构建记录
OpenNori · Distill · Technical Knockout · Agent Workflow。这些记录共同构成这套人能验收的 AI 编码工作系统的公开运行日志。
系统演进 OpenNori 产品尝试 架构判断 AI 协作
已归档 10 篇记录，持续更新。
- AI 编码缺的不是计划，而是验收我开始做 OpenNori 之前已经有了这个判断：AI 编码真正需要补上的，不是更长的计划，而是一层能让人判断完成、让 agent 每次只推进一个缺口并在关键决策处停下来的验收契约。
- Skill + CLI Workflow：把一次经验变成长期能力AI 协作真正可复用的，不是某次对话里的 prompt，而是能把经验沉淀成 Skill、CLI、Memory 和验证闭环的能力工厂。
- AI 编码正在变成一套工作系统AI 编码工具正在从代码生成器走向可托管执行系统。真正的上限来自上下文、记忆、执行、验证和知识回流的完整闭环。
- 从 Grill 到 Goal：AI 编码的完整工作流AI 编码真正的变化，不是模型更会写代码，而是工作流从一次性 prompt 走向可对齐、可托管、可验证的工程任务。Grill 负责想清楚，Goal 负责跑到底。
- 知识库应该是 runtime，不是 storage当 AI 开始参与检索、分析和执行时，个人知识库需要的不是更多存储，而是一套可编译、可检查、可影响分析的运行时。
- Compound Engineering——让每一行代码都产生复利传统开发是债务累积，每加一个功能就增加复杂度。Compound Engineering 反转这个趋势：每次改动都让下一次更容易。这是 Every 团队用 50+ Agent 和 38+ Skill 跑出来的工程方法论，也是我个人最看好的 AI 协作方向。
- 知识偏移与架构腐化：AI 加速的不只是产出，还有衰退AI 不只加速了正确变更的产生，也加速了不合理变更的进入速度。代码腐化的速度，正在被悄悄拉高。
- Harness 决定 AI 协作上限社区已经开始往 harness、SDD 和 multi-agent automation 演进。AI 协作的关键，在于为 Agent 设计一层可控的工作系统：目标、边界、上下文、验证和沉淀。
- 为什么我最后选择了「先讨论，再让 Agent 动手」试过 superpowers、openspec 这类重工作流之后，我最终收敛到一种更适合真实工作的协作方式：先讨论清楚，再让 Agent 动手。讨论先于执行，可以把返工成本前置处理。
- 你的笔记系统为什么一直在重建？90%的笔记不值得留存。问题不在工具，在于你从来没有定义过什么值得记。本文分享我如何用对象模型和生命周期重建知识管理系统。