长文预警：本文是个人现阶段实践记录，非通用指南。若你也在探索个人数字资产构建，按需取用。

---

AI正在重塑知识工作的本质。过去，个人竞争力的核心是”掌握多少知识”；目前，核心变成了”能多高效地调用和编排AI能力“。

但大多数人陷入了一个残酷的悖论：收藏了上千篇文章、保存了数百个Prompt、订阅了几十个专栏，却在真正需要时找不到、用不了、想不起来。

问题的根源不在于收集得不够多，而在于缺乏系统化的资产思维。

信息囤积症：当代知识工作者的隐形瘟疫

心理学家将这种现象称为”信息囤积症”（Information Hoarding）——我们像松鼠一样不断收集信息，却从未真正消化和整理。

根据一项研究，普通人每天接触的信息量相当于15世纪一个人一生接触的信息总和[^2^]。我们的祖先用一生去追寻的知识，目前只需要滑动几下屏幕就能获得。这本应是人类的福音，却变成了诅咒。

为什么？

由于获取信息的成本趋近于零，但处理信息的认知成本却居高不下。

当你看到一篇好文章，点击”收藏”只需要0.5秒。但要从收藏夹中找回它、理解它、应用它，可能需要30分钟甚至永远找不到。这个巨大的”成本倒挂”，让大多数人陷入了”收藏即学习”的幻觉。

更可怕的是知识的碎片化陷阱。你可能在Twitter上看到一条关于Prompt Engineering的技巧，在YouTube上学习了一个Python脚本，在即刻上读到一个AI工作流案例——这些碎片化的知识像散落的拼图，永远无法拼成一幅完整的图景。

AI时代的认知升级：从”学会使用工具”到”构建资产系统”

2022年，ChatGPT的横空出世让全世界意识到：AI时代真的来了。

但大多数人没有意识到的是，AI带来的不仅是工具的升级，更是认知范式的革命性转变。

在AI时代，个人竞争力的核心正在发生根本性转移。

过去，我们学习一项技能，目标是”学会使用工具”。学Excel是为了做表格，学Python是为了写脚本，学设计软件是为了做图。技能的价值在于”会使用工具”本身。

但在AI时代，AI本身就是最强劲的”通用工具”。Claude Code可以写文章，可以写代码，可以做设计——同一个AI工具可以完成过去需要十个不同工具才能完成的任务。

这意味着什么？

人的价值不再是”会使用工具”，而是”知道让工具做什么”以及”如何让工具做得更好”。

这就引出了一个关键概念：数字资产库。

数字资产库，是你围绕AI工作流构建的一套系统化知识资产，包括：

• Prompt资产：经过验证的高质量指令模板
• Skill资产：封装好的AI能力单元
• Context资产：AI理解任务所需的背景信息
• Meta Skill资产：搜索、评估、策展、路由等元能力

这种转变的本质是：**从”消耗型学习”转向”资产型积累”**。

消耗型学习的特征是：学一点，用一点，用完即走。就像去餐厅吃饭，每次都要重新点菜。

资产型积累的特征是：构建一次，反复使用，持续增值。就像拥有自己的厨房，每次做饭都能在前一次的基础上改善。

复利效应：今天的积累是明天的杠杆

数字资产库最迷人的地方在于它的复利效应。

爱因斯坦曾说：”复利是世界第八大奇迹。”[^3^]这句话不仅适用于金融投资，同样适用于知识资产的积累。

复利的数学公式是：

A = P(1 + r)^t

其中，P是你的初始投入，r是每次资产的”收益率”，t是时间。当r为正且持续积累时，A会呈指数级增长。

在数字资产库的语境下：

• P = 你投入的时间精力构建资产
• r = 每次使用资产带来的效率提升
• t = 资产被使用的次数

假设你花2小时构建一个”周报生成器”Skill，每次使用节省30分钟。如果这个Skill每周使用一次，一年后：

• 累计节省时间：26小时
• 投资回报率：1300%

更关键的是，数字资产库还有一个独特的优势：资产的边际成本趋近于零。

传统资产的复制需要成本：开一家分店需要租金、装修、人员。但数字资产的复制成本几乎为零。你构建的Skill可以被无限次使用，可以被分享给团队，可以被迭代升级——而每一次复制，都不需要额外的投入。

