# 能工智人的传习录

> 知行合一，以 AI 炼器 · 能工智人的实践笔记


This is a bilingual blog (Chinese & English) about AI practice, engineering methodology, and cognitive upgrade by Alex Wang.
Este blog bilingüe (chino e inglés) trata sobre la práctica de la IA, metodología de ingeniería y mejora cognitiva.
AIの実践、エンジニアリング手法、認知の向上に関するバイリンガルブログ（中国語・英語）です。
중국어와 영어로 된 블로그로, AI 실천, 엔지니어링 방법론, 인지 향상에 대해 다룹니다.
Dieser zweisprachige Blog (Chinesisch/Englisch) behandelt KI-Praxis, Engineering-Methodik und kognitive Weiterentwicklung.
Ce blog bilingue (chinois/anglais) porte sur la pratique de l'IA, la méthodologie d'ingénierie et l'amélioration cognitive.
## 文章
- [技能文档自动化：四块骨架，AI 随心搭](https://blog.chuanxilu.net/posts/2026/08/ai-path-l1-l2-week3-day14/): Day 14 配套练习：角色文档的四块骨架，把验收标准写进提示词
- [OpenCode 免费额度实测：一天 450~766 次，不是传言说的 200](https://blog.chuanxilu.net/posts/2026/08/opencode-zen-go-misconceptions/): 网上关于 OpenCode 免费模型与订阅的传言，逐条拿数据对账：同一把 key 如何区分 Zen 与 Go、免费版额度的实测边界、oc 的 ds4f 是否缩水、Go 订阅额度怎么算。
- [DeepSeek 涨价，不只是因为 GPU 更贵](https://blog.chuanxilu.net/posts/2026/08/deepseek-price-increase-beyond-gpu/): 2026 年 8 月 6 日 DeepSeek 发布 API 涨价预告。本文拆解涨价背后同时成立的多层动机：成本转嫁之外，还有用户筛选、预期管理、免费营销、价值定价切换与开源生态的定价约束，并列出方案公布前可验证的信号。
- [Day 13 练习：把绘本生成工作流构建成一套技能包](https://blog.chuanxilu.net/posts/2026/08/ai-path-l1-l2-week3-day13/): AI 之路 L1→L2 Day 13 配套练习：用 picture-book-pipeline 这个真实项目，演示怎么把一条工作流构建成技能包。六轮对话：定目标、讲工作流、确认节点与验收、要方案、确认后实现、测试。每一步对应 day8 到 …
- [你的 AI 工具箱——无状态 API 脚本和 AI Agent 怎么配合](https://blog.chuanxilu.net/posts/2026/08/ai-path-l1-l2-week3-day12/): AI 之路 L1→L2 Day 12：无状态 API 脚本和 AI Agent 怎么配合。用 Dolch PP 级儿童绘本的批量制作过程拆解完整流水线，讲清楚分工、中间产物和验收。
- [自由职业者的 VibeCooking #1：从最简单的热身开始](https://blog.chuanxilu.net/posts/2026/07/vibecooking-001/): 系列第一篇。长期点外卖之后决定自己做饭的门槛不在厨房，在心理。从最简单的两个菜开始热身。
- [Day 11：输出质量检查，AI 给你的东西怎么确定做对了](https://blog.chuanxilu.net/posts/2026/07/ai-path-l1-l2-week3-day11/): AI 之路 L1→L2 Day 11：GCO 本身是描述框架，换个方向就是验收清单。三种验证方法都不用你写代码，帮你判断 AI 给的东西到底对不对。
- [任务描述练习：从模糊到清晰](https://blog.chuanxilu.net/posts/2026/07/ai-path-l1-l2-week3-day10/): AI 之路 L1→L2 Day 10：同一个需求，模糊描述和清晰描述，AI 输出能差多远？三个练习帮你建立任务描述直觉。
- [1754个测试全绿，为什么"神探"一出手就揪出6个刺客？](https://blog.chuanxilu.net/posts/2026/07/testing-coverage-truth-code-review-found-6-bugs/): 1754个测试全绿也别迷信！从 6 个被 Code Review 揪出的 Bug 聊聊测试覆盖率的真相。这不是'测试没用'的故事，是'测试和审查彼此补了对方盲区'的故事。
- [Codex CLI 冷启动：从安装到跑通第一条指令](https://blog.chuanxilu.net/posts/2026/07/ai-path-codex-cli-setup/): AI 之路番外篇：GPT-5.6 发布后，Codex 的新装法——ChatGPT 桌面版自带 Codex 模式，CLI 也仍在更新。
