🧠 AGENTS.md其实是一个神经网络——这个维护思路很优雅 很多人维护AGE…

🧠 AGENTS.md其实是一个神经网络——这个维护思路很优雅

很多人维护AGENTS.md的方式是：Agent犯一次错，就往里补一条规则。

时间久了文件越来越长，旧规则没删，新规则继续加。最后Agent每次都要读一堆已经没用的东西，token浪费严重，效果反而变差。

这篇文章换了个思路：把AGENTS.md当成一个需要"训练"的神经网络。

核心思路：

1️⃣ 每次Session都是一次forward pass
Agent走过的弯路和被你纠正的地方就是loss

2️⃣ 定期做backward pass
从真实session里提取问题，小幅更新AGENTS.md

3️⃣ 给固定Token budget
新增一条规则，就要考虑删掉或移走什么

具体怎么做？

作者开源了一个叫backpass的工具，可以自动完成这个过程：

• 分析最近的session记录
• 提取Agent犯错的地方和你的纠正
• 生成AGENTS.md的修改建议（新增/删除/更新）
• 你Review后合并

为什么这个思路好？

1. 数据驱动：基于真实session，不是凭感觉
2. 有增有减：强制token budget，避免无限膨胀
3. 自动提取：不用手动整理，工具帮你做
4. 渐进优化：每次只改一点点，风险可控

实际效果：

• AGENTS.md保持精简有效
• Agent不再读一堆无用规则
• 每次改进都有数据支撑

个人思考：

这个思路本质上是把"人工维护配置"变成了"自动训练模型"。虽然AGENTS.md还是文本，但维护方式已经接近机器学习了。

很多Agent现在缺的就是这种持续进化的能力。每次session都积累了很多反馈，但下一次又像第一次来上班一样。

如果你也在用Claude Code或Codex，可以试试这个思路。让Agent越用越懂你，而不是每次都要重新教。