不构建资产库的三大代价

如果你依旧对构建数字资产库持观望态度，让我们来看看不构建资产库的三大隐性代价。

代价一：重复造轮子的无限循环

知识工作者平均每周花费超过5小时在”重新查找已经知道但忘记在哪里的信息”上[^4^]。这意味着每年有超过250小时——相当于6个工作周——被浪费在重复劳动上。

更隐蔽的成本是认知负荷。每次重新查找信息，你都需要：

• 回忆信息可能在哪里
• 在多个平台间切换搜索
• 评估找到的信息是否是最新版本
• 重新理解信息的上下文

这些认知负荷会消耗你的注意力资源，让你无法专注于真正重大的创造性工作。

代价二：上下文丢失导致的质量衰减

OpenAI的研究表明，优化Agent运行的上下文环境，可以让同样的模型在基准测试中的排名从第30位跃升至第5位。

这个发现揭示了一个关键洞察：AI的输出质量，很大程度上取决于你提供的上下文质量。

当你每次都从零开始与AI对话，你需要：

• 重新解释你的背景和需求
• 重新建立共同的理解基础
• 重新调整AI的输出方向

这个过程不仅低效，而且容易导致信息丢失和误解。就像每次见医生都要重新描述病史，而不是直接调出完整的病历档案。

代价三：错失AI能力进化的红利

AI的能力正在以月为单位快速进化。Anthropic的研究显示，上下文窗口性能在256Ktoken左右开始出现显著衰减。这意味着什么？

意味着能够高效管理和利用上下文的用户，将获得AI能力进化的最大红利。

那些构建了系统化数字资产库的人，可以：

• 快速将新模型能力整合进现有工作流
• 利用更大的上下文窗口处理更复杂的任务
• 通过资产复用实现效率的指数级提升

而那些依旧停留在”每次重新对话”模式的人，将被越甩越远。

我们希望这篇文章能给你带来什么

如果你读到这里，你可能已经意识到：构建个人数字资产库不是可选项，而是AI时代的必修课。

但这门课没有标准教材，没有认证考试，甚至没有统一的方法论。每个人都在摸索，每个人都在试错。

这篇文章的目标，就是为你提供一套经过实践验证的、系统化的、可落地的数字资产库构建方法论。

在接下来的内容中，你将学到：

1. 认知重构：理解什么是真正的”数字资产”，以及为什么需要”热层+冷层”的双层架构
2. 时代演进：掌握Prompt→Context→Harness三次认知升级的本质
3. 架构设计：学会设计适合自己需求的资产库结构
4. 实操指南：从0到1搭建你的第一个数字资产库
5. 热层管理：掌握上下文预算分配和动态加载策略
6. Meta Skills：开发搜索、评估、策展、路由四大元能力
7. 长期迭代：建立资产的Review机制和活性评估体系

这不是一篇让你”读完就忘”的理论文章，而是一套让你”读完就能用”的实战手册。

准备好了吗？让我们开始这场从”信息囤积者”到”资产架构师”的进化之旅。

---

“在AI时代，最宝贵的不是你知道什么，而是你能让AI知道什么。”

---

第一章：重新定义”数字资产”——从静态存储到动态能力

在深入构建方法论之前，我们需要先建立一个正确的认知框架：什么是真正的”数字资产”？

1.1 传统认知 vs 新认知

传统认知 新认知 文档、笔记 可执行的AI工作单元 静态存储 动态演化的能力模块 个人知识 人机协作的接口资产

传统的知识管理把信息当作”物品”来存储——收藏、分类、归档。但在AI时代，信息的价值不在于”拥有”，而在于”可执行”。

一个收藏在笔记软件里的Prompt模板，如果不能被AI直接调用，它的价值接近于零。一个整理在文件夹里的代码片段，如果不能被快速检索和复用，它只是一堆电子垃圾。

数字资产的新定义：能够被AI理解、调用、组合、迭代的可执行知识单元。

1.2 五大资产类型详解

基于这个定义，我们可以将个人AI数字资产分为五大类型：

类型一：Prompts（提示词）

Prompts是与AI对话的”指令模板”。一个好的Prompt不是简单的”问句”，而是一个精心设计的”任务描述框架”。

示例：

你是一位资深的[角色]，擅长[能力]。我需要你帮我[任务]。

【背景信息】
[相关上下文]

【具体要求】
1. [要求1]
2. [要求2]
3. [要求3]

【输出格式】
[格式说明]

【注意事项】
- [注意1]
- [注意2]

类型二：Skills（技能模块）

Skills是封装好的AI能力单元，比Prompts更结构化、更可复用。一个Skill一般包含：

• 触发条件（什么时候调用）
• Context（执行所需的背景信息）
• 执行流程（步骤化的处理方式）
• 输出规范（结果的标准格式）

Skills的价值在于可组合性。你可以像搭积木一样，把多个Skills组合成复杂的Workflow。

类型三：Context（上下文）

Context是AI理解任务所需的背景信息。它告知AI：

• 你是谁（个人画像、偏好、风格）
• 你在做什么（项目背景、目标、约束）
• 你知道什么（领域知识、历史决策）

Context的质量直接决定AI输出的相关性。同样的Prompt，配上不同的Context，会产生截然不同的结果。

类型四：Meta Skills（元技能）

Meta Skills是关于”如何管理资产”的资产，包括：

• 搜索技能：快速定位所需资产
• 评估技能：判断资产质量和适用性
• 策展技能：整理、分类、版本管理
• 路由技能：选择最优AI工具/路径

Meta Skills是资产库的”操作系统”，让资产库能够自我管理和进化。

类型五：Workflows（工作流）

Workflows是多个资产的编排组合，实现端到端的自动化。例如：

内容生产Workflow：

1. 选题评估（Skill A）
2. 大纲生成（Skill B）
3. 初稿撰写（Skill C）
4. 润色优化（Skill D）
5. 发布检查（Skill E）

1.3 资产的核心特征

真正的数字资产必须具备以下特征：

可检索性：能在30秒内找到 可理解性：看到就能清楚用途和使用方法 可复用性：能在多个场景重复使用 可迭代性：能根据反馈持续优化 可组合性：能与其他资产搭配产生新价值

如果你的”资产”不满足以上特征，它可能只是信息垃圾，而不是真正的资产。

---

“数字资产的价值不在于你拥有多少，而在于你能多快找到、多好用好。”

