Behind the Craft

“会生成代码”只是起点；商业化的分水岭是能否把领域优势包装成安全、可收费、可被发现、可持续迭代的产品。

把 eval 当成持续运行的产品学习系统，而不是上线前的一次考试：人负责品味和错误分类，代理负责规模化执行。

创作者的 AI 杠杆来自“流程资产化”：先亲自找到高质量做法，再将其固化成可复用技能，并让代理跨 Notion、日历、邮件和视觉画布执行；AI 负责搬运与组合，人负责品味和可信经历。

可靠智能体不是提示词工程的放大版，而是一个具备目标、工具、上下文发现、反馈和评测的产品系统。先证明端到端任务，再优化模型与成本，比一开始追求廉价和完美架构更有效。

个人智能体的护城河将来自可迁移的记忆、技能和用户控制权，而不是一次对话中的模型分数。

个人 AI 工作系统的壁垒不是提示词数量，而是持续存在的上下文、明确的授权边界、可审计的任务状态，以及能从历史反馈更新自身的技能库；线程是工作空间，技能是组织记忆，goal/plan/worklog 是长任务的控制面。

本期提供了一套务实的 Agent 工程方法：先把模糊任务变成可观察、可验证的工作，再让 Agent 长时间运行；随着模型能力提升，减少提示词约束往往比继续叠加规则更有效。

Agent 团队只有在工作可验证时才会可靠；“完成”必须从一句自我声明变成测试、截图、日志或可复现产物。