Top-down学习法
Top-down学习法
1） 每个季度先定义一个“成品” （Product Definition）
把所有学习都绑定到可交付物上：不写学习X, 只写交付Y
把2026的两个主线成品（建议这样表述）
- Agent系统开发： 一个“可部署、可评测、可追踪、可使用”的安全运营/事件调查 Agent （含运行代码 + 回归测评 + 文档）
- 海外尝试：一个英文作品集页面（含2个项目演示/说明） + 一份英文简历 + 一张机会追踪表 （持续更新）
后续要学习的Python 、Prompt、 Eval、 LangGraph、可观测性，都必须能回答： 它能让成品的哪一部分更好？
2）把AI知识递归 变成 固定工作流 （Knowledge Recursion Loop）
你不是“问AI写代码”，而是每次遇到卡点，强制做3问递归：
递归三问（每次必问）
- 这段代码/ 方案背后的逻辑是什么？ （用流程图/步骤解释）
- 为什么这里要这样设计（或用这个公式、指标）？替代方案是什么？trade-off？
- 给我一个最小可跑例子 + 2个反例（会失败的输入），并告诉我怎么兜底。
强制产物（每次递归后必须落地）
- decision.md: 一句话决策 + 原因 + 备选方案 + 选型结论
- test_cases.md: 新增 1-3条回归用例（成功、失败各至少1条）
- kb_note.md : 一条知识库笔记（背景、结论、证据链接、下一步）
这样你问AI的结果不会蒸发，会变成“工程资产”
3）建立“直觉” 而不是背知识点 （Intuition Building）
把抽象概念变成可视化、可类比、可验证的直觉。
你可以固定让AI用3种方式解释任何概念
- 画图：给我一张图解释X在系统里的位置（输入 –> 处理 –> 输出）
- 类比：用一个生活类比解释X的作用（但要说明类比的边界）
- 验证：给我一个能证明它有效、无效的最小实验（怎么测、看什么指标）
适用到你 Agent 项目里最关键的几类概念
- “工具调用为什么会乱？ ” –> 让AI画：意图–> 参数抽取 –> 效验 –> 工具返回 –> 后处理 –> 记忆更新
- “评测指标怎么选？” —> 让AI给：指标定义、可观测数据来源、容易被刷的漏洞
4）把“快速失败、快速迭代” 写成硬性节奏 （Feedback Loop）
Top-down 的精髓是反馈回路：每周必须有可见交付 + 必须有Bug/失败样本沉淀
建议你写进计划里的赢规则
- 每周至少1个可见交付物（PR、版本、可用用例、文档、演示脚本）
- 每周至少记录3个失败样本（模型误判、工具失败、参数缺失、结果不可信），并给出修复策略
- 每月跑一次回归评测，产出一份quality_report.md (哪怕很短)
AI递归提示词模版：
把下面当成你每次卡住时的标准问法：
模版：
- 背景：我在做【成品X】的【模块Y】
- 目标：我要实现【具体行为/接口/指标】
- 现状：我现在卡在【具体报错/不稳定表演/设计决策】
- 约束：必须满足【性能/安全/可观测/可维护】
- 你需要输出：
- 最小可跑实现逻辑
- 背后的逻辑分解（步骤、图）
- 2个替代方案 + trade-off
- 失败样本与兜底策略
- 我应该新增哪些回归用例
This post is licensed under CC BY 4.0 by the author.