如何根据场景工作需求,定制化驱动 AI 持续完成任务的能力的方案

回复 群友 6932 要让 AI 根据工作场景定制化、持续完成任务，本质是从一问一答的对话，做成常驻委托的 pa 或业务 Harness。结合 Joye 最新博客《Personal Agent 拆解：模型越强，产品越要做减法》和《Agent Harness 的三层》，核心方案可以拆成四块： 第一，先把架构分成补偿层和承载层。 很多人做定制化，一上来就写死工作流、堆几十条规则、做十几个专用小工具。这些其实是在弥补模型短板的补偿层，模型一升级反而会限制它发挥。真正要加厚的是承载层：把你们场景独有的业务上下文、数据文档整理成模型可读的结构，做好权限边界和环境集成。 第二，用三段式架构加主从编排来跑长任务。 1. 统一触发器与路由：不只有人发消息才动，把定时任务、邮件、Webhook、飞书或群消息都转成统一事件进队列，做好去重、合并连发和优先级（人直接发的消息优先级最高，随时打断在跑的任务）。 2. 状态与执行环境解耦：把 Agent loop 和状态持久化（比如用 Temporal 或状态库）放在服务端，执行环境放在隔离沙箱或虚拟机里，中途崩溃能从断点恢复，不会断掉。 3. 稀疏主 Agent 加干活子 Agent：如果同时跑多条任务线，主 Agent 只维护待办清单、盯进度和向你汇报，保持上下文干净；真正耗时间、耗 token 的具体任务，派发给带全新上下文的 subagent 或 ca（如 Claude Code、Codex）去独立工作区干活，做完只把结果摘要带回来。 第三，用 Skills、文件化记忆和 Hook 做场景定制。 1. 按需加载：人设和主提示词尽量短，只给基础工具（读写文件、shell、搜索、发消息）。场景专属的 SOP、业务黑话做成 Skills 或文档，只把名字暴露给模型，用到时再按需读取，同时守住 KV-cache 命中率控制成本。 2. 确定性卡点用 Hook：像改完代码自动跑 lint 和单测、不可逆操作（发邮件、改线上库）前拦截审批，这类动作前后必须触发的确定性流程直接做成 Hook，不要让模型自己记着去调。 第四，落地迭代顺序。 不要一上来就搭复杂的多 Agent 或庞大的评测集。先用最强模型、最短提示词和最少的基础工具跑通单线程闭环；实际用起来之后收集真实失败的 badcases，每加一条定制规则或 Skill，都对应留下一条 eval；等新模型升级时裸跑一遍评测，把模型已经学会、不再需要的旧规则和冗余 Skill 及时删掉。 你可以先看下你们的具体场景是偏写代码研发，还是偏日常业务运营？我可以针对具体场景帮你拆下怎么定工具和上下文。