第 1 章 AI 工具与研发提效
1.1 Workbench、Research、Media、Knowledge 各做什么
Workbench 是用户操作入口;Research 找线索、筛选;Media / Video 负责图片、音视频;Knowledge-MCP 保存正式知识;Agent / Skills 组织任务并调用能力。图表示职责,不代表连线目前都已实现。
- AIHOT 与 Research 的边界:自动编辑行业日报,不是实时问一句就搜全网:AIHOT 更像定时抓取、聚类和编辑资讯的流水线;Research 处理特定问题检索与定向推送。先比较现有采集、事件去重、排序和时效缺口,按能力复用,不能把查询已存资讯误当每次问题都做了实时网上研究。
1.2 我对共享知识库的一次真实想法:受控写入,但别每次都走完整 CI
旧库有一篇是我自己写下的思考,不是 Wiki 自动生成的知识卡:
“能不能这个知识库是一个通用的,也就是所有的 agent 共享知识库,可以写入……但是这个写入,如果每次 ci 也很麻烦。”
当时我还提出两个方案方向:知识库像 Git 一样有 main 正式版和 dev 候选版;以及通过受控 MCP 工具限定 AI 怎样修改内容,减少任意复制和错误覆盖。也担心“知识库加 CI Review 是不是过度设计”。这些是2026 年当时的疑问和取舍,不能写成我已经建成了一个自动审核知识库 Agent。
把它转成今天可以执行的边界:低风险的个人学习补充可以先检索目标书、精确写入、校验链接与 Git 保存;涉及公司私有材料、凭据、破坏性合并或自动发布的操作,采用更强的作用域和人工验收。文件能共享是读取能力,允许所有 Agent 写入是另外一个权限问题;同一块内容应当有单一事实来源,不必让每个 Agent 维护自己的 Wiki 副本。
“摘要、概览、全文”可以是阅读层,而原文、真实学习误区、历史验证仍需可追溯保存。是否要分 main/dev、是否定时自动语义去重,都应以真实维护成本和冲突数量决定,不因为能自动化就上复杂架构。
来源:我本人旧草稿 20-个人/10-草稿箱/深入立即AI Agent.md(保留了关于 CI 过重、MCP 控制写入、共享记忆的原始疑问)。
- 让 AI 管本地知识库:复用语雀检索的内核,不代表要复制整套语雀登录程序:个人知识库检索应复用分块、BM25/向量召回、索引和增量更新内核,而非复制语雀网站登录采集。Markdown 应是可回查真源;索引更新须和正文版本一致,还要分清同名/重复文章与旧缓存。
团队知识库按使用条件核算(待实测)
先分别列出存储额度、成员与访客权限、官方 API 或 MCP 权限、外部模型费用和维护工作。原生 MCP 提供的是外部 Agent 接口,应用内 AI 是另一种能力。选型时把自己做适配的成本和自托管的维护一起算。
用少量带图片、附件、内链和受限权限的样例试用。文档级导入导出和空环境恢复分别走一次,核对作者、附件、内链和权限。再用团队实际会问的中文问题看召回,用目标成员身份核对授权。各产品的报价、额度和版本条件见当时记录,实际部署与恢复还未验证。
额度、权限与维护的对照 · 原生 MCP 与内置 AI · 导出和恢复待测项
1.3 前端组件按页面需求选
以前调研过十多种前端资源,但只有实际缺少列表、动画、导航或无障碍体验时才选一个适合现有技术栈的组件。不是依赖越多越高级。
1.4 CodeGraph:跨文件问题才值得建图
2026-10-10 的一轮本地索引记录:840 个文件、13,706 个节点、36,320 条边。跨文件调用链、影响面和相关测试可考虑使用;已知文件改几行,用 rg 和直接读取更省事。
本地生成的 .codegraph/、.pytest_cache/、.venv/、.worktrees/ 等可重建状态不要提交 Git。以前初始化后 git status 出现无关文件就是实际踩过的坑。
向量索引升级也有兼容成本。 ChromaDB 等向量存储的集合通常与 Embedding 维度绑定;换模型后直接写入不同维度向量可能失败。应设计新集合或受控重建、全量重算与检索验证,保存回滚与数据来源。旧草稿里说的 HNSW“孤儿目录”不应只凭 UUID 名称就批量删除;先区分活跃索引、可重建缓存与实际遗留数据。
