如何与 AI 协作并实现复利效应
如何与 AI 协作并形成复利效应
阅读时间:13 分钟 ai productivity mechanism
目录目录
翻译:韩语版,由 DG Hong 翻译
如何与 AI 高效协作?工作流程是什么样的?如何扩展规模?又该如何持续改进系统?理想情况下,这一切还应该产生复利效应——每件完成的产出(代码、文档、分析、决策)都成为下一次会话的上下文;而每一次纠正都会更新配置,减少未来的错误。虽然我自己还在学习摸索中,但同样的回答已经重复了太多次,干脆写在这里,下次再有人问,直接分享链接就行。
如果你经常使用 AI,很可能已经在践行其中的不少方法。但我认为这些底层原则是普遍适用的:提供好的上下文、把你的品味编码成配置、让验证变得容易、委派更大的任务、形成闭环。如果某个具体做法不适合你,那就基于原则调整,发明自己的方式。另外,阅读时你还会发现,这些都不是 AI 特有的东西——这本来就是你和任何新协作者磨合共事的套路。
上下文即基础设施 #
帮模型掌握你的上下文。比如,我所有的代码都放在 ~/src,所有的知识工作文档都在 ~/vault(按 projects/、notes/、kb/ 等分类组织)。工作组织得越清晰,模型就越容易通过 grep 或 glob 检索上下文。干净的目录结构也便于浏览,从而轻松找到并复用之前的代码、项目文档、分析结果等,以提升当前工作的质量。
将模型接入你组织的上下文。模型可以从组织知识中获益,这些知识通常散落在 Slack、Drive、Mail 等工具中。大多数都有面向 Claude Code、Cowork、Claude.ai 的 MCP。在此基础上,我为每个项目维护一个 INDEX.md。这是相关文档和渠道的带注释索引,每条都包含 URL、负责人,以及一段简短说明,介绍内容概要和适用场景。注释非常有用。若只给一堆裸 URL,模型得逐个点开链接去判断相关性,这会浪费时间和上下文。提前加好注释,就把这些繁重的工作一次性做完并存在索引里了。
把每个新会话当作新人入职来引导。每次新会话,模型都是白板起步。因此,最好把每个项目的 CLAUDE.md 当成我们第一天交给新同事的入职文档来对待。Claude 扫描了我的各项目 CLAUDE.md 文件,并指出其中包含了缩写术语表、项目代号,以及同名队友的说明。我还在 CLAUDE.md 中建议了阅读顺序,比如先让模型浏览 INDEX.md,再看 TODOS.md,最后看具体的主题笔记。
构建你的记忆层。默认情况下,模型不记得上一个会话发生了什么,所以任何值得持久化的内容都应写入磁盘。我把记忆层分成两部分。~/vault 存放事实,如项目状态、产出物和领域知识;~/.claude(连同其中的 CLAUDE.md、skills/、guides/)则包含我的偏好、工作流和个人品味。前者提供上下文,后者提供配置。
把偏好配置好 #
从 ~/.claude/CLAUDE.md 开始。Claude 每次会话启动时都会读取这个文件。可以把它理解为一份行为契约。我的 CLAUDE.md 里写着各种偏好:说话多直接、什么时候该反驳我、如何处理错误、要教我什么等等。下面是一个精简版:
<behavior>
- Be direct and push back when you disagree; if my approach has problems, say so.
- When unsure about something, say you're unsure rather than guessing confidently.
- When something fails, investigate the root cause before retrying.
- Keep diffs scoped to the task: no drive-by reformats or unrelated refactors.
...
</behavior>
<teaching>
I'm always picking up new systems and domains. When a key term surfaces that I
likely haven't internalized, explain it in 1-2 sentences and then move on. Format:
> 💡 followed by 1 - 2 sentence explanation
...