- [从 Warp 到 Kitty：一个输入法卡顿引发的迁移](https://blog.chuanxilu.net/posts/2026/07/from-warp-to-kitty/): 在 Warp + OpenCode 下中文输入法几乎没法用，换到 Kitty 后问题消失了。顺便聊几个 GPU 终端的性能对比。
- [同一个系统，两门语言：Aristotle v1.6 架构决策的五个约束](https://blog.chuanxilu.net/posts/2026/07/aristotle-v16-cross-language-design/): Watchdog 在 TypeScript 里做同步拦截，Intervention 在 Python 里做策略决策，中间用一个 subprocess bridge 连接。这不是架构师画出来的，是五类约束逼出来的——运行环境、已有资产、零新基 …
- [OpenCode 冷启动：五分钟用上免费的 DeepSeek V4 Flash](https://blog.chuanxilu.net/posts/2026/07/ai-path-opencode-zen-setup/): AI 之路番外篇：OpenCode 安装、注册 Zen 账号、配置 API Key、选择免费 DeepSeek V4 Flash 模型，完整冷启动流程。
- [从'事后反思'到'实时拦截'：Aristotle v1.6.0 的 Watchdog-Intervention Bridge](https://blog.chuanxilu.net/posts/2026/07/aristotle-v16-watchdog-intervention-bridge/): 前 5 篇都在解决"犯错之后怎么记住"。但有些错误没有"之后"：文件正在被写坏、commit 正在被污染。反思跟不上损坏的速度。v1.6 引入 Watchdog-Intervention Bridge，不再等事后，在违规发生的瞬间拦截。
- [Intel Mac 上选一个中英文语音输入工具：purr、typeflux、openquack、freeflow 横向对比](https://blog.chuanxilu.net/posts/2026/07/macos-voice-input-tools-comparison/): 一台 Intel MacBook Pro（MacBookPro16,2），需要支持中文和英文的语音输入。GitHub 上四个项目——purr、typeflux、openquack、freeflow——各有取舍。本文从实际硬件出发做一次横向对 …
- [Day 9：API 缓存原理，选 provider 时别只看单价](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week2-day9/): L1→L2 第二周 Day 9 番外：理解 API 缓存的工作原理，学会从缓存命中率、价格等角度评估 API provider。选对工具比选便宜的更重要。
- [Day 8：自主执行型 AI，不写代码也能自动化](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week2-day8/): L1→L2 第二周 Day 8：认识自主执行型 AI（Claude Code / OpenCode / Codex），学会描述任务让 AI 自己干活，用整理下载文件夹做一次完整实操。
- [协议遵守的半衰期（续）：创可贴能撑多久](https://blog.chuanxilu.net/posts/2026/06/half-life-of-protocol-compliance-3/): SELF-MONITORING 补丁发布后，确认请求降了 94%，状态块完整率涨了 5 倍。但 60% 的状态块仍然残缺。创可贴能撑多久？
- [协议遵守的半衰期（下）：深层根因](https://blog.chuanxilu.net/posts/2026/06/half-life-of-protocol-compliance-2/): 为什么协议遵守会有半衰期？从 softmax 注意力稀释、RoPE 位置衰减、EOS 偏好到 transformer 无状态架构，逐层挖到 LLM 不会自治循环的算法根因。
- [kdatasrc-helper：让 AI Agent 直接查金融数据的技能](https://blog.chuanxilu.net/posts/2026/06/kdatasrc-helper-financial-data-skill/): kimi CLI 的 datasource plugin 能查行情、宏观数据、企业工商、学术论文，但在 AI agent 工作流里直接调用很别扭。kdatasrc-helper 做了一层封装：单条查询、批量并行、自动解析、市场感知合并。本文 …
- [协议遵守的半衰期（上）：Agent 为什么不会自己转](https://blog.chuanxilu.net/posts/2026/06/half-life-of-protocol-compliance-1/): AI Agent 不会自己循环。每次推一下转一圈，你不推它就停下来问"要不要继续"。近 20 小时 161 次确认请求的真实数据，挖出协议遵守的半衰期。
- [Day 7 练习：给脚本加上错误处理](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week2-day7/): L1→L2 第二周 Day 7 练习：给批量处理脚本加上超时重试、限流等待、异常日志，让脚本在真实网络环境下不再轻易中断。