1.5 观测与工作流:选工具前先找断点
LangChain、LangSmith、Langfuse、LangGraph 不承担同一份职责:应用框架、观测平台、有状态编排要分别评估。如果当前缺口只是“模型已成功,但下游解析失败时没看到 Trace”,先修Span 和业务错误归因,不需要因为框架热门就重做 Core。
对研发提效也如此:真正值得投资的是能复现的问题、可读取的真实环境、可执行的测试及其结果、排障日志、可交接的任务和最后的用户验收,而不只是模型生成速度。换工具先问缩短的是找代码、读环境、复现、验证,还是任务交接。若候选只是把 Spec 写得更长,却仍无法自动验证任务完成,就先完善环境/验收,不急着多加一层 Agent。
源码/官方文档:Langfuse GitHub · Langfuse LangChain 集成 · LangGraph GitHub · LangSmith 观测说明。它们能证明不同组件的定位,不能证明本项目 Trace 已通过验收。
来源:LangChain/LangSmith/Langfuse 对照 · 环境与验证驱动工作流。
1.6 Issue 指纹缓存:任务身份不等于 Prompt 版本
旧 project-intelligence P3 曾将评分和分析产物由单一方向字符串,细化为稳定 Issue ID、Evidence、PromptChain 与 Snapshot 版本。工程上它提出一个值得复用的缓存边界:同一个 Issue 仍可能因为证据包、Prompt 模板或人工决策变动而需要重新生成;所以只用 issueId 缓存整段分析会把旧结论当最新结论。
可以将缓存身份定义为任务/Issue ID + 影响分析结果的 Prompt/证据指纹,写入时保留实际模板和来源版本;命中后还要核对证据指纹与结构版本。稳定任务 ID 防重复,Prompt 指纹防错误复用,这是两个不同目标。
同一份旧交接也明确了本地测试绿、主分支已合并,但远程 push 尚未执行的历史状态。因此这类缓存设计可作为自己研究的参考,但不能仅凭旧设计文档断言今天 WebDAV v2、UI 卡片和线上 Cache 都使用这一套代码。
来源:40-AI任务交接/2026/08/26-基础设施层-P3-issue-scoring-完成交接.md;示例来源日期 2026-08-26,现行逻辑需读当前仓库验证。
1.7 不要让“自动记录 AI 错误”变成新的收件箱黑洞
2026-09 的旧知识库曾有“AI 规范优化收件箱”:希望每次 Agent 遇到问题时把纠正、报错和绕行自动追加进本地文件。但后续发现,每次报错都强制写笔记会打断正在做的任务、占用上下文、积累大量从未验收的问题,反而让真正重要的错误淹没。
2026-09-23 旧入口正式标注为停止追加,历史记录保留归档,改为在对应代码仓库开 Issue 追踪可执行问题。历史 GitHub 记录包括 PR #113 和 Issue #114 等;Issue 已创建不代表现在已经修好,也不代表可以绕过当前权限自动提交。
最有价值的折中方案是:
- 低风险、一次性的报错:就地处理并交代结果,不强制新建永久知识卡。
- 会再次遇到、能给出复现步骤和清晰验收的缺陷:在对应仓库提交候选 Issue,记录原始错误、触发条件、影响范围和验证目标。
- 涉及用户纠正、长期决策或架构约定:确认真实新知识后归入现有书籍或有效规则,附来源而非无限追加时间流水。
- 敏感公司问题、密钥、客户数据:只在对应私有工作区和公司知识域处理,不复制到个人学习书。
这个教训直接回应了我早期担心的“知识库每次都走 CI Review 会不会太重”:机制的成本不能超过修正问题本身的收益。轻量收集与定期筛选比把每个暂时错误都升级成长期事实更稳。
来源:旧库个人收件箱封存说明 20-个人/10-草稿箱/AI规范优化收件箱.md。原文件末尾还有公司项目的历史业务纠正,该部分仍归公司范围,本节不引用其细节。
