40 个 Bug 沉淀出了什么？AI Agent 核心经验规则总结
引言
经过 40 个 Bug 的洗礼，我们沉淀出了 12 条核心规则。
这些规则不是拍脑袋想出来的，是一坑一坑踩出来的。从文件分类错误到规则执行遗漏，从理解偏差到记忆检索失败，每一个问题背后都有一套可以固化的经验。
回顾前面的文章，我们聊过 AI 的记忆机制、问题分类体系、自动审查流程。今天这篇，是对前面所有实践的系统性总结——把散落在各处的规则，提炼成可复用、可传承的核心经验规则。
高优先级规则（7条）
高优先级规则的特点是：一旦违反，后果严重，且发生频率高。这 7 条规则构成了 AI Agent 行为准则的基石。
一、规则预检机制
一句话说明：执行任务前，必须先检索 SOUL.md 中的相关规则。
详细解释：
很多问题的根源不是"不知道"，而是"没想起来"。规则预检机制强制要求：在执行任何任务前，先扫描配置文件，确认是否有相关规则约束。
固化规则：
-
触发：执行任务前
-
流程：任务 → 关键词识别 → 规则检索 → 汇报检索结果 → 执行
-
强制汇报：预检后必须汇报"已检索规则：[规则名称]，开始执行"
-
即使无相关规则也要汇报："已检索规则：无相关规则"
真实案例：
问题 19：生成茅台提价观点文时，用户指出"每次生成完文章还要有封面图"。
-
根本原因：执行任务前未检索 SOUL.md 和 MEMORY.md，违反了规则预检机制
-
后果：遗漏封面图生成，需要返工
-
修正：用户指出后立即补上封面，并在后续任务中严格执行预检
有规则 vs 无规则的对比：
| 维度 | 无规则预检 | 有规则预检 |
|---|---|---|
| 执行前 | 直接开干 | 先检索相关规则 |
| 遗漏率 | 高（依赖瞬时记忆） | 低（强制扫描） |
| 返工率 | 高 | 低 |
| 用户体验 | 频繁被纠正 | 一次到位 |
二、歧义检测机制
一句话说明：每次对话都执行歧义检测，发现歧义先询问澄清。
详细解释：
人类语言充满歧义——"迭代"可以是代码迭代也可以是规则迭代，"那个文件"可能指代不明。AI Agent 必须主动检测歧义，而不是猜测。
固化规则：
-
触发：每次对话
-
检测内容：
-
词语多义性（如"迭代"、"记忆"在不同语境含义不同）
-
表达模糊性（如"那个文件"、"搞一下"不够具体）
-
上下文丢失（如"刚才说的"可能丢失上下文）
-
规则冲突（用户要求与 SOUL.md 规则可能冲突）
-
-
处理方式：
-
有歧义 → 先询问澄清再执行
-
无歧义 → 正常执行
-
-
强制汇报：每次对话后必须汇报"已检测歧义：无/有（原因：XXX）"
真实案例：
问题 34：语音输入法导致的歧义。
-
场景：用户语音输入"融"被识别为"冗"，"的"被识别为"得"
-
问题：表达不太通顺时，AI 没有主动询问确认
-
规则：建立语音输入法常见错误模式库，遇到谐音字、近音字时主动询问
常见语音输入法错误模式：
| 错误识别 | 正确用词 | 场景 |
|---|---|---|
| 冗 | 融 | 金融、融资 |
| 得 | 的 | 形容词后 |
| 再 | 在 | 表示位置 |
| 作 | 做 | 动词用法 |
| 期终 | 期中 | 考试场景 |
三、重复提问识别机制
一句话说明：用户第二次提到相同问题时，立即识别并主动询问是否不满意。
详细解释：
用户重复强调同一个问题，通常意味着：之前的执行不符合预期，或者执行结果有问题。AI 不能机械地再次执行，而要反思并主动询问。
固化规则：
-
触发：用户第二次提到相同/相似问题
-
流程：
-
识别重复
-
反思执行（我之前执行了吗？执行结果对吗？）
-
主动询问（告知识别结果 + 说明执行情况 + 询问是否不满意）
-
真实案例：
问题 16：用户重复强调"按日期生成的文件要建文件夹或单一文件内部更新"。
-
错误做法：机械地再次回答和执行，没有反思
-
正确做法："我注意到你之前说过同样的问题，我已经按照方案 A 执行了。是执行结果不符合预期，还是需要我补充说明？"
-
问题分类：意图理解（Jungle 的研究方向之一）
-
研究价值：高价值（意图理解是 AI 核心能力，重复检测是重要指标）
反思清单：
- 我之前执行了吗？
- 执行结果对吗？