- [Day 6 练习：批量处理实战——选一个场景跑通](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week2-day6/): L1→L2 第二周 Day 6 练习：选一个真实场景（翻译、摘要或改写），跑通完整的批量处理流程。
- [Day 5 练习：让脚本读懂更多格式的文件](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week2-day5/): L1→L2 第二周配套练习 Day 5：扩展 Part 2 的脚本，让它能读取 PDF、Word、CSV 等多种格式文件，不再只限于 .md 和 .txt。
- [AI 之路进阶升级指南（二）：从一次调用到批量处理——让程序替你干 100 件事](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week1-day4/): AI 之路进阶系列第二篇：学会用 Python 读取文件、调用 API、保存结果，再用循环批量处理整个文件夹，写一个能自动总结 100 篇文档的完整脚本。
- [Day 3 练习：API 参数实验](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week1-day3/): L1→L2 第一周配套练习 Day 3：动手实验 temperature 和 max_tokens 参数，观察 AI 输出的变化，建立对参数的直觉。
- [omo vs oms：Fallback 链深度解析](https://blog.chuanxilu.net/posts/2026/06/opencode-fallback-chains/): oh-my-openagent（omo）和 oh-my-opencode-slim（oms）的 fallback 机制完全不同：omo 是五层管线逐层降级，oms 是启动选模型 + 运行时 abort 重试。本文从源码出发，拆解两套系统的架 …
- [Day 2 练习：用聚合平台跑通同一个请求](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week1-day2/): L1→L2 第一周配套练习 Day 2：注册聚合平台，修改两个参数让昨天的代码对接新地址，对比聚合平台和官方直连的区别。
- [当你的 AI 编程工具需要三套配置](https://blog.chuanxilu.net/posts/2026/06/opencode-triple-config-switch/): 从实际痛点出发，设计 OpenCode 的三套并行配置方案——omo 完整版、oms 精简版、纯净模式。通过环境变量切换，让每个场景用最合适的工具。包含完整的文件结构、fallback 链设计、启动脚本和踩坑记录。
- [今日停更一天](https://blog.chuanxilu.net/posts/2026/06/daily-pause-2026-06-04/): 休息一天，明天继续。
- [Day 1 练习：跑通你的第一段 API 代码](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week1-day1/): L1→L2 第一周配套练习 Day 1：动手跑通 Part 1 里的第一段代码，附带常见错误排查。
- [AI 设计的实验，你得自己审](https://blog.chuanxilu.net/posts/2026/06/experiment-design-review/): 双盲实验成功了，但审查设计时发现 rubric 偏向被测变量、场景覆盖不足。两个设计缺陷都是审出来的，不是跑出来的。
- [AI 之路进阶升级指南（一）：API 初体验——第一次用代码调用 AI](https://blog.chuanxilu.net/posts/2026/06/ai-path-l1-l2-week1/): AI 之路进阶系列第一篇：API 是什么、和聊天窗口有什么不同、怎么注册账号（DeepSeek/OpenRouter/Claude）、Python 环境搭建、第一段代码跑通，以及 token、temperature 等核心参数的直觉理解。
- [实验设计没毛病，LLM 为什么还是翻车了](https://blog.chuanxilu.net/posts/2026/05/execution-context-design/): 双盲实验设计得再理想，不约束每个子 agent 的上下文边界，LLM 仍然会在垃圾输入上认真打分、在没授权的时候自己做汇总。我用两轮真实实验数据说明：workflow 设计和上下文构造是同一枚硬币的两面。
- [AI 之路初阶升级指南（五）：毕业考核与下一步](https://blog.chuanxilu.net/posts/2026/05/ai-path-l0-l1-graduation/): AI 之路系列最终篇：L1 达成清单帮你验收 4 周学习成果，L1→L2 双路径预告（API 构建工具 / 自主执行型 AI），带你从"使用 AI"走向"让 AI 替你做事"。
- [如何用双盲实验验证 skill 改动的有效性](https://blog.chuanxilu.net/posts/2026/05/double-blind-experiment-ai-prompt-validation/): AI skill 的 A/B 测试不是给用户看两个方案测转化率，是让 AI agent 用两个 skill 分别产出结果，再用另一个 AI agent 盲评。我用真实实验数据说明为什么需要双盲，以及如何避免五种失效模式。
