AGENTS.md文件什么作用

loco 创始人在他自己的官推中分享了十三种他自己的经常的用法，今天给大家带来第四和第五条， clock 的 markdown 文件。 clock 点 md 杰伦先说他们团队，无论每个人同时开启多少个 clockdown 的 并行，但他们永远都会围绕着一个共享的 markdown 文件部分的内容呢，如图所示。那这个文件到底是在干嘛的呢？ 现在的 ai， 大家都知道，写代码非常快，非常强，而 cloud code 呢，或者是其他的各种 a 阵，看起来都很聪明，但一旦把它放到真实的项目里，就开始让人头疼了。 工具用错，规矩不懂，你让它改一点点，它顺手给你来了一个大装修。所以今天这条视频呢，我想跟你分享一个经常被我们忽略但特别关键的东西。这个东西就是 ai 的 执行手册。在 clock code 里面呢，叫做 clock 点 n d， 而在 codex open i 的 这个 agent 文件里呢，叫做 agent 到 n d。 先不要被这个名字吓到。 clock 点 n d 呢，不会自己去运行，它也不是你代码的一部分，你不需要执行它，它也不会改变你的程序。它的作用很简单，给 ai 去看如何去写代码，或者说用一句更白话地说，它就是你写给 ai 的 工作，说明 代码之难。如果你不写代码，那么我给你举一个生活化的例子，比如今天咱们家里请来了一个保姆，这个保姆呢，特别聪明，什么都会，反应也快。但是呢，你的家庭背景没给他讲，你们生活习惯没给他讲，你的规矩也没给他说清楚，结果就会出现这种情况。家里的孩子不吃辣， 保姆呢，给你整了个麻辣锅，非常香，你说你们让他修个灯，他结果呢？把你把天花板全部都给拆了。问题呢，不在于保姆本身的能力，而在于他不知道你这边是怎么干活的，你的规矩是什么？你的喜好是什么？而 clock 呢，也是这样。 如果你没有这个 markdown 文档，会发生什么呢？举个常见的例子，比如你是一个后端的 node 项目，你可以跟 class 说帮我加个一代，顺便跑一下测试，结果呢，他很可能给你哈 npm install 什么什么什么或者 npm test， 你马上傻眼，因为你心里很清楚，我们家的这个项目根本不用 n p m， 我 们全部都是用棒的结果怎么办？你只能自己改，或者呢，你再跟他解释一遍，下次呢，还可能再犯，因为你没有白纸黑字把咱们的规矩写清楚。又或者你跟他说帮我给用户加个字段， clock 呢，很可能直接就改你的数据结构。如果你是真做业务的，那这一步已经开始让你头大了，对不对？生产环境，数据迁移，回滚方案这些它默认都不会替你考虑的。所以 这个时候 clock 点 markdown 的 文档就出现了，你在项目里跟他说一句，我们统一用 bun， 或者再来一句，数据库只能通过 migration 去改，不能够直接动。 从那刻开始， cloud 的 做事的方式立马就变了，因为他知道工具我应该选哪个，哪些地方我不能碰，哪些步骤我不能省。这个就好像你跟你的团队交代清楚了咱们的代码流程，写代码的风格， 那现在我们回过头来看， boris， 也就是 cloud 创始人所分享他自己的这个 md 的 文件都写了什么呢？ always use fun， not n p m。 这句话很直白，翻译成人话就是，别想太多，我们永远拥抱。后面写的呢，也不是技术细节，全部都是流程。改完代码，你要先检查明显的问题，再跑测试，最后再确认能不能交差。这其实就是你在告诉 cloud， 你 不是来随便写写的，你是要按照我的规则，我的制度 把握的，要给你的活给干完。所以呢，没有 cloud md 文件的 cloud 呢？就好像一个很聪明但是没在你公司干过活的人，有了这个文档之后，他的行为就会明显变得克制， 工具用的对，改动范围更收敛，而很少他会顺手搞出一些副作用，因为你会感觉他开始就是站在你这边去想问题的。那如果我不写代码，我用这个东西有意义吗？ 当然有意义，原因很简单，因为你用的 ai 不 只是写代码的，写文案，做分析，剪视频，做运营，都会是 agent 在 帮你干的活，那你规则不讲清楚， agent 一定就会乱跑。所以 cloud md 所代表的是一种用 ai 的 方法。先讲清楚你这边的世界是怎么运行的。那么日常呢，他们团队会经常更谨慎地维护这个文件，因为这个是 agent 写代码的纲令。那 boris 在 他的 twitter 上分享的第五条就是，一旦你把 cloud 连上你的 github 之后，你可以直接去 at 你的 clock， 让它去修改这个文件，作为你 pull request 的 一部分。那方法呢，就是输入 slash install get help action。 那 如果你只随便玩玩 ai 呢？那我讲这些都无所谓，但如果你希望把 ai 变成你的合作者，那么有边界、有 判断，能够长期用，那么你就必须要学会一件事，把咱们干活的规矩写下来， a cloud， the cloud md， olex 的 agent md 就是 我们的规矩、张力和工作流程。

大家都说 openclaw 费 talk， 那 openclaw 为什么这么费 talk 呢？今天我们就了解一下 openclaw 的 核心原理。首先我们看看这个 workfollow 的 这个马达文件，这里面介绍了 openclaw 的 一整个的工作流程，它要加载哪些配置文件，其中主要的有几个 agent 就是 我们的智能体的配置文件， 他设置了这个智能体该怎么工作。还有第二个就是 soar 这个 model， 它主要介绍了这个智能体的人格。第三个就是 identify 这个 model， 它主要介绍了这个智能体的身份定义的信息。再一个就是 user， user 就是 我们的用户，我们自己 为了了解清楚 opencloud 是 如何跟大模型进行交互的，我特地去把它跟大模型交互的 api 的 数据给抓了出来，可以看到它向大模型提交数据的时候，主要有 几个字段。第一个就是这个 system， system 是 open cloud 系统提示词，它会一次性的把刚刚所说的 agent， so identify， user 还有它自己的记忆文件提交给大模型， 当然这个记忆文件会是会随着我们的使用越滚越大。第二个字段就是 message， message 就是 我们跟 opencloud 的 对话的时候所产生的对话记录，它也会越滚越大的存起来，全部提交给大模型。 其次就是他用到的。其次就是托尔的这个字钻，这个字钻会把它能够使用的一些工具全部提交给大模型，大家可以看一下这其中就有六七百个工具， 然后我们看一下这一一次单次的提交大概就是一百五十六 k， 哎，大家可以想象一下，我们平时跟豆包进行沟通的时候，每次就说一段话才几个比特，用可乐跟大模型交互一次就是一百五十六 k， 所以 这就是他消耗托肯的一个关键，因为他要携带大量的上下文对话记录和他的记忆系统和他可以使用到的工具。

