铃阅时讯
❌

阅读视图

TRAE Work Design 初体验:设计领域的翻译器

原创 刘飞 2026-06-25 21:23 上海

谁都能用 AI 的时候,关键不是看 AI,关键是看谁用。

1

最近试了一下 TRAE Work 新上的 Design 模式。

TRAE Work 和 TRAE IDE不一样,前者是面向普通用户的工作流的,后者更多是面向代码生产的。这也是一个本地运行的软件(也可以云端运行),所以能够检索和使用本地的文件和脚本。

自从 Claude 有了 Design 能力之后,我身边很多朋友就一直在等国内有没有类似的产品。现在终于来了。

用下来之后,我的第一感受是,TRAE Work Design 当然不是一个「让所有人都成为设计师」的产品。这个说法过于营销,不太准确。它更像是一个设计领域的翻译器。

过去我们的一个想法,要经历很多次翻译。

脑子里的想法,要翻译成需求文档;需求文档,要翻译成原型;原型,要翻译成设计稿;设计稿,还要翻译成代码。每一层都可能丢东西。老板说「高级一点」,产品经理可能理解成「信息层级更清楚」,设计师觉得是「留白更多、颜色更克制」,开发会说「又要改按钮样式」。过程中信息的失真程度太高,就跟传话游戏一样,最后东西经常不对。

TRAE Work Design 的意义,是把中间最费劲的一层翻译成本降下来了。用自然语言描述一个页面、一个产品、一套模板,它能先翻译成一个可视化结果。这个结果可能不完美,但重要的是,它终于变成了一个可以看的东西、可以点的东西,尤其是,一个可以继续改的东西。

这件事比单纯「AI 生成一张图」重要得多。

2

先说最直接的场景,产品原型。

我之前做过一个很小的游戏库 App,叫 Gamepix。功能很简单,就是收录自己玩过的游戏,记录起来作为游戏墙,是一个自己的游戏档案。

这种产品如果只是用文字讲,其实很难说清楚它应该长什么样。说「现代一点」「干净一点」「适合 iOS」,听起来都没问题,但千人千面,不同人脑海里想的是不一样的。

我就让 TRAE Work Design 帮我做这个 App 的主界面。

第一版,它做的是比较素雅的深色画廊风格。背景是深灰黑,紫色作为品牌色,游戏封面卡片排成两列,搜索栏、筛选器、底部 Tab 都比较克制。

注意,这个界面里的各个元素都是可以交互的。比如下面这些小标签,都可以直接通过可视化的操作调整。也可以直接添加到对话,让 AI 修改。

这就是翻译器的意义。

以前我们讨论设计风格,经常都在讨论形容词。什么叫「有质感」?什么叫「年轻」?什么叫「不要太互联网」?什么叫「高级但不要太冷」?什么叫「五彩斑斓的黑」?现在可以先生成出来,不是问大家「高级是什么意思」,而是直接把三版做出来:到底哪个更高级。

这个画布相当于就是一个靶子,至少让大家讨论的时候有的放矢。

这对产品经理和独立开发者非常重要。这个并不代表绕过设计师做最终稿,而是需要一个更接近正式产品的半成品。低保真原型太抽象,老板看不懂,开发也容易误会。而高保真设计又太重,需求还没定,就拉设计师出三版,资源也协调不开,最后就会卡在这。

一个可交互的 Demo 不光能可视化呈现大致的效果,更关键的是,如果后面继续进入 Code 模式,很多东西也不用再重新解释一遍。这也是之前 Figma 非常重要的一个价值。