---

第二章：时代演进的三次认知升级

AI工程领域正在经历一场深刻的范式转移。理解这场转移的本质，是构建数字资产库的认知基础。

2.1 Prompt时代（2022-2023）：单点优化的局限性

2022年底，ChatGPT的发布标志着Prompt Engineering的兴起。

这个时代的核心问题是：怎么跟模型说话？

开发者们疯狂研究各种Prompt技巧：

• Few-shot prompting（给示例）
• Chain-of-Thought（思维链）
• Role-playing（角色扮演）
• Temperature tuning（温度调节）

这些技巧的确 有效。一个精心设计的Prompt，可以让模型的输出质量提升数倍。

但Prompt Engineering有一个根本性的局限：它是单点优化，无法解决系统性问题。

就像你可以通过练习让一次演讲更出色，但如果你没有一个系统来管理你的演讲素材、复盘你的演讲效果、迭代你的演讲技巧，你每次都要从零开始。

更深层的问题是：Prompt Engineering把AI当作一个”黑盒”来操控。你不知道模型为什么这样回答，你只能不断调整输入，希望输出符合预期。

这种”试错式”的优化方式，在简单任务上有效，但在复杂任务上效率极低。

2.2 Context时代（2024-2025）：上下文工程的崛起

2025年6月，一个标志性事件发生了。

OpenAI联合创始人Andrej Karpathy在Twitter上发帖：

“这是一门精微的艺术与科学，用恰到好处的信息填充上下文窗口，以服务于下一步操作。”

这条推文获得了数万点赞，标志着Context Engineering正式成为行业共识。

Shopify CEO Tobi Lutke紧随其后：

“我真的很喜爱context engineering这个词。它更好地描述了核心技能：为任务提供让LLM有可能解决它的全部上下文的艺术。”

Context Engineering的核心转变在于：焦点从”写好一条指令”扩展到了”设计一个动态系统来组装上下文”。

RAG（检索增强生成）、对话历史、工具输出、系统指令的编排，都成了工程师需要操心的事。

用一个类比来理解：

• Prompt Engineering是给厨师一个菜谱
• Context Engineering是给厨师配备完整的厨房——食材、工具、操作手册、甚至其他厨师的协作

Context Engineering解决了Prompt Engineering的一个核心痛点：如何让AI持续地、稳定地、高质量地输出。

但Context Engineering也有它的局限。2025年下半年，一线实践者开始发现：光有好的上下文，Agent依然会失控。

技术播客Vanishing Gradients在一期节目中揭示了一个关键悖论：上下文窗口的扩大，并不等于Agent性能的线性提升。

即便模型理论上支持100万Token的上下文，性能衰减在25.6万Token左右便已出现。

更可怕的是：上下文可以告知Agent”知道什么”，但无法阻止Agent”做不该做的事”。

播客记录了一起造成5万美元损失的事故：一个无人监控的Agent陷入无限循环，API账单累积到被人发现时已经来不及了。

2.3 Harness时代（2026至今）：环境设计决定输出质量

2026年2月5日，HashiCorp联合创始人Mitchell Hashimoto在博客发文，正式命名了一种新的工程范式——Harness Engineering。

他的定义很简洁：

“每当你发现Agent犯了一个错误，你就花时间设计一个解决方案，使Agent永远不再犯同样的错误。”

六天后，OpenAI发布了一份详细的内部实验报告，标题直接用了”Harness Engineering”这个词。再之后，知名工程师Martin Fowler在Twitter上为Thoughtworks工程师对这份报告的深度分析站台。

一个月之内，Harness Engineering从一篇博客文章变成了开发者社区的高频词。

Harness Engineering的核心洞察是：决定AI输出质量的最大变量，不是模型有多机智，而是模型被放在了一个什么样的环境里。

LangChain的编码Agent在Terminal Bench 2.0基准测试上，通过仅优化Agent运行的外部环境（文档结构、验证回路、追踪系统），排名从全球第30位跃升至第5位，得分从52.8%飙到66.5%。底层模型一个参数都没改[^5^]。

安全研究员Can Boluk仅仅改变了Agent的代码编辑格式，Grok Code Fast 1的基准得分就从6.7%跃升至68.3%[^10^]。

OpenAI的那份报告记录了一个更直观的工程实际：5名工程师，五个月，零行手写代码，通过Codex Agent协作交付了超过100万行代码的生产级软件产品[^11^]。

这些案例揭示了一个共同规律：同样的模型，在不同的Harness（环境）下，表现可以天差地别。

2.4 三者关系：不是替代，而是融合

Prompt Engineering、Context Engineering、Harness Engineering三者是什么关系？

用一个开车的类比来理解：

• Prompt Engineering是司机收到的导航指令——”去哪里、走哪条路、中途停哪些点”
• Context Engineering是司机看到的路况信息——”地图、实时交通、交通规则、车辆操作指南”
• Harness Engineering是整套车辆管控体系——”刹车、安全带、安全气囊、红绿灯、违章抓拍、行车记录仪”

三者不是替代关系，而是层层递进、相互融合的关系。

没有Prompt，Context和Harness就失去目标；没有Context，Prompt就缺乏依据；没有Harness，Prompt和Context就无法稳定、可靠、安全地执行。

对于个人数字资产库构建而言，这意味着什么？

意味着你需要同时关注三个层面：

1. Prompt层：积累高质量的指令模板
2. Context层：构建系统化的背景知识体系
3. Harness层：设计资产的组织、管理、迭代机制

只有这样，你的数字资产库才能真正发挥价值。

---

“Prompt管说什么，Context管知道什么，Harness管在什么环境里做事。三者合一，才能驾驭AI。”