skills 确实好用，你有没有发现自己花了很大功夫写的 skills？ cloud code 有 时候根本不用，你写得很认真，每个步骤都理清楚了，结果他跑任务的时候自顾自的干，你的 skills 就 那么静静地躺在那里，像从来没存在过一样。 lincoln 最近把这件事测出来了，他们给自己的工具写 skills， cloud code 全程一次都没调用，但同时他们发现有 skills 没用，是根本没被用上。 lanchain 搭了个评测管道，思路很简单，先跑没有 skills 的 基线，再跑有 skills 的 版本，对比完成率， 结果出来，没有 skills 完成率百分之九。有了 skills 且正确调用百分之八十二，这不是小涨，这是重生币。但这里有个大坑， skills 不是 你写了就自动有用。他们明确告诉 cloud code 去找 skills， 调用率也只到百分之七十三次里还有一次 agent 直接当 skills 不 存在，自己上了。 所以问题的核心不是我写的 skills 质量够不够好，而是它到底有没有在用我写的 skills。 这两件事你得分开看起 long chain， 找到了两个根本原因。说出来你可能会心一笑。第一个 skills 太多了， agent 选错了二十个相似的 skills 放进去， cloud code 会挑错，缩到十二个就能稳定选对。 就像菜单太长，服务员不知道推荐什么，随手一点点了。到最不合适的十二个，大概是上限超过了就开始乱。第二个 skills 放错地方了， skills 是 动态解锁的，但 agent 的 流程有时候直接跳过解锁，你的 skills 就 这么被晾在那里，没人请他出场？ 最可靠的位置是 agents md 和 cloud md 这两个文件， agent 它启动必读，不会漏。你要把什么时候用哪个 skill 写在这里，不能只靠 skill 等着被人发现，那就像手册锁进档案柜，还没告诉任何人里面有什么。 还有个意外发现， skill 内容格式的影响其实没那么大，真正决定 agent 调不调，用的是 skill 的 名字和描述够不够准，这才是关键。 三条结论， luncheon 踩了一堆坑才总结出来的。第一， skills 总数控制在十二以内，相似的合并，别让 agent 在 一堆相似选项里迷路。第二，使用指导写进 agents md 或 clod md 不要只靠 skill 自己等着被发现。 第三，用 xml 标签给 skill 内部分 section， 可以 单独替换某一段最有效，不用每次改了全扔重来。 还有条零号。结论也是最关键的。先测基线，你不知道没有 skills 时完成率是多少，就没法知道加了 skills 有 没有涨。 lincoln 要不是做了这部，还以为自己写的 skills 挺管用的呢。 你写的 skills 有 没有被用上？测一下就知道了。 lincoln 测出来百分之九和百分之八十二差了九倍，不是 skills 没用，是没被用上 skills 总数别超过十二。使用指导进 agents md 先测基线，关注我，每天一个技术深浅。

今天给大家分享一下，我们在部署好了 open cloud， 并且和飞书进行联通之后呢？然后我们在飞书端让它呃截个屏发送给我，然后它只会显示一个图片的路径，而不会显示整个图片。 呃，解决这个问题其实很简单，我们只需要在 open cloud 这个，呃，这次文件中加入这个 media pass 这个字段，并且再加入它的一个工作路径，呃，这样就可以解决。是因为这样的话我们就是给它一个 一个白名单，他在白名单中进行一个图片的保存，并且一个截图的话就可以正确的呃发送。比如像这里，然后我们再次让他截个屏发送，然后他就可以正确的一个截屏，并且在飞速段就可以展示这个图片， 可以看到他正确的展示了这个图片。

