上下文
目标、资料、限制、历史决策和当前状态。
01 / Reframe
Agent 不是工具列表
更准确的表征是：Agent 是被放进上下文、角色、交付物和反馈回路里的工作单元。
- 工具关注能力
- 工作流关注位置
- 系统关注反馈
02 / Resources
三个主要对象
一个真实工作流不是聊天记录，而是一组可以被识别、分配、检查和复用的对象；反馈让它们循环起来。
1 2 角色
Reader、Planner、Reviewer、Writer 只是工作边界。
3 交付物
文档、任务、判断、代码或可继续迭代的记录。
03 / Flow
一次协作的流动
工作不是一次问答，而是一个能重复运行的回路：目标进去，判断回来。
Input 设定目标
先讲清要解决什么、边界在哪。
Context 整理上下文
把资料、约束和历史决策交给 Agent。
Run 执行记录
运行工具，产出可检查的交付物。
Feedback 写回判断
把人的取舍变成下一轮的上下文。
04 / Baseline
先跑出一个基线
不要先优化提示词。先让工作流能被重复运行、记录和比较。
workflow-baseline — zsh git clone <repo> && cd agent-workflowpnpm installcp .env.example .envpnpm eval --case beforepnpm run session -- --record
每次优化都要能回到同一组输入和同一套判断。
05 / Evals
用可验证任务定义好坏
评估不是为了考试，而是让工作流知道自己到底在改善哪一段。
ID 任务 测试什么 判定方式 R1 提取上下文 是否遗漏约束 人工抽查 R2 生成计划 步骤是否可执行 结构匹配 R3 产出草稿 是否符合目标读者 人工评分 R4 复核风险 是否指出关键假设 清单检查 R5 交付摘要 是否能被下一轮复用 复用率 分数 = 可重复输入 + 可检查交付 + 人类判断。 06 / Dashboard
一页看懂工作流是否变好
优秀的 Agent 系统不是“更会说”，而是上下文更短、判断更稳、交付更可复用。
4工作对象 3检查点 0隐形步骤 82%可复用率 Context 输入更短
背景被压缩成能复用的块。
Artifact 输出更稳
每轮都有可检查的交付物。
Feedback 判断可回写
人的取舍会进入下一轮。
07 / Doer vs Tutor
Doer 和 Tutor 的分界
同一个 Agent 行为，可能是在帮你形成心智模型，也可能是在替你绕过心智模型。
Doer 直接交答案
省掉搜索，也省掉理解、取舍和内化。
Tutor 逐步给支架
降低外在负荷，但把关键判断留给你。
08 / Feedback
把反馈写回下一轮
工作流真正变强，不是因为 Agent 记住更多，而是因为人的判断变成了下一轮上下文。
feedback-loop.ts artifact = agent.run(context)review = human.check(artifact)memory.add(review.decision)rules.add(review.risk)next.run(memory, rules)
01 记录决定
这次为什么这样取舍。
02 保留风险
哪些条件变化会推翻结果。
03 压缩规则
下次可以直接复用什么。
09 / Shift
从工具列表到工作系统
同样是用 AI，表征方式不同，长期结果完全不同。
Before 工具列表
关注模型、插件、命令和按钮，越学越散。
After 工作系统
关注对象、机制、反馈和交付，越用越清楚。
10 / Inner Map
真正带走的是内在地图
一次好的 Agent 协作，不只是完成任务，而是让你下次更快识别局面、更准判断路径、更稳交付结果。
- 先重画对象：我到底在操作什么
- 再压缩结构：它能不能复用到下次
- 最后保留判断：人是否仍然负责取舍