1.8 六个旧项目:为什么当时没有马上接入
旧调研真正值得保留的是排除理由和重新考虑的条件,不是 GitHub Stars 或产品宣传。以下是 2026-08 的历史判断,不能冒充今天的接入状态。
| 项目和一手仓库 | 当时选择 | 值得重新评估的条件 |
|---|---|---|
| Firecrawl | P2 暂缓:当时 Research 有官方 API,学习平台没有合规的网页批量抓取需求 | 出现真实网页正文采集需求、原 API 不够 |
| OpenPencil | P2 设计参考,不是已接入 | 需要整页视觉改版,能在目标工作流完成设计稿验证 |
| Authentik | 暂不引入企业 SSO,学生产品暂时用不上 | 多组织、企业合作或统一身份认证成为刚需 |
| Code-Graph-RAG | 旧调研认为小型代码库用重型图 RAG 过度工程 | 实际跨仓调用链已无法靠现有检索工具可靠追踪 |
| AirLLM | 有技术研究价值,但未证明适合 24GB Mac 日常高速推理 | 有明确离线需求、实测速度和成本优势 |
| AgentGuard | Tool 调用防错的候选参考,未验证替换现有权限管线 | 真实工具错误表明 Schema、授权、幂等和有限重试不足 |
这些仓库地址保留自旧报告;没有重新验证其当前 API、License、模型支持或接入进度。旧材料中的“业界都是 Schema + retry”只能说明一个工程方向:校验错误可结构化回灌,但带副作用的工具不能无条件重试。
原始报告:20-个人/20-调研报告 下的 Firecrawl、OpenPencil、Authentik、Code-Graph-RAG、AirLLM 和 Agent 工具可靠性调研;它们的文件与完整 SHA 见阶段 2 来源登记。
1.9 RimWorld 仓库审查:文件夹大,不等于 Git 历史污染
一次 2026-08 的 RimWorldAI 仓库审查,初稿看到约 38GB 的训练目录便怀疑“大文件进了 Git”;随后核对显示当时 .git 只有约 244KB,日志约 33GB、模型约 4.8GB。这是典型的观察指标错位:应该先分开看 Git objects、训练日志、模型文件和依赖,再决定归档/清理,不要因为目录大就删除。
旧审查还纠正过 Hermes、pi 的 MCP 接入能力判断。但那只说明当时的命令和扩展状态,不能把它变成所有版本的事实。调研流程应当:摸底 → 单独质疑/复核 → 修正文档 → 保存真实验收;删除或项目归档仍由用户批准。
原始来源:RimWorldAI 2026-08-14 审查报告、把关意见和验收原文;本次没有重新运行游戏或验证第三方运行时。
1.10 其他工具判断
- 开源 browser-harness 不能“安装一下就升级 EGO”:先认清产品层级:browser-harness 一类 CLI/CDP 工具与已封装的 EGO macOS 应用处在不同产品层,不是复制目录就能升级。先查现有扩展点、登录态隔离和新能力缺口;已有 CDP、DOM、截图能力足够时不必平行维护第二个浏览器。
- Pi 搜索总弹出浏览器抢焦点:先查默认工作流,未必是浏览器没关闭:搜索扩展打开默认浏览器抢焦点,先看未传 workflow 参数时的真实默认值。后台服务、EGO 任务空间与系统默认浏览器是不同执行层;复测必须覆盖“省略参数”的真实调用,不能只测手工指定的静默模式。
1.11 远程开发环境:常开主机跑 AI,Mac 只当终端
2026-11-02 记录,已在日常使用。
要解决什么:AI 编程会话常常要跑很久,放在 Mac 上,合盖或断网就中断。我还想在一个入口里,同时处理服务器上的仓库和 Mac 上的本地文件。
现在的做法:
| 部分 | 做法 |
|---|---|
| 主机 | 一台常开的 Linux 主机运行 Claude Code,会话、依赖和仓库都放在这里 |
| 组网 | 两台机器加入同一个 Tailscale 网络,主机开启 Tailscale SSH;Mac 上用 ssh box@xiaoman-box 进入 |