过去从需求到设计、从设计到代码,每一层都有转译损耗。现在有了 AI design 工具,这个损耗会少很多。或者说,大家有种语言统一的感觉。

3

如果说刚才说的案例离大部分人还比较远。那么接下来我们说说别的。

其实设计这件事,在我们日常生活工作里面也是常见的。比如 PPT。

我之前用 AI 生成 PPT 试过很多工具。第一眼乍一看会觉得还行,甚至有时候挺惊艳。但真到关注细节的时候,发现问题可以说是琳琅满目。什么字号不统一、配色对不上、排版错位、图片位置诡异、文字太多、留白太少等等。如果让 AI 改,可能 A 改好了,B 又乱了。最后我通常都发现,比起来一遍遍抽盲盒,不如自己手搓。

对于大部分人来说,我始终觉得,理想中的 AI PPT,不是「一键生成完整 PPT」。真正的用户需求通常是:先定一套自己认可的模板,固定字体、颜色、版式和排版规则。以后每次把文稿喂进去,AI 理解内容之后,按模板填进去。

这次我就尝试让 TRAE Work Design 先做一套 PPT 模板。

一开始,我给的要求很简单:稳重、干净,适合商业和技术内容,不花哨,信息清晰。它生成了几种固定版式:封面页、章节过渡页、左文右图页、纯文字论点页、数据图表页、结尾页。

这一步看起来跟别的工具差不多。但其实是在建立一套表达规则。

我继续说,背景要更有高级感,想要克莱因蓝风格,要漂亮一点的底纹,文字不要罗列太多,字号放大。于是它把整套模板改成了克莱因蓝背景,加了几何底纹和很轻的内发光,把每页文字从段落改成关键词。

同时我给了他一篇我之前做的播客文稿的原稿。效果变成这样:

比如原来这一页第一行写的是:

「1900 年出生,父亲是鞋厂缝纫工,中学毕业后做面包师学徒,但志不在此,转而学习制鞋手艺。」

它会按照我的要求把它简化,改成:

「1900 年出生 · 鞋匠世家」

中间会有一些细节,比如章节过渡页里大号数字「02」的位置很奇怪,放在左侧垂直居中,显得特别突兀。我可以直接选中这一页说,这个数字位置不对,放到左下角。这个一下就可以改好。

正如前面所说,这种小修改看似不起眼,但是多了之后会非常麻烦,每次制作 PPT 的时候最头疼的就是这些步骤。这次如果规范建立了,接下来的所有的 PPT 都可以按照这个模板来。

这才是 AI Design 产品和传统设计软件很不一样的地方。传统设计软件考验会不会操作、记不记得功能具体的地方,AI Design 考验的是能不能把问题说清楚。

AI 工具好不好用,不应该看它第一次能不能「蒙对」,而应该看它错了之后,好不好改。TRAE Work Design 更像一个可以不断对话的设计助理。而且它也能有记忆。

4

对于内容创作者来说,也可以有自己的一套 VI 系统了。过去想要有这种设计系统,可能要花钱请外包团队,或者白嫖自己的设计师朋友。

现在要简单很多。

比如我做公众号,经常需要文章头图。头图当然可以用统一的字体模板,但是这种设计略显简陋。而如果每次都专门微调设计一个头图,成本又比较高。

这就可以让 TRAE Work Design 做一套头图设计系统。

我给他的需求是:科技商业类公众号,内容方向包括 AI 工具测评、科技史叙事、商业观察。整体要克制、干净、有杂志感。不要科技公司那种冷感渐变和发光,也不要营销号那种大字塞满的风格。

第一版是深色的。深海军蓝背景,白色标题,右下角固定「刘言飞语」署名。右侧会有一个淡淡的线框图,来体现主题。

后来我又想换成石膏白黄风格。底色变成暖白石膏,标题变成深炭黑,竖线变成暗金色。增加了镂空效果。

这套头图系统的关键不是某张图好不好看,还是规则固定了。背景、线条图案、标题效果是固定元素;每篇文章只替换标题文字,根据字数微调字号。这样以后不用每次从空白画布开始,也不用每次重新跟 AI 说一遍要求。

