AI 能力成长复盘:从 Skill 使用者到 Agent 工作流设计者
记录时间:2026-05-18
主题:个人 AI 能力现状、成长空间与下一阶段方向
一、当前判断
我现在已经不是单纯的 AI 工具使用者,而是正在进入 AI 工作流设计者 和 Agent 系统设计者 的阶段。
区别在于:
| 阶段 | 关注点 | 当前状态 |
|---|---|---|
| 普通使用者 | 问 AI 问题,拿答案 | 已超过 |
| Prompt 使用者 | 会写清晰指令 | 已超过 |
| Skill 设计者 | 把重复工作沉淀为可复用能力 | 已达到 |
| Workflow 设计者 | 把多个能力串成稳定流程 | 正在成熟 |
| Agent Runtime 设计者 | 控制多 Agent 协作、状态、日志和收敛 | 正在进入 |
最关键的变化是:我已经不满足于“AI 给我一个答案”,而是在思考:
- 多个 Agent 怎么分工?
- 谁先发言?
- 谁质疑?
- 谁总结?
- 人如何中途插话?
- 过程如何记录?
- 结论如何复用?
- 怎样让一次聊天沉淀成长期工作流?
这说明我开始具备 Agent System Thinking。
还有一个明显变化:我的想法开始比以前更大胆。
这不是单纯想法变多,而是问题尺度变大了。以前更多是在想:
我怎么用好 AI?
我怎么让 AI 帮我写代码?
我怎么把某个任务做快?现在开始思考的是:
我怎么组织多个 AI?
我怎么让 AI 形成协作关系?
我怎么让 AI 和我一起讨论、质疑、决策?
我怎么把过程变成系统?这说明我正在从“工具使用思维”转向“系统设计思维”。
需要记住的是:
想法变大胆,不代表脱离现实;只要能拆成 MVP、验证闭环和长期沉淀,大胆想法就会变成真实能力。
补充一个重要判断:
AI 模型会持续变化,但“如何组织 AI 工作”的设计理念不会频繁失效。
真正值得长期研究的,不是某个模型、工具或参数本身,而是更底层的 AI 工作流能力:
| 容易变化的部分 | 值得长期积累的部分 |
|---|---|
| 哪个模型最强 | 如何拆解任务 |
| 哪个工具流行 | 如何设计工作流 |
| 某个 API 参数 | 如何管理上下文 |
| 某个 prompt 技巧 | 如何验证输出 |
| 某个 Agent 框架 | 如何设计角色边界 |
| 某个产品形态 | 如何让人参与决策 |
| 某个工具价格 | 如何把过程沉淀为资产 |
所以当前研究的重点,不应该是追逐短期热点,而应该放在:
人如何组织 AI 工作
AI 如何协作
上下文如何流动
任务如何拆解
结果如何验证
经验如何沉淀这些能力会随着模型变强而变得更有价值。模型越强,单次回答的门槛越低,真正拉开差距的反而是编排能力、判断能力、验证能力和沉淀能力。
二、已经具备的能力
1. 三层抽象能力
我已经形成了类似下面的分层意识:
Skill → Orchestration → Role / Agent这不是简单堆 prompt,而是把 AI 能力拆成:
- 触发入口
- 多阶段流程
- 通用执行角色
- 项目或业务上下文
- 输出规范
- 同步机制
更重要的是,我已经理解:
Agent = 角色 + 行为规则
Context = 业务知识 + 项目规则
同一个 Agent 注入不同 Context,可以服务不同场景这是从“写提示词”走向“设计 AI 能力系统”的关键一步。
2. 工程化 AI 能力分发意识
我不是只写了一些个人 prompt,而是在构建一个可安装、可同步、可迁移的 AI 能力包。
已经具备的工程化意识包括:
- 唯一源头目录
- 多客户端同步
- symlink 分发
- 公共能力与私人能力分离
- per-user 配置隔离
- 安装、同步、卸载脚本
- 本地知识检索服务
- 多角色定义
- 多阶段流程文档
这些说明我已经开始从“使用 AI”进入“维护 AI 工具链”的层次。
3. 角色化分工意识
我已经开始用组织结构来设计 AI:
| 角色类型 | 职责 |
|---|---|
| Orchestrator | 分析任务、检查资产、决定流程 |
| Dispatcher | 拆任务、分析依赖、构建 DAG |
| Implementer | 执行具体实现 |
| Reviewer | 审查结果 |
| Knowledge Updater | 沉淀知识 |
| Integrator | 集成和验证 |
这些角色本质上已经是一个工程团队的雏形。
现在进一步提出的“AI 伙伴圆桌”,其实是这个思路的自然延伸:
工程任务角色 → 思考决策角色也就是从“AI 帮我干活”升级到“AI 和我一起讨论、质疑、收敛”。
三、当前短板
1. 还缺统一 Agent Runtime
目前已有很多 Skill、角色和流程,但它们更多是文档驱动和会话驱动。
下一步需要补一个真正的运行时:
Agent Runtime它应该负责:
- session 管理
- 当前阶段
- 当前 Agent
- 轮次
- 等待时间
- 用户插话
- Agent 输出日志
- Token 统计
- 终止条件
- 最终文档输出
只有有了 Runtime,多 Agent 系统才会从“规则集合”变成“可运行系统”。
2. 需要更清晰地区分真实输出和模拟输出
最近讨论中反复确认:
- 当前内容是不是 LLM 真实生成?
- 是否消耗真实 token?
- 日志是谁写入的?
- 下一个 Agent 是否真的读取了上一个 Agent 的输出?