| 界面 | Mac 上用 Orca 通过 SSH 连主机,一个窗口管理多个会话 |
| 改 Mac 上的文件 | Mac 打开「远程登录」,把主机的 SSH 公钥加进 Mac,主机上用 ssh mac 反连 |
| 代码托管 | GitHub 在主机上登录 |
连不上时按顺序查:
- 主机休眠了:主机空闲时会休眠,先把它唤醒。
- Tailscale 掉线:两边都看一下是否在线,主机侧掉了要在主机上重启。
- 主机反连 Mac 失败:看 Mac 是否开着、是否合盖休眠、Tailscale 是否连着、「远程登录」是否还开着。
- 主机上的 ssh 和 scp 找不到:主机的 ssh 不在默认路径,要先
export PATH=$HOME/sshc/usr/bin:$PATH;scp要用-S指定这个 ssh。
额度:用 /usage 查看;换新任务先 /clear,不用的会话关掉。
取舍:好处是会话不跟着 Mac 断,环境只配一处。代价有两个:一是主机和 Tailscale 都成了单点,任何一个不在线就用不了;二是主机能 SSH 进 Mac,主机一旦被入侵,Mac 也会暴露。建议主机上不放无关服务,Mac 的远程登录只放行这一把公钥(还没核对过现在是不是这样)。
什么情况会改决定:主机经常休眠或掉线、影响到日常工作,或者需要大量本地图形界面操作时,再重新评估。
相关:办理 Visa 卡与支付 里也记了 Orca 和 Tailscale 的链接。
1.12 三人团队的 AI 协作聊天平台选型
核验日期:2026-11-09。状态:官方资料已核查;选型建议待试用,尚未定案或部署,相关知识待学习。
背景与当前建议
我需要为目前三人的团队选一个讨论入口:不付聊天平台订阅费,能在正常讨论后 @ Agent,让它结合前文、知识库和任务信息延伸思路,后续还可以接入更多 Agent。团队已使用 Linear,知识库仍在比较;可以接受 Telegram 的网络条件。模型调用、服务器与维护成本单独计算。
当前建议先试 Telegram 群 + Topics + 团队 Agent 服务。 条件是从启用当天持续保存授权群消息,并保持消息接入服务运行。如果更重视机器人随时补读频道历史,优先试 Discord。飞书存在免费版,可在确认权限和额度后沿用。这里记录的是调研建议,不代表团队已经决定使用 TG。
候选比较
| 平台 | 免费边界与上下文能力 | 本次判断 |
|---|---|---|
| Telegram | Bot Platform 免费;需配置消息可见范围;长期讨论靠持续保存 | 第一版优先试,不能依赖任意历史回填 |
| Discord | Server 免费;有频道历史 API,需频道权限及消息内容权限 | 历史补读优先时选它 |
| 飞书 | 官方价格页索引列免费版、100 人;应用机器人可读消息 | 国内条件备选,先核对实际 API 额度和全群权限 |
| Zulip 自托管 | 软件免费;普通组织最多 10 用户免费移动推送;可按 channel/topic 取消息 | 适合长期议题讨论,但要承担服务器维护 |
| Slack Free | 最近 90 天可见,超过一年删除,最多 10 个 app | 接 Agent 可行,长期免费回看不占优 |
| Matrix / Element | 有 Bot 和自托管路线;加密房间需要额外密钥处理 | 数据自控、互通需求明确后再评估 |
| Mattermost | Team Edition 与 Entry 是不同版本;Entry 有 10,000 条频道消息可见限制 | 先确认具体版本,不能笼统按免费无限制判断 |
来源:TG Bot Platform · Discord Server · 飞书版本对比 · Zulip 套餐 · Slack 免费限制 · Matrix Bot · Mattermost 版本。
决定选型的关键边界
Telegram:消息可见、历史补读、共享记忆是三件事。 默认隐私模式只接收相关命令、回复等;要接收普通群聊新消息,需关闭隐私模式后重新加群,或使用管理员机器人。接收消息后仍可只在被 @ 时调用模型。隐私模式