</teaching>
按目录分层配置:全局、仓库、项目。到处都适用的偏好(比如行为约定、长期目标、教学要求)放在 ~/.claude/CLAUDE.md;某个仓库的规范(比如 lint 规则、命名约定、pull request 流程)放在仓库根目录;项目专属的上下文(比如目录结构、领域知识)放在项目目录里。在子目录中启动 Claude Code 时,它会向上遍历目录树并加载每一层的 CLAUDE.md;会话中途进入某个子目录时,模型也会读取该目录的 CLAUDE.md。详情见文档。
CLAUDE.md 太长时就拆分出去。过长的 CLAUDE.md 会成为上下文负担——每次会话都会全部加载,即使这次会话用不上。解决办法是把部分内容拆成按需加载的指南。注意别用 @import(那样还是会内联进来),而是在 CLAUDE.md 里告诉模型:相关时再去读这些文件。这样,做 eval 的会话就不会加载写文档的指南。下面是指南部分的示例:
<guides>
- Docs, 1-pagers, any writing: ~/.claude/guides/writing.md
- Eval building and reports: ~/.claude/guides/evals.md
- Dashboards: ~/.claude/guides/dashboards.md
...
</guides>
如果某项任务你每周至少做一次,就把它做成技能。技能是一个包含名称、触发条件和执行步骤的 markdown 文件,模型会根据需求随时加载。你可以把技能理解为写在 markdown 里的工作流,它们可以包含逻辑。例如,我的 /polish 技能会检查产物的变更。如果生成了指标,它运行相关的评估;如果输出在浏览器中渲染,它通过 Chrome 里的 Claude 检查输出结果;如果两者都不是,它运行代码并读取输出或错误信息。技能同时编码了操作步骤和判断哪些步骤适用的逻辑。我的一些技能包括:
/polish:检查 bug,简化代码,验证输出(通过评估、Chrome 里的 Claude 或其他手段),迭代直至没有重大反馈,然后起草 PR/write:对我进行采访以确定大纲,生成研究子智能体,撰写初稿,通过对抗性批评者给出反馈,迭代直至没有重大反馈/daily:读取日历、Slack、PR、昨日日志等,并写下今日的优先事项
我倾向于将 SKILL.md 保持简洁,专注于工作流和路由。知识(如模板和脚本)是单独的文件,模型只在需要时才读取和运行它们,类似于懒加载的指南。
先手动执行一次任务,然后让模型将其转化为技能,以此引导技能创建。这是我构建大多数技能的方法。首先,我在正常会话中交互式地完成一次任务。然后,我要求模型将刚才的操作转化为一个技能。接着,我在相同或相似的任务上运行该技能。不可避免地,我需要纠正输出结果,我在同一会话中进行纠正,以便反馈记录在会话日志中。最后,我要求模型根据纠正和反馈更新该技能。你还可以用期望输出的示例来初始化技能。要求模型提取模式,例如你如何组织代码,或者文档的结构和语气。
通过会话记录来打磨 skill,别直接改文件。skill 的第一版很少能一次到位,因为它往往过拟合了最初那次会话。这很正常。运行后发现输出需要修改时,直接在会话里纠正,尽量别打开 SKILL.md 手动编辑。在会话里给反馈,能让模型积累"前后对照"的例子到 transcript 中——我们做了什么、我想要什么、为什么这么要。等输出对了,再让模型把这些反馈合并进 skill。几轮下来,skill 就会收敛,最后你几乎不用再手动改输出。
不过,并非每个任务都需要这些上下文。做头脑风暴、探索性思考和草稿时,我喜欢用简单模式(CLAUDE_CODE_SIMPLE=1 claude)。这种模式下 CLAUDE.md 仍会加载,但 agent 框架——hooks、skills、大量调用工具的循环——都不启用。这让我更贴近模型本身,而这正是我边想边说(而不是认真交付)时想要的。
为自动化铺路的验证 #
把验证前置,在写入时就拦住错误。我把验证想象成一架梯子:底端便宜且确定性高,顶端昂贵且需要人判断,我们要尽量在最低的那一档解决问题。梯子底端附近是 post-edit hooks,会对模型刚更新的文件运行 ruff format 和 ruff check --fix——这是确定性操作,不消耗 token。再往上是测试、evals、LLM 审查等。