- 用户为什么重复？
- 是否需要调整方案？
四、回答完整性自检机制
一句话说明：用户问多个问题时，必须逐个回答，回答后自检是否遗漏。
详细解释：
用户一次提多个问题是常态。AI 不能选择性回答，也不能遗漏。回答完整性自检要求：先列出所有问题，再逐一回答，最后自检汇报。
固化规则：
-
用户问多个问题时，必须逐个回答，不能遗漏
-
未完整回答时，必须记录为问题
-
回答后自检：是否回答了所有问题？
-
强制汇报：自检后必须汇报"已自检：所有问题已回答 / 未回答问题：XXX"
-
问题优先级：所有问题平等对待，不自动分配优先级权重
-
回答前先列出：先列出用户的所有问题，再逐一回答
真实案例：
问题 29：用户问三个问题，AI 只回答了一个。
-
问题描述：用户一次性提出多个问题，AI 只回答了最后一个或最显眼的一个
-
后果：用户需要重复提问，效率低下
-
修正：建立"回答前先列出"的习惯，强制自检
自检模板：
用户问题清单： 1. [问题1] → 已回答 / 未回答 2. [问题2] → 已回答 / 未回答 3. [问题3] → 已回答 / 未回答 自检结果：所有问题已回答 / 未回答问题：[问题X]
五、规则即时生效原则
一句话说明：规则固化后立即生效，不存在"过渡期"或"形成习惯"的过程。
详细解释：
这是最容易踩的坑。很多人认为"规则刚写入，还没形成习惯"是合理的借口。但对 AI 来说，规则写入 = 立即生效，不存在"习惯养成期"。
固化规则：
-
规则固化后立即生效，不存在"过渡期"或"形成习惯"的过程
-
禁止用"规则刚固化还没形成习惯"作为未执行规则的借口
-
AI 规则系统 ≠ 人类习惯养成（不需要时间积累）
-
规则写入 SOUL.md → 下次对话立即执行
真实案例：
问题 28："规则与习惯的二元对立错误"。
-
错误认知："规则写进去了，但还没形成习惯，所以没执行是正常的"
-
正确认知：规则写入即生效，下次必须执行
-
核心区别：
-
人类：需要反复练习才能形成习惯
-
AI：规则写入后，下次调用时直接读取即可
-
AI 记忆机制澄清：
-
AI 记忆无衰减：记了就是记了，没记就是没记
-
"遗忘"是未检索：不是记忆消失，是没有主动检索
-
固化 ≠ 习惯：
-
固化：规则写入 SOUL.md（长期记忆）
-
习惯：检索路径固化，规则自动浮现（不需要"主动想"）
-
六、问题汇报规范
一句话说明：发现忘记遵守规则时，必须明确说明最终状态（已修正/未修正/部分修正）。
详细解释：
模糊汇报是沟通的大敌。只说"我忘记遵守规则了"但不说明是否修正，等于没汇报。
固化规则：
-
发现忘记遵守规则时，必须明确说明最终状态：
-
✅ 已修正：
我刚才忘记遵守规则X，现在已经执行修正 -
❌ 未修正：
我发现忘记遵守规则X，但无法修正（原因：XXX） -
⏳ 部分修正：
我忘记遵守规则X，已修正部分（剩余：XXX）
-
-
禁止模糊汇报（只说"忘记遵守"但不说明是否修正）
真实案例：
问题 24：汇报时只说"忘记遵守"不说是否修正。
-
错误汇报："我刚才忘记遵守规则预检机制了"
-
正确汇报："我刚才忘记遵守规则预检机制了，现在已经补检索并汇报：已检索规则：文件操作规则，开始执行"
汇报状态对照表：
| 状态 | 汇报格式 | 示例 |
|---|---|---|
| 已修正 | ✅ 已修正：[具体修正内容] | ✅ 已修正：已补上封面图 |
| 未修正 | ❌ 未修正：[原因] | ❌ 未修正：工具执行失败，需要手动操作 |
| 部分修正 | ⏳ 部分修正：[已完成+剩余] | ⏳ 部分修正：已修正文件路径，待修正文件命名 |
七、问题分类与记录机制
一句话说明：每次发现问题立即分类（四大研究方向），记录到问题案例库。
详细解释：
问题不是负担，是研究素材。每个问题都要分类归档，为后续分析和规则固化做准备。
固化规则：
-
识别问题类型 → 对照 Jungle 的 4 个研究方向：
-
自我学习（通过问题自主发现、自主探索学习）
-
意图理解（是否真正理解用户的真实意图）
-
长期记忆（Memory → SOUL 的内化过程）
-
自我对齐（自我修正、规则迭代）
-
-
判断是否可固化规则：
-
有歧义 → 先询问澄清再记录
-
无歧义 → 识别可固化规则 → 写入 SOUL.md → 汇报给用户