待领取 updates 最多保留 24 小时,这不是用户在客户端里的聊天记录寿命。普通 Bot 不能依赖通用历史枚举补齐未采集的旧讨论,messages.getHistory 只允许用户账号调用。因此应持久化收到的消息,接入停机过久可能出现缺口。更新保留 · 历史接口
TG 现已支持有条件的 Bot-to-Bot 通信,旧资料中“机器人互相永远看不到”的说法已过时。开启相关模式后,可按定向命令、回复和接收方权限等条件通信;仍需自行管理共同上下文,并限制接力轮数、去重,避免循环回复。当前规则
Discord:有历史接口,但权限必须配齐。 Get Channel Messages 支持分页读取既存消息,需要 VIEW_CHANNEL 与 READ_MESSAGE_HISTORY;正文还受 MESSAGE_CONTENT 控制。只验证 @ 能回复,不等于能读普通讨论。当前小于 10,000 用户的应用可在后台开启特权 intents;未来分发时再核对审核规则。历史 API 不代表能恢复删除消息或保证永久留存。历史 API · 消息内容及审核规则
飞书:选应用机器人,分别核对权限和额度。 群里的自定义 webhook 机器人主要单向推送,不能承接完整的 @ 互动;企业自建应用机器人支持接收、回复和读取会话历史。只申请 @ 消息权限不能获得普通讨论,全群读取需管理员批准并发布。官方消息事件说明不包含机器人发送的消息,Agent 输出应由后端直接保存。机器人类型 · 消息事件
免费 API 额度按同一租户所有自建应用合计。官方公告写的是“2026 年 6 月限时 100 万次”,不能视为 11 月固定权益;实际值需在管理后台 → 费用中心 → 权益数据确认。官方帮助中心索引还显示基础版只能查看最近 18 个月聊天记录;历史接口不能被当作无限回看。API 公告 · 历史留存说明
飞书价格、额度和历史留存部分页面未取得可读全文,相关内容来自官方搜索索引;实际租户权益仍待确认。已取得原文的消息触发器页面属于 Aily 文档,可补证消息事件条件,不代表已实测自建机器人,也不构成购买 Aily 的建议。
其他筛选边界:Zulip Cloud Free 只有 10,000 条搜索历史与 5 GB 存储,不能和自托管混为一谈;其现成 Linear / GitHub 集成主要是通知,双向 Agent 操作仍需 API。Slack 的内部自建应用不应误套外部商业分发应用的新低限速规则。Slack 官方澄清
国内还筛查了钉钉与企业微信。钉钉常规应用机器人官方明确只能接收群内 AT 它的消息,不满足被动取得完整讨论的要求;企业微信智能机器人未取得免费完整上下文与历史读取的充分官方证据,暂记未知。企业微信与普通微信不能混同,也不能将常规 Bot 的限制推广到全部扩展产品。钉钉接收规则 · 企业微信待核页
怎样连接 Agent、任务和知识库
建议分工:聊天平台负责收发;团队 Agent 服务负责保存讨论、检索上下文和调度;Linear、GitHub、知识库提供任务、代码与资料。 这是待实现方案,不是本轮已完成的接入。
例如,三人先正常讨论,再发:
@团队助手,结合刚才讨论和知识库已有调研,提出两个方向,再检查 Linear 有没有重复任务。
服务读取当前议题的相关消息,查询知识库和任务,再区分“团队已定事项、资料事实、新增建议”回复,并附原文链接。后续可扩展到讨论形成任务、回查决策理由、新成员了解背景。
第一版可用一个前台 Bot,后台按需调用调研、产品、开发角色;需要独立身份时再加多只 Bot。多个角色读取同一套授权上下文,输出也写回共同记录。建议按“团队 + 群/频道 + topic/线程”定位讨论,保留作者、时间、消息链接与结果来源;每次取相关消息和知识片段,不把全群历史无差别拼给模型。
| 部分 | 直接复用 | 需要适配或补充 |
|---|---|---|
| 聊天接入 | 平台 Bot API 和成熟 SDK | 身份、话题、触发规则、重试 |
| Agent 执行 | 已有 Agent 程序及其扩展点 | 不同角色与共同上下文连接 |
