AI Agent 工程实践（00）：为何我要构建 AI Engineering OS

前言

去年，我开始系统学习 AI Agent 开发。从 LangChain、Prompt Engineering，到 MCP、各种 Agent 框架，我几乎什么都学了一点。

但学得越多，我反而越发现一个问题：真正限制开发效率的，并不是模型能力，而是工程管理能力。

最开始，我把 Prompt、代码、文档、笔记分散存放在不同地方。随着项目越来越复杂，逐渐暴露出一些问题：

• 同样的问题反复思考，每次踩坑都要重新搜一遍；
• 项目规则越来越混乱，不同 Agent 工具各有各的配置，互相打架；
• 学到的知识无法复用，看完的论文、调过的 Bug 转头就忘；
• 每次开启新项目都需要重新整理开发环境，像重新搭一次积木。

我意识到：问题不是工具不够强，而是缺少统一的工程化管理。

于是，我开始尝试把学习、知识管理和开发流程沉淀成一套体系，希望把日常开发中的知识、规则、工作流和项目管理统一管理起来。

这篇文章是整个系列的第 00 篇，主要分享为什么会有这个想法、想解决什么问题，而不是介绍具体工具怎么做。

为什么需要一套 AI Engineering OS？

先说最原始的问题：我的开发环境变得越来越难管理了。

我有三个独立的 AI 工具在同时工作，各自负责不同的事情：一个管学习和知识管理，一个管代码生成，一个管工程规范。三个工具各有各的配置、规则和记忆文件。

刚开始还好，后来问题来了：

Prompt 到处都是。 有些写在学习工具的 skill 里，有些写在代码工具的 rules 里，有些散落在笔记里。想找一个之前调好的 prompt，要翻好几个地方。

文档找不到。 之前写过一个项目架构文档，但放在哪个目录、什么格式，完全不记得了。检索成本比重新写还高。

Agent 没有统一规则。 不同工具对"代码风格"、"输出格式"、"安全约束"的理解完全不同。同一个项目，两个工具给出的答案风格能差两倍。

每个项目都重新配置。 新建一个项目 → 配置规则文件 → 写行为规范 → 装依赖 → 调 prompt。这一套下来半天没了。下次再做类似项目，重复一遍。

经验无法沉淀。 调通了一个复杂 pipeline，解决了三个坑，跟同事讲完了就完了。下次遇到类似场景，还是从头排查。没有形成可复用的知识资产。

这些问题的本质是：工具在进化，但工程化管理没有跟上。

所以我开始问自己：有没有办法把这些零散的流程串起来？

我的目标

我希望解决的核心矛盾是：开发效率受限于工具之间的信息孤岛。

所以我对这套系统的期望是：

知识统一管理。 所有学到的概念、踩过的坑、调通的流程，都有一个地方可以快速检索。不需要记在脑子里，但需要能够两分钟内找到。

Agent 统一行为规范。 不管是用 Hermes 做知识管理、Claude Code 写代码、还是未来接入其他 Agent，都应该遵循同一套规则体系：代码风格一致，输出格式统一，安全边界清晰。

工程经验持续积累。 每次解决一个问题，系统自动或半自动地把经验沉淀下来。下次遇到同类问题，不需要从头思考。

项目可以快速复用。 新建项目时，规则、模板、常用配置、依赖环境都能一键拉起来。从"搭积木"变成"用模板"。

每天都有可复盘的数据。 今天学了什么、调了什么、踩了什么坑、解决了什么——这些数据能被记录和复盘，形成正向循环。

系统的大致结构

这是我的 AI Engineering OS 当前的分层设计：

知识库 (Obsidian) ↓Rules (core/ + heavy/) ↓Agent Layer (Hermes / Claude Code) ↓项目 (agentone_test / agent_code / ...) ↓复盘 (Daily Review + Weekly Review) ↓持续优化 (Skill 沉淀 + 规则迭代)

每一层的关系是：

• 知识库是整个系统的底层土壤。所有技术概念、笔记、阅读记录放在 Obsidian 里，用 PARA + Zettelkasten 混合管理。
• Rules 是 Agent 的行为规范。拆成 core（常驻规则）和 heavy（按需加载）两层，避免每次对话塞太多上下文。
• Agent Layer 是执行层。Hermes 管学习、笔记、技能沉淀；Claude Code 管编码、重构、测试。两者通过共享规则统一行为。
• 项目是具体的交付成果。每个项目继承通用规则，再覆盖项目特有的配置。
• 复盘是反馈闭环。日复盘 + 周复盘，检查学习进度和规则有效性。
• 持续优化是系统的进化机制。有用的经验沉淀为技能，过时的规则淘汰，整个系统越用越强。