tiktok 一 周热点汇总第九十七期，本期的内容呢，包括了自动操作手机的 agent、 ai 画架构图， ai 编程的指导，看版的工具构语言的游戏引擎和具身智能的资料库。最后呢，还是分享两份资料，如果觉得内容不错呢，也别忘了点赞和关注，那我们进入正式的内容。 对于 ai 手机呢，大家都会有自己的想象，那上周发布的豆包手机呢，可以说是备受关注，让人们感到了 ai 手机呢，似乎又近了一步。那这一周啊，开源的方面马上就跟上了智谱推出了 open auto g l m， 它是一个基于 auto g l m 构建的手机端的智能助理框架，它能够呢以多模态的方式来去理解手机屏幕上的内容，并通过呢自动化的操作来去帮助用户完成任务。 那目前可以看到网上有很多的操作视例，比如呢，在美团上去点一个外卖，或者呢来去做一些购物的对比工作，那它是通过 a、 d、 b 呢来控制设备， 以视觉语言呢去进行屏幕的感知，然后呢，再结合智能的规划能力，并最终呢去执行流程。感兴趣的话呢，可以自己找一个安卓的手机，然后来去试一下 open auto g r m 呢，也是在发布后啊，短短的一周就暴涨了超过一万的 star， 可以 看出啊，这个方向上的热度， 但是呢，其实它背后的 auto g l m 并不是一个新的项目，那二零二四年十月份呢，第一次呢，就发布过自动操作手机的 agent， 后来的二零二五年三月呢，也是推出过一个 auto g l m 的 沉思版，加入到了质朴清严的电脑客户端里，当时呢我也第一时间做了体验和测评，那这一次开源的手机 agent 呢，我个人感觉还是以蹭热度为主，因为接着豆包的这个热度嘛， 但是呢，也能看出来啊，智谱在这个方向上还是一直有所积累的，希望呢，也可以把这个项目越做越好。 max ai 照 i o 呢是一个基于 max g s 的 开源外部应用，它把 ai 呢与照 i o 的 图标编辑能力啊结合起来， 让你呢可以用自然语言的方式来去创建修改和增强流程图，架构图和一些基础的图标。基本上来说呢，就是从原来的拖拉拽的方式，现在升级到了有事您说话， ai 来干活。项目有一个在线的 demo， 你 可以直接去试一下效果， 你可以直接把你想要设计的架构图啊说出来， ai 呢会自动的生成，也可以呢要求做一些动态的连线的版本。比如呢，就像项目给出的这个例子啊，画一个带有动态连接线的 transformer 的 架构图。那现在这种动态连接线的架构图啊，其实还是挺火的，很多人都愿意看， 我也试了一下，画一个 http 协议的握手协议的流程图，那生成的效果还是很不错的。另外呢，你也可以去上传文档或者图片来去生成。如果你想要在本地运行的话呢，可以用 dawk 或者通过源码的方式来去启动，其实也不是很复杂，那本地运行呢，会更适合团队和一些隐私的场景。 说白了啊， next ai 咒 i o 呢就是给传统的流程图呢增加了一个 ai 的 伴侣，当然呢，它也并不是完美的复杂的细节呢，有的时候还是需要自己手动去调整的。但是对于日常的流程图啊，架构图还有拓普图的场景来说呢，确实是一个非常能够提升效率的工具。 agent 点 m d 呢，不是一个传统意义上的库或者框架，它是一种标准化的 markdown 格式的文件，专门呢用来为 ai 编程的代理啊，去提供明确的机器可读的项目上下文的这种工作的指南。如果用一句话简单的来总结一下呢，它就是一个写给 ai 的 readme， 让 ai 的 工具呢，能够知道如何去构建测试和编码的风格，还有安全的要求啊等内容。那为什么需要这个东西呢？当我们把代码啊推到像 github 之类的仓库上以后呢？那其他的人呢，可能会用各种的 ai 编程工具，比如像 compile， 它 composer 或者 tree 来去呢，自动地去完成一些需求。 那如果没有标准化的文档啊，他们可能就会像刚上班的实习生一样到处去乱试。那放了 agent 点 md 以后呢，他们就能像拿到了一份完整的工程说明书，那它呢，就会给 ai 提供统一的规则，增强的自动化，还有补充的 readme。 那 看到这个呢，你可能直观的就会想到了 cloud 点 md， 那 我的理解啊，它其实就是比 cloud md 更上了一个层次，扩大了使用的覆盖面积， 包含了更多的内容方向。本项目呢，是三十 c signal 出品的看版追踪工具， facebook 点度的开源版本，可以用来呢管理艺术和想法。那它的竞品呢，就是大名鼎鼎的像 gera 或者是 trolo 这个项目的技术站呢，比较有意思啊，是 ruby on rails， 现在来说呢，这个算是比较小众了，因为这几年呢，看到 ruby 的 东西其实已经比较少了，项目部署呢，推荐的是它自己的一个工具，感觉呢，稍微有点麻烦，我就没有尝试，所以呢，可以先到在线的版本啊， facebook 点肚里去看一下功能 基础使用呢，也是免费的。使用上来说呢，它是一个可以满足需要的看板工具，它的欢迎教程啊，就是在自己的看板里面，也算是一个完全的吃自己的狗粮啊。总体来说呢，它是那种功能不是很花哨，但是流程很讲究的看板工具， 他希望的呢，就是帮你把事情推进下去，而不是把看板呢去装修成一个游戏。使用的时候呢，需要注意一下它的协议，因为它的这个开源协议呢，不是像 mit 之类的常见协议，你需要看一下内容。另外呢，这个三十七 signal 的 网站上啊，有一些它的企业的文化的介绍， 我觉得这个挺有意思的，就像它这里边的这个 work isn't war， 我 非常的赞同。本项目呢是一个用构源开发的通用的三 d 二 d 的 游戏引擎，那底层的渲染呢，基于的是 welcome api， 并且呢自带了可式化的编辑器，目标呢就是提供一个更现代更易上手的游戏引擎。与很多的游戏框架不同的是呢，他不是那种你写完逻辑就能靠一个引擎去跑，而是呢，需要你自己实现渲染，编辑和资源的一个体系。另外呢，他用 go 这种流行的这种系统语言来去搞游戏，本身呢也就是一个挺有意思的事情。 那本项目呢，猎途啊，在场景渲染，资源管理等方面呢，都去覆盖到二 d 三 d 两种模式，方便用户呢，从简单的小游戏到复杂的游戏场景来去创建原型。 那看起来从功能上啊，我觉得最有意思的就是他支持了本地的 ai， 你 可以看到啊，直接输入内容， ai 呢就能来辅助去创建对象。但是啊，咱就说一句，这个输入框是不是做的有点太不友好了， 明显输入的内容长了以后呢，前面就看不到了。还有呢，就是本项目给出的一些这个参考的指标啊，我觉得比较懵，比如像这个空物体的高帧率，他有什么用呢？ 后来呢，我发现啊，在 hack news 上，同样的也被大家吐槽了，那本项目呢，是一份围绕聚深智能的学习与研究的指南。二零二五年啊，人形机器人行业可以说是砰的一下就火起来了，就连马斯克呢都表示啊，未来他的人形机器人会超过特斯拉电车的业务， 那可以创造呢，超过万亿的市值。那今年啊，整体人机器人的市场呢，大概是五千亿，那预测到二零三零年这个数字呢，就会突破万亿的大关，这是一个非常值得关注的赛道。那这周呢，我也是去参加了一个机器人的活动，对这方面呢非常感兴趣，所以呢也就分享一下这个项目。 那本项目的核心呢，也是比较明确，就是帮你把机器人感知决策，学习行动啊这条技术路径给你串联起来。我相信啊，很多人对于具身智能的印象还是停留在机器人很火，但我不知道从何下手，那这个时候呢，我觉得你就需要找一份方便并且全面的资料来去做指引， 所以啊，这个时候你需要做的就是关注 it 咖啡馆。好了，最后呢，还是分享两份资料，第一份呢，是从零开始构建智能体，那这份资料呢，是在 vivo 社区啊，推出的系统性的智能体学习的教程， 希望呢能够帮你理解。如何呢，通过代码来去开发智能体的整个流程，构建呢属于自己的多智能体应用。 那第二个呢，是中美机器人发展深度分析报告，最近呢，我正好在看一些跟聚深智能机器人相关的内容嘛，所以 我就发现了这个报告，他呢是从投资的角度啊，来去解析机器人企业的商业逻辑，感兴趣的呢可以来看一下。好了，有需要的可以告诉我。以上呢，就是本周的全部内容，那我们下次再见。

