标签：AI Agent、LLM、工程实践、知识管理、Claude Code
前言
去年，我开始系统学习 AI Agent 开发。从 LangChain、Prompt Engineering，到 MCP、各种 Agent 框架，我几乎什么都学了一点。
但学得越多，我反而越发现一个问题：真正限制开发效率的，并不是模型能力，而是工程管理能力。
最开始，我把 Prompt、代码、文档、笔记分散存放在不同地方。随着项目越来越复杂，逐渐暴露出一些问题：
- 同样的问题反复思考，每次踩坑都要重新搜一遍；
- 项目规则越来越混乱，不同 Agent 工具各有各的配置，互相打架；
- 学到的知识无法复用，看完的论文、调过的 Bug 转头就忘；
- 每次开启新项目都需要重新整理开发环境，像重新搭一次积木。
我意识到：问题不是工具不够强，而是缺少统一的工程化管理。
于是，我开始尝试把学习、知识管理和开发流程沉淀成一套体系，希望把日常开发中的知识、规则、工作流和项目管理统一管理起来。
这篇文章是整个系列的第 00 篇，主要分享为什么会有这个想法、想解决什么问题，而不是介绍具体工具怎么做。
为什么需要一套 AI Engineering OS？
先说最原始的问题：我的开发环境变得越来越难管理了。
我有三个独立的 AI 工具在同时工作，各自负责不同的事情：一个管学习和知识管理，一个管代码生成，一个管工程规范。三个工具各有各的配置、规则和记忆文件。
刚开始还好，后来问题来了：
Prompt 到处都是。有些写在学习工具的 skill 里，有些写在代码工具的 rules 里，有些散落在笔记里。想找一个之前调好的 prompt，要翻好几个地方。
文档找不到。之前写过一个项目架构文档，但放在哪个目录、什么格式，完全不记得了。检索成本比重新写还高。
Agent 没有统一规则。不同工具对"代码风格"、"输出格式"、"安全约束"的理解完全不同。同一个项目，两个工具给出的答案风格能差两倍。
每个项目都重新配置。新建一个项目 → 配置规则文件 → 写行为规范 → 装依赖 → 调 prompt。这一套下来半天没了。下次再做类似项目，重复一遍。
经验无法沉淀。调通了一个复杂 pipeline，解决了三个坑，跟同事讲完了就完了。下次遇到类似场景，还是从头排查。没有形成可复用的知识资产。
这些问题的本质是：工具在进化，但工程化管理没有跟上。
所以我开始问自己：有没有办法把这些零散的流程串起来？
我的目标
我希望解决的核心矛盾是：开发效率受限于工具之间的信息孤岛。
所以我对这套系统的期望是：
知识统一管理。所有学到的概念、踩过的坑、调通的流程，都有一个地方可以快速检索。不需要记在脑子里，但需要能够两分钟内找到。
Agent 统一行为规范。不管是用 Hermes 做知识管理、Claude Code 写代码、还是未来接入其他 Agent，都应该遵循同一套规则体系：代码风格一致，输出格式统一，安全边界清晰。
工程经验持续积累。每次解决一个问题，系统自动或半自动地把经验沉淀下来。下次遇到同类问题，不需要从头思考。
项目可以快速复用。新建项目时，规则、模板、常用配置、依赖环境都能一键拉起来。从"搭积木"变成"用模板"。
每天都有可复盘的数据。今天学了什么、调了什么、踩了什么坑、解决了什么——这些数据能被记录和复盘，形成正向循环。
系统的大致结构
这是我的 AI Engineering OS 当前的分层设计：
知识库 (Obsidian) ↓ Rules (core/ + heavy/) ↓ Agent Layer (Hermes / Claude Code) ↓ 项目 (agentone_test / agent_code / ...) ↓ 复盘 (Daily Review + Weekly Review) ↓ 持续优化 (Skill 沉淀 + 规则迭代)每一层的关系是：
- 知识库是整个系统的底层土壤。所有技术概念、笔记、阅读记录放在 Obsidian 里，用 PARA + Zettelkasten 混合管理。
- Rules是 Agent 的行为规范。拆成 core（常驻规则）和 heavy（按需加载）两层，避免每次对话塞太多上下文。
- Agent Layer是执行层。Hermes 管学习、笔记、技能沉淀；Claude Code 管编码、重构、测试。两者通过共享规则统一行为。
- 项目是具体的交付成果。每个项目继承通用规则，再覆盖项目特有的配置。