一说「设计系统」,会觉得这是大公司设计团队才会用的东西。但其实,就跟 Excel 模板、合同模板、邮件模板一样。一个设计系统本质上就是降低重复工作的边际成本。每次做 PPT,不用重新想版式;每次做公众号头图,不用重新想颜色;每次做网页,不用重新想按钮圆角、字体层级和卡片样式。这就是系统的价值。

5

AI Design 并不会让人人都是设计师,就像 AI coding 也并不会让每个人成为独立开发者一样。

AI Design 真正降低的不是审美判断的门槛,而是表达和执行的门槛。它让更多人可以把脑子里的想象先拿出来,不需要先熟练掌握 Figma、Photoshop、PowerPoint 的各种功能,才能看到一个初步结果。可以先说出来,生成出来,再改。

但这不代表专业能力不重要了。恰恰相反,当大家都能生成一个「看起来还行」的页面,真正稀缺的就是判断力。

设计师不会失去价值。以后更重要的可能不是会不会画出一个按钮,而是能不能定义系统、判断风格,以及知道一个页面为什么「看起来好像不对」。为什么同样是极简,有的像 Apple,有的像毛坯?这些判断,要么是需要有大量经验积累的,要么是需要专业训练的,并不是自然具备的。

产品经理也一样。以前产品经理有一部分能力是中间态技能:写 PRD、画原型、做流程图。这些当然还会有价值,但如果 AI 能更快生成可视化原型,产品经理的价值就会继续往前移:能不能定义问题,能不能拆需求,能不能判断优先级,能不能知道拥挤的首屏到底该放什么,这些会更重要。

对于内容创作者也一样。以前不会设计,就只能凑合;现在可以做自己的公众号头图系统、PPT 模板、官网页面。工具会让个人表达更像一个完整品牌,而很多个体的品牌也会变得更加重要。前提还是,你得知道自己想要什么。

说到最后,AI 会放大内在丰富的人,也会暴露没有思考的人。

很多人过去说自己有个点子,就差一个程序员,有了 AI coding,这句话越来越站不住了。接下来可能还会有人说,我有个产品,就差一个设计师。Design 这类工具出现后,这个借口也会少一点。

不是说真的不需要程序员和设计师了,而是说至少可以先把第一版东西做出来看看。一个想法到底有没有价值,不用再永远停留在「我就是没有他们有资源」,而是真的可以拿出 Demo 来,先把问题暴露。Talk is cheap , show me the demo。

很多想法都是异想天开的。比如「做一个年轻人的社区」「做一个打败滴滴的网约车平台」「做一个更懂用户的内容产品」。这种话可以在会议室和咖啡馆说上三天三夜,但交给 AI 做出来,放到应用商店里给人用,结果会更加直观。

AI 是翻译器,但不是作家。原文写得随意,译文不会变成文学名著。

谁都能用 AI 的时候,关键不是看 AI,关键是看谁用。

跳转微信打开

  •  

AI专栏 | 上下文越多,Agent 越笨?开源框架 Flow2Spec 给出另一种答案

原创 Lands 2026-06-25 17:00 上海

让项目在开发中自然长出知识图谱

作者简介

Lands,携程高级前端开发工程师。专注工程化实践、性能调优与底层架构设计。拥抱 AI 浪潮,推动 AI 辅助编码与 D2C 全链路落地,用前沿技术极致提升开发效率,重塑研发生产力。

一、前言

二、只做“记忆”为什么不够

三、Flow2Spec的关键差异:开发过程生成知识图谱

四、知识库接口:不是一个大文档,而是一套路由协议

五、渐进式读取:AI 每次只拿该拿的知识

六、多依赖能力:不让 Agent 只读到一半规则

七、知识库正确性:不是写了 topic 就算完

八、意图识别:不是所有话都应该自动进流程

九、一个更真实的开发闭环

十、它不只管知识,也管开发闭环

十一、和普通知识库最大的区别

十二、几个常见问题

十三、适合什么项目+快速体验

一、前言

最近一年,很多 AI 编程工具都在解决同一个问题:让 Agent 记住项目上下文。

这件事当然重要。但现在只说"项目记忆""上下文管理""规则文件",已经不够了。

因为很多开源项目都在做类似的事:写一个 AGENTS.md/ CLAUDE.md,加一组 rules,建一个 docs 目录,让 Agent 先读项目说明,或者接入向量库做检索。