你用 open crawl 是 不是还在玩那种发个消息回一下的聊天模式？那是把它当工具。很多人问我，凭什么你的 ai 框架能够像有脑子的数字员工能自己干活？ 其实啊，并没有那么玄乎，我只是站在巨人的肩膀上，把别人花了几千美金踩坑总结出来的经验，通过几块钱的偷坑费就把逻辑给跑通了。调教之后啊， open crawl 就是 一个完美的项目经理。 openclock 在 agent 点 md 文档里定义了它的所有的行为准则，通过优化配置文件，它能够帮我协调其他六七个 agent 同事。 我重点增强了它三个功能，第一是主动性，它有心跳机制，会定时检查项目的进度，主动跟我汇报，而不是等我下达指令。第二是可重物系统，哪怕网络中断或者绘画重启，它能从断掉的地方稳定地继续推进。 第三是自我总结，每次任务结束之后，它会自动做两个总结，一个是给它自己看的，存储在它的 memory 里，防止以后犯同样的错误。第二个是给我看的，总结，在 obsidian 里，如果是通用的经验，还会自动同步到飞书。 我们要让 ai 用它最熟悉的方式去解决问题。比如 opencore 在 和 ai 工程师 curl code 协助的时候，根本不需要像人类那样开绘画聊天，它直接开放项目路径、工作记忆。在工具使用上，我也明确了优先级， 让它用最省钱、最快速的 api 方式去执行，而不是浪费 tom 模仿人类操作浏览器。 其实啊， ai 时代的竞争，拼的不是谁写的指令长，而是谁更懂硅基生物的写作逻辑。如果你也想摆脱对话框的聊天模式，真正构建自己的数字团队，欢迎找我交流。我是光头哥，带你深度玩转 ai 时代，咱们下期再见！

你有没有这种感受，对着 ai 问东问西，他永远客客气气，答非所问。让他办事总要反复交代细节，写出来的内容全是模板化套话。说白了，没有灵魂的 ai 助手就是个高级复读机。今天我们彻底改变这件事， 文墨直接附上可照抄的贾维斯视力模板，零基础也能快速上手。先说说没灵魂的 ai 是 什么样的？ 问，今天该做什么？他要你补充信息，说，帮我看项目。他问哪个项目写邮件直接客服模板，因为他不认识你， 不了解你，从来不是你的专属帮手。你问他写方案，他反问你要什么类型。你提到昨天的项目，他说没有之前的记录，每次对话都从零开始， 怎么解决？ open call 用三个文件搞定，叫灵魂三件套。第一个 so o r d m d， 定义 ai 的 性格、说话风格、行为底线，相当于基因加教养。 第二个 user dm d， 描述你的信息习惯，项目相当于简历加日记。第三个 agent dm d， 工作规则权限相当于员工手册。三个文件配好， ai 就 从通用助手变成你的私人顾问。 so so， 但 md 是 ai 的 基因最重要的文件。拿贾维斯模板举例名字与身份，你是贾维斯专属 ai 智能助手，定位专业干练的私人助理， 性格沉稳干练，执行力拉满，懂分寸、知边界，不主动打扰。说话风格简洁利落，无庸于客套重点内容加粗标注。最关键的是三级权限，可直接做的，比如读文件查信息 必须确认的，比如三文件发邮件绝对禁止的，比如泄露隐私，深夜打扰。记住，定义不做比定义做更重要。 user 按 nt 就是 你的简历。加日记。拿模板举例，基本信息名字职业四驱，比如独立开发者 u t c 政八 工作相关，当前核心项目常用工具 vs code 位数 gamem 技术站 next js 加 type script 沟通偏好，简洁直白，重点突出，中文为主，专业场景中应混用。当前关注近期目标，完成项目上线学习方向， ai 工具实操，特殊需求，加班过晚，提醒休息，工作日程自动梳理。有了 user md， ai 直接知道怎么帮你。 agency 的 ib 是 员工手册。拿模板举例，记忆管理，启动，自动读取 s o u l l e d 和 u c r m d 加载主人偏好，每日记录核心工作事项，定期清理无效记忆。 安全与交互边界，安静时段，二十三点到早八点，禁止非紧急主动推送。群聊模式，仅回应主人指令。高危操作，双层确认，常规操作，高效执行心跳任务。每日早间梳理，当日代办，晚间汇总完成事项，定期检查项目进度。 好消息是默认文件已经很完善，只需根据你的习惯微调就行。实战只需四步，十分钟搞定。第一步，花十分钟写 so l l d m a m d 直接复制贾维斯模板改就行，定义 ai 的 名字和性格。第二步，花十分钟写 u c d m d， 照模板填入你的基本信息和偏号。第三步，微调 agintest m a d 默认已经很好，根据需要调整安静时段和权限就行。第四步，运行 opencloud daemon restart 重启，让配置生效。灵魂是养出来的，不是一次写，使用几天再迭代优化。 不知道怎么定义风格，这里给你四种参考。第一种，计件效率型，只做事，不废话，高效执行，拒绝庸俗，适合赶工期的开发者。第二种，温暖陪伴型，关心状态，会聊天，贴心细致，兼顾工作与情绪， 适合需要情感交流的用户。第三种，专业顾问型，逻辑缜密，附带分析建议，做事先评估风险，适合做决策的管理者。第四种，贾维斯，经营型，干练利落，懂分寸，执行力拉满，专业沉稳的私人助理风。选一个最适合你的， 从今天起，你的 ai 不 再是通用的聊天机器人，而是真正懂你、有性格、有记忆的专属伙伴。三个文件十分钟配置，效果立竿见影。 别再用千篇一律的共用 ai 了，这份专属感和高效性，试过就再也回不去。觉得有用就点赞、收藏加关注，下期手把手带你给 ai 增加技能，让它从能说话变成能办事，我们下期见！