| Linear | 官方 MCP、GraphQL、Webhooks | 讨论关联、任务查重和明确指令下的写入 |
| GitHub | 官方 MCP | 仓库授权、Issue/PR/代码读取及进展回传 |
| 知识库 | Outline 原生 MCP;BookStack REST API | 团队权限、检索结果与原文引用 |
| 上下文 | 现有可靠存储可复用 | 消息持久化、议题索引、摘要与出处 |
Linear Free 当前包含 API、Webhook、MCP,但有 2 个团队、250 个 Issue 上限。接口可用和容量无限需要分别判断。Linear 定价 · MCP · Webhook
GitHub 有 官方 MCP;Outline 有 原生 MCP;BookStack 有 REST API。知识库未选定不阻碍先验证聊天。团队服务需单独配置连接与授权,只检索团队可访问的资料。本轮未审计现有 Agent 代码。
最小验证与换方案条件
试用范围:一个三人测试群、两个话题、一个 Bot、三篇团队资料。先跑“讨论 → @ → 查资料 → 带出处延伸”,通过后再接工具写入。
| 验证 | 通过信号 |
|---|---|
| 先发 20 条普通消息,最后才 @ | 能正确引用两条未 @ 的前文 |
| 提问需要结合三篇资料 | 找到相关原文,说明依据与未知 |
| 两个话题讨论不同需求 | 不把无关议题当当前约束 |
| 重启后追问先前决策 | 已保存的上下文仍可读取 |
| 换一个 Agent 接着处理 | 能读前一角色结果并标明来源 |
| 记录一次回答的实际调用量 | 可估算月消耗,未依赖平台付费权益 |
TG 的否决条件:必须补读从未采集的完整旧群历史,或无法保持消息接入持续运行;此时优先试 Discord。飞书的通过条件:全群权限可批准、实际免费额度足够,普通讨论和中断补读都通过。
已有 Agent 服务、模型凭据和部署环境时,可把半天至一天作为基础文字 PoC 的预算估计;不代表多工具、权限、容错已经达到正式使用标准。真实消息送达、网络、持久化、中文检索、多 Agent 接力和长期成本均待验证。
1.13 AI 工作流:查、写、管分开
知识库 MCP 负责查资料,AI 浏览器(如 Ego Lite)负责操作网页和写回,研发任务系统(如 Linear)记录交付和验收,代码留在 GitHub。AI 浏览器比 Computer Use 省 token、有登录态、不和人抢页面;Playwright 适合固定脚本。代码合并不等于验收通过,验收由人确认。
1.14 研发提效:先补前置条件
文档审查 → 需求 CI → 反馈自动进 Issue → AI 修复和复测,是一棵科技树:需求文档不清楚,后面的 AI 审查无从判断。文档审查先做成一个随手调用的工具,比一套 CI 流程更容易落地。完整的“反馈到修复”流程当时被否,缩小成“AI 找出遗漏的反馈并整理成 Issue,由测试判断”。
配置化还要决定哪些值冻结、哪些跟随模板,并同时验页面、匹配和执行;候选关系先审核,运行成功与审计日志完整分别检查。详细见同文第八节。
先验可用增量,再比较效率(待学习)
AI 能把原型做得很快,是否满足需求仍要靠实际使用和验收。需求还不清楚时,可以先做一个粗原型试用,再挑最重要的路径小步收敛。需求明确时,给每一轮一个可观察的完成条件。比较一次生成和分轮实现,分别记交付耗时、返工次数、漏测和实际使用反馈。
汇报提效前统一任务类型、粒度和完成标准。“解决的问题”“完成的卡片”和“子任务”分开计数,挑同口径的样本比较耗时,再说明省在哪一步。缺少可比样本时只列观察到的协作变化。
1.15 AI 编码订阅:先算打平倍数
换便宜模型时 token 用量可能翻倍,先算“现月成本 ÷ 新模型按原用量的成本”得到打平倍数,再实测用量;中转站可能降智;个人档按人头买可能比团队档便宜,但要看条款和活动结束后的额度。价格以当时为准。
- 1.14、1.15 详细:AI 研发提效:文档审查、反馈闭环和订阅成本