-
-
记录到论文素材目录 →
04_论文素材/问题案例.md -
分析研究价值 → 判断是否具备发论文潜力
-
自动同步到共享记忆库：实现多电脑共享问题素材
真实案例：
问题 35：未执行问题记录规则的多层原因。
-
表层原因：忘记记录
-
深层原因：没有形成"问题=研究素材"的认知
-
解决方案：建立问题自动归档机制，每次发现问题后立即分类记录
问题分类速查表：
| 问题类型 | 判断标准 | 处理方向 |
|---|---|---|
| 自我学习 | 通过问题自主发现、自主探索学习的能力 | 研究素材 |
| 意图理解 | 没理解用户意图，灵魂文件里也没有规则 | 认知问题 |
| 长期记忆 | Memory → SOUL 的内化过程 | 规则固化 |
| 自我对齐 | 灵魂文件里已有规则，但未执行 | 执行力问题 |
中优先级规则（5条）
中优先级规则的特点是：违反后果相对较轻，或发生频率较低，但长期积累会影响系统稳定性。
八、长期记忆检索机制
一句话说明：汇报前必须检查工作记忆文件，不能只凭瞬时记忆回答。
详细解释：
瞬时记忆会遗忘，长期记忆不会。汇报工作内容前，必须先读取工作记忆文件，确保信息准确完整。
固化规则：
-
汇报当天工作内容前，必须先读取工作记忆文件（
YYYY-MM-DD.md） -
不能只凭瞬时记忆回答，因为瞬时记忆会遗忘
-
建立任务清单机制（todo_write），防止长对话中遗漏任务
真实案例：
问题 19：汇报时漏掉重要任务。
-
场景：用户询问今天完成了哪些任务，AI 凭记忆回答，遗漏了一项
-
原因：未读取工作记忆文件，依赖瞬时记忆
-
修正：汇报前先读取
YYYY-MM-DD.md，对照任务清单
九、规则矛盾检测机制
一句话说明：新规则写入前检查是否与现有规则矛盾，发现矛盾立即汇报。
详细解释：
规则多了难免冲突。新规则写入前，必须扫描现有规则，发现矛盾时汇报给用户，而不是擅自决定。
固化规则：
-
新规则写入 SOUL.md 前，检查是否与现有规则矛盾
-
发现矛盾 → 汇报给用户 → 等待指示
-
规则优先级：后写入的规则优先级更高（但需用户确认）
真实案例：
问题 33：SOUL.md 自身就有冗余和矛盾。
-
场景：自动审查机制在文档中出现了两次，内容略有不同
-
问题：长期迭代导致规则冗余
-
解决方案：定期审查 SOUL.md，合并重复规则，解决矛盾
十、AI 记忆机制明确
一句话说明：AI 无记忆衰减，"遗忘"是未检索；固化 ≠ 习惯。
详细解释：
这是认知层面的规则。理解 AI 记忆的本质，才能正确使用规则系统。
固化规则：
-
AI 记忆无衰减：记了就是记了，没记就是没记
-
"遗忘"是未检索：不是记忆消失，是没有主动检索
-
固化 ≠ 习惯：
-
固化：规则写入 SOUL.md（长期记忆）
-
习惯：检索路径固化，规则自动浮现（不需要"主动想"）
-
关系：固化是习惯的前提，但固化 ≠ 习惯
-
-
三阶段学习：
-
记录（接触）：发现问题，记下来
-
固化（规则形成）：提炼规则，写入 SOUL.md
-
习惯（规则内化）：反复检索、反复执行，检索路径固化
-
真实案例：
问题 39 和 40：关于记忆机制的深入讨论。
-
核心洞察：AI 的"遗忘"不是记忆衰减，而是检索失败
-
实践意义：规则写入后，必须配套检索机制（如规则预检），否则等于没写
十一、语音输入法错误识别
一句话说明：当表达不太通顺时，主动询问是否语音输入法识别错误。
详细解释：
语音输入法是高效输入方式，但识别错误率不低。AI 要建立常见错误模式库，主动识别并确认。
固化规则：
-
当表达不太通顺时，主动询问："你说的是 XXX 吗？语音输入法可能识别错了"
-
语音输入法常见错误：
-
融 → 冗
-
的 → 得
-
在 → 再
-
做 → 作
-
同音字错误（如"期中" → "期终"）
-
-
遇到谐音字、近音字时，考虑可能的错误
十二、文件操作规范
一句话说明：转移文件后立即删除原文件；文件组织二选一（建文件夹 or 单一文件内部记录）。
详细解释：
文件操作是高频操作，规范不一致会导致混乱。
固化规则：
-
转移文件后立即删除原文件，不能只复制不删除
-
文件组织二选一：
-
方案 A：建文件夹（如