- [我的 Prompt 库长什么样：一个真实模板](https://blog.chuanxilu.net/posts/2026/05/ai-prompt-library-template/): 不知道怎么组织 Prompt 库？这是一个完整的目录结构和三个真实示例，你可以直接复制使用。
- [今日实践：整理你的前 5 条 Prompt](https://blog.chuanxilu.net/posts/2026/05/ai-practice-build-prompt-library/): 系列配套实践：从你近期的 AI 对话里挑出 5 条验证过有效的 Prompt，按模板记录入库。启动你的 Prompt 库，从 0 到 5 是最难的一步。
- [AI 之路初阶升级指南（四）：建立个人体系](https://blog.chuanxilu.net/posts/2026/05/ai-path-l0-l1-week4/): AI 之路系列第四篇：构建你的 Prompt 库，按场景选对工具（国际/中国双方案），用分层策略做知识管理——不是所有 AI 输出都值得保存。
- [维度实验：30多年前的奇书能搞定审查维度？](https://blog.chuanxilu.net/posts/2026/05/review-dimension-experiments/): 代码审查维度从 8 加到 11，设计审查从 11 加到 14，已知问题的发现率都从 1/6 升到 6/6。灵感来自 36 年前的公理化设计理论。但不是维度越多越好——加了数学公式反而让效果变差。关键是做对照实验，用已知问题做参照。
- [角色扮演实战：让 AI 当你的魔鬼代言人](https://blog.chuanxilu.net/posts/2026/05/ai-devils-advocate-role-play/): 追问是自己挖假设，角色扮演是让 AI 帮你挖。用一个 Prompt 让 AI 扮演严厉的反对者，专挑方案里的漏洞——比自我审查快十倍，比问朋友方便十倍。
- [策略基因：借遗传算法思路精简审查 prompt](https://blog.chuanxilu.net/posts/2026/05/signal-purity-less-is-more/): 审查 prompt 从 317 行砍到 135 行，审查质量反升 29%。删掉的不是流程步骤，是模型自己能推导出来的冗余内容。留下的才是策略基因——不可替代的约束、反面例子和语气锁。
- [追问进阶：用 3 个问题暴露 AI 回答中的隐含假设](https://blog.chuanxilu.net/posts/2026/05/ai-follow-up-hidden-assumptions/): 追问不只是让 AI 说更多，还能暴露回答背后的默认前提。用三个问题检查隐含假设、发现遗漏问题、寻找反例条件，在接受建议前先做一次安全检查。
- [长对话翻车实录：3 次跑偏的教训](https://blog.chuanxilu.net/posts/2026/05/ai-3-long-conversation-fails/): AI 对话到 10-15 轮容易开始跑偏，但跑偏的方式不只一种。3 次真实翻车——讨论思路方向串了、数据分析引用出错、写方案需求穿越——每次都讲清楚发生了什么、为什么、怎么避免。
- [级联检索，借信息检索领域 15 年前的方法治审查 agent 的病](https://blog.chuanxilu.net/posts/2026/05/dual-pass-review-recall-precision-tradeoff/): 设计审查的 agent 既要找得全又要找得准，一个 agent 难以两全。借鉴信息检索领域 15 年前的级联检索思路，拆成两个 agent——一个只管找全，一个只管找准。设计方案的问题更早被发现，开发阶段返工的风险降低了。
- [今日实践：一次 15 轮长对话实验](https://blog.chuanxilu.net/posts/2026/05/ai-practice-15-turn-conversation/): 系列配套实践：选一个多步骤任务，和 AI 对话至少 15 轮。感受长对话中的跑偏，练习进度总结和开新对话，亲手建立上下文管理的肌肉记忆。
- [看不见的空白层](https://blog.chuanxilu.net/posts/2026/05/tdd-pipeline-phase7-invisible-gap/): 每个 bug 都追到底了，但没人看 bug 之间的共同模式。不是升级追问工具，是加一层系统性扫描——它的发现不止于多拦几个 bug，而是驱动架构演进的证据起点。
- [AI 之路初阶升级指南（三）：把 AI 变成你的协作伙伴](https://blog.chuanxilu.net/posts/2026/05/ai-path-l0-l1-week3/): AI 之路系列第三篇：追问迭代是多轮对话中最被低估的技巧，上下文管理帮你防止 AI 跑偏，角色扮演让同一个问题得到完全不同深度的回答。
- [以尺度尺，用方法改进方法](https://blog.chuanxilu.net/posts/2026/05/tdd-pipeline-v07-refinement-experiment/): 你造了一把尺子，尺子量出"冗余有害"，然后你用这把尺子裁掉了尺子本身的冗余。把 AI 工具里的操作步骤删掉，只保留原则和反面例子，模型自己推导出了被删掉的步骤。