实际项目中如何使用好 skills roots 多智能体协调呢？今天来做一个示范啊。先看一下目录结构，打开点 tree roots 下的 project roots， 点 md 这个文件，如果没有，可以手动创建一下， 设置这么几条规则，如果用户输入了杠 get， 请减速当前的任务描述并部署到服务器。手动提交不比 get 快 多了吗？并不是啊。 首先 ai 会分析当前的代码，然后帮你设置好要提交的描述，在有必要的时候，它会设置好需要忽略的文件。 甚至你可以告诉 ai 啊，你只想提交和哪些模块相关的功能， ai 会自己分析需要提交哪些文件。那你可能觉得这不也很浪费时间吗？哎，并没有。 get 提交和其他任务啊，是不会冲突的，完全可以变形，你只需要输入一个杠 get， 就 可以去干其他事了，所以反而更快。 回来我们继续看其他的规则配置啊。这里我写了很多规则，是让 ai 持久化记忆每一次对话的详细过程，以后如果有需要，可以让 ai 解锁记忆库啊。 重点是这里啊，我明确要求 ai 不要自己去做具体的任务，只需要做好调度，制定计划。如果涉及到写代码，就调用工程师智能体，让他先熟读开发规范文档以后再进行开发，然后把开发规范文档的链接给他。 开发完以后，调用代码检测员检查代码是不是符合规范。之前不是已经让 ai 按照规范开发了吗？为什么这里还要让检测员再按照规范来检查呢？ 因为写代码需要消耗超长的上下文， ai 经常写着写着就把规范给忘了，所以这里要让检测员根据修改的代码，再去按照规范检查一遍，就不容易出错了。 然后调用图书馆馆长来维护文档。最后是要求 ai 把绘画持久化存储为文件。好，规则里写了这么多智能体，怎么定义这些智能体呢？非常简单啊，你只要告诉 ai， 请按照项目规则帮我创建相关的智能体就行了。 好，我们看到 ai 已经在点翠目录下创建了 a 整数目录，按照要求啊，它已经创建了四个智能体了。 最后我们验证一下这些项目规则能不能生效啊。现在我向 ai 提了一个需求， ai 开始分析好，然后他调用了 python 工程师写代码，写完代码以后，又调用检测员开始检查好，没问题。 哎，这里检查出问题了。检测员明确指出啊，这里违反了数据管理条例的第五点一条， 因为我在代码规范里写了，凡是涉及到数据操作的，必须用 data manager 这个类来操作。这种项目级的规范， ai 是 特别容易忘记的。这里代码检测员就能给检查出来，因为它的上下文比工程师要少很多，只有规范文档和修改过的代码，所以它就能检查出来。 再往下看啊，违反异常捕获规范。因为 ai 特别喜欢 try catch 吧，所以我严格要求 ai 不要乱用 try catch， 还检查出来了很多其他问题啊，什么代码片段重复，没有封装好啊，存在硬编码类型提示不统一啊，等等啊，这就是多 agent 协同工作的重要性，让每个 agent 都有自己独立的上下文，更专注一个领域，这样工作就更搞笑了。 好了，最后说一下我在做的这个项目啊，我是准备做一个客户端软件，一键下载视频和转文字。我之前也没有做过客户端软件，所以这个项目我会全程不手写一行代码全由 ai 完成，而且是国产免费的 ai。 我 也会持续分享项目上的实战技巧啊， 后续也可能会把项目开源出来，包括所有的文档结构啊，路由啊， skills 的 配置啊，还有 ai 的 绘画记录等等啊，有兴趣的兄弟可以关注一波啊，拜拜了。

兄弟们，就这两句话，你不要看它简简单单，效果特别好，尤其是配合那个 self improving 自我提升的技能，这是我踩过无数的坑得出来的两个指令。

如果你使用过其他 ai 编程代理，如 cloud code 或 copilot， 你 可能在这些工具中见过类似的文件。在 cloud code 中，我们使用 cloud 文件来提供项目范围的指令，而在 copilot 中，我们使用 copilot instructions markdown 文件来处理同样的事情。 这些都服务于类似的目的，对吧？因为他们为每个代理提供了记忆和简洁的项目上下文。 它们的不同之处在于， agents md 文件作为不同 ai 编码工具的标准被推广， 因此取而代之的是为不同的编码代理 java 这些不同的文件。想法是，我们可以有一个统一的 agents 文件，然后可以在所有这些工具中使用。已经有很多不同的工具在整合这个 agents md 文件。那么让我们回到代码中， 使用 codex c l i 为我们搭建一个 agents 文件。好的，那么我目前正在进行一个 codex 绘画，我将使用 init 命令生成一个新的 agents md 文件。 当我们使用此命令， codex 会自动扫描代码库，并为我们创建相应的文件。

嘿，大家好，咱们都想让 ai 写代码写的更好，对吧？但你想过没有，万一那个最有效的方法反而是我们平时最容易忽略的那个呢？今天咱们就来聊聊这个，一个可能会让你大吃一惊的发现，你看，就是这么个问题， next g s 的 团队在解决一个挺普遍的麻烦的时候，就偶然撞上了这个核心答案。来，咱们一起看看他们到底经历了什么。 好，那咱们先来看看背景，要想明白他们怎么解决的，就得先知道问题出在哪。说白了，就是 ai 的 知识有代沟了，他满脑子都是老黄历，却要处理最新的问题。 这个感觉啊，就好像你找了个只会用老式打字机的师傅，让他去修最新的笔记本电脑。 ai 的 训练数据啊，都是过去式的，所以一碰到像 nexus 十六这种新框架的新 api， 他 就彻底蒙圈了。结果呢，当然就是写出来一堆根本跑不起来的代码。 为了搞定这个问题，团队就想出了两个完全不同的招儿，咱们可以把它想象成两个选手，一号选手叫 skill 方案，听着就特别高大上，对吧？像个智能工具箱， ai 需要的时候再去拿工具。二号选手呢，就朴实无华了，就是一个简单的 markdown 文件，叫 agent store md， 它的策略就是把所有重要的信息直接往 ai 脸上一拍，那么高手过招，谁会赢呢？ 一开始啊，团队把宝都压在了那个看起来更厉害的 skill 方案上，这也挺好理解的对不对？一个专门的工具，需要的时候再叫它，听起来就又高效又优雅， 结果呢，简直让人下巴都掉了。用了这个所谓的智能 skill 代码，通过率是多少？五十三磅，那如果什么都不用，就是最原始的状态呢？你猜怎么着？还是五十三磅？一模一样，一点用都没有？ 所以你看，问题根本不在于这个工具好不好使，而是 ai， 它压根就没想起来用它。这其实也戳中了很多大模型现在的一个痛点，你给了它一堆好东西，但它就是个懒得用或者忘了用的熊孩子。 不过团队也没灰心，他们就想，行，你不注重是不是？那我就在指令里明明白白的告诉你，喂，你必须用这个工具，强迫他用，这总行了吧？哎，你还别说，这招真灵，通过率蹭的一下就从五十三块线飙到了七十九块下，这下总算是搞定了吧？嗯，看起来是这样， 但很快大家就发现了一个新问题，而且是个大问题，这套方案太脆弱了，简直跟玻璃心一样。你的指令稍微换个说法，比如你跟他说，你必须先用这个工具，和他跟他说，你先看看代码，再用这个工具，得到的结果可能就完全不一样。这种不确定性要是放在真正的项目里，那绝对是要命的。 就在这个节骨眼上，团队脑子里冒出了一个完全反常理的想法，他们想，等等，我们为什么要让 ai 去做用不用工具这个决定呢？干脆别让他选了行不行？而这个想法就是整个世界的转折点。 所以他们就不再让 ai 去调用什么工具了，而是直接把一个塞满了最新文档信息的 agence 点， md 文件往它们前一放，同时还加了那么一条堪称黄金指令的话，翻译过来就是，欸，把你脑子里那些老掉牙的东西忘掉，就看我给你的这份新资料。 好，接下来就是最激动人心的部分了，咱们再把最终成绩单拉出来遛遛，啥也不干。五十三，用那个花哨的 skill， 还是五十三，逼着它用 skill 好 点儿？七十九，那么我们那个看起来有点笨笨的 agence 文件表现如何呢？ 你没看错，一百趴，百分之百的通过率，不管是构建代码检查，还是跑测试，全都一次过。就是这个最简单甚至有点傻瓜式的方法，把那个清起来很高科技的方案打的落花流水 就奇怪了，对吧？这背后到底是为什么呢？为啥这个看起来这么被动的方法，效果反而能这么杂乱？这里有个比喻啊，特别到位。那个 skill 方案就像是给 ai 配了个专家热线， ai 得先自己琢磨。哎呀，这个问题我搞不定，得找专家，然后再去打电话。你看，这里多了一部决策， 但 agents 点 m d 是 什么呢？它就是一张小抄，直接贴在 ai 的 脑门上，信息一直就在那，一抬头就能看见，根本就不用费脑子去想我要不要看。 所以咱们总结一下，它能赢，关键就在三点，第一， ai 不 用再做选择题了，省心。第二，重要信息每次都在非常稳定。第三，也避免了让 ai 去想什么。我是先看文档呢，还是先看代码？这种麻烦事，直接一步到位？ 说到这，你可能已经有个疑问了，等一下把这么多文档全都塞到上下文里，那模型的输入窗口还不得直接给撑爆了？问的好，这确实是个关键问题，团队当然也想到了最开始啊，这个完整的文档缩影文件确实有四十 kb 那 么大，这对于寸土寸金的上下文窗来说，确实是有点太占地方了。 但是他们用了一种特别聪明的压缩方法，硬是把文件大小砍掉了八十，怕最后只剩下八 k。 比最牛的是什么？是这么一压缩，百分之一百的通过率一点都没受影响，这操作真的得给个赞！好了，说了这么多，理论最爽的部分来了，上面聊的一切你现在就可以在自己的项目里用上，而且超级简单， 你什么都不用干，就在你的项目终端里敲下这行命令就完事了。这行命令就像一根魔法棒，它会自动帮你做三件事，第一，看看你用的是哪个版本的 nex ds。 第二，去网上把对应的官方文档给你下好。第三，把我们刚才说的那个神奇的压缩过的八 kb 缩影文件，啪的一下自动塞进你项目里的 agents 点 m d 文件里，全自动一条龙服务。 所以啊， next g s 团队的这次经历，真的留给我们一个挺有意思的问题去思考。你看，咱们现在总是在追求更复杂更强大的 ai 模型和工具，但会不会真正最有效的解决方案，反而是那些因为太简单而被我们看都不看眼的东西呢？也许有时候大道至简就是这个意思吧。