这些方案能缓解问题,但我真正想解决的不是"启动时塞给 AI 一堆上下文"。我想解决的是:

在真实开发过程中,项目知识能不能被持续沉淀、自动路由、持续验证,并且随着代码一起演进。

这就是 Flow2Spec。一句话介绍:Flow2Spec 是一个让项目在开发过程中自然长出知识图谱的 Agent 工程框架。

二、只做“记忆”为什么不够

很多项目接入 AI 后,会很快遇到一个悖论:你希望 AI 多了解项目,但你给它的上下文越多,它越容易读不完、读偏、忘掉重点。

于是大家不断加规则:先读这个文件,再读那个目录,这个模块不能改,那个接口有历史兼容,改完记得更新文档……最后上下文变成另一种负担。它看起来像知识库,实际上更像一个不断膨胀的说明书。

Flow2Spec 的判断是:项目知识不能只靠"写下来",还要能被路由、被组合、被校验、被持续更新。

三、Flow2Spec 的关键差异:开发过程生成知识图谱

Flow2Spec 不是要求你先做一场大规模文档工程。它更推荐的方式是:

  1. 先 flow2spec init 初始化一个空骨架

  2. 用 f2s-doc-arch 生成项目架构说明,沉淀进知识库

  3. 真实需求来了,Agent 先按现有知识路由

  4. 功能实现后,用 f2s-kb-sync 把本轮确认的事实同步回知识库

  5. 下一次类似需求,再从这份知识中渐进读取

知识不是一次性建设出来的。它是在需求澄清、技术方案、代码实现、修复问题、知识同步、提交代码的过程中逐步长出来的。

这也是 Flow2Spec 和普通"项目记忆文件"的区别:普通方案更像给 Agent 一份说明书;Flow2Spec 更像给项目维护一张可演进的知识图谱——落在仓库里的 .Knowledge/ 中,能 diff、能 review、能随代码提交。

四、知识库接口:不是一个大文档,而是一套路由协议

Flow2Spec 的知识库有一个明确的接口结构:

    .Knowledge/
      manifest-routing.json   # 机读路由清单
      matchers/               # 关键词分片
      topics/                 # 主题摘要
      stock-docs/             # 已落地能力长文档
      req-docs/               # 需求 / 技术方案文档

    Agent 的读取顺序不是自由发挥,而是按协议走:

      manifest-routing.json
        -> matcher 分片
        -> topic 摘要
        -> topicDependencies
        -> stock-docs / req-docs
        -> 源码兜底

      这套结构的价值在于:知识库对 Agent 暴露的不是"文件",而是"怎么找到正确知识"的接口。

      manifest-routing.json告诉 Agent 有哪些主题;matchers/*.json告诉 Agent 这个需求可能命中哪些主题;topics/*.md给 Agent 短摘要和硬约束;topicDependencies告诉 Agent 哪些前置规则必须一起读;stock-docs/和 req-docs/只在需要时下钻。

      五、渐进式读取:AI 每次只拿该拿的知识

      Flow2Spec 的读取模型可以概括成四步:match → expand → verify → act

      match:Agent 先读 manifest-routing.json,再按任务读取对应 matcher 分片。不遍历整个知识库,先缩小候选范围。

      expand:命中主主题后,通过 topicDependencies继续读取依赖主题,避免只看到局部规则。比如一个功能可能同时依赖公共配置规则、鉴权规则、某个业务模块的约束。

      verify:命中 topic 不代表知识一定够。Flow2Spec 要求 Agent 在执行前检查:当前主题是否真的覆盖用户问题,是否缺关键依赖,是否需要读长文档,是否需要先反问用户。这一步把"看起来命中了"变成"确认可以执行"。

      act:只有在知识覆盖足够、边界清楚时,Agent 才进入实现、修改或提交。如果置信度不足,就先澄清,而不是硬改。

      六、多依赖能力:不让 Agent 只读到一半规则

      真实项目里,很多错误不是因为 AI 完全没读知识,而是它只读了一个局部知识,漏掉了前置约束:

      • 改功能时读了业务 topic,但没读提交规则

      • 生成技术方案时读了需求文档,但没读 req-docs / stock-docs 的边界规则

      • 修改配置时读了模块说明,但没读配置开关默认值

      Flow2Spec 把这些依赖显式放进路由层。一个 topic 可以声明它依赖哪些 topic,Agent 命中主主题时会先展开依赖。这不是简单的"多读几个文件",而是把项目知识从扁平文档变成有边的图:

        需求实现
          -> 文档路由规则
          -> 技术方案规则
          -> 任务追踪规则
          -> Git 提交规则

        这让 Agent 每次读取的不是孤立片段,而是一组经过声明的上下文组合。

        七、知识库正确性:不是写了 topic 就算完

        知识库最怕两件事:过期和写错。Flow2Spec 没有假设知识库永远正确,它把"验证"放进了开发流程。

        典型场景:用户问一个业务细节,Agent 先查知识库,发现 topic 有覆盖但不够细,继续读源码得到更准确的事实。这时 Flow2Spec 不应该只回答完就结束,还要判断:

        • 这个事实是否已经写进 topic

        • 如果没写或不够细,是否应该提示用 f2s-kb-distill 把本轮问答提取入库

        • 如果知识看起来已覆盖,是否能证明覆盖来源;不能证明就不能静默

        这就是"知识库补充建议收口"。它让 AI 从源码里找到的每次新知识,都不只留在本次聊天里,而是反哺回知识库。

        八、意图识别:不是所有话都应该自动进流程

        用户说一句话,Agent 到底应该回答、讨论、澄清,还是直接进开发流程?

        • "这个方案可行吗?" → 应该是讨论,不应该自动开始写代码

        • "修一下这个 bug" → 应该进入 fix 流程

        • "我想做一个新能力,先帮我把需求问清楚" → 应该进入需求澄清,而不是直接实现

        Flow2Spec 里有 intentRecognition开关,开启后 Agent 会按意图识别规则做辅助判断:高置信新增能力进入 feat 流程,高置信修复问题进入 fix 流程,需求不清楚进入 req-clarify,只是询问/讨论则保持普通对话。

        经过一段时间真实项目验证,意图识别已经比较稳定,建议默认开启,让 Agent 在大多数场景下自动分流;当然你也可以随时显式输入 f2s-req-clarify、f2s-kb-feat、f2s-kb-fix 等命令,覆盖自动判断结果。建议多显式使用 f2s skill**,熟悉这些技能的用法,可以更高效地使用 Flow2Spec。

        九、一个更真实的开发闭环

        使用 Flow2Spec 后,一个需求可能是这样流动的:

          用户提出需求
            -> 显式 f2s-* skill / intentRecognition 辅助判断
            -> f2s-req-clarify 反问到无歧义
            -> f2s-req-tech 生成技术方案
            -> Agent 按知识库渐进读取
            -> 实现代码
            -> changeTracking 记录任务进度
            -> f2s-kb-sync 同步新知识
            -> f2s-git-commit 提交前检查

          这条链路里,每一步都会留下可追踪的资产:需求文档在 req-docs/,已落地知识在 stock-docs/,主题摘要在 topics/,路由关系在 manifest-routing.json,任务进度在 .task/。