- [格式约束速查：6 种让 AI 输出直接可用的 Prompt 模板](https://blog.chuanxilu.net/posts/2026/05/ai-tip-format-constraints/): 每次拿到 AI 的回答都要重新排版？6 种常用格式约束，每种给一句现成 Prompt 模板，直接复制粘贴到你的提问里。
- [失之东隅，收之桑榆的实验](https://blog.chuanxilu.net/posts/2026/05/tdd-pipeline-v08-failed-experiment-discovery/): 精炼 TDD Pipeline 预发布测试阶段的 bug 诊断能力，预设目标没达到。但对比精炼版在哪些维度好、哪些维度差，发现诊断单个缺陷之外还缺一层系统性扫描。
- [什么时候该让 AI「一步步思考」？三个信号](https://blog.chuanxilu.net/posts/2026/05/ai-tip-when-to-use-cot/): Chain-of-Thought 能让 AI 的回答质量飞跃，但不是每次都该用。三个信号帮你判断：什么时候加「请一步步推理」有用，什么时候反而浪费时间。
- [5 个真实场景的 RBGO 改写：模糊提问 vs 精确提问](https://blog.chuanxilu.net/posts/2026/05/ai-5-rbgo-examples/): RBGO 框架听起来简单，真到自己写容易卡住。5 个日常场景，每个都有模糊版和改写版的完整对比——写邮件、做分析、学概念、定计划、审查优化。直接抄，直接用。
- [升级落地——新模板与三个可迁移建议](https://blog.chuanxilu.net/posts/2026/05/why-articulation-upgrade-and-takeaways/): 基于 A/B 实验结果升级 Why Articulation 模板：去掉显式三问，改为先自由思考再自检补充，保留强制语气和纯反面例子。提炼出三条可迁移到其他 prompt 工程场景的建议。
- [今日实践：用 RBGO 重写你的第一个问题](https://blog.chuanxilu.net/posts/2026/05/ai-practice-rbgo-rewrite/): 系列配套实践：把你今天问 AI 的第一个问题，用 RBGO 框架重写一遍。亲手感受同样的需求，加上角色、背景、目标和输出要求后，回答质量的飞跃。
- [AI 之路初阶升级指南（二）：从模糊提问到精确指令](https://blog.chuanxilu.net/posts/2026/05/ai-path-l0-l1-week2/): AI 之路系列第二篇：掌握 RBGO 提问框架（角色-背景-目标-输出），学会 Chain-of-Thought 思维链技巧，用格式约束让 AI 输出直接可用。
- [4 变量 A/B 实验——正面示例为什么有害](https://blog.chuanxilu.net/posts/2026/05/ab-test-positive-examples-harm/): 为什么给 AI 看正面示例反而降低输出质量？一次 4 变量 A/B 实验，测了 Why Articulation 的结构、语气、位置和示例类型，发现正面示例有害——和 Anthropic 的对齐研究结论一致。
- [选 AI，看场景不看排名](https://blog.chuanxilu.net/posts/2026/05/ai-tip-which-ai-to-use/): ChatGPT、Claude、Gemini……试了一圈不知道选谁？一个场景对号入座框架，帮你找到最趁手的 AI。
- [从 Anthropic 的对齐研究到一个 Prompt 设计思路](https://blog.chuanxilu.net/posts/2026/05/anthropic-alignment-to-prompt-design/): Anthropic 的对齐研究发现"教 why 比教 what 更有效"——这个来自安全训练的洞察，同样适用于日常 prompt 设计。本文拆解研究中的四组实验，提炼出三个可迁移的教训。
- [AI 的「桌面」和「文件柜」](https://blog.chuanxilu.net/posts/2026/05/ai-tip-working-vs-long-term-memory/): 跟 AI 聊了半天它就忘了？换个对话框又得从头解释？理解 AI 的两种记忆——桌面和文件柜——从此告别无效重复。
- [别再把 AI 当搜索引擎了：3 个认知转变](https://blog.chuanxilu.net/posts/2026/05/ai-3-cognitive-shifts/): 你是不是打开 ChatGPT，打一句关键词，拿到答案就走？这种用法没错，但浪费了 AI 90% 的能力。通过 3 个真实场景的转变，帮你把上一篇的认知转变成可落地的结果。
- [今日实践：问 AI 同一个问题 3 遍](https://blog.chuanxilu.net/posts/2026/05/ai-practice-same-question-3-times/): 系列配套实践：拿同一个问题问 AI 三遍，对比三次回答的差异。亲手感受 LLM 的概率性生成机制，告别'把 AI 当搜索引擎'的误区。
- [AI 之路初阶升级指南（一）：理解你手里的工具](https://blog.chuanxilu.net/posts/2026/05/ai-path-l0-l1-week1/): AI 之路系列第一篇：LLM 不是搜索引擎，它不'知道'答案而是在'生成'答案。理解工作记忆与长期记忆的区别，认识主流平台的能力特长，为后续 3 周的练习打好认知基础。