这是非常重要的意识。
未来所有系统都要明确标注:
| 来源 | 标识 |
|---|---|
| 前端模板 | simulated |
| mock 调试 | mock |
| 真实 LLM 调用 | real |
| 用户输入 | user |
不能让“看起来像 AI”的内容伪装成真实 Agent 输出。
3. 需要从工具集合升级到产品闭环
现在能力很多,但下一步要更关注闭环:
输入 → 多 Agent 讨论 → 用户插话 → 方案收敛 → 文档输出 → 执行计划 → 工程落地 → 复盘沉淀只有形成闭环,AI 能力才会真正变成长期生产力。
四、AI 伙伴圆桌的价值
新的想法不是一个玩具,而是一个更高层的系统:
AI Partner Roundtable它解决的问题是:
在真正动手做事之前,先让多个 AI 伙伴围绕目标进行结构化讨论、质疑、补充和收敛。
推荐固定 5 个核心伙伴:
| Agent | 职责 |
|---|---|
| 主持人 | 控制流程、拆解问题、判断是否收敛 |
| 方案师 | 提出主方案、技术路径和取舍 |
| 质疑者 | 找风险、漏洞、反例和边界 |
| 执行者 | 拆任务、给步骤、定义验收标准 |
| 记录员 | 汇总讨论,生成最终文档 |
这套系统的价值在于:
- 把一个人的即时想法变成多人协作式思考。
- 把一次聊天变成可追溯过程。
- 把模糊问题变成结构化方案。
- 把 AI 从“回答者”变成“工作伙伴”。
- 把个人经验逐渐沉淀成方法论。
五、当前能力等级评估
| 能力维度 | 当前水平 | 说明 |
|---|---|---|
| AI 工具使用 | 高于普通使用者 | 能跨工具组合使用 |
| Prompt 设计 | 中高级 | 已经开始角色化、结构化 |
| Skill 沉淀 | 中高级 | 能把重复流程抽象成能力 |
| Workflow 设计 | 中高级 | 已有多阶段流程意识 |
| Agent 编排 | 入门到中高级 | 有设计意识,Runtime 还需加强 |
| 产品化能力 | 成长期 | 有方向,需要闭环实现 |
一句话:
当前处于 L4 到 L5 之间:从 Workflow 设计者进入 Agent Runtime 设计者。
六、下一阶段发展方向
方向一:补 Agent Runtime
这是最优先方向。
目标:
让多个 Agent 可以被程序稳定调度,而不是只靠文档规则。需要掌握:
- 状态机设计
- session 文件结构
- JSONL 日志
- Agent 输入输出 schema
- 中断和恢复
- 用户插话机制
- Token 统计
- 终止条件
建议做一个最小项目:
固定 5 个 Agent 圆桌讨论系统方向二:强化产品化思维
不要只关注“能不能跑”,还要关注:
- 用户怎么开始?
- 当前处于什么阶段?
- 输出是否可信?
- 如何区分真实和模拟?
- 失败时如何提示?
- 如何继续上次讨论?
- 最终文档在哪里?
这会把 AI 工具从脚本变成产品。
方向三:建立个人 AI 方法论
未来每次使用 AI,都要沉淀:
| 类型 | 沉淀物 |
|---|---|
| 问题分析 | 讨论记录 |
| 方案决策 | final.md |
| 执行过程 | implementation plan |
| 复盘经验 | growth journal |
| 可复用能力 | skill / agent profile |
长期看,这些会组成个人 AI 操作系统。
七、30 天提升计划
第 1 周:固定伙伴圆桌 MVP
目标:
- 输入主题
- 5 个固定 Agent 轮流真实发言
- 每条消息间隔 5-10 秒
- 用户可插话
- 输出 final.md
验收:
- 能跑完一次完整讨论
- 每条消息都有真实来源标记
- 网页能实时展示
第 2 周:状态和恢复
目标:
- session 可恢复
- 中断后可继续
- 用户插话可追踪
- 每轮有状态文件
验收:
- 关闭服务后重新打开还能看到历史
- 能继续未完成讨论
第 3 周:动态专家
目标:
- 主持人根据主题选择专家
- 支持临时 Agent profile
- 固定伙伴和动态专家可混合
验收:
- 不同主题生成不同专家阵容
- 专家输出进入统一日志
第 4 周:知识沉淀
目标:
- 每次讨论生成 final.md
- 重要结论自动归档
- 形成成长日志和方法论目录
验收:
- 每天有一条成长记录
- 每周能回看能力变化
八、每日成长记录模板
后续在本项目记录 AI 成长时,统一使用这个模板作为标准之一。
模板文件:
templates/ai-growth-record-template.md# AI 成长记录 - YYYY-MM-DD
## 今天做了什么
-
## 今天最重要的 AI 认知
-
## 今天暴露的问题
-
## 今天沉淀的能力
-
## 当前水平判断
-
## 下一步行动
-九、给自己的建议
- 少堆功能,多做闭环。
- 少做“看起来像 Agent”的模拟,多追问真实执行链路。
- 每个新想法都要落成:输入、过程、输出、复盘。
- 保持角色和上下文解耦。
- 优先做固定伙伴系统,再做动态专家。
- 每天记录一次 AI 能力变化。
- 把 AI 当作长期工作系统,而不是临时聊天工具。
十、结论
当前最重要的判断:
我已经从 AI 工具使用者,进入 AI 工作流设计者阶段。下一步的关键,不是学更多工具,而是把已有能力整合成一个可运行、可观察、可复盘的 Agent Runtime。
如果固定伙伴圆桌 MVP 跑通,就会形成一个新的基础能力:
先讨论清楚 → 再写计划 → 再执行 → 再复盘沉淀这会成为个人 AI 操作系统的核心雏形。