最近看 Eugene Yan 那篇在講怎麼跟 AI 一起工作，我自己的結論很土。

很多人卡的點根本不是模型不夠強，是流程沒有累積。
今天叫它做一版，明天重開 session 又從 0 開始。文件散在 Slack、Drive、repo、腦袋裡，規則改了也沒寫回去。這種情況下，agent 每次都像第一天報到，你再怪它不穩，其實有點冤。

我現在比較信這種做法

先把常做的東西寫死。
像專案目錄放哪裡，哪些檔要先看，誰是 owner，輸出格式長怎樣，失敗先查什麼，再重試什麼。

原文裡提到的幾個點我很有感：

• 每個 session 都當新同事 onboarding
• 值得留的東西寫進磁碟，不要期待模型自己記得
• 偏好不要每次用嘴巴重講，寫成 config 跟 skill
• verification 先走便宜那層，format、lint、test，能早抓就早抓

這些看起來很瑣碎，但差很多。
因為你一旦把 code、docs、analysis、decision、修正紀錄 都留在固定位置，下一輪就不是憑空猜。
它拿到的是前一次做完後的地面，不是廢墟。

真正有差的是第二輪

第一輪大家都會 demo。
貼一段 prompt，跑出東西，截圖，發文。

第二輪才見真章。
下次再跑的時候，有沒有比上次少講 30% 的話。
同一類錯誤，會不會再犯一次。
換一個 session，能不能 5 分鐘內接上。

如果每次都得重新交代 repo 結構、命名規則、交付格式、要先看哪 3 份文件，那這不叫 workflow，比較像每天重新帶新人。

我自己現在的判斷很簡單

一個 agent flow 有沒有價值，我先看 4 個東西：

1. 有沒有固定入口，像 INDEX.md、AGENTS.md、任務 SOP
2. 有沒有固定輸出，像 PR、報表、卡片草稿、回覆模板
3. 有沒有 feedback loop，錯了之後會不會寫回規則
4. 同一件事跑第 3 次時，速度有沒有比第 1 次快

這 4 個裡面，中 3 個以上，我才會覺得它開始像一個能養的 agent。

不然很多所謂的自動化，其實只是把同一段 prompt 重打 20 次。
看起來很忙，沒有複利。

所以我現在反而不追萬能感

比起做一個什麼都懂的 AI 同事，我更想先做一個會累積上下文的工作台。
今天修過一次，明天就少踩一次。
今天補過一份說明，下一個 session 就少問一句。

那個差距很小，可是跑 10 次之後，手感完全不一樣。
agent 有沒有用，我現在真的都看這個。