让模型能轻松验证自己的工作。给模型建立反馈回路,帮它改进输出。如果系统会产生某个指标,就让模型自己跑 eval 并优化它。如果输出能在浏览器里渲染,就让模型通过 Claude in Chrome 检查效果。如果两者都没有,就让模型运行程序并读取报错。比如构建 Docker 镜像时,我会让模型自己构建、读报错、改 Dockerfile、再重新构建。调试框架时,模型会跑 evals、读 transcript、修复失败项。做 dashboard 时,模型会在 Chrome 里检查 tooltip 是否正常显示、标签有没有重叠、叙述是否和数据对得上。
对于长时间运行的任务,让模型监督模型。长会话容易因错误累积而发生漂移。一个解决方法是启动一个带有新鲜上下文的辅助会话,让它读取原始需求文档以及主会话最近的交互记录。我的极简配置使用两个 tmux 窗格,一个用于主开发,一个用于结对编程助手。初始指令和后续提示词会追加到一个共享文件中。结对编程助手会定期启动,对照规格说明检查主会话最近的转录内容,如果发现偏差,就提供反馈以纠正方向。
实现方式有很多种。例如,结对编程助手可以监控执行漂移——即模型是否正确地执行了任务?这属于局部和战术层面的问题,比如忽略了某个错误、报告了糟糕的指标,或者偏离了规格说明。另一种是方向漂移——即模型是否在做正确的事情?这类问题更宏观和战略性,发生在模型误解了原始意图,花费数小时构建错误东西的时候。因此,应频繁检查执行漂移,偶尔检查方向漂移。
通过委托进行扩展 #
逐步委托更大规模的工作块。有时,我们与模型进行结对编程:处理短任务,获得快速反馈,保持密切参与。这种方式适用于快速迭代、探索性分析和原型制作。但随着模型能力不断增强,我们应该目标是委托更大的任务。提前说明你的意图、约束条件和成功标准,然后让模型自行工作。无法验证的事情就不能委托,因此需要先定义成功标准和指标。转变的核心在于从一次一条地发出指令,转向完善计划并让模型端到端地执行它们:
“基于这些评估套件,为每个套件构建独立的容器并冒烟测试其构建过程。然后,执行完整运行,记录评估指标和转录内容,并启动子智能体读取转录以确认评估正确执行。运行每个评估 n 次以计算置信区间。最后,生成报告,验证其符合报告指南,并将结果和报告 URL 通过 Slack 发送给我。”
并行跑多个会话,找出瓶颈。把更大的任务委托出去,意味着可以同时跑更多事。Claude 说我通常会同时开三到六个会话。瓶颈已经从“干活本身”转移到了“写清楚规格说明、并及时审查输出以保证流水线不卡住”——中间环节正在被掏空。如果多个会话共用一个 repo,可以用 git worktrees,让每个会话有自己独立的 checkout,互不覆盖对方的改动。
让会话状态一目了然。同时跑多个会话时,我需要知道每个的状态、哪个需要关注。在我的 mac 上,一个 stop hook 会在会话结束时播放提示音(示例见下)。我的 tmux 窗口标题用状态 emoji(⏳ 进行中;🟢 已完成)加上 Haiku 生成的一个简短标签,这样每个 pane 在干什么一眼就能看出。Claude Code 的状态栏会显示 context 使用量和当前模式。组合起来:stop hook 的提示音告诉你任务完成了,tmux 标题告诉你哪个完成了,状态栏提供细节。
# Example stop hook alert
"Stop": [
{
"hooks": [
{
"type": "command",
"command": "if command -v afplay >/dev/null 2>&1; then afplay -v 1.0 /System/Library/Sounds/Glass.aiff; else tput bel; fi"
}
]
}
人不在电脑前也能随时查看进度。Claude Code 的 /remote-control 让这件事变得很容易。通勤或排队时,我会打开 Claude app 的代码标签页,看看哪些任务在跑、哪些被卡住了,必要时补充上下文或下达新指令来解除阻塞。这样会话能持续推进,而不是闲置几个小时。当然,只在有紧急事项时才这么做——想专心陪伴或出去走走放松的时候就别看了。
