介绍了 ReAct 如何通过“思考→行动→观察”的 TAO 循环，让 LLM 从静态答题机变成能主动使用工具的智能体。 本文接续那篇的话题，分析 ReAct 在长任务中的上下文盲点，并由此引出 Context Engineering——一个专门为解决这一问题而生的全新范式。
先声明，这篇文章是我和AI一起完成的。AI“读过”我这些年的讲话和笔记，帮我把散落在各处的想法重新翻出来、连成了线。放在过去，这样的活得翻上许久材料，整理思绪；而现在，是我把念头讲出来，它帮我回看、整理、修正。这大概就是AI正在改变的一件小事——工具不再只是执行，它开始能陪你一起想。面对AI这样一次量级的技术变化，我们到底该用什么方法去拥抱它？下面这些文字，是我回想过去经历行业变革中的一些体会，以老登的视角寻找一些不变的道理，同时也时刻提醒自己要敢于放弃过去习惯与依赖的路径，以第一性原理思考，多聆听用户的声音。
随着业务场景和分类标准不断变化，越来越多的规则、边界和例外被写入 Prompt 或定制链路，反馈分类逐渐变得难以控制和维护。为此，我们重构了分类系统，重新划分业务、Harness 与模型的职责：业务通过完善分类树定义和配置规则来决定分类方向，Harness 将这些业务定义组织成稳定的分类流程，模型则专注于理解用户问题并完成语义判断，让分类结果能够持续跟上业务变化，最终形成由业务定义方向、系统稳定执行的可控的智能。
你的 Agent 上线半年了。回头看看——它比第一天聪明了吗？它可能还在犯三个月前就犯过的错。还在重复三个月前就走过的弯路。还在对三个月前就见过的场景表现得像个新手。半年的线上流量喂过去，它一点经验都没攒下来。问题不在模型不够强。问题在于——没有人给它搭一条从"做过"到"记住"到"变好"的路。这篇文章基于对 Anthropic 递归自改进报告、斯坦福 CS329A 课程、EvoAgentX 等开源框架的深度研读，结合业界多个团队已验证的优秀实践，提炼出一套评测→记忆→落地→控制的四齿飞轮方法论——不是某个环节的最佳实践，而是一个完整的、可落地的、经过验证的工程闭环。
历史服务重构，主要难点不在于翻译代码，而在于先把多年迭代后散落在调用链里的业务逻辑（如状态机分支、隐式校验、数据依赖等）梳理清楚，再据此做更合理的分层改造与业务适配。我们针对服务重构场景，沉淀成一个 Skill，用流程拆分、分层知识库和 Harness Engineering 三部分把重构流程标准化，并在十几个真实重构场景中验证其价值。
我们用 AI Agent 驱动前后端全流程开发——从需求分析到自动化测试，整个 harness 工作流由 1 个 TL + 6 个子 Agent 组成。跑起来之后第一个问题就是：钱烧得很快，但完全不知道烧在哪。我们先用 AgentLens 把成本拆开看，发现系统提示词、工具返回信息、历史消息是大头。围绕"让 AI 只看到当前需要的上下文、减少无关的上下文、减少重复的上下文"这三个原则，我们逐一改造了架构拆分、稳定前缀、渐进式披露、代码图谱、CLI 替代 MCP、长期记忆按需索引、工具调用并行化等 10 个方向。整体全流程预估降本 50%~65%。