---

第三章：资产库的核心架构设计——热层+冷层双层模型

理解了数字资产的定义和时代演进的背景，目前让我们进入实操层面：如何设计你的个人资产库架构？

3.1 两层架构：热层（Active）+ 冷层（Archive）

基于AI工作的特点，我提议采用热层+冷层的双层架构：

热层（Hot Layer）——Agent上下文层

热层是当前活跃的、直接服务于AI交互的资产。它的特点是：

• 高频访问：每天多次使用
• 实时更新：根据反馈即时调整
• 与AI紧耦合：直接注入AI的上下文窗口
• 容量受限：受上下文窗口约束（一般100K-200K tokens）

热层的存储位置一般是：

• Claude 的 Projects（项目级自定义指令 + 知识库文件）
• ChatGPT 的 Custom Instructions（全局）或 GPTs（项目级）
• Cursor 的 Rules（.cursorrules 或 .cursor/rules/*.mdc 文件）
• OpenClaw 的 SOUL.md（系统级行为约束）或 Skill 定义（SKILL.md 文件）

冷层（Cold Layer）——长期存储层

冷层是归档的、备用的、历史积累的资产。它的特点是：

• 低频访问：按需检索，不是每次都用
• 结构化存储：有清晰的分类和标签
• 可检索：能在需要时快速找到
• 容量无上限：理论上可以无限扩展

冷层的存储位置一般是：

• 飞书/Notion知识库
• 本地文件夹（配合Obsidian/VS Code）
• GitHub仓库
• 云存储（iCloud/Google Drive）

3.2 热冷转换机制

热层和冷层不是固定不变的，它们之间需要建立动态的转换机制：

热→冷（降级）的触发条件：

• 项目结束，相关Context不再需要
• 资产过时，被新版本替代
• 热层容量溢出，需要释放空间
• 连续7天未被使用

冷→热（升级）的触发条件：

• 新项目启动，需要相关Context
• 需求匹配，某个Skill突然高频使用
• 热层刷新，纳入新的高频资产

3.3 六大场景域

为了让资产库更有条理，我提议按照工作场景来组织资产。以下是六大核心场景域：

场景域 说明 典型资产 内容生产 写作、编辑、翻译、润色 文章模板、风格指南、标题生成器 信息处理 搜索、总结、分析、提取 摘要Prompt、分析框架、阅读笔记 技术开发 编码、调试、架构、部署 代码模板、Review检查单、Debug流程 决策支持 评估、对比、规划、预测 决策矩阵、SWOT模板、风险评估 协作沟通 汇报、谈判、教学、反馈 邮件模板、会议纪要、PPT框架 系统优化 流程改善、自动化、知识管理 效率工具、自动化脚本、复盘模板

每个场景域下，你可以根据自己的需求进一步细分。例如”内容生产”可以细分为：

• 长文写作
• 短文/社交媒体
• 技术文档
• 邮件模板

3.4 双轨分类：人类视角 + Agent视角

为了让资产库既能被人高效使用，又能被AI高效检索，我提议采用双轨分类体系：

人类视角（场景驱动）：

按”我目前要做什么”来组织，方便人找：

 内容生产
├── 长文写作
├── 短文/社交媒体
├── 技术文档
└── 邮件模板

Agent视角（功能驱动）：

按”执行时需要什么能力”来打标签，方便AI检索：

• input:pdf – 处理PDF输入
• output:chart – 生成图表输出
• skill:reasoning – 需要推理能力
• domain:finance – 金融领域
• tool:python – 需要Python工具

一个资产的完整元数据示例：

name: "财报可视化分析器"
human_path: "信息处理/商业分析/财报解读"
agent_tags:
  - "input:pdf"
  - "output:chart"
  - "skill:reasoning"
  - "domain:finance"
  - "level:workflow"

3.5 资产类型全景图

除了Prompts、Skills、Context、Meta Skills、Workflows这五大类型，你的资产库还应该包括：

负面资产（Anti-Assets）：

知道”什么不行”比知道”什么行”更难获得，也更有价值。

• 失败Prompt库：曾经尝试但效果不好的指令
• 误用案例：某Skill在X场景下会失效的记录
• 过度优化记录：为了提升5%效果却增加50%复杂度的尝试
• 废弃版本存档：Skill的历史版本及被替换缘由

元认知资产（Meta-Cognitive Assets）：

• 个人思维模式图谱：你分析问题的典型步骤
• 决策日志：关键决策的场景、思考因素、结果
• 审美标准库：写作风格、设计偏好、代码规范
• 信任边界定义：哪些任务AI可以自主，哪些必须人工确认

连接性资产（Glue Assets）：

• 数据格式契约：Skill A的输出必须能被Skill B消费
• 状态传递协议：跨Agent会话如何保持上下文
• 错误处理模式：标准错误码、降级策略、重试逻辑

---

“热层是战场，冷层是兵工厂。战场上只带最需要的武器，兵工厂里储备所有可能用到的装备。”

---

第四章：从0到1搭建你的资产库——7天实战计划

理论再完美，不落地都是空谈。本章将带你用7天时间，从零开始搭建一个可用的个人数字资产库。

4.1 Day 1：环境配置与工具准备

上午任务：核心工具安装

工具 用途 推荐配置 预计时间 Claude Code AI开发环境 最新版 30分钟 飞书 冷层管理 桌面版+移动端 15分钟 GitHub Desktop 版本控制 最新版 20分钟 Obsidian/VS Code 本地编辑 个人偏好 15分钟