          Flow2Spec 做的不是"让 AI 单次回答更好",而是在把一次次开发过程转化为项目知识图谱的增量更新。

          十、它不只管知识,也管开发闭环

          任务进度落盘:开启 changeTracking后,Agent 执行功能开发或方案实现时,会把任务 checklist 写到 .task/。新会话继续做时,不需要重新问"上次做到哪",直接从磁盘任务接上。

          技术方案不硬套模板:f2s-req-tech会根据当前需求选择合适的技术方案结构,而不是把所有章节机械套一遍,避免前端改造也生成一堆数据库章节。

          多 Agent 编排与校验:复杂任务可以通过 subAgent拆给子 Agent 处理。如果开启 switchAgentVerification,还可以让写入方和验证方分离,降低单个 Agent 自己写、自己验、自己放过的风险。

          提交前知识覆盖检查:f2s-git-commit会在提交前检查 diff、冲突标记、暂存范围,也会检查本轮变更是否需要同步知识库,让"改代码后忘记更新知识"在提交前能被发现。

          模板与路由升级检测:Flow2Spec 启动时会检测 .Knowledge/结构版本,如果落后于 npm 包版本,Agent 会提示执行 f2s-kb-upgrade,确保项目知识结构与工具版本保持同步。

          十一、和普通知识库最大的区别

          如果只用一句话概括差异:普通知识库是给 Agent 查的;Flow2Spec 的知识库是给 Agent 参与维护的。

          普通知识库关注:文档放在哪里、怎么检索、怎么总结。

          Flow2Spec 更关注:需求来了该读哪个主题、主题之间有什么依赖、当前知识是否足够执行、源码兜底后是否要反哺、用户意图是否应该触发流程、改代码后知识是否一起更新、提交前是否检查过知识覆盖。

          这也是为什么 Flow2Spec 会同时包含 .Knowledge/、.task/、f2s-* skills、Agent rules 和 flow2spec.config.json——它们不是散件,而是一套围绕开发闭环组织起来的协议。

          十二、几个常见问题

          Q:改动一个能力后,怎么保证对应主题都能更新?

          Flow2Spec 通过五层机制提高覆盖率:

          • 路由层 matcher 找主 topic;

          • topicDependencies展开依赖 topic;

          • f2s-kb-sync先给出更新大纲让用户确认;

          • 普通问答下钻源码后提示补充;

          • f2s-git-commit提交前做知识覆盖检查。

          Q:Flow2Spec 怎么解决 Agent 遗忘规则的问题?

          分两侧看。

          • 使用侧:规则不塞进一个大文件,而是拆成可路由、可依赖的结构——入口规则写进各端配置、业务知识放进 topics、匹配词放进 matchers、依赖关系放进 topicDependencies、长文档放进 stock-docs / req-docs。Agent 每次不靠记忆,而是按 match → expand → verify → act 重新取规则。

          • 设计侧:五层约束分阶段拦截"规则写了但不遵守"的情况:

          • 入口层:声明读取顺序和禁止项

          • 配置层:执行任何技能前必须先读配置开关

          • 路由层:所有任务先读 manifest,不直接全仓搜索

          • 技能层:每个技能定义前置检查、确认点和收口方式

          • 门禁层:在多个节点分别设门禁——任务归档前检查 checklist、知识落盘前确认大纲、问答下钻源码后强制收口自检、代码提交前检查 diff 与知识覆盖

          两个典型场景说明这五层如何生效:一是防止意图误判(用户还在澄清阶段,Agent 不能跳去实现);二是防止源码答完后知识不反哺(必须判断是否需要 f2s-kb-distill 把本轮问答提取入库,不允许静默跳过)。

          Flow2Spec 的目标不是完全消除遗忘,而是让"绕过规则"在每个阶段都更难发生。

          Q:单个主题文件过大怎么办?

          topic 的定位是"路由摘要",记触发词、边界、关键约束和下一步指针,不承载所有细节。大功能拆成多个 focused topic,再用 topicDependencies串起来。Agent 先读概览判断相关性,再按需下钻具体子主题。

          Q:如果知识库没有覆盖当前模块怎么办?

