染。

中断，询问用户机制。

先定义清楚，使用场景，再开发功能，测试是否有效。

强制约束跟软约束区分，保障能够正常执行。

越早发现问题，越省时间。

验证闭环

对话历史持久化存储。

用一个doctor保证运行环境没问题

预测完成任务，需要用到哪些东西，做哪些事情？原子化，然后加载对应的工具，或者习惯。

一切的架构都是针对实际应用痛点场景而设计的

标签索引机制。

当用户对 plan 模式下制定的任务感到困惑，不确定时，要询问planner，并且不影响制作的plan