Claude Code 配置清单：

# 1. 安装 Claude Code
npm install -g @anthropic-ai/claude-code

# 2. 初始化工作目录
mkdir ~/ai-assets && cd ~/ai-assets
claude init

# 3. 配置 MCP Servers
{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "~/ai-assets"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"]
    }
  }
}

下午任务：飞书多维表格创建

1. 打开飞书，创建新文档
2. 添加多维表格，命名为”AI资产库”
3. 创建第一个视图：”Skill清单”
4. 设置字段（详见下文完整字段清单）

Day 1 检查清单：

• Claude Code 安装成功，可正常启动
• 飞书多维表格创建完成
• GitHub 私有仓库创建（命名为 ai-assets-backup）
• 本地工作目录结构初始化

4.2 飞书多维表格设计（完整字段清单）

飞书多维表格是冷层管理的核心工具。以下是完整的字段设计：

基础信息区（必填）：

字段名 类型 说明 示例值 Skill名称 文本 唯一标识 CodeReviewer 状态 单选 活跃/草稿/归档 活跃 版本 文本 语义化版本 1.2.0 创建日期 日期 首次创建时间 2024-01-15 最后更新 日期 最后修改时间 2024-01-20

使用统计区（自动/手动更新）：

字段名 类型 说明 更新方式 使用次数 数字 累计使用次数 手动+脚本 本周使用 数字 本周使用次数 公式计算 成功率 百分比 满意结果占比 手动评估 平均耗时 数字 平均执行时间(秒) 脚本统计 最后使用 日期 最近一次使用 自动记录

分类标签区（便于检索）：

字段名 类型 说明 示例 主分类 单选 大类归属 编程/写作/分析 子分类 多选 细分类别 代码审查, Python 标签 多选 自由标签 高频, 重大, 待优化 优先级 单选 使用优先级 P0/P1/P2/P3

Context管理区（热层相关）：

字段名 类型 说明 示例 Context大小 数字 Token数量 850 热层状态 单选 常驻/按需/冷存 常驻 触发关键词 文本 自动触发词 review, 代码审查 依赖Skill 关联 依赖的其他Skill BaseFormatter

质量评估区（持续优化）：

字段名 类型 说明 评分标准 输出质量 评分 1-5星 5=完美, 1=不可用 稳定性 评分 1-5星 5=100%成功 易用性 评分 1-5星 5=零学习成本 维护成本 评分 1-5星 5=零维护 综合评分 公式 加权计算 自动

4.3 Day 2-3：设计你的第一个Skill

选择标准：什么样的Skill值得第一个做？

不要选择”最酷”的，选择”最常用”的。推荐从以下场景中选择：

1. 代码审查 – 如果你每天写代码
2. 邮件回复 – 如果你每天处理大量邮件
3. 会议纪要 – 如果你每周有3+次会议
4. 内容摘要 – 如果你每天阅读大量文章
5. 周报生成 – 如果你每周需要写汇报

第一个Skill设计模板：

# Skill: CodeReviewer

## 元信息
- 名称: 代码审查助手
- 版本: 1.0.0
- 创建日期: 2024-XX-XX
- 使用场景: 每日代码Review
- 预期频率: 每天3-5次

## 触发条件
- 用户发送代码片段
- 用户说"帮我看看这段代码"
- 文件扩展名为 .js/.py/.ts 等

## Context内容
你是一个经验丰富的代码审查员，专注于：
1. 发现潜在的bug和性能问题
2. 检查代码风格和最佳实践
3. 提出具体的改善提议

审查维度：
- 功能性：代码是否正的确   现了需求
- 可读性：命名、注释、结构是否清晰
- 性能：是否有明显的性能问题
- 安全性：是否存在安全隐患
- 可维护性：是否易于后续维护

输出格式：
## 总体评分: X/10

## 主要问题（按优先级排序）
1. [问题描述] - [具体位置] - [修复提议]

## 优点
- [具体优点]

## 改善提议
- [可执行的提议]

## 示例
输入: [一段有问题的代码]
输出: [预期的审查结果]

## 版本历史
- v1.0.0: 初始版本

4.4 Day 4-5：目录结构创建

合理的目录结构是资产库可维护的基础。以下是经过实践验证的目录结构：

~/ai-assets/
├──  skills/                      # Skill库（核心）
│   ├──  active/                 # 活跃Skill（热层候选）
│   ├──  archived/               # 归档Skill（历史记录）
│   ├──  drafts/                 # 草稿Skill（开发中）
│   └──  templates/              # Skill模板
│
├──  contexts/                    # Context库
│   ├──  hot/                    # 热层Context
│   ├──  warm/                   # 温层Context
│   ├──  cold/                   # 冷层Context
│   └──  archive/                # 归档Context
│
├──  examples/                    # 示例库
│   ├──  positive/               # 成功案例
│   └──  negative/               # 失败案例
│
├──  docs/                        # 文档库
│   ├──  guides/                 # 使用指南
│   ├──  decisions/              # 决策记录
│   └──  references/             # 参考资料
│
├──  scripts/                     # 自动化脚本
│   ├──  sync/                   # 同步脚本
│   ├──  analysis/               # 分析脚本
│   └──  utils/                  # 工具脚本
│
└──  config/                      # 配置文件
    ├── claude.json                # Claude Code配置
    ├── mcp-servers.json           # MCP Server配置
    └── settings.yaml              # 全局设置