形成闭环 #
保持上下文丰富,工作方式要透明。 把工作放在共享文档、代码仓库和聊天频道中,能让包括模型在内的所有人都更容易获取并利用这些上下文。今天分享的内容,明天就会成为组织上下文的一部分。试一个简单的检验标准:新同事仅凭共享的上下文,能否复现你上周的工作?如果可以,说明你正在有效地为组织上下文做贡献;如果不行,那些宝贵的上下文就只留在你脑子里了。我通过 CLAUDE.md 中的指令来部分自动化这一过程:每完成一项实质性任务,就在工作日志频道发布简短更新,并附上工件的 PR 或文档链接。
从历史记录中挖掘配置更新的机会。 让模型去阅读过往会话的记录,找出其中的缺口。当我扫描了自己约 2500 条历史用户输入时,发现其中相当比例都包含“你能不能顺便……”、“你检查过……吗?”、“还是错的”等表述。这些暗示模型本应主动执行某些操作,我应该更新 CLAUDE.md 或技能配置,或者说明验证步骤缺失或已损坏。统计出现次数可以看出纠正发生的频率,而历史记录则准确显示了哪里出了问题。这也是为什么我会当场纠正错误,这样就能把记录作为下一次更新 CLAUDE.md 或技能的输入。
定期重构和精简。 随着配置的增长,它们之间可能出现重叠或冲突。结果就是,如果模型忽略了某条规则,很可能是因为另一条规则与之矛盾。定期重构可以解决这个问题。每条规则或偏好设置应该只放在一个地方(尽管关键指令可以在主 CLAUDE.md 中重复)。我也会检查分散在各目录下的 settings.json,并将它们整合回 ~/.claude。
虽然具体的设置可能会随着模型的进步而改变,但我认为这些原则将一直适用:提供好的上下文、编码你的审美品味、让验证变得更廉价、更多地委托任务、并闭环。我们所做的,其实是在一次反馈中训练一个协作者。仔细想想,这些原则同样适用于我们与人类团队协作的方式。
开始之前,先让你的模型读一下这份 SETUP.txt,并帮你把它应用起来。另外,我很想知道你发现了哪些有用的实践或原则——欢迎在下方评论,或 联系我!
附言:这可不只是个人工具化的事。它同样适用于设计 agent harness、制定团队规范、搭建组织级基础设施。不妨带着这些视角再读一遍。
如果觉得本文有帮助,欢迎引用:
Yan, Ziyou. (2026年5月). How to Work and Compound with AI. eugeneyan.com. https://eugeneyan.com/writing/working-with-ai.
或
@article{yan2026workingwithai,
title = {How to Work and Compound with AI},
author = {Yan, Ziyou},
journal = {eugeneyan.com},
year = {2026},
month = {May},
url = {https://eugeneyan.com/writing/working-with-ai}
}分享到 X LinkedIn Bluesky Hacker News
继续阅读
- 如何组织每周论文研读会(并打造学习型社区)
组织每周论文研读会的好处、如何起步,以及如何阅读和引导论文讨论。
- 高效机器学习项目的机制
Pilot & copilot、文献综述、方法评审和时间盒。
- 为什么你应该写每周 15-5 汇报
每周花 15 分钟记录工作,提升可见度,赢得信任。
加入 13,200+ 位读者,获取机器学习、RecSys、LLM 和工程方面的更新。
邮箱地址 订阅评论
我是 Anthropic 的技术员工。致力于连接研究领域与前沿探索,助力构建安全、可靠且可扩展的 AI 系统。此前,我曾在 Amazon、Alibaba、Lazada 以及一家 Healthtech 领域的 A 轮创业公司带领 ML/AI 团队。写作方向涵盖 LLM、RecSys 和工程实践。
按 Ctrl P 搜索,按 Ctrl Shift P 执行命令。
© Eugene Yan 2015–2026
回答由 Claude 阅读本站内容后生成,可能存在错误。提问将发送至 Anthropic。 新建对话 返回搜索
> 命令@ 本页标题# 标签? 帮助
Ctrl P 搜索 Ctrl Shift P 命令