我年轻时认路很厉害，看一眼地图就能从城东穿到城西；现在有了导航，方圆十几公里都得开着导航才敢上路。用进废退，脑子这块肌肉，你不用它，它就替你退休。AI 也一样——它拓展了我们的知识边界，却在悄悄把我们的判断力外包出去。这篇讲讲我怎么"逆流而上"，让 AI 帮我加速，而不是替我思考。

接手陌生代码库，我用了很多年的仪式是画 mindmap、写 wiki——慢，但画完脑子里是有一张图的。现在最直接的提效办法看着是把仓库丢给 AI 要一份摘要，但"读过一份好摘要"和"脑子里有那张图"是两件事。这篇写我定下来的分工：AI 只负责找路，代码还是我自己读。附五个固定使用的 code reading prompt、四种防止被 AI 带偏的验证手段、怎么用 graphify 存结构和 PKB 存判断把地图沉淀下来（省得每个会话都从零 grep），以及怎么把唯一能自动化的那条验证做成 skill 的硬门槛。最后是读懂之后接 OpenSpec 的档位选择——"写代码这一步反而要降档"是最反直觉的一条。

我这个博客仓库有 611 篇 Markdown、791 个文档源文件，可我问 AI “我以前是怎么讲鉴权的”，它照样答不上来。存了等于没存。这篇给一套后端工程师能长期跑下去的方案：先按“AI 知道 / AI 不知道”把知识分层，再用“源文件是唯一事实源、索引全部可重建”的四层结构去存，组织上 Tree 做骨架 Graph 做补充，检索上从目录到混合检索到图检索三级递进。附可抄的目录结构、frontmatter 规范、reindex 脚本骨架、工具三档选型，和一份精选论文清单。

KV Cache 不是一个"顺手能省点钱"的技巧，而是一条硬约束：它规定了你的提示词必须怎么排版。前缀不稳，缓存全废；更糟的是，如果你开了缓存又让前缀每轮都变，按价目表算，账单会比压根不开缓存还高 25%。本文讲清 KV Cache 的原理、命中规则、省钱之外的收益、可落地的最佳实践和常见陷阱。

面向零基础大一新生，手把手学习如何向 AI 提需求、看计划、改代码、跑测试和写复盘文章，并用 DeepSeek-V4-Flash、OpenCode、Cursor + Cline 完成两个小项目。

上下文窗口再大，也不该一次性塞满。渐进式披露的核心是：先给模型一张薄薄的"目录"，让它按需去取详情。这既是省 token 的关键手段，也是让 Agent 少犯错的结构性做法。本文用我自己写的两个 skill 讲清它的做法、最佳实践和常见陷阱。

电话没有消失，而是从呼叫中心唯一的入口变成了 Contact Center 众多渠道中的一个。本文从 SIP、VoIP 和 IVR 出发，拆解 Contact Center 的技术栈、生态、主要厂商、经典应用和公开案例，再讨论 AI 会怎样改造这套系统。

DeepSeek 开源了自己的 agent harness（dsh），主打一句话——"一切皆插件"。它跟别家的 agent 框架不一样的地方不在功能多寡，而在架构范式：模型、工具、技能、会话、沙箱、存储、循环、调度、界面全是插件，连"主循环"本身都能被换掉，没有一个特权核心可以打补丁。本文从一个老程序员被"特权核心"坑过的角度，讲清楚这件事为什么值得关注，以及它的代价在哪。

从大模型的幻觉和不确定性说起，聊聊把产线运维交给 AI 到底放不放心。我的答案是：脚本、监控、告警、扩容、部署都能交给 AI，但判断和决策必须留给人；而且确定性动作让 AI 写完脚本就该退出，用确定性代码去跑，别让概率模型实时掺和。初级运维岗会缩，踩过坑的资深运维反而更值钱。文末给一张"哪些能交、哪些不能交"的清单。