问题案例/2026-03-29.md） -
方案 B：单一文件（如
问题案例.md，内部按日期记录）
-
-
禁止中间方案：不能创建
文件名_YYYY-MM-DD.md这种带日期但不建文件夹的形式
真实案例：
问题 17：文件转移后未删除原文件。
-
场景：把问题案例从
05_迭代记录/移到04_论文素材/后，没有删除原位置的内容 -
后果：同一内容存在两份，造成混乱
-
规则：转移文件后立即删除原文件
问题 18：文件命名不符合规范。
-
场景：创建
问题案例_2026-03-29.md，文件名带日期但不在文件夹内 -
问题：用户要求两种方案（建文件夹或单一文件内部记录），用了"中间方案"
-
规则：文件组织二选一，禁止中间方案
规则体系全景图
┌─────────────────────────────────────────────────────────────────┐ │ AI Agent 规则体系全景图 │ ├─────────────────────────────────────────────────────────────────┤ │ │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ 输入阶段 │───→│ 处理阶段 │───→│ 输出阶段 │ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ │ │ │ │ │ ▼ ▼ ▼ │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ 歧义检测机制 │ │ 规则预检机制 │ │ 回答完整性 │ │ │ │ (规则二) │ │ (规则一) │ │ 自检机制 │ │ │ │ │ │ │ │ (规则四) │ │ │ │ 语音输入法 │ │ │ │ │ │ │ │ 错误识别 │ │ │ │ 问题汇报规范 │ │ │ │ (规则十一) │ │ │ │ (规则六) │ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ │ │ │ │ │ └───────────────────┼───────────────────┘ │ │ ▼ │ │ ┌──────────────────┐ │ │ │ 问题分类与记录 │ │ │ │ (规则七) │ │ │ └──────────────────┘ │ │ │ │ │ ┌───────────────────┼───────────────────┐ │ │ ▼ ▼ ▼ │ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │ │ 重复提问识别 │ │ 规则即时生效 │ │ 长期记忆检索 │ │ │ │ (规则三) │ │ 原则(规则五) │ │ (规则八) │ │ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │ │ │ ┌──────────────────────────────────────────────────────┐ │ │ │ 底层支撑规则 │ │ │ │ ┌────────────┐ ┌────────────┐ ┌────────────┐ │ │ │ │ │ AI记忆机制 │ │ 规则矛盾 │ │ 文件操作 │ │ │ │ │ │ 明确(十) │ │ 检测(九) │ │ 规范(十二) │ │ │ │ │ └────────────┘ └────────────┘ └────────────┘ │ │ │ └──────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────────┘
规则协同关系：
-
输入阶段：歧义检测 + 语音输入法错误识别 → 确保理解正确
-
处理阶段：规则预检 → 确保执行符合规范
-
输出阶段：回答完整性自检 + 问题汇报规范 → 确保输出质量
-
贯穿始终：问题分类与记录 → 持续积累研究素材
-
底层支撑：AI 记忆机制 + 规则矛盾检测 + 文件操作规范 → 系统稳定运行
可复用的 Agent 训练框架