4.5 Day 6：首批资产入库

首批5个种子Skill推荐：

序号 Skill名称 使用场景 优先级 1 CodeReviewer 代码审查 P0 2 EmailWriter 邮件撰写 P1 3 MeetingNotes 会议纪要 P1 4 ContentSummarizer 内容摘要 P2 5 WeeklyReport 周报生成 P2

入库流程：

Step 1: 创建Skill目录
  └── mkdir skills/active/[SkillName]

Step 2: 复制模板文件
  └── cp templates/skill-template/* skills/active/[SkillName]/

Step 3: 填写内容
  └── 编辑 README.md, context.md, examples.md

Step 4: 创建元数据
  └── 编辑 metadata.json

Step 5: 飞书记录
  └── 在多维表格中添加记录

Step 6: Git提交
  └── git add && git commit && git push

Step 7: 测试验证
  └── 在Claude Code中实际使用

4.6 Day 7：第一周复盘与优化

复盘清单：

1. 使用数据统计
2. 本周使用了多少次AI辅助？
3. 哪些Skill被使用了？
4. 平均每次节省多少时间？
5. 问题记录
6. 哪些Skill没有达到预期？
7. 使用过程中遇到了什么问题？
8. 有哪些新的需求被发现？
9. 下周计划
10. 需要优化哪些现有Skill？
11. 需要新增哪些Skill？
12. 需要改善哪些流程？

第一周里程碑检查：

• 工具链完整配置
• 至少3个可用Skill
• 版本控制正常运行
• 飞书表格保持更新
• 记录了至少5次使用日志

---

“第一周的目标不是完美，而是跑起来。先让系统运转，再持续优化。”

---

第五章：热层管理与动态加载策略

热层是资产库中最宝贵的”黄金地段”——它直接决定AI输出的质量和效率。本章将教你如何科学管理热层。

5.1 上下文预算分配

AI的上下文窗口就像一块需要精密计算的工作内存，而非无限存储容器。2026年3月的最新实践表明：质量胜过数量——8000个精心筛选的token往往胜过1000万个噪声token。以下是一个基于当前主流模型（Claude Opus 4.6 / Sonnet 4.6 1M、GPT-5.4 1M、Gemini 3.0 Pro 1M）的推荐预算分配方案：

资产类型 预算占比 说明 个人基础信息 10% 风格、偏好、常用格式 当前项目Context 25% 项目背景、目标、约束 激活的Skills 15% 当前任务所需的Skill 对话历史/中间结果 25% 本轮对话的上下文 缓冲 25% 应对突发需求

为什么需要留25%的缓冲？

由于上下文窗口是工作内存而非存储空间。当窗口利用率超过90%，模型不仅读取受限，生成高质量回复所需的”思考空间”也会被挤压。Claude Code的实践经验表明：在75%利用率时触发压缩，保留25%自由空间，反而比榨干到95%获得更长的有效会话和更高质量的输出。

5.2 什么进热层？四大触发条件

不是所有资产都值得进热层。以下四大触发条件，协助你判断：

条件一：频率

• 每日使用的Skill → 常驻热层
• 每周使用3+次的Skill → 思考常驻
• 每月使用1-2次的Skill → 按需加载

条件二：时效

• 当前项目相关的Context → 项目期间常驻
• 即将到期的任务 → 任务期间常驻
• 长期不变的基础信息 → 永久常驻

条件三：依赖

• 被多个Skill依赖的基础Skill → 常驻
• 独立使用的Skill → 按需加载

条件四：效率

• 加载后显著提升效率的Skill → 常驻
• 加载成本高于使用收益的Skill → 冷层

5.3 热层切换流程

当任务变化时，你需要动态调整热层。推荐以下五步切换流程：

Step 1: 声明（Declare） 明确告知AI任务的变化： “接下来我要处理财报分析，需要加载相关Skill”

Step 2: 检索（Retrieve） 从冷层检索相关资产：

• 在飞书表格中搜索”财报”
• 查看匹配的技能列表
• 选择最合适的Skill

Step 3: 确认（Confirm） 确认加载的Skill和Context： “将加载：财报可视化分析器（Context: 850 tokens）”

Step 4: 加载（Load） 将选定的资产注入上下文：

• 复制Skill定义到对话
• 确认AI理解新任务

Step 5: 执行（Execute） 开始新任务的执行：

• 提供输入数据
• 获取AI输出
• 评估输出质量

5.4 预算监控方法

如何知道你的上下文预算使用情况？以下是几种监控方法：

方法一：手动估算

• 了解常见内容的token数：
• 100字中文 ≈ 150 tokens
• 一段代码（50行）≈ 500 tokens
• 一篇短文（1000字）≈ 1500 tokens

方法二：使用工具

• Claude Code内置的token计数器
• 在线token计算器（如 OpenAI Tokenizer）

方法三：经验法则

• 当你感觉AI”忘记”了之前的内容 → 可能触发了上下文截断
• 当AI输出质量突然下降 → 可能需要清理上下文

自动清理策略：

当上下文使用率超过90%时，自动触发清理：

1. 压缩对话历史（保留摘要）
2. 移除不再需要的Skill
3. 归档中间结果

---

“热层管理的核心原则：不是越多越好，而是让对的资产在对的时间出现。”