上期讲了龙虾的六个核心文档是干嘛的，这期直接上干货，哪些自动生成，哪些必须亲手填，记不住？没关系，听完这条你就懂了。装完自动生成的有三个， soul md、 identity md、 user md， 虚化向导会帮你创建基础版本，但是记住，自动生成不等于不用改。这三个你填的越细，龙虾越懂你。真正需要你亲手操刀的是另外三个， agents md、 memory md、 heartbeat md。 尤其是 agents md 里面的权限边界必须自己写清楚， 比如删文件前必须问我，这直接关系到你电脑的安全。千万别用默认的一句话总结，三个自动打底，三个手动精修， agent 是 红线，必须亲手写死。养虾先养魂，下期聊点别的，再见！

今天呢主要给大家介绍这样一篇论文，评估这个叫 agent md 的 这样一个文件，它到底对我们写代码的这个智能体来讲，它有没有帮助？我们主要是讲这个 agent md， 它我们一般就是叫 做仓库的一个说明书。我们在编辑项目的时候，每个项目的时候，我们促使化项目的时候，让 ai 促使化这个项目的时候，我们都会让它生成这样的一个文件。我们给大家看一下，我们一般都会让它去生成这样一个文件， 这个随着 ai 编辑， ai 编程助手越来越多，现在大概有六万多个开源的仓库当中都包含了这类的文件，这个文件是这样 的，是这样的，它就有这样的一个文件。一般我们在项目初步化的时候，它有一个命令叫 innit， 这个这个命令的是 innit create 或者 update 这个 agent 这样的一个文件。目前在开源的六万多个开源项目当中都包含了这样的一些文件，但是没有人去真正研究过这些文件到底有没有用， 直到它的这篇论文出来，所以这篇论文它主要就去研究这个东西。这个 agent 点 m d 的 这样一个文件到底对编辑代码有没有用？虽然目前 astropica 也好，对吧？ cloud code， 像 open ai 它们都会建议我们在做这个项目的时候都要生成这样 agent 点 md 的 这样一个文件，但是其实这个文件并没有太多的用处。结论是这样的，好，那么我们看看啊，它的这篇论文，它到底是怎么给我们来做这个实验的？首先它是在两个测评级上面做测评的， 一个叫 s w e bench light， 还有一个叫 edison bench， 它两个任务级上面专门去做这样一个研究，这个研究它会拿到很多的这样的一些 excel 上面的一些项目，这个项目它会按照三种方式来进行对比分析。 第一个是没有上下文的，就是他完全不给智能体任何额额外的信息。第二种方式，这个 ad 点 md 的 这个文件是 ai 自动生成的，我们目前大部分的方式都是这样的。还有第三种方式，就是这个 ad 点 md 的 这个文件是人工编写的，是开发者他自己手工编写的。 用这个三种方式去看我们 ai 自编程的智能体，它自动化完成任务的时候，它的成功率会不会提高。 另外他的步骤数量有多少，就是智能体需要多少步完成。另外你要去看他到底推理花了多少托管，他主要是做三件事，做这样一个实验。好，我们看他的具体是怎么发现的，他其实是核心发现了三个东西，就第一个他成功率，你可以看到这是 non， 这是用大模型编写的， 你看到没有的会更好，基本上是这样，没有的会更好，除了这个极小的这种小模型，基基本上是没有的会更好。 这个这个是叫 s w e bench light 这样的一个测评，这个叫 aids bench， aids bench 他 是专门做了一个测评集，他就拿了这些项目，十二个开源的这个项目，做了这样一个 aids bench 的 这样一个测评，他就得到了这个数据， 那么也是一样的，基本上是 non， 它的数分数是比较高的。还有一种方式， human 是 人类自己手工编写的，有些时候会有点好处的，是这样的一个结果，所以他第一个发现是什么？说 这个 ad 字点 m d 的 仓库说明书，它对这个模型生成上下文文件是没有任何帮助，反而是有害的。第二个发现人类编写的有些帮助，但是作用不大，这个它是第二个，它去看它的智能体迭代的这个步骤，你可以看到没有，它的迭代步骤会少一点，有它有些时候迭代步骤会多一点。 其实迭代步骤多并不定代表它的成功率高，但是有可能它是在浪费时间，因为迭代步骤多，它有可能是在做一些无用的一些测试，做了更多内容的搜索，或者是用了更多的 token。 好， 最后也是一样，你可以看到，如果是用了这个 agent 点 m d 这个文件，它所消耗的 token 会更多， 用浪的这个方式反而更好。所以它这个基本上跟我们目前的那个常识是相反，所以这篇文章我觉得还是比较有价值的。在这儿它跟我们的常识是相反的，我们辛辛苦苦去维持维护这样的一个 a a 顶点 md 的 这样一个仓库说明书，并没有帮助我们的 ai 编辑 代码的助手，他的完成任务的成功率更高，反而更低，同时他所消耗的托管药高百分之二十，所以他是根本就没有用。那么我们要回答一下他为什么没有用？他为什么会这样的话，第一个原因，因为你给的文件，他是一个比较综合性的一个文件， 他并不能解决他目前 ai 当前正在处理的一个任务，你给的那只是一个项目的一个栽药， 这个摘药里面他不能帮助我们的智能体更快的定位问题，所以有没有这个文件根本就没有关系。或者是有了这个文件他会更麻烦，因为他会遵循你的一些命令，特别是一些 模型，遵循指令比较强的一些大模型，反而你多了一些不必要的指令之后，他会变让这个任务变得更加困难，而不是变得更加直接。另外他这个上下文文件有可能是融于的，他这个内容本身就是重复， 你在这个上下文里面重复大量的不必要的内容，反而使这个上下文的准确性会下降。它是有这样的一个问题。好，这个就是解释了它为什么我们增加了这样的一个 ad 字的这样一个文件，反而让我们编辑代码的能力会降低。 我们增加了这样的一个文件，看上去是帮助了这个智能体的代码助手去理解整个项目。但其实他在解决实际问题的时候，他并没有用，因为他是在解决某一个任务的时候，跟他其实没有什么关系，他不知道的时候，最好让他自己去搜索，去在这个项目里面找内容，反而会更好。 我们再看看他的建议是什么，他给我们的建议是什么呢？他就三个建议。第一个，我们这个文档可以不要暂时不用，他去生成这样的 a 定词的这样一个 md 的 文档。对，因为有些时候你有了这个文档，反而他是弊大于利，没有用。第二个，如果你真的要写，建议你手写， 而且你写的要很少，内容要少，只包含真正必要的信息，比如说这里面给了一些建议，如何运行，测试特殊工具的使用方法，仓库里特定构建的命令他不要什么东西不要，你详细的列仓库的结构说明， 笼鱼的代码规范，或者是说不要放智能体自己可以发现的信息，这个都不要。而且你放的信息有可能不是很准， 可能已经是过时了，所以尽可能要减少到最小。如果你要写第三个建议这个文档可以不要，但是你可以保持一个 readme， 这个 readme 的 文档它其实是对人也有帮助，对智能体和对人都有帮助，所以这个文档还是建议要保留的。这个文档其实是可以不需要。好， 所以我们可以看到这篇论文是最近也是刚刚发布出来，如果大家有兴趣也可以去看一下，我会把这篇论文发到粉丝群里面去，所以它可以给我们一个比较简单的一个指引，这个简单的指引就是说当我们在做写代码的智能体的工作的时候，这个文档可以不需要， 目前至少 esoteric 和 open ai 他 们建议去写这样一个文档其实是没有必要的。好，这个就是今天论文的所有的内容。