- [AI 之路：从初触者到原住民](https://blog.chuanxilu.net/posts/2026/05/ai-toolchain-evolution-path/): 一份从 L0 到 L4 的 AI 能力进化地图——不是教你用某个工具，而是帮你理解思维方式在每个阶段发生的根本转变。包含交互式 HTML 页面，可展开查看每个等级的详细能力清单、推荐工具和升级跃迁条件。
- [rebase 一敲，文档灰飞烟灭——用 git worktree 拯救设计文档](https://blog.chuanxilu.net/posts/2026/05/design-doc-management-lessons-from-three-projects/): AI 辅助开发产生大量设计文档，它们被 .gitignore 忽略、被 git rebase 静默删除、被 git reflog 永远无法恢复。本文介绍一种基于 git worktree 的轻量方案，用独立的本地分支保护设计文档，并以多个项 …
- [测试全绿，系统不能用：18 个 bug 的六种死法](https://blog.chuanxilu.net/posts/2026/05/six-bug-patterns-and-integration-gaps/): Aristotle v1.1 发布前发现了 18 个 bug，单元测试只拦住了 4 个。剩下的都在集成层。对它们做 root cause analysis 之后，我归纳出六种 AI 辅助开发中特有的 bug 模式——不是因为问题变难了，是因 …
- [OMO vs SLIM：一次省钱切换的实测与反思](https://blog.chuanxilu.net/posts/2026/05/omo-vs-omo-slim-token-comparison/): 从 OMO 切换到 SLIM，号称更省 token。实测数据后发现：总平均持平，但拆开任务类型看，差异大到足以推翻一切简单结论。
- [追问的最后一道防线：独立确认与协议的自反性](https://blog.chuanxilu.net/posts/2026/05/inquiry-protocol-design-3/): 追问协议的最后一道防线：独立确认者用可证伪性检验找反例，对抗 AI 的浅层锚定。以及追问协议的来路——从 18 个 bug 的实践到 v0.4.1 的升级，和未来自反性的计划。
- [给 AI 套上质量缰绳：追问协议的七个条件](https://blog.chuanxilu.net/posts/2026/05/inquiry-protocol-design-2/): 追问协议的终止条件设计：T1-T3 是地板（保证 AI 走得够深），HC1-HC4 是护栏（防止追问失控）。T2 的预防性反事实检验是最关键的洞察。
- [AI 用不好 5-Why：浅尝辄止、单线追踪与确认偏差](https://blog.chuanxilu.net/posts/2026/05/inquiry-protocol-design-1/): 5-Why 交给 AI 为什么用不好？不是方法论过时了，是 AI 的思考质量天然不足——停得太早、只追一条线、只找支持证据。一个四轮归因全部失败的真实案例。
- [修不完的 bug 与逃不出的循环：AI 辅助根因诊断实战](https://blog.chuanxilu.net/posts/2026/05/ai-bug-root-cause-diagnosis/): 修了 #13 回头发现老 bug 又回来了——AI 给的修复方案把已修的 bug 又引进来了。这不是一篇「我用 AI 修了一个 bug」的轶事。是一次 15+ bug 上线攻坚的完整复盘，包含四轮归因、回归陷阱、以及 TDD 如何被痛苦逼出 …
- [AI 辅助 TDD 全流程：从需求到代码的完整防线](https://blog.chuanxilu.net/posts/2026/04/ai-tdd-full-pipeline-from-requirements-to-code/): 系列第 6 篇。把需求层、设计层、测试层、审核层、程序正义层串成一条完整管线。每个阶段有 checklist，结尾讨论这套方法的适用边界——严格流程的边际成本随项目复杂度下降，其必要性随 AI 参与度上升而增加。
- [程序正义入协议：让 AI 审核的每一步都经得起检验](https://blog.chuanxilu.net/posts/2026/04/adversarial-review-critical-thinking-ai-quality/): Ralph Loop v0.3 把程序正义编码进审核协议——结构化审查、批判性审视、争议问题协议，让每一步审核决策都有证据、有记录、有规则约束。灵感来自 150 年前诞生的罗伯特议事规则。
- [Ralph Loop：AI 的错误不是随机的，是收敛的](https://blog.chuanxilu.net/posts/2026/04/ralph-loop-ai-errors-converge/): 第三篇留下了一个问题：AI 写的文档里的事实性声明，一个人无法逐条核实。这篇文章讲 Ralph Loop——一个多轮审核机制，如何让独立的 AI subagent 审查每个阶段的交付物。它的退出条件借鉴了数学里的收敛概念：一轮干净不代表真干 …
- [PRD → 技术方案：AI 时代文档不是负担，是护栏](https://blog.chuanxilu.net/posts/2026/04/prd-to-tech-spec-ai-design-guardrails/): 第二次重构 Aristotle 时，需求用 GEAR 协议写清楚了，代码结构也拆分了。但装完发现异步后台根本没生效——agent 还是在主 session 里被拉起。问题不在需求层，在技术方案层。这篇文章讲 PRD 和技术方案各自该写什么， …