          Flow2Spec 提供三个互补命令,按触发方式与粒度区分:

          f2s-kb-distill 由 Agent 自动提示:在一次问答中下钻源码找到答案后,把本轮问答提取入库;技能内部会按下钻深度与命中主题,自动判新建主题或补充既有主题。

          f2s-kb-add <路径或能力描述> 由用户主动触发:想把一个整体模块 / 历史能力一次性解析入库时使用,输入路径或多文件聚合,适合从未入库的整块代码。

          f2s-kb-sync 由用户主动触发:用于已实现能力的全局 / 批量同步,可零输入推断,先输出更新大纲再落盘,适合阶段性体检式补强。

          简言之:单次问答 → distill(Agent 自动),新模块整体入库 → add,多个已落地能力一次性同步 → sync。

          每次「从源码里找答案」,都可能变成一次知识库补强。

          十三、适合什么项目+快速体验

          最适合:中大型业务项目、长期维护的代码仓库、多人协作规则很多的项目、经常使用 Cursor / Claude Code / Codex 的团队、希望 AI 不只是"看文档"而是参与维护项目知识的场景。

          可能不适合:一次性脚本或非常小的个人项目(< 5000 行,一份 README 够用)。

          5 分钟快速体验:

            npx @double-codeing/flow2spec@latest init

            开始使用时建议优先显式输入f2s-* skill,熟悉这些技能的用法,可以更高效地使用 Flow2Spec。默认开启 intentRecognition 即可让 Agent 在常见任务下自动分流。

            常用流程:

              /f2s-req-clarify   需求澄清
              /f2s-req-tech      生成技术方案
              /f2s-kb-feat       新增能力并同步知识
              /f2s-kb-fix        修复问题并修正知识
              /f2s-kb-add <路径>  解析已有模块入库
              /f2s-kb-sync       全局/批量同步已落地能力到知识库
              /f2s-kb-distill    把本轮问答提取入库(自动判新主题或补充既有主题)
              /f2s-git-commit    提交前检查并生成提交信息

              目前已支持 Cursor、Claude Code、Codex 三端初始化,也支持中文 / 英文模板。

              结语

              AI 编程的终点不是"写更多代码"。真正难的是:让 AI 在长期项目里持续理解上下文,并且把每次开发产生的新知识沉淀下来。

              Flow2Spec 把项目知识从静态文档变成可路由、可依赖、可验证、可反哺的知识图谱。它让 Agent 不只是消费上下文,也参与维护上下文。

              如果你的项目已经出现"每次都要给 AI 解释同一套业务规则"、"AI 经常漏读前置约束"、"文档和代码越来越不同步"这类问题,可以试一下:

                npx @double-codeing/flow2spec@latest init

                开源地址:https://github.com/Lands-1203/Flow2Spec

                PPT演示:https://lands-1203.github.io/Flow2Spec/

                延伸阅读

                • Flow2Spec 官方文档:

                https://github.com/Lands-1203/Flow2Spec/tree/main/docs

                项目体系与原理、使用说明、命令详解的完整文档,包含多端配置差异说明。

                • Building Effective Agents — Anthropic:

                https://www.anthropic.com/research/building-effective-agents

                Agent 工程的权威指南,包含工具使用、上下文管理和多 Agent 协作的设计原则,是理解 Flow2Spec 规则环/技能环设计的重要参考。

                • Memory for Agents — LangChain:

                https://www.langchain.com/blog/memory-for-agents

                对 AI Agent 记忆机制的系统性分析,涵盖程序性/语义性/情节性三类记忆分层,以及热路径更新与后台异步更新两种实现方式,与 Flow2Spec 的 Memory Coding 理念形成对照。

                【推荐阅读】

                 “携程技术”公众号

                  分享,交流,成长

                跳转微信打开

                •  
                ❌