---

第六章：Meta Skills实战开发

Meta Skills是资产库的”操作系统”，让资产库能够自我管理和进化。本章将介绍四大核心Meta Skill的开发方法。

6.1 Skill Searcher（技能搜索器）

功能：根据任务需求，从冷层检索相关Skill

输入：

• 任务描述（自然语言）
• [可选] 输入数据类型（pdf/url/文本等）
• [可选] 期望输出格式

输出格式：

recommendations:
  - skill: "财报可视化分析器"
    reason: "任务涉及PDF财报+图表输出，匹配度95%"
    load_command: "加载财报分析Skill，启用Python图表输出"
    context_cost: "约占用30%上下文窗口"
    alternative: "如只需文本摘要，可用轻量版：财报摘要提取器"

检索逻辑：

1. 提取任务关键词 → 匹配场景路径
2. 识别输入/输出需求 → 匹配功能标签
3. 按匹配度排序，返回Top-3
4. 提供加载指令和上下文成本预估

6.2 Skill Evaluator（技能评估器）

功能：对新收集的Skill进行质量评估

评估维度：

维度 检测项 评分标准 安全性 代码审计、权限审查、数据泄露风险 1-10分 实用性 功能完整性、文档质量、社区活跃度 1-10分 适配度 与个人工作流匹配度、上下文占用 1-10分

输出格式：

skill_id: "web-search-v2"
source: "github:xxx/xxx"
security_score: 8.5/10
utility_score: 9.0/10
fit_score: 7.5/10
recommendation: "adopt_with_modification"
notes: "需修改输出格式以适配个人笔记系统"

6.3 Skill Curator（技能策展人）

功能：管理Skill的生命周期——收藏、分类、版本控制、归档

核心机制：

• 智能标签：自动提取功能标签、技术栈、适用场景
• 版本快照：记录Skill的演进历史，保留稳定版本
• 使用追踪：记录调用频率、成功率、迭代修改
• 冷启动策略：低频Skill自动降级到冷存储

存储策略：

频率 存储位置 加载方式 每日使用 Agent常驻上下文 预加载 每周使用 本地Hot Cache 快速加载（<2s） 每月使用 飞书/Notion知识库 按需检索 极少使用 GitHub Archive 手动恢复

6.4 Skill Router（技能路由器）

功能：根据任务自动选择最优Skill组合

核心能力：

• 意图识别：解析用户真实需求，匹配最佳Skill
• 上下文管理：动态加载/卸载Skill，优化窗口使用
• 故障转移：Skill失效时自动切换备选方案
• 学习优化：根据历史执行反馈优化路由策略

决策示例：

用户输入："帮我分析这份财报并生成可视化"
↓
Router分析：
- 任务分解：数据提取 → 分析 → 可视化
- Skill匹配：
  * pdf-extractor-skill（加载）
  * financial-analysis-skill（加载）
  * chart-generation-skill（按需加载）
- 上下文预算：预留60%给数据，20%给分析指令，20%缓冲
- 执行监控：如pdf提取失败，切换至ocr-fallback-skill

---

“Meta Skills是资产库的'大脑'，让系统能够自我管理、自我进化。”

---

第七章：长期迭代与进化机制

资产库不是一次性工程，而是需要持续迭代的 living system。本章将介绍如何让资产库自我进化。

7.1 每周Review机制

核心原则：删除 > 添加

大多数资产库的问题不是”不够丰富”，而是”丰富到无法维护”。因此，Review的首要任务是删除。

Review流程：

Step 1: 数据收集（10分钟）

• 导出本周使用日志
• 统计各Skill使用次数
• 标记未使用的资产

Step 2: 删除决策（15分钟）

• 连续2周未使用的Skill → 降级到冷层
• 连续1个月未使用的Skill → 归档
• 满意度<3分的Skill → 删除或重写

Step 3: 优化决策（15分钟）

• 满意度3-4分的Skill → 标记待优化
• 收集改善提议
• 制定优化计划

Step 4: 新增决策（10分钟）

• 识别新的需求场景
• 评估是否需要新增Skill
• 优先解决高频痛点

7.2 失败案例库建设（Anti-patterns）

为什么需要记录失败？

知道”什么不行”比知道”什么行”更难获得，也更有护城河。失败知识是个人认知的护城河。

失败案例模板：

# 失败案例：过度优化的Prompt

## 案例描述
尝试用一个Prompt覆盖所有写作场景，结果：
- 长度：800+ tokens
- 复杂度：12个条件分支
- 效果：每个场景都只有70分，没有90分场景

## 失败缘由
1. 追求"万能"，忽视场景特异性
2. 条件分支过多，模型理解成本上升
3. 维护困难，修改一处影响全局

## 教训
- 宁可3个专用90分Prompt，不要1个万能70分Prompt
- 通用部分抽象为Context，可变部分保持独立
- 复杂度控制在"一眼能看懂"的程度

## 当前实践
- 基础层：个人风格Context（常驻）
- 场景层：专用Prompt（按需加载）
- 组合层：由Agent根据场景选择

7.3 使用数据追踪与分析

核心指标：

指标 说明 目标值 资产使用率 活跃资产数 / 总资产数 >50% 平均使用频率 总使用次数 / 活跃资产数 >3次/周 满意度评分 用户主观评分平均值 >4分 节省时间 使用资产前后的时间差 >50%