AI 既让学习成本大跌，也在实验里测出了能力退化，这两件事同时为真。差别不在用不用 AI，而在“生成答案的那一步”发生在谁的脑子里。文中列了会变笨的六种做法、会变聪明的六种做法，三条不靠感觉的自测线（费曼测试、挑毛病测试、一个月回测），以及一个反问：AI 做的我都得懂吗？答案是不必——荀子说“假舟楫者，非能水也”，关键是把活分成必须会做、必须能判断、可以不懂三层，判据是“错了会怎样”。

AI 写文档没有消灭废话，只是把成本从作者转移给了读者，还要乘上一个 N。啰嗦的根源有三层：训练时被人类的评审偏好教会的、心里没底时用字数掩饰、以及它压根没有“删”这个动作。治它最省力的一招，是我读 RFC 时留下的那份 What/Why/How/Example 模板——章节固定，配额写死，空白处会暴露问题。

AI 最危险的时刻，不一定是一本正经地胡说八道，而是顺着我们的预设，把一个未经检验的猜测润色成完整结论。与其让 AI 做一个百依百顺的助手，不如把它调成敢于指出漏洞的诤友。

前两篇我自己用 pgvector 手搓了一套 Agent 记忆系统，也讲了怎么让 Claude Code、Codex、OpenCode 共享它。这篇介绍一个 6 万多 star 的开源库 mem0——它把"打分、抽取、去重、多信号检索"这些活儿全帮你做了，还官方提供了三个编码工具的 skill 和 MCP 集成。附架构拆解、核心 API 用法，以及一行命令接进三个工具的实操。

我同时用 Claude Code、Codex、OpenCode 写代码，结果发现自己在维护三份几乎一样的规则文件——改了这个忘了那个，三个工具越用越"精神分裂"。这篇给一套让它们共享同一份记忆的落地方案：静态规则用"单一事实源 + 符号链接"，动态长期记忆用一个 MCP 记忆服务，附可直接抄的脚本和 checklist。

生产上的 AI Agent 大多不是死在模型不行，而是死在记忆管得烂：要么什么都记，Token 和存储一起爆炸；要么什么都记不住，用户说三遍它忘三遍。这篇讲清楚一套像人脑一样分层的记忆系统——工作记忆、情景记忆、语义记忆、程序记忆，以及写入、巩固、检索、遗忘的完整生命周期，最后给一套可落地的参考架构和 checklist。

前两篇讲了用 AI 做计划的心法和工具，但都有个漏洞：PDCA 是个环，却全靠人手动推着转，人一忙就停。这篇讲怎么用一个长期运行的 AI Agent 把 Check→Act→Plan 半环自动转起来——它不替你干活，它是个不睡觉的监工，盯进度、发提醒、起草方案，卡住了就喊人。

上一篇讲了用 AI 做计划的心法，这篇讲兵器：有哪些 AI 工具能落地 PDCA，通用工具怎么选，怎么把 PDCA 封装成你自己的 AI Skill——文末附一份可以直接抄的 Skill 模板和四段 Prompt。

凡事预则立，不预则废。可做计划往往费力不讨好，跟踪、纠偏更是耗时。这篇讲讲怎么把管理学、心理学里那些做计划的老经验，跟 AI 结合起来，让 AI 帮你把 PDCA 环转起来——你省下的时间，用来创新创造。

“超级个体”这个词被讲了太多遍，多半落在“一个人干十个人的活”。我作为一个写了半辈子代码、又被推着做点项目管理的老兵，让 AI 写代码当然也用，但真正想让它接走的是那些不想干又不得不干的活：走流程、开会、跟进度、要支持、写各种报告。这篇拆开讲：哪些活能交、哪些活死也交不出去，秘书型 AI 的五项职能，三段式落地路径，两个从头到尾走完的例子（带 deadline 的待办清单、例行周会），以及别人已经跑通的案例和我踩过的坑。

Anthropic 那篇《Building Effective Agents》我隔一阵就翻一遍，每次读都有点新体会。这篇是我第 N 次重读后的笔记：先把 workflow 和 agent 掰扯清楚，再把五种 workflow 模式和真正的 agent 逐个过一遍，重点讲什么时候该用、什么时候别用，最后落到一张选型表和一份落地清单。核心就一句话——别一上来就上 agent，能用简单模式解决的，绝不加复杂度。