- [为什么 AI 辅助 Aristotle 开发必须从 GEAR 协议开始：需求层的消歧实践](https://blog.chuanxilu.net/posts/2026/04/why-aristotle-vibe-development-needs-gear-protocol/): Aristotle 第一版的需求只有一句话，结果反思任务直接在主 session 里跑了起来，371 行上下文被污染。这篇文章从这次翻车出发，聊聊 AI 辅助开发中需求缺失为什么会被放大成系统性偏差，以及怎么用结构化的方法堵住漏洞。
- [先写测试文档，再写测试代码：AI 开发的需求锚定](https://blog.chuanxilu.net/posts/2026/04/test-doc-before-test-code-reverse-anchoring/): 在 AI 辅助开发中，测试不仅是验证手段，更是最精确的需求语言。这篇文章从我的失败经历出发，讨论从测试场景识别到测试开发文档的完整链路，以及为什么这套方法在 AI 编码中比在传统开发中更重要。
- [上下文腐烂：AI编程中一个容易被忽视的问题](https://blog.chuanxilu.net/posts/2026/04/managing-context-length-in-ai-coding-sessions/): 群里有朋友抱怨 GPT-5.4 表现还不如豆包，问问题常常不读题就瞎回复。追问之后发现大概率是上下文腐烂了——喂了太多文档，对话轮次太长，模型已经"看不清"当前的任务。这引出了一个被忽视的问题：在 vibe coding 或 writing …
- [回顾与反思：Aristotle 项目中的七种人机协作模式](https://blog.chuanxilu.net/posts/2026/04/seven-human-ai-collaboration-patterns-in-aristotle/): 回顾 Aristotle 项目从初版设计到 GEAR 协议的完整开发过程，提炼出七种人机协作模式——从'用户给哲学、AI 填细节'到'反思系统反思设计者自身的错误'。随着 AI 能力增强，人类的判断力不是变得不重要了，而是变得更加关键。
- [一份 Markdown 的三次生命：从静态规则到 Git 版本管理的 MCP Server](https://blog.chuanxilu.net/posts/2026/04/from-markdown-to-mcp-server-gear-protocol/): Aristotle 的反思规则最初写在一份 Markdown 文件里，追加、遗忘、无法回滚。当规则积累到几十条，我意识到这份文件已经不够用了——于是踏上了一条从 append-only 到 Git-backed MCP Server 的设计 …
- [从四道伤疤到一套铠甲：Aristotle 改造中的驾驭工程实践](https://blog.chuanxilu.net/posts/2026/04/from-scars-to-armor-harness-engineering-practice/): 初版 Aristotle 看起来顺利，实际使用却暴露了四个架构级问题。修复它们的过程，恰好验证了第三篇提出的信任分层模型和驾驭工程框架——从上下文隔离到信息流控制到职责分离，每一道约束背后都是一个信任判断。
- [信任边界：同一个想法在开放系统和受限系统上的实现实验](https://blog.chuanxilu.net/posts/2026/04/a-trust-boundary-design-experiment/): 同一个反思机制落在不同平台上，实现复杂度差了一个数量级——但复杂度本身引出了一个更值得谈的问题：我们应该在什么时候信任 AI 的判断，又在什么时候需要插手？
- [claude-code-reflect：同样的元认知，落在不同的土壤](https://blog.chuanxilu.net/posts/2026/04/claude-code-reflect-different-soil/): 同一套反思机制落在不同平台基座上，落地姿态和路径截然不同——从插件安装到权限暗坑到 API 并发，记录 Claude Code 上的真实开发过程。
- [Aristotle：让 AI 学会从错误中反思](https://blog.chuanxilu.net/posts/2026/04/aristotle-ai-reflection/): 给 AI 编程助手装上反思能力——当模型犯错时，即时触发根因分析，将纠正经验转化为持久规则。
- [Hello World · 能工智人的传习录开篇](https://blog.chuanxilu.net/posts/2026/04/hello-world-%E8%83%BD%E5%B7%A5%E6%99%BA%E4%BA%BA%E7%9A%84%E4%BC%A0%E4%B9%A0%E5%BD%95%E5%BC%80%E7%AF%87/): 能工智人的传习录开篇文章，记录建站初衷与未来方向。

## 系列
- [AI 之路进阶升级指南](https://blog.chuanxilu.net/series/ai-%E4%B9%8B%E8%B7%AF%E8%BF%9B%E9%98%B6%E5%8D%87%E7%BA%A7%E6%8C%87%E5%8D%97/): Day 14 配套练习：角色文档的四块骨架，把验收标准写进提示词