订阅额度先换成同一种计量。 2026-09 的报价混有月额度、滚动窗口、模型倍率和活动额度;客户端席位也不等于模型 API。打平倍数只是固定任务量的预算线,仍要测任务质量、重试、缓存与每人真实消耗,不能从输出更快直接推断 token 必然翻倍。见成本与平台验证边界。
1.16 测试体系:接口优先,平台看闭环
- 顺序:接口自动化 → 测试规范 → 少量 App UI 自动化;断言查业务结果,不只看 200。
- 框架分层:加一个业务域不改框架,写一条用例不碰鉴权和清理;单测不访问测试环境。
- 平台选型看“需求 → 用例 → 执行 → 缺陷 → 修复 → 回归 → 关闭”能否用 API 跑通;AI 测试 SaaS 先拆开计费模型再算(按 agent + credits vs 按并行)。
- 详细:测试体系:自动化测试、平台选型与性能测试
Flutter 可比较 Maestro 固定回归、手机 Agent 探索和 KaneAI 商业执行;Testomat 管用例与报告,缺陷写入保持单一入口。先用复杂页面、真机条件和预埋失败验证,详细见上文链接第七节,不把厂商能力表当作已适配。
AI 链路压测先查压力的实际落点,前后对比固定实例、缓存与外部限流;影子只做隔离对照,灰度会产生真实结果,入口分流后保持版本和路径一致。
平台试点先验假通过与闭环。 2026-10 的后期记录出现过点击位置错误仍判 pass;另有平台只跑通 10 条中的首条,修正生成脚本后才触发预埋缺陷。用例库数量、真实执行数和发现的独立问题分别计数。研发任务、测试资产和代码各保留一处主数据;共同办公费不能算迁移节省。详细见成本、平台试点与证据。
1.17 任务正文定范围,评论留讨论,完成按原目标判断(待思考)
本人已确认的协作方式:简介保留背景、范围、目标和验收,选题、方案探索和阶段调研放既有评论线程;正式需求变化再改正文,不把约定扩大成永不修改描述。
一件事明确主要记录、推进人和完成条件,其他系统链接或同步。Issue 保存问题验收,PR 保存代码;排查、合并、上线与实际解决分开。Linear/GitHub 是否启用同步、关闭语义仍待核对,先用少量真实任务试行,尚未决定迁移。
来源与当时边界
1.18 浏览器迁移和账号限制先限定已观察到的事实(待学习、待验证)
导入窗口存在,不保证识别所有浏览器、导出所有资料或保留网站会话。一次入口没识别 Ego,只证明这次没识别,未证明所有迁移方式不支持。
我曾在指纹浏览器登录网页、云电脑使用 Claude Code,多用后遇官方限制;“异机登录导致”是本人怀疑,限制类型和原因未核实。我想到在云电脑也登录桌面端,效果仍待验证。不能把这个办法写成官方规则,先保留实际提示、发生时间和官方记录。
来源与当时边界
1.19 收藏保留用途与试用状态,需求来了再找回(待试用)
我想保存的不只链接,还要有为什么感兴趣、能解什么问题、何时可能用、是否装过或试过。Agent-Reach 本机当时已装但渠道各自验收;Hallmark 网页设计、Filee 转换、HowToLiveBetter 生活参考、ai-job-search 求职框架仍分别保留未试用和适配未知。Stars 不能证明效果,也不批量下载或定时追踪。
来源与当时边界
详细条件与线索:《开源工具收藏与游戏体验线索》。
1.20 开源项目收藏:清单在 bmdy6/awesome-picks
项目清单统一放在 bmdy6/awesome-picks,先保持私有;这里仅保留入口,不复制清单。精选表示有主动收藏、star、正面判断或有效试用记录;值得看表示有阅读、讨论或调研线索,尚未形成采用结论;看过没选保留原场景下暂缓或不用的理由。使用状态另记为“在用 / 试过 / 收藏”,不以收藏推断试用成功。
新增项目只改仓库的 data/repos.yaml,填写分类、分级、用途、收藏理由和状态,再运行 python3 scripts/build_readme.py 生成 README;提交前运行 python3 scripts/build_readme.py --check,CI 继续检查字段与生成结果。理由优先保留自己的真实判断;没有判断时,写 README 中的客观亮点,不写成亲测结论。