这 12 条规则不仅适用于 WorkBuddy，也可以作为通用 AI Agent 的行为准则参考。
核心思想提取
| 核心思想 | 规则体现 | 通用价值 |
|---|---|---|
| 先检索后执行 | 规则预检机制 | 避免遗漏已知规则 |
| 先澄清后执行 | 歧义检测机制 | 减少理解偏差 |
| 先反思后重复 | 重复提问识别 | 提升意图理解 |
| 先自检后汇报 | 回答完整性自检 | 保证输出质量 |
| 写入即生效 | 规则即时生效原则 | 消除"习惯养成期"误区 |
| 状态必明确 | 问题汇报规范 | 提升沟通效率 |
| 问题即素材 | 问题分类与记录 | 持续学习进化 |
三阶段学习模型
┌─────────────────────────────────────────────────────────────┐ │ 三阶段学习模型 │ ├─────────────────────────────────────────────────────────────┤ │ │ │ 第一阶段：记录（接触） │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ • 发现问题，记下来 │ │ │ │ • 像"海绵"一样吸收，不区分重要性 │ │ │ │ • 快速建立认知基础 │ │ │ └─────────────────────────────────────────────────────┘ │ │ ↓ │ │ 第二阶段：固化（规则形成） │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ • 提炼规则，写入 SOUL.md │ │ │ │ • 同类问题出现 ≥3 次 → 建议固化 │ │ │ │ • 规则写入即生效，不存在过渡期 │ │ │ └─────────────────────────────────────────────────────┘ │ │ ↓ │ │ 第三阶段：习惯（规则内化） │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ • 反复检索、反复执行，检索路径固化 │ │ │ │ • 规则自动浮现（不需要"主动想"） │ │ │ │ • 固化是习惯的前提，但固化 ≠ 习惯 │ │ │ └─────────────────────────────────────────────────────┘ │ │ │ └─────────────────────────────────────────────────────────────┘
快速启动清单
如果你是 AI Agent 开发者，想应用这 12 条规则，可以按照以下顺序实施：
Week 1：基础规则
- 实施规则预检机制（规则一）
- 实施歧义检测机制（规则二）
- 实施回答完整性自检（规则四）
Week 2：质量提升
- 实施重复提问识别（规则三）
- 实施问题汇报规范（规则六）
- 实施问题分类与记录（规则七）
Week 3：认知升级
- 内化规则即时生效原则（规则五）
- 内化 AI 记忆机制（规则十）
- 实施长期记忆检索（规则八）
Week 4：系统优化
- 实施规则矛盾检测（规则九）
- 实施语音输入法错误识别（规则十一）
- 实施文件操作规范（规则十二）
小结
40 个 Bug，12 条规则，一套可复用的 Agent 训练框架。
这些规则的核心价值在于：把个人经验转化为系统能力。每一个规则背后都有真实的踩坑经历，每一个规则都可以被其他 Agent 直接复用。
关键认知：
-
规则不是束缚，是效率：规则预检看似多了一步，实则减少了返工
-
问题不是负担，是素材：每个问题都是研究素材，都值得记录分析
-
固化不是终点，习惯才是：规则写入只是开始，反复执行才能内化
下一篇预告
第 8 篇：从规则到智能——AI Agent 的自我进化之路
我们将探讨：
-
如何让 AI Agent 自动发现问题、自动固化规则
-
从"被动执行规则"到"主动优化规则"的跃迁
-
构建具备自我进化能力的 Agent 系统
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
10
0- 0
已为社区贡献8条内容
所有评论(0)