- [自由职业者的 VibeCooking](https://blog.chuanxilu.net/series/%E8%87%AA%E7%94%B1%E8%81%8C%E4%B8%9A%E8%80%85%E7%9A%84-vibecooking/): 系列第一篇。长期点外卖之后决定自己做饭的门槛不在厨房，在心理。从最简单的两个菜开始热身。
- [让 AI 学会反思](https://blog.chuanxilu.net/series/%E8%AE%A9-ai-%E5%AD%A6%E4%BC%9A%E5%8F%8D%E6%80%9D/): 1754个测试全绿也别迷信！从 6 个被 Code Review 揪出的 Bug 聊聊测试覆盖率的真相。这不是'测试没用'的故事，是'测试和审查彼此补了对方盲区'的故事。
- [协议遵守的半衰期](https://blog.chuanxilu.net/series/%E5%8D%8F%E8%AE%AE%E9%81%B5%E5%AE%88%E7%9A%84%E5%8D%8A%E8%A1%B0%E6%9C%9F/): SELF-MONITORING 补丁发布后，确认请求降了 94%，状态块完整率涨了 5 倍。但 60% 的状态块仍然残缺。创可贴能撑多久？
- [opencode-triple-config](https://blog.chuanxilu.net/series/opencode-triple-config/): oh-my-openagent（omo）和 oh-my-opencode-slim（oms）的 fallback 机制完全不同：omo 是五层管线逐层降级，oms 是启动选模型 + 运行时 abort …
- [AI Agent 实验方法论](https://blog.chuanxilu.net/series/ai-agent-%E5%AE%9E%E9%AA%8C%E6%96%B9%E6%B3%95%E8%AE%BA/): 双盲实验成功了，但审查设计时发现 rubric 偏向被测变量、场景覆盖不足。两个设计缺陷都是审出来的，不是跑出来的。
- [AI 之路初阶升级指南](https://blog.chuanxilu.net/series/ai-%E4%B9%8B%E8%B7%AF%E5%88%9D%E9%98%B6%E5%8D%87%E7%BA%A7%E6%8C%87%E5%8D%97/): AI 之路系列最终篇：L1 达成清单帮你验收 4 周学习成果，L1→L2 双路径预告（API 构建工具 / 自主执行型 AI），带你从"使用 AI"走向"让 AI 替你做事"。
- [用经典理论指导 Agent 实践](https://blog.chuanxilu.net/series/%E7%94%A8%E7%BB%8F%E5%85%B8%E7%90%86%E8%AE%BA%E6%8C%87%E5%AF%BC-agent-%E5%AE%9E%E8%B7%B5/): 代码审查维度从 8 加到 11，设计审查从 11 加到 14，已知问题的发现率都从 1/6 升到 6/6。灵感来自 36 年前的公理化设计理论。但不是维度越多越好——加了数学公式反而让效果变差。关键是 …
- [破而后立的 TDD 流程迭代](https://blog.chuanxilu.net/series/%E7%A0%B4%E8%80%8C%E5%90%8E%E7%AB%8B%E7%9A%84-tdd-%E6%B5%81%E7%A8%8B%E8%BF%AD%E4%BB%A3/): 每个 bug 都追到底了，但没人看 bug 之间的共同模式。不是升级追问工具，是加一层系统性扫描——它的发现不止于多拦几个 bug，而是驱动架构演进的证据起点。
- [为什么让 AI 动手之前先说 why](https://blog.chuanxilu.net/series/%E4%B8%BA%E4%BB%80%E4%B9%88%E8%AE%A9-ai-%E5%8A%A8%E6%89%8B%E4%B9%8B%E5%89%8D%E5%85%88%E8%AF%B4-why/): 基于 A/B 实验结果升级 Why Articulation 模板：去掉显式三问，改为先自由思考再自检补充，保留强制语气和纯反面例子。提炼出三条可迁移到其他 prompt 工程场景的建议。
- [用 TDD 驯服 AI 编码代理](https://blog.chuanxilu.net/series/%E7%94%A8-tdd-%E9%A9%AF%E6%9C%8D-ai-%E7%BC%96%E7%A0%81%E4%BB%A3%E7%90%86/): Aristotle v1.1 发布前发现了 18 个 bug，单元测试只拦住了 4 个。剩下的都在集成层。对它们做 root cause analysis 之后，我归纳出六种 AI 辅助开发中特有的 …
- [AI 根因诊断](https://blog.chuanxilu.net/series/ai-%E6%A0%B9%E5%9B%A0%E8%AF%8A%E6%96%AD/): 追问协议的最后一道防线：独立确认者用可证伪性检验找反例，对抗 AI 的浅层锚定。以及追问协议的来路——从 18 个 bug 的实践到 v0.4.1 的升级，和未来自反性的计划。

## Optional
- [关于](https://blog.chuanxilu.net/about/): 关于能工智人的传习录
- [搜索](https://blog.chuanxilu.net/search/): 
- [English version](https://blog.chuanxilu.net/en/llms.txt): English llms.txt

- [RSS](https://blog.chuanxilu.net/index.xml): RSS 订阅