最近观察到一个现象：多数同学做 AI Coding 研发提效的第一反应，是把现有的研发流程 workflow 化，让 AI 在每个节点上提效。这条路有现实价值，但我认为它不是 AI Coding 的最终形态。写这篇文章的目的是表达我对 AI Coding 的理解与判断，欢迎拍砖。
OpenClaw 的创始人在 6月8日 凌晨 2:58 发布推文： Here's your monthly reminder that you shouldn't be prompting coding agents anymore. You should be designing loops that prompt your agents.”。简单翻译一下就是：我们要设计一个循环去代替不停地Prompt，把人从流程中拔出来。loop是不是又是AI圈造了一个新词，不清楚，但是确实给我们看待“问题”提供了一个新的视角。
个人 AI Coding 的效率提升已无悬念，但团队规模铺开后，一个更深的短板暴露了：每次 session 踩坑、纠偏产出的有效经验，session 结束即归零。业界在 Agent 经验管理上的探索多聚焦"个人记忆"，而要打破AI每次进项目都"从零开始"的循环，需要的是一套能持续捕获、提纯、沉淀团队经验，让AI带着项目语境进场的系统。本文分享从 0 到 1 建设这套系统的完整过程——从初版 90% 候选经验为废料的起点，到打磨出 Review/Dedup/Merge 三层治理链路，每一步踩在真实问题上的演化路径，以及驱动策略设计的实验数据和可复用方法论。
本文讨论一种面向监控指标的自适应异常发现方法：系统从多天历史数据中学习正常形态，在保留固定阈值、前序环比、昨日同比等线上订阅规则兜底的同时，无需等待用户逐条订阅，即可生成带证据的异常候选。文中案例均已采用通用名称，日期及业务标识已隐去，量级与回放结果以相对化或区间化方式展示。图表用于说明数据形态与判断逻辑，不代表具体业务规模。