周报模板：

# 资产库周报（2026年第X周）

## 使用统计
- 总使用次数：XX次
- 最常用Skill：XXX（XX次）
- 新增资产：X个
- 优化资产：X个
- 删除资产：X个

## 本周亮点
- [具体案例]

## 本周问题
- [具体问题]

## 下周计划
- [优化计划]

7.4 资产活性评估公式

如何评估一个资产的”健康度”？可以使用以下公式：

资产活性 = 使用频率 × 迭代速度 × 可组合性 × 可解释性

各维度说明：

• 使用频率：多久用一次（每天/每周/每月）
• 迭代速度：根据反馈优化的周期（天/周/月）
• 可组合性：能和其他资产搭配产生新价值（高/中/低）
• 可解释性：你为什么这样设计，别人能否理解（高/中/低）

高活性资产示例： 一个每周用、每月优化、能嵌入3个不同工作流、有完整设计文档的”会议纪要生成器”

低活性资产示例： 一个收藏了半年从没用过、不知道来源、不知道适用场景的”万能Prompt”

---

“资产库的质量 = 移除速度 × 添加速度。只加不减，必死。”

---

第八章：实战案例——两个完整的工作流

理论说再多，不如看两个真实的案例。本章将展示两个不同场景下的资产库应用。

8.1 案例一：内容创作者的一周工作流

人物画像：

• 小王，自由撰稿人，主要写科技评论文章
• 痛点：选题困难、写作效率低、质量不稳定
• 目标：建立可复用的内容生产系统

资产库构建过程：

Week 1: 诊断与规划

• 用”效率系统审计器”扫描现有工作流
• 识别三大瓶颈：选题随机、素材散乱、缺乏复盘
• 制定资产库建设计划

Week 2-3: 热层搭建

• Claude Projects创建”内容生产”项目
• 导入核心Context：
• 个人写作风格指南（500字）
• 读者画像（3个典型用户）
• 历史爆款文章分析（5篇）
• 创建核心Prompts：
• 选题评估器
• 大纲生成器
• 标题优化器

Week 4: 冷层整理

• 飞书知识库建立”内容资产”空间
• 分类体系：选题库→素材库→成品库→数据复盘
• 导入历史积累的文章、笔记、灵感

Week 5-8: 迭代优化

• 每周用”周复盘模板”评估资产使用效果
• 根据数据调整Prompts和Context
• 沉淀新的资产到冷层

成果数据：

指标 优化前 优化后 提升 单篇文章耗时 8小时 4小时 50% 选题命中率 30% 65% 117% 读者满意度 3.8/5 4.5/5 18%

8.2 案例二：开发者的AI协作系统

人物画像：

• 小李，全栈开发者，独立开发SaaS产品
• 痛点：重复编码、文档滞后、技术债务累积
• 目标：用AI提升开发效率，降低维护成本

Harness Engineering实践：

阶段一：可观测性建设

• 建立开发日志系统
• 记录每次AI协作的输入、输出、结果
• 工具：Cursor的Chat History + 自建日志模板

阶段二：资产沉淀

• Prompt库建设：
• 代码生成类（组件、API、测试）
• 代码审查类（Bug检测、性能优化）
• 文档生成类（README、API文档）
• Context库建设：
• 项目架构文档
• 技术栈规范
• 设计模式指南

阶段三：工作流编排

• 新功能开发流程：
• 需求分析（AI辅助）
• 技术方案（AI生成初稿）
• 代码实现（AI辅助编码）
• 代码审查（AI初审+人工终审）
• 测试覆盖（AI生成测试用例）
• 文档更新（AI同步更新）

阶段四：可回滚机制

• 所有AI生成的代码必须人工审核
• 关键决策保留AI提议+人工判断记录
• 建立”AI决策日志”用于复盘

---

写在最后

AI时代，个人竞争力的核心正在发生根本性转移。

过去，价值来自于”你会什么”——掌握的技能越多，价值越高。

目前，价值来自于”你能多高效地调用和编排AI能力”——你构建的数字资产库越系统化、越可复用、越可进化，价值越高。

但这篇文章想传达的更重大的一点是：构建资产库的过程本身，就应该用AI来辅助。Claude Code、OpenClaw、MCP协议——这些工具本身就是Harness Engineering的最佳实践。用它们来构建你的资产库，就是AI原生思维的体现。

同时，要清醒认识到：基座模型的能力还在快速进化，你今天构建的许多东西，未来可能被模型的原生能力覆盖。因此，你的资产库需要具备可迁移性，你的差异化价值需要来自于个性化数据、领域深度、价值判断——这些是模型无法替代的。

最终，数字资产库的质量不取决于你拥有多少资产，而取决于：

你能多快找到需要的资产

你的资产能多稳定地产生高质量输出

你的资产库能多快速地适应变化

你能在模型能力进化的过程中，始终保持差异化价值。

---

附录：推荐工具与资源

热层工具

• Claude Projects：深度研究、复杂分析
• ChatGPT自定义GPT：特定领域助手
• Cursor：代码开发
• OpenClaw：多Agent编排

冷层工具

• 飞书知识库：团队协作、文档沉淀
• Notion：个人知识管理
• Obsidian：深度知识网络
• GitHub：代码资产、版本控制

推荐阅读

• 《Harness Engineering》by Martin Fowler
• 《Building LLM Applications》
• LangChain官方文档

社区资源

• MCP协议官方文档

---

本文完。如果你觉得有收获，欢迎分享给更多朋友。