这个结构不是一开始就设计好的，是在用了两个月的过程中不断调整出来的。后续每篇文章都会深入介绍某一层。

用图来说，变化是这样的：

以前：工具和数据各自为战

flowchart LRPrompt[Prompt 片段]Obsidian[Obsidian 笔记]Claude[Claude Code 工具]Hermes[Hermes 工具]GitHub[GitHub]Notes[各处笔记]

现在：分层协同

flowchart TDKnowledge[知识库]Rules[Rules 行为规范]Agent[Agent 执行层]Project[项目]Review[复盘]Knowledge --> Rules --> Agent --> Project --> ReviewReview -.> Knowledge

闭环：越用越强

flowchart TDLearn[学习新知识]Practice[工程实践]Review3[复盘总结]KB[沉淀到知识库]Learn --> Practice --> Review3 --> KB --> Learn

目前已经实现了什么？

目前已经跑通的部分：

知识库整理已基本完成。 Obsidian 主库 + learn02 学习库，已经建立了 Index 导航、YAML frontmatter 规范、跨库 wikilink 体系。学过的每个概念都有原子笔记。

开发规范已初步建立。 AI Engineering OS 分 core/ 和 heavy/ 两层：

• core/ 有 3 条最小规则（行为底线）
• heavy/ 有 20+ 个能力文件（按需加载）
• 覆盖代码审查、架构设计、测试规范、安全检查

Hermes 工作流。 配置了 Hermes Agent 作为学习教练，管理：

• 面试准备和薄弱点识别
• 间隔复习卡片（1d/3d/7d/30d）
• Obsidian 笔记自动化生成
• 知识关联和 MOC 维护

Claude Code 配置。 三体分离原则：

• Hermes Agent 管自己的 /hermes/ 目录
• Claude Code 管自己的 .claude/ 目录
• AI Engineering OS 管 D:.claude-data
• 三者互不干扰，通过共享规则协同

项目模板。 常见项目的脚手架和配置文件已经整理，新建时直接 copy。

还存在哪些不足？

只写成功是没意义的，坦诚说不足：

生命周期管理仍需完善。 知识的"过期检查"还没做——有些笔记是两个月前写的，里面的 API 可能已经变了。谁来定期审查？什么频率？还没有自动化。

自动化程度不够。 目前的复盘还是半自动的：Hermes 帮忙写，但最终还是我触发。理想状态应该是每天自动汇总、推送摘要。

很多流程仍依赖人工维护。 技能沉淀、规则更新、项目归档这些操作，目前还是手动执行，自动化程度还有提升空间。

还没有形成完整的数据统计。 每天学了多长时间、调了几个 Bug、知识库增长了多少——这些数据散落各地，没有统一的 Dashboard。

三套系统之间的衔接还不够顺。 Hermes 写了笔记 → Claude Code 读不到；Claude Code 沉淀了经验 → Hermes 不知道。中间还需要一个共享的"总线"。

这些不足既是问题，也是后续优化的方向。

我最大的感受

写到这里，我想说一个最真实的感受。

我越来越觉得，AI Agent 真正难的不是 Prompt，而是工程化。

Prompt 可以抄、可以调、可以迭代。但工程化不行——它需要你理解自己的开发流程，理解工具之间的协作关系，理解知识怎么沉淀、规则怎么演进、经验怎么复用。

这个系列我会持续写下去，每一篇都会围绕一个真实的问题展开：为什么 Rules 要分层？为什么 Memory 需要生命周期？为什么要做 Review？

不是介绍"我有什么"，而是分享"我为什么这样设计"。

如果这些思考能够帮助更多开发者少走一些弯路，那这套系统就不仅仅是我自己的工具，而是一份可以持续沉淀的工程实践。

如果你也在尝试构建自己的 AI 开发体系，欢迎交流。

本文是 [AI Agent 工程实践] 系列的第 00 篇，用于介绍系列背景和整体思路。