🧠 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？
- 数据驱动：基于真实session，不是凭感觉
- 有增有减：强制token budget，避免无限膨胀
- 自动提取：不用手动整理，工具帮你做
- 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。
显示更多
话题来源 @Xudong07452910
· ❤️794