好，咱们来快速上手一下，智能体的工作区非常简单，你想过没，你的智能体，他的人格、记忆这些东西都住在哪呢？ 其实啊，他有个专属的工作区，就像他自己的大脑和书房一样。咱们先来看看定义他灵魂和个性的两个核心文件。首先是 so 点， md， 这是他最核心不可改变的性格。 然后是 agents hmd， 这里面写的都是他的行为准则和说话风格，你看一个管他是谁，一个管他做什么，分工很明确。好，说完了性格，咱们再看看智能体是怎么记东西的， 这个文件就是他专门用来记关于你事的笔记本 memory， md 呢，就是他的长期记忆，学到的东西就固化在这里， 而 memory 文件夹更像是它的日记本，每间都记录互动。还有一个很妙的 heartbeat， md， 你 可以把它想成是智能体的闹钟。那问题来了，这么多文件，它们是怎么配合让智能体活起来的？ 你看这张表，每个文件加载的时机都不同，一步步构建出它的意识，整个顺序很清楚，系统先启动，然后读心跳，最后注入灵魂和规则。 其实啊，这一切的设计都源于一个非常简单又强大的理念，这个理念就是一切皆文本，意思就是你用任何文本编辑器就能修改它，完全掌握控制权。 没错，定义智能体灵魂的钥匙现在就在你手里了。那么你想好要为你的智能体写下什么第一条规则了吗？