- 复盘是反馈闭环。日复盘 + 周复盘，检查学习进度和规则有效性。
- 持续优化是系统的进化机制。有用的经验沉淀为技能，过时的规则淘汰，整个系统越用越强。
这个结构不是一开始就设计好的，是在用了两个月的过程中不断调整出来的。后续每篇文章都会深入介绍某一层。
用图来说，变化是这样的：
以前：工具和数据各自为战
flowchart LR Prompt[Prompt 片段] Obsidian[Obsidian 笔记] Claude[Claude Code 工具] Hermes[Hermes 工具] GitHub[GitHub] Notes[各处笔记]现在：分层协同
flowchart TD Knowledge[知识库] Rules[Rules 行为规范] Agent[Agent 执行层] Project[项目] Review[复盘] Knowledge --> Rules --> Agent --> Project --> Review Review -.> Knowledge闭环：越用越强
flowchart TD Learn[学习新知识] Practice[工程实践] Review3[复盘总结] KB[沉淀到知识库] Learn --> Practice --> Review3 --> KB --> Learn目前已经实现了什么？
目前已经跑通的部分：
知识库整理已基本完成。Obsidian 主库 + learn02 学习库，已经建立了 Index 导航、YAML frontmatter 规范、跨库 wikilink 体系。学过的每个概念都有原子笔记。
开发规范已初步建立。AI Engineering OS 分 core/ 和 heavy/ 两层：
- core/ 有 3 条最小规则（行为底线）
- heavy/ 有 20+ 个能力文件（按需加载）
- 覆盖代码审查、架构设计、测试规范、安全检查
Hermes 工作流。配置了 Hermes Agent 作为学习教练，管理：
- 面试准备和薄弱点识别
- 间隔复习卡片（1d/3d/7d/30d）
- Obsidian 笔记自动化生成
- 知识关联和 MOC 维护
Claude Code 配置。三体分离原则：
- Hermes Agent 管自己的
/hermes/目录 - Claude Code 管自己的
.claude/目录 - AI Engineering OS 管
D:\.claude-data\ - 三者互不干扰，通过共享规则协同
项目模板。常见项目的脚手架和配置文件已经整理，新建时直接 copy。
还存在哪些不足？
只写成功是没意义的，坦诚说不足：
生命周期管理仍需完善。知识的"过期检查"还没做——有些笔记是两个月前写的，里面的 API 可能已经变了。谁来定期审查？什么频率？还没有自动化。
自动化程度不够。目前的复盘还是半自动的：Hermes 帮忙写，但最终还是我触发。理想状态应该是每天自动汇总、推送摘要。
很多流程仍依赖人工维护。技能沉淀、规则更新、项目归档这些操作，目前还是手动执行，自动化程度还有提升空间。
还没有形成完整的数据统计。每天学了多长时间、调了几个 Bug、知识库增长了多少——这些数据散落各地，没有统一的 Dashboard。
三套系统之间的衔接还不够顺。Hermes 写了笔记 → Claude Code 读不到；Claude Code 沉淀了经验 → Hermes 不知道。中间还需要一个共享的"总线"。
这些不足既是问题，也是后续优化的方向。
我最大的感受
写到这里，我想说一个最真实的感受。
我越来越觉得，AI Agent 真正难的不是 Prompt，而是工程化。
Prompt 可以抄、可以调、可以迭代。但工程化不行——它需要你理解自己的开发流程，理解工具之间的协作关系，理解知识怎么沉淀、规则怎么演进、经验怎么复用。
这个系列我会持续写下去，每一篇都会围绕一个真实的问题展开：为什么 Rules 要分层？为什么 Memory 需要生命周期？为什么要做 Review？
不是介绍"我有什么"，而是分享"我为什么这样设计"。
如果这些思考能够帮助更多开发者少走一些弯路，那这套系统就不仅仅是我自己的工具，而是一份可以持续沉淀的工程实践。
如果你也在尝试构建自己的 AI 开发体系，欢迎交流。
本文是 [AI Agent 工程实践] 系列的第 00 篇，用于介绍系列背景和整体思路。
