AI 编程这波浪潮里，概念满天飞，工具天天换皮，但底层没那么玄学。
Agent 并不是魔法，本质是在给不稳定的 LLM 套一层“结构化约束”（Harness），让输出更可控。Claude Code、Codex 都是这个路子。
1）先把 LLM 看透：它只是在猜下一个 Token
理解这点，很多“玄学问题”就不玄学了。
你怎么喂上下文，它就怎么偏；你怎么引导，它就往哪儿走。
所以提示词从“格式崇拜”走向“自然表达”是必然的，但会提问依旧是硬实力。
2）Prompt 不是没用了，而是该“少诱导、重反馈”
- 别一上来塞方案，先讲现状和目标，让模型给你视角；
- 问题导向迭代：看结果 → 指错 → 重写指令 → 新对话验证；
- 关键词给太死，反而容易把模型带沟里。
一句话：少控制路径，多校验结果。
3）AGENTS.md 很重要，但别写成“紧箍咒大全”
社区里很多超长“必须/禁止/原则”，大多是噪音。
你给模型塞太多限制，通常不是更稳，而是更钝。
全局指令该做的是边界与工具说明，不是风格驯化。
4）别被“新名词营销”牵着走
RAG、Context Engineering、MCP、Skills……
很多东西本质是旧问题的新包装，或者把 Prompt 规范化。
该追的不是“词”，是：能不能真实减少你的摩擦、缩短交付路径。
5）并行开发有上限：两个任务是多数人的极限
开三四个 Agent 看起来很高效，实操就是脑子爆缓存。
通知狂响只会打断心流，制造“我很忙”的幻觉。
建议：关通知，主动查看进度。
被动响应通知 = 被节奏支配；主动巡检任务 = 你掌控节奏。
6）文件即记忆：把上下文从“脑子”搬到“文件系统”
CLI Agent 更吃文本检索逻辑。
要让 Agent 稳，靠的不是祈祷，而是可检索、可复用的项目文档。
文件要面向最终执行，不要塞过程垃圾。
本质是在补齐模型上下文和注意力的先天短板。
7）流程简化：先计划，再编码
你现在的两步法很实用：
- 反复讨论并固化计划（PLAN / plans 目录）
- 按最终计划落地代码，并沉淀实现文档（docs 目录）
计划文件是锚点，代码是产物。
8）结果导向：少纠结“优雅过程”，多盯“可验证交付”
从“我手把手教 Agent 写代码”转向“我管方案和验收标准”。
中间的小错别急着抠，集中到评审阶段统一修。
代码质量不是靠情绪判断，靠测试和可排查结构。
核心目标只有一个：It just works.
9）心态升级：从执行者到管理者
把 Codex 当“外脑 + 小黄鸭”用：你负责拆问题、定标准、做取舍；
它负责大规模执行。
别把 Agent 当神，也别把它当玩具——它是放大器，放大你的判断力，也放大你的混乱。
10）错误实践的教训
- 盲目追求“长时间 autonomous 运行”意义不大；
- 真正有价值的是减少人工干预、提高稳定交付概率；
- 照抄别人的 Prompt/Skills 起步快，但不一定适配你的项目；
- 最有效的成长路径：盯执行过程、找失败根因、迭代自己的方法论。