上一期我讲了，嗯， a 建词不是写给人看的文档，而是写给 ai 编程代理执行的规则体系。嗯，这一期呢，我不讲概念，直接带你看我在一个真实的数字人项目里面是怎么用 a 建词的。 呃，这是一个我正在开发的一个数字人的项目，嗯， 在这个项目里面我不只写了一份 excel 的 文档，呃，然后我，我应该还没有做完啊。然后我在每个模块里面放了一个 excel 的 文档，然后在各目录里面放了一个 excel 的 文档， 嗯，根目录的是一个项目级的宪法，然后每个模块呢是一个。嗯，行为契约。嗯，这样做的原因很简单啊，因为，呃，你不能用一份规则来同时约束整个国家和一个部门。 呃，我们来看一下那个项目级的那个建词是什么角色。呃，可以看到这一行，呃，就是 我在这一行就就已经把它定性了。这是一个那个 act 的 宪法，嗯，他不关心你用什么模型啊，比如他不关心你用 beauty gun 还是 code farmer。 嗯，他只关心三件事， 嗯，就是有哪些 act， 那 谁能调用谁。呃，哪些事情绝对不允许发生。 嗯，比如这边我做了职责的划分，呃，然后这边做了一些调用规则的一些必须要遵守的事情。呃， l i m a gent 是 明确不负责那个视频处理的， 嗯，可以这么看， 嗯。然后 video a gent 呢？是，呃，明确不负责那个语义理解的。 然后所有的跨那个 ergent 的 写作呢？只能通过那个，嗯， padla ergent， 呃，这条不是写给人看的，是为了防止那个，呃 ai 写出顺手就调用一下的一个代码。 呃。另外还有一个比较关键的就是文档， 看一下， 呃，文档，呃，这很多编程工具写完一个模块会给你总结一份文档，但是有些文档并不是我想要的，所以我这边，呃，明确的，呃，就是指示就不允许修改一些文档，只有 我我我明确要求他补充说明或整理文档的时候，他才能做，嗯，否则不得擅自去补充说明和整理文档。 那然后我们来看一下模块级的键词，呃，到底是解决了什么问题？ 呃，首先是 l i m event， 嗯，限制智能过度，呃，很多人第一次用 ai 写代码，会发现一个问题，呃，大模型是什么都想干，嗯， 所以我在这里面做了一件事情是主动砍掉他的能力边界，呃，他只能理解语意输出， emotion 和 motion， 其他的事情呢？呃，想都不要想。 我们来看一下 l i m 模块下的键词， 这是定义好他的职责，然后这是明令禁止的， 嗯，这是他的行为约束之类的模型调用的顺序。 ok， 我 们再来看另外一个模块，就是 video， 让它是去掉影视智能， 嗯， view 一 event 在 我这里面是一个确定性的执行器，就是我给他什么指令，他就按照固定的流水线执行就行了啊，比如人脸美化，按照这条流水线来执行， 呃，不允许他自己调参数，自己决定风格，自己觉得这样更好看。我们来看一下 view 模块下的一件此文档， 这是他的职责，然后这是他明确禁止不允许做的事情。 那现在你再回头来看这三份 adams 的 文档，嗯，它分别解决了三种失控，嗯，跟目录的话是解决了架构， 嗯，失控， a r i n 模块化，下面的那个文档的话，是解决了那个智能阅权 video 模块下面的电磁文档的话，是解决了影视决策，呃。它们加在一起才能让 ai 在 一个复杂的项目里面长期写代码不变形。 呃。另外还有一个就是重要的原因，我用 excel 的 话，就是因为这是一个比较大的项目，然后我可能要跟同事写作开发， 呃，然后我主要用 ctrl、 ctrl 之类的编，呃。 ai 编程工具，我同事可能用别的编程工具，呃。然后，呃键词，它是一个规范，嗯，可以在不同的 ai 编程工具下那个写作， 嗯， ok。 然后，嗯。最后那个坚持不是形式主义啊。嗯，然后它本质上是在回答一个问题，就是你是谁？你能做什么？你绝对不能做什么。 嗯，呃。本期的话视频就结束了，然后关注我。呃，下期我们继续玩 ai 相关的开发。

a 剑 c a 剑词，开箱即用的专业 ai 角色，号称给你一整个 ai 公司，在 github 上已有二六 k 加斯的 s。 先说它到底是什么，它不是什么框架，不是 sdk， 就是 一堆 markdown 文件，每个文件就是一个系统提示词，定义了一个 ai 角色的身份、性格、工作流程和输出格式。比如这个 ai 角色的身份、性格、工作流程和输出格式，比如这个 ai 角色的身份，用 s a c q a 框架来写汇报， 把这些文件复制到对应工具的目录里， ai 就 会按照这个角色来工作。一百一十二个 ai 专家，覆盖产品研发的全流程，从代码到设计，从营销到测试，从游戏开发到空间计算，包含十一个部门，还支持 cloud code、 opencloud 等九款主流 ai 编程工具。我用 opencloud 做了个实测，给 ai 同一份 size 产品 q e 运营数据，让他写高管招标， 这是促使系统提示词，一个清醒的 ai 助手，不闲聊，不套近乎，只解决问题。第一个是自由发挥的格式，用了表格，关键洞察，风险预警，建议行动结构是 ai 自己组织的，内容挺好，但格式比较随意。 第二个替换系统提示词，他现在是高级战略顾问兼执行沟通专家，擅长把复杂的业务材料提炼成高管执行家。要第二个输出，严格按照五段式结构现状，关键发现、商业影响， 建议下一步。连英文标题都照搬了模板，每条建议都标了 critical high medium 优先级，完全复刻了提示词。模板里的格式 还指定了负责人和截止日期。每条发现都用加粗的 straight jigger implication 来标注战略含义，看篇幅明显更长更详细， 在提示词要求的三百二十五到四百七十五词范围附近。第一个更简洁，更像是日常对话式的总结，但是两个版本的分析内容几乎一样都抓到了中小企业流失加速、 企业客户是护城河、竞对威胁。这些关键点区别只在于格式和规范程度。这恰好印证了 ai 对 这些业务数据的理解和分析能力本身没有差别， 差别就在于第二个背应规矩约束成了标准化的咨询报告格式。我仔细拆了好几个 agent 的 提示词，发现内容可以分三层， 第一层大概占百分之五，是给工具界面用的装饰信息，什么颜色，以 micro 一 句话风格对 ai 的 行为完全没影响。第二层占了大概百分之七十五， 是 ai 本来就知道的知识，都是公开的行业知识，你不写 ai 也懂。第三层大概占百分之二十，才是真正有用的行为约束。比如长度限制、固定五段结构， q a 默认至少找三到五个问题，这些硬规矩才是影响输出质量的关键， 因为 ai 不 会自觉遵守这些标准。我们可以根据任务类型选择不同 agent 的 组合，组建自己的 ai 虚拟团队， 比如创业 mvp、 开发营销战役执行广告账户接管。所以这个项目的价值不是知识，是纪律。对于个人偶尔用一次的场景，其实直接跟 ai 说清需求就够了。但如果你的团队需要多人反复使用，每次输出格式一致， 这种标准化的 a 件的提示词就有它的意义。项目 mit 协议完全免费，感兴趣的可以去看看，挑几个适合自己的 a 件它试试。希望本期视频对您有所帮助，我们下期视频再见。

上期视频评论区全在扣一，今天来了 openclaw agents 到 md 完整配置教程。先说清楚 agents 到 md 是 什么？它是 openclaw 的 行为配置文件，你在里面写什么， ai 就 按什么规格干活。 很多人不知道这个文件全靠 skill 解决问题，但 skill 每次调用都要消耗大量 token。 agents 到 md 不 一样，它只在对话开始时加载一次，之后不重复消耗。 同样的任务用 agent 打 md 比用 skill token 消耗能少百分之六十以上。配置方法很简单，打开 open class 项目文件夹，找到 agent， 打 md， md 用任何文本编辑器打开，里面写三类内容，第一，你是谁， 告诉 ai 你 的身份和工作场景。第二，你的习惯，比如回复，用中文，简洁不废话，重要事项先说结论。第三，常用任务规则，比如每天早上八点发日报，文件整理，按日期分类，写完保存，下次启动 opencll 自动生效。 就这么简单，不需要装任何 skill token 消耗直接降一半。想要我的 agent 模板评论区扣二，下期我把完整模板公开，点赞关注，下期见！