1. 从复杂架构到极简提示词的认知转变
作为一名长期从事AI工程化落地的实践者,我最近经历了一次深刻的认知转变。我们团队原本设计了一套看似完美的三层架构系统,包含Command层、Agent层和Skill层,还定义了严格的九步工作流。这个架构在纸面上看起来非常漂亮,但当我们真正尝试使用时,却发现它带来了巨大的认知负担。
最让我震惊的转折点出现在一个简单的开发任务上。当我直接在聊天框中输入"帮我在user表加一个last_login_at字段"这样的自然语言指令时,AI在5分钟内就完美完成了任务。而按照我们设计的架构,同样的任务需要走完需求创建、意图识别、路由分发等复杂流程,预计耗时15分钟。这个对比让我们不得不重新思考:AI工程化的本质到底是什么?
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 两个产品的关键启示
在反思过程中,Google的NotebookLM和Anthropic的Claude Code给了我们重要启发。NotebookLM的界面简单到令人惭愧——只有来源、对话和输出三个区域,但它完美解决了信息消化的问题。这让我们意识到:LLM本身已经足够强大,关键在于如何组织输入。
Claude Code团队的经历尤其引起共鸣。他们最初也尝试创建复杂的工具图,但最终发现"你给模型的工具越少,每次调用的效率就越高"。这与我们设计大量精细Skill的做法完全相反。更震撼的是Claude Code创作者的实际工作方式:同时运行10-15个Claude实例,每周产出50-100个PR,这种效率让我们开始质疑复杂架构的价值。
3. 新思维模式的核心原则
基于这些反思,我们形成了全新的思维模式:
文档即记忆:AGENTS.md文件既是新人的入职手册,也是AI的核心记忆。我们不再维护两套知识体系,而是用同一份文档服务人类和AI。例如,原本需要开发pre-commit Skill来强制lint检查,现在只需在文档中写明"提交前必须运行make lint",AI就能自主遵守。
先跑起来再优化:我们放弃了追求完美设计,转而从最简单的提示词开始。就像Claude Code团队强调的:"大多数会话都从计划模式开始,与Claude讨论直到满意其计划,然后切换到自动接受编辑模式。"这种简单直接的方式反而更高效。
自然演进:我们不再预设复杂架构,而是观察